报告核心观点 - 构建可转债评级因子体系，基于机器学习算法建立预测模型，深入挖掘评级变动的潜在驱动因素，为评级调整提供前瞻性预测，研究转债投资价值 [10] 转债信用评级动态演化分析 - 近5年转债市场信用风险边际扩大，呈“易下难上”格局，2020 - 2024年下调数量从7只增至49只，上调案例不到3例/年 [1][11] - 评级调整呈季节性集聚，每年Q1与Q4下调数量占比普遍抬升，2022Q1尤为明显，下调数量占比达73% [11] - 行业维度上，评级下调呈高度结构性分化，社会服务等行业下调比例高，煤炭等行业为0% [17] - 产业链维度上，TMT与制造产业链评级下调风险边际抬升，TMT产业链2022年下调占比升至22%，制造产业链2024年下调占比升至9% [18] - 评级下调迁移路径集中，下调前评级以AA、AA - 为主导，AA→AA - 、AA - →A + 等为主要下调路径 [23] 转债评级因子体系 转股压力因子 - 多数指标为快变量，便于实时跟踪转股压力动态，债券余额/正股市值等与评级下调正相关，正股收盘价等负相关 [2] 偿债压力因子 - 构建长短期分层指标体系，资产负债率等与评级下调正相关，EBITDA/带息债务等负相关 [2] 盈利质量与经营效率因子 - 通过“盈利 - 周转 - 现金流”三维框架构建动态评分体系，连续亏损等与评级下调正相关，每股收益等负相关 [2] 公司治理与特质因子 - 反映内部治理质量和公司特质信息，审计意见类别等与评级下调正相关，企业性质等负相关 [2] 市场表现因子 - 反映投资者对发行人信用资质的实时定价，面值退市风险等与评级下调正相关，市盈率等负相关 [3] 机器学习模型 基模型表现 - 采用集成学习框架进行二分类预测，随机森林、XGBoost等算法在预测信用评级下调风险方面表现优异，2022、2023年测试集上AUC值均大于0.95 [71] 模型优化 衍生因子 - 通过主成分因子、中性化因子、跨品种迁移因子强化特征表征能力 [82] 模型融合 - 采用双层Stacking集成框架，引入PR - AUC作为核心评估指标及动态阈值调整，2022 - 2024年测试集上AUC值分别为96.4%、98.5%和91.5% [4][85] 模型最新预测结果 - 已更新2025年度跟踪评级的123只转债中，8只下调均在预测下调概率最高的前25只中 [91] - 评级暂未更新的334只转债中，56只预测下调概率在10%以上 [91] - 建议根据投资目标差异化设置预警阈值，如高覆盖率模式、高精确模式、动态平衡模式 [94]