信用与固收分析（信用与固收分析）Skill 能解决哪些债券与信用难题？

信用与固收分析：用一个对话式技能打通债券定价、信用评级与利率风险度量

它是什么：一套面向固收与信用研究的分析框架技能，覆盖信用债评级、利差分析、违约风险评估、城投债研究与可转债纯债定价。
核心能力：既能给出方法论与判定标准（如 Altman Z-Score 分区、KMV 的 EDF 区间），也能直接产出可运行的 Python 代码模板（债券定价、久期凸性、DV01、Nelson-Siegel/Svensson 曲线拟合、Merton 模型等）。
最适合谁：券商固收研究员、银行理财与资管子公司的信用分析师、投资经理、风控与资产负债管理人员，以及需要快速完成债券测算的开发者。
差异化价值：不是单纯的“公式查询”，而是把「分析框架 + 判断阈值 + 代码实现 + 中国市场语境」四件事放在同一个对话里完成。
使用前提：需要你提供具体的债券要素或财务数据；技能负责建模逻辑与代码实现，不替代行情数据源。

1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？

基本信息

项目	内容
技能中文名	信用与固收分析
技能英文名	信用与固收分析（与中文名一致）
技能 ID	14257
技能分类	analysis（分析类）
技能定位	固收与信用分析框架，涵盖信用债评级、利差分析、违约风险评估、城投债研究，以及可转债定价与策略研究

它解决什么问题

固收分析长期存在三个“重复劳动”：

公式重复推导：YTM、修正久期、凸性、DV01、关键利率久期，每次换一只券就要重算一遍，手工在 Excel 里搭表容易出错。
方法散落各处：Altman Z-Score、Merton 结构化模型、KMV 的 EDF 映射、信用评分卡的 WOE/IV，方法论分布在教材与研报里，缺少统一口径。
本土语境缺失：国际评级与中国评级体系的对应关系、城投债的四维评估、银行间与交易所市场的差异，通用工具往往覆盖不到。

这个技能把上述内容组织成结构化的分析框架，并在需要落地时直接给出可运行的代码模板。

一键安装的思路与步骤

AI 技能的“一键安装”，本质是把技能包挂载到你所使用的 AI 客户端或 Agent 平台，让模型在识别到相关意图时自动调用对应的知识框架。通用流程如下（具体命令、安装入口与支持的客户端，请以官方说明为准）：

确认安装前提：你的 AI 客户端需支持技能（Skill）扩展机制；本地运行时通常还需要具备 Python 环境，以便执行技能给出的代码模板。
获取技能：在技能市场或技能库中检索技能 ID 14257，或按中文名「信用与固收分析」检索。
执行安装：按平台提供的安装入口或命令完成挂载（命令形式以官方说明为准）。
验证是否生效：安装完成后，直接提一个典型的固收问题做冒烟测试，例如：
- “5 年期、票面利率 5%、YTM 4% 的债券，价格是多少？”
- “帮我用 Altman Z-Score 判断这家公司的违约风险。”
- “城投债的隐性债务风险信号有哪些？” 如果回答中出现了债券定价公式、Z-Score 分区阈值或城投四维评估模型，说明技能已正常加载。
补充数据源：技能本身不内置行情数据。国债收益率曲线可参考中央结算公司（CCDC）、财政部官网；信用债行情与城投财务数据可参考 Wind、DM 数据；违约数据可参考中国债券信息网。数据源与接口以各平台官方说明为准。

提示：安装只是“让模型知道该怎么做”，真正跑出结果仍需要你提供债券要素（面值、票息、YTM、期数、付息频率）或财务数据（营运资本、留存收益、EBIT、市值、总负债等）。

2. 该技能的主要功能和特点

2.1 信用分析框架：从评级到违约概率

主体评级与债项评级区分：明确主体评级衡量发行人整体偿债能力，债项评级考虑抵押品、优先级与契约条款，债项评级可高于或低于主体评级。
三大评级体系对照：提供 S&P、Moody’s 与中国评级的对照表，并点出中国市场的关键特点——国内评级存在虚高，AA 级在国内大致相当于国际 BBB- 水平，需结合评级展望综合判断。
Altman Z-Score 三套模型：原始版（上市制造业，临界值 2.99 / 1.81）、Z’（私有企业，2.90 / 1.23）、Z’'（非制造业与新兴市场，去掉 X5，2.60 / 1.10），并明确其局限性：基于历史数据滞后性强、不适用金融类企业、中国市场需重新标定参数。
Merton 结构化模型：把股权视为对公司资产的看涨期权，给出股权定价公式、风险中性违约概率 PD = N(-d2)、距违约距离 DD 以及信用利差估算式，并说明通过联立方程组反推资产价值 V 与资产波动率 σ_V 的方法。
KMV 与 EDF：说明违约触发点 DP = 短期债务 + 0.5×长期债务，DD 到 EDF 的映射基于实证数据库而非正态假设，并给出 EDF 参考区间（<0.1% 投资级、0.1%–1% 对应 BBB-BB、1%–5% 对应 B 级、>5% 对应 CCC 及以下）。
信用评分卡方法论：面向零售信贷与 ABS 底层资产，覆盖违约标签定义、WOE 编码、IV 筛选（IV>0.02 保留）、Logistic/XGBoost 训练与 Score = A - B×ln(odds) 的评分转换。

2.2 固收产品分析：从国债到城投债

收益率曲线分析：即期曲线（Bootstrap 提取）、远期利率公式、期限利差（10Y-2Y 作为周期预判、10Y-1Y 作为流动性偏好、30Y-10Y 作为超长端供需），以及正斜率、平坦、倒挂、驼峰四种形态的经济含义。
企业债核心指标：YTM、当期收益率、修正久期、凸性，并给出完整的附息债券定价函数。
可转债纯债部分：纯债价值（Bond Floor）计算、转股溢价率与纯债溢价率，并提示转股期权部分由 convertible-bond 技能处理。
ABS/MBS 分析：WAC、WAM、LTV、DPD 30/60/90+、CDR 等资产质量指标，CPR 与 SMM 的换算、PSA 标准早偿假设，优先级/夹层/劣后级的分层结构，以及增信倍数与超额利差的计算。
城投债四维评估模型：区域财政实力（40%）、平台层级（25%）、平台地位（20%）、债务结构（15%），并给出隐性债务风险信号与城投估值溢价的拆解结构。

2.3 利率风险管理与利差策略

久期体系完整覆盖：Macaulay 久期、修正久期、有效久期（适用于含权债与 MBS）、久期金额。
DV01 与对冲比率：DV01 = D_mod × P × 0.0001，组合层面可加总，并直接用于计算对冲比率。
关键利率久期（KRD）：识别组合对 1Y/2Y/3Y/5Y/7Y/10Y/20Y/30Y 各关键期限的暴露，用于对冲非平行移动（扭曲、蝶式）风险。
免疫策略：久期匹配、现金流匹配、条件免疫，并给出再平衡频率建议（利率变动超 50bp 后立即再平衡）。
信用利差分析：利差构成（违约风险溢价 + 流动性溢价 + 税收溢价）、G-Spread/I-Spread/Z-Spread/OAS 的口径差异、利差曲线形态、走阔收窄的驱动因素，以及利差压缩、利差扩大、跨评级、蝶式等交易策略。

2.4 代码模板与本土市场特色

开箱即用的 Python 模板：债券定价、YTM 数值求解（brentq）、久期与凸性、DV01、Nelson-Siegel 与 Svensson 曲线拟合、Altman Z-Score、信用利差时序分析（含 Z-Score 标准化与历史分位数）、Merton 违约概率。每个函数都带类型标注、参数说明与示例。
中国市场结构：银行间市场与交易所市场在监管、参与者、交易方式、品种、规模占比、结算方式上的对比，以及主要债券品种的发行主体与信用风险分级。
违约案例分析：流动性违约、技术性违约、经营性违约、欺诈性违约四类划分，财务/市场/评级三层违约前沿信号，以及不同品种的回收率参考区间。
与其他技能协同：与 convertible-bond（转股期权）、macro-analysis（宏观利率与信用周期）、risk-management（组合 VaR/CVaR）、equity-fundamental（共享财报分析框架）形成互补。

和普通工具比强在哪：普通工具要么只给数据（终端），要么只给公式（教材/搜索），要么只给代码（开源脚本）。这个技能把“该用什么模型、判断阈值是多少、代码怎么写、中国市场要注意什么”串成一条链路。

3. 如何使用该技能？

步骤 1：确认技能已加载

安装完成后，先用一个简单问题验证，例如询问“修正久期的定义和计算公式”。若回答中包含 D_mod = D_mac / (1 + y/m) 以及价格变化近似式，说明技能已被正确调用。

步骤 2：用自然语言描述问题，并补齐关键要素

技能通过意图识别触发，以下类型的问题会优先调用本技能：债券定价、YTM 计算、久期/凸性分析；企业信用评级与违约概率估算；信用利差分析与交易策略；城投债、ABS/MBS 信用评估；利率风险管理（DV01、关键利率久期）；中国固收市场结构分析。

提问时尽量一次给全要素。对比下面两种问法：

❌ “帮我算一下债券价格。”
✅ “面值 100 元、票面利率 5%、年付息、剩余 5 年、YTM 4%，帮我算债券价格、修正久期和凸性。”

步骤 3：索取公式与代码实现

明确说明你要“结论”还是“实现”。例如：

“用 Python 写一个函数，输入面值、票面利率、YTM、剩余付息期数与付息频率，返回债券全价，并给一个 5 年期、5% 票息、YTM=4% 的调用示例。”

技能会返回带注释的函数，示例结果约为 104.4518（即 104.45 元，高于面值，因为票息高于 YTM）。

步骤 4：做信用风险测算

提供财务数据即可得到 Z-Score 与风险等级：

“营运资本 2000 万、留存收益 1500 万、EBIT 1200 万、股权市值 8000 万、总负债 6000 万、营业收入 1.2 亿、总资产 1 亿，用原始模型算 Z-Score。”

输出会包含 Z 值、风险等级（安全区/灰色区/危险区）以及 X1–X5 各分项的拆解，方便定位到底是流动性、盈利积累还是杠杆拖了后腿。

步骤 5：做利率风险与对冲测算

“某持仓修正久期 6.5、全价 102、面值 1000 万，DV01 是多少？如果要用 DV01 为 800 元的国债期货对冲，对冲比率是多少？”

技能会给出 DV01 计算式 DV01 = D_mod × P × 0.0001 × 持仓面值 以及对冲比率 DV01_被对冲头寸 / DV01_对冲工具 的代入过程。

步骤 6：做利差监控与城投评估

“我有一条 AAA 城投债的日频收益率序列和同期限国债收益率，帮我设计一个利差监控表，要包含滚动均值、Z-Score、历史分位数和信号标记。”

技能会返回 credit_spread_analysis 函数的设计，输出包含信用利差（bp）、滚动均值、滚动标准差、Z-Score、历史分位数、日变化、月变化，并按 Z-Score < -1.5 标记“偏贵”、> 1.5 标记“偏便宜”。城投评估则可直接要求“按四维模型给这家平台打分”。

步骤 7：结果校验与追问

拿到结果后可以继续追问：“如果利率上行 50bp，用凸性修正后的价格变化是多少？”“这个 Z-Score 在非制造业模型下会变成多少？”技能会基于已有对话上下文延续计算。

4. 同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
信用与固收分析 Skill	对话式固收分析框架	信用评级对照、Z-Score、Merton/KMV、评分卡、YTM/久期/凸性/DV01/KRD、利差分析、城投四维、ABS/MBS、可运行 Python 模板	需在支持 Skill 的 AI 客户端中挂载（入口以官方说明为准），本地跑代码需 Python 环境	快速建模、方法论速查、代码生成、面试与培训、投研报告支撑	优势是框架与方法论一体、含中国市场语境、可直接产出代码；不足是不内置行情数据，参数需自行输入
Wind / Choice 等金融数据终端	数据与研究平台	行情、收益率曲线、评级报告、违约数据、债券基本信息	需账号授权，费用与开通方式以官方说明为准	日常盯盘、取数、导出报表	优势是数据权威、覆盖全面；不足是分析方法与代码实现仍需自己搭，跨品种建模成本高
Excel + 自建 Python 脚本	手工分析方案	自定义定价表、久期表、利差监控	零门槛起步，但需自己写公式与脚本，维护成本随时间上升	单一券种、固定模板的重复计算	优势是灵活可控、可完全贴合内部口径；不足是公式容易写错、方法不成体系、换人接手困难
通用大模型对话（无技能挂载）	通用问答	概念解释、公式回忆、代码片段	直接提问即可	概念答疑	优势是零配置；不足是口径不稳定、缺少统一阈值与本土市场细节，容易出现公式记错或评级体系混淆

选择建议：如果你已经有数据源，缺的是“怎么算、算完怎么判断”，本技能能明显降低分析建模成本；如果你缺的是数据本身，应先用终端取数，再把关键要素喂给技能做分析。

5. 该技能的典型应用场景与实际体验情况

场景一：券商固收研究员做信用债入库评估

角色与痛点：每天要覆盖多只产业债与城投债，评级报告动辄几十页，入库前还要自己算 YTM、久期和利差分位。
使用方式：把发行人的财务数据交给技能跑 Altman Z-Score，把二级市场收益率序列交给 credit_spread_analysis 看历史分位，再让技能按城投四维模型给出区域财政、平台层级、平台地位、债务结构的打分。
实际体验：方法论口径统一，不用每次回忆临界值。需要注意的是，Z-Score 基于历史数据、滞后性强，中国市场参数需重新标定，技能本身也明确提示了这一局限，因此不能把 Z 值当唯一结论，要和舆情、再融资节奏结合看。

场景二：银行理财子公司做底层资产穿透

角色与痛点：净值化转型后，混合型理财、固收+、FOF 型产品都需要穿透到底层债券，评估集中度与流动性。
使用方式：让技能给出“获取持仓明细 → 按评级/行业/城投/非城投分类 → 计算加权信用利差 → 识别单券集中度（>5% 为高集中度）→ 评估流动性梯度”的标准步骤，再针对 ABS 底层资产索取 WAC、WAM、LTV、CDR 与早偿率（CPR/SMM/PSA）的计算口径。
实际体验：流程化程度高，适合做成内部尽调模板。注意摊余成本法与市值法的差异需要在报告中单独说明，技能对此有明确提示。

场景三：投资经理做利率风险对冲

角色与痛点：组合久期看似达标，但收益率曲线发生扭曲时仍会亏损，传统久期无法定位是哪个期限出了问题。
使用方式：先用 DV01 算组合基点价值，再让技能给出关键利率久期（KRD）的分解思路，识别 5Y 或 10Y 的集中暴露，最后用对冲比率公式计算国债期货或利率互换的对冲手数。
实际体验：KRD 与 DV01 的组合使用，能显著提升对非平行移动的解释力。上手难度中等，需要理解“各关键利率久期之和约等于修正久期”这一关系。

场景四：风控与资产负债管理做免疫策略

角色与痛点：保险、养老金类资金有明确负债现金流，需要资产端久期匹配。
使用方式：让技能对比久期匹配、现金流匹配与条件免疫三种策略的适用条件，并按 Σ(w_i × D_i) = D_liability 给出组合权重建议，同时索取再平衡频率建议。
实际体验：策略对比清晰，能直接用于内部方案讨论。注意事项是久期会随时间漂移，必须定期再平衡，利率大幅变动（>50bp）后要立即调整。

6. 该技能能为用户带来的价值

1. 把“查资料 + 推公式 + 写代码”压缩成一次对话

原本需要翻教材确认 Z-Score 临界值、翻代码仓库找久期实现、再对照研报确认城投四维权重，现在可以在同一轮对话里完成。对高频做券种覆盖的研究员来说，节省的是每只券的重复准备时间。

2. 降低固收分析的专业门槛

信用分析长期被视为“经验活”。技能把评级对照表、违约前沿信号、城投红线指标、回收率参考区间等隐性经验显性化，让入行不久的分析师也能按统一框架推进，减少“凭感觉下结论”。

3. 减少计算口径错误带来的隐性损失

久期符号、付息频率处理、凸性二阶修正、DV01 的面值口径，这些细节一旦出错，结论会系统性偏离。技能提供的函数模板统一了输入输出口径，并带有参数说明与示例，便于交叉校验。

4. 支撑可复用的内部方法论沉淀

技能输出的分析步骤与代码可以直接改写成团队内部的尽调模板、利差监控表和风险预警看板，从“一次性问答”沉淀为“长期资产”。

5. 打通跨技能的分析链路

信用分析不是孤岛：可转债要接 convertible-bond 处理转股期权，利率环境要接 macro-analysis，组合风险要接 risk-management，财报分析可复用 equity-fundamental 的框架。技能间的互补关系让复杂问题可以拆解推进。

7. 常见问题 FAQ

Q1：这个技能怎么安装？安装后需要额外配置吗？

在支持技能扩展的 AI 客户端中，通过技能市场或技能库检索技能 ID 14257 或中文名「信用与固收分析」完成挂载即可，具体安装入口与命令以官方说明为准。安装后无需额外配置数据源，但若要运行技能给出的 Python 代码模板，本地需具备 Python 环境及 numpy、scipy、pandas 等常用库。

Q2：这个技能收费吗？

技能本身是否收费、是否包含在所在平台的订阅权益中，取决于平台的政策，以官方说明为准。需要留意的是，技能不内置行情数据，若涉及 Wind、DM 等第三方数据源，相关费用由数据商单独收取。

Q3：它和 Wind、Choice 这类终端是什么关系？会不会替代它们？

不替代。终端解决“数据从哪来”，本技能解决“数据怎么算、算完怎么判断”。典型用法是先从终端导出债券收益率序列或财务数据，再把关键要素输入技能完成 Z-Score、利差分位、DV01 与 KRD 的测算。

Q4：技能给出的模型结论可以直接作为投资决策依据吗？

不建议直接使用。技能在方法论层面已明确标注局限：Altman Z-Score 基于历史数据、滞后性强，不适用金融类企业，中国市场需重新标定参数；Merton 模型假设债务为零息债、违约仅在到期日发生。实际决策需结合舆情、再融资节奏、区域政策与组合约束综合判断。

Q5：我该选这个技能，还是自己写 Python 脚本？

如果你有稳定的模型模板、只需要重复执行，自建脚本更可控；如果你需要频繁切换分析维度（今天算城投四维、明天做 ABS 分层、后天调 KRD 对冲），或者需要快速获得统一口径的方法论支撑，本技能的边际收益更高。两者也可以组合：用技能生成初版代码，再按内部口径二次开发。

Q6：城投债分析这块，技能能提供哪些具体指标？

技能提供四维评估模型（区域财政实力 40%、平台层级 25%、平台地位 20%、债务结构 15%），并列出隐性债务风险信号，如货币资金/短期债务 < 0.5、EBITDA 利息覆盖率 < 1、非标融资占比 > 30%、区县级城投且区域负债率 > 100% 等，同时还给出城投估值溢价的拆解结构（国债 + 流动性溢价 30–50bp + 区域溢价 0–200bp + 平台溢价 0–100bp），可作为定价与排查的参考起点。