让 AI 帮你安装
复制下面这句话，粘贴给 Claude Code、Codex、Cursor 等 AI 编程工具，它会读取安装说明并在你确认后完成安装。
请阅读 https://ai.atlankj.com/install/asset/gh-credit-analysis-c0ff354f7b1f ，按照其中的说明把「credit-analysis」安装到你（当前 AI 工具）中。执行前先告诉我将运行的命令和写入的位置，等我确认。
查看 AI 将读取的安装说明正在读取 GitHub 原文…
复制下面这句话，粘贴给 Claude Code、Codex、Cursor 等 AI 编程工具，它会读取安装说明并在你确认后完成安装。
请阅读 https://ai.atlankj.com/install/asset/gh-credit-analysis-c0ff354f7b1f ，按照其中的说明把「credit-analysis」安装到你（当前 AI 工具）中。执行前先告诉我将运行的命令和写入的位置，等我确认。
查看 AI 将读取的安装说明正在读取 GitHub 原文…
内容来自 GitHub 原始文件，由原作者维护。在 GitHub 查看
当用户提出以下类型问题时，优先调用本 skill：
| 类型 | 定义 | 评级对象 |
|---|---|---|
| 主体评级（Issuer Rating） | 发行人整体偿债能力 | 企业、政府、金融机构 |
| 债项评级（Issue Rating） | 特定债券的信用质量 | 具体债券，考虑抵押品、优先级、契约条款 |
债项评级可高于或低于主体评级（取决于担保结构）。
| S&P | Moody's | 中国评级 | 含义 |
|---|---|---|---|
| AAA | Aaa | AAA | 最高信用质量，极低违约风险 |
| AA+/AA/AA- | Aa1/Aa2/Aa3 | AA+/AA/AA- | 高质量，极低违约风险 |
| A+/A/A- | A1/A2/A3 | A+/A/A- | 较高信用质量 |
| BBB+/BBB/BBB- | Baa1/Baa2/Baa3 | BBB+/BBB/BBB- | 投资级下限（IG/HY分水岭） |
| BB+及以下 | Ba1及以下 | BB+及以下 | 高收益/投机级 |
| D | D | D | 违约 |
中国特点：国内评级虚高，AA级在国内约等同于国际BBB-，需结合评级展望（正面/稳定/负面）综合判断。
用于预测企业财务困境，原始模型适用于上市制造业：
Z = 1.2×X1 + 1.4×X2 + 3.3×X3 + 0.6×X4 + 1.0×X5
| 变量 | 计算公式 | 含义 |
|---|---|---|
| X1 | 营运资本 / 总资产 | 流动性 |
| X2 | 留存收益 / 总资产 | 盈利积累 |
| X3 | EBIT / 总资产 | 盈利能力 |
| X4 | 股权市值 / 总负债账面值 | 财务杠杆 |
| X5 | 销售收入 / 总资产 | 资产效率 |
判断区间：
改进版本：
局限性：
将公司股权视为对公司资产的看涨期权（执行价格=债务面值）：
核心假设：
dV = μV dt + σ_V V dW股权定价（BS公式）：
E = V·N(d1) - D·e^(-rT)·N(d2)
d1 = [ln(V/D) + (r + σ_V²/2)T] / (σ_V·√T)
d2 = d1 - σ_V·√T
违约概率（风险中性）：
PD = N(-d2)
距违约距离（DD, Distance to Default）：
DD = [ln(V/D) + (μ - σ_V²/2)T] / (σ_V·√T)
信用利差估算：
信用利差 ≈ -ln[N(d2) + (V/D·e^(rT))·N(-d1)] / T
参数估算方法（联立方程组）：
KMV 是 Merton 模型的商业化实现，由穆迪收购：
步骤：
DP = 短期债务 + 0.5×长期债务DD = (V - DP) / (V × σ_V)与 Merton 的区别：
EDF 参考区间（约）：
适用于零售信贷/ABS 底层资产分析：
建模流程：
Score = A - B×ln(odds)，通常基准分600，PDO=20WOE 和 IV 计算：
WOE_i = ln(好样本比例_i / 坏样本比例_i)
IV_i = (好样本比例_i - 坏样本比例_i) × WOE_i
总IV = Σ IV_i
IV 参考标准：
即期利率曲线（Zero Curve）：各期限无风险零息债收益率，通过 Bootstrap 方法从附息债提取。
远期利率曲线（Forward Curve）：
f(T1, T2) = [(1+r2)^T2 / (1+r1)^T1]^(1/(T2-T1)) - 1
期限利差：
收益率曲线形态：
| 形态 | 特征 | 经济含义 |
|---|---|---|
| 正斜率（Normal） | 长端>短端 | 经济扩张预期 |
| 平坦（Flat） | 各期限相近 | 经济转折点 |
| 倒挂（Inverted） | 短端>长端 | 衰退信号 |
| 驼峰（Humped） | 中端最高 | 流动性分层 |
票面利率（Coupon Rate）：发行时约定，按面值计息。
到期收益率 YTM（Yield to Maturity）： 使 债券现值 = 市场价格的内部收益率：
P = Σ [C/(1+y)^t] + F/(1+y)^n
其中 C=票息，F=面值，y=YTM，n=期数。
当期收益率（Current Yield）：CY = 年票息 / 市场价格（忽略本金损益）
修正久期（Modified Duration）：
MD = -dP/P ÷ dy = Macaulay Duration / (1+y/m)
含义：利率每变化1%，债券价格变化约MD%（反向）。
凸性（Convexity）：
CX = [Σ t(t+1)·CF_t/(1+y)^(t+2)] / P
价格变化修正：ΔP/P ≈ -MD·Δy + 0.5·CX·(Δy)²
定价函数是仓库里的实测代码，直接 import，不要在会话里重新手写：
from src.quantlib.fixedincome import bond_price
bond_price(face=100, coupon_rate=0.05, ytm=0.04, n_periods=5, freq=1)
# -> 104.4518... 5年期、票息5%、YTM=4%、年付
两个约定在这里是显式参数，不是隐含假设：
compounding："discrete"（默认，每年 freq 次离散复利，即上面 P = Σ C/(1+y/m)^t 的形式）或 "continuous"。bond_price 按整数付息期贴现，因此返回的是付息日的价格（净价，应计为 0）。
非付息日结算要另加应计利息才是全价（脏价）：import datetime as dt
from src.quantlib.fixedincome import accrued_interest
accrued = accrued_interest(
face=100, coupon_rate=0.05, freq=2,
last_coupon=dt.date(2024, 1, 15),
settlement=dt.date(2024, 4, 15),
next_coupon=dt.date(2024, 7, 15),
day_count="30/360", # ACT/365F(默认) | ACT/360 | ACT/ACT | 30/360 | 30E/360
) # -> 1.25
dirty_price = bond_price(100, 0.05, 0.04, 10, 2) + accrued
可转债的转股期权部分详见
convertible-bondskill，本节聚焦纯债价值。
纯债价值（Bond Floor）：
纯债价值 = Σ [票息/(1+r_straight)^t] + 面值/(1+r_straight)^n
其中 r_straight 为同评级同期限直债收益率。
转股溢价率与纯债溢价率：
下修条款信用含义： 下修转股价可能导致摊薄，需评估公司意愿（强赎冲动 vs 回售压力）。
资产质量指标：
早偿率模型：
CPR = 1 - (1 - SMM)^12
SMM = 1 - (1 - CPR)^(1/12)
分层结构（Tranche）分析：
关键风险指标：
增信倍数 = (底层资产池规模 - 优先级规模) / 优先级规模
超额利差 = 底层资产池利率 - 优先级融资成本 - 服务费
城投债（LGFV，地方政府融资平台债）是中国固收市场特有品种。
四维评估模型：
| 维度 | 核心指标 | 权重 |
|---|---|---|
| 区域财政实力 | 一般公共预算收入、GDP规模、财政自给率 | 40% |
| 平台层级 | 省级>市级>区县级，级别越高隐性支持越强 | 25% |
| 平台地位 | 是否唯一城投、资产注入力度、业务多元化 | 20% |
| 债务结构 | 有息负债规模、短期债务占比、再融资压力 | 15% |
隐性债务风险信号：
城投估值溢价结构（参考）：
城投利率 ≈ 同期国债 + 流动性溢价(30-50bp) + 区域溢价(0-200bp) + 平台溢价(0-100bp)
政策风险：2023年城投化债政策后分化加剧，关注：
时间加权现金流现值之和，单位为"年"：
D_mac = Σ [t × CF_t/(1+y)^t] / P
利率敏感性度量：
D_mod = D_mac / (1 + y/m)
ΔP ≈ -D_mod × P × Δy
适用于含权债券（可赎回债、MBS等）：
D_eff = (P_down - P_up) / (2 × P_0 × Δy)
其中 P_down/P_up 为利率下移/上移Δy后的价格。
Dollar Duration = D_mod × P × 面值
衡量久期对利率的敏感性（二阶效应）：
C = Σ [t(t+1) × CF_t/(1+y)^(t+2)] / P
价格精确估算：
ΔP/P ≈ -D_mod·Δy + 0.5·C·(Δy)²
凸性的价值：正凸性使债券在利率下行时涨幅大于预期（利率上行时跌幅小于预期），因此正凸性债券比负凸性债券（如可赎回债、MBS）更受青睐。
利率变动1基点（0.01%）导致的价格变化：
DV01 = D_mod × P × 0.0001
组合层面：Portfolio DV01 = Σ (DV01_i × 持仓量_i)
用途：利率对冲比率计算
对冲比率 = DV01_被对冲头寸 / DV01_对冲工具
衡量收益率曲线各关键期限平行移动1bp对价格的影响：
KRD_i = -ΔP/(P × Δy_i)（仅第i个关键利率变动1bp）Σ KRD_i ≈ D_mod（各关键利率久期之和约等于修正久期）应用：
久期匹配（Duration Matching）：
使资产组合久期 = 负债久期，对利率平行移动免疫。
条件：Σ (w_i × D_i) = D_liability
现金流匹配（Cash Flow Matching）： 直接匹配每期现金流，彻底消除再投资风险，但灵活性差、成本高。
条件免疫（Contingent Immunization）： 当组合价值超过安全底线时主动管理，跌至底线时切换为被动免疫。
再平衡频率：
信用利差（Credit Spread）= 违约风险溢价 + 流动性溢价 + 税收溢价（部分市场）
| 组成部分 | 影响因素 | 量化方式 |
|---|---|---|
| 违约风险溢价 | 评级、行业、财务状况、宏观周期 | CDS报价、模型测算 |
| 流动性溢价 | 发行规模、剩余期限、市场深度 | 买卖价差、换手率 |
| 税收溢价 | 国债免税优惠（部分国家/投资者） | 利率差异分析 |
利差衡量基准：
OAS（Option-Adjusted Spread）： 剥离嵌入期权价值后的信用利差，适用于含权债比较：
P = Σ CF_t / (1 + r_t + OAS)^t
正斜率（常见）：长期利差 > 短期利差，反映期限不确定性叠加。
平坦/倒挂：
信用利差与国债收益率的相关性：
宏观因素：
行业因素：
个券因素：
利差压缩交易（Spread Tightening）： 做多被低估（高利差）信用债，做空国债对冲利率风险。
利差扩大交易（Spread Widening）： 做空信用债（通过CDS），做多国债。
跨评级利差交易： 做多高收益/做空投资级（利差压缩时），或相反。
蝶式利差交易（Butterfly）： 做多中期、做空短端和长端，获利于信用曲线中段的相对价值。
中国特色工具：
本章的模型已经是仓库里的实测代码，位于 src/quantlib/fixedincome.py（债券数学 + 曲线拟合）
与 src/quantlib/credit.py（Altman Z / Merton-KMV / 利差）。两个模块都有对应的
tests/quantlib/test_fixedincome.py、tests/quantlib/test_credit.py，久期与 DV01 是对
"重新定价 ±1bp" 逐点核过的。
直接 import 调用，不要在会话里重写这些公式。 手写一遍既拿不到测试保障，也不可复现。
一律的单位约定：利率与比率是小数（0.05 表示 5%），期限与时间跨度是年，
久期/凸性的返回值是年 / 年²（不是付息期数），带 _bp 后缀的才是基点。
from src.quantlib.fixedincome import (
bond_price, ytm_solve, macaulay_duration, modified_duration,
convexity, dv01, effective_duration,
)
face, coupon, ytm, n, freq = 100, 0.05, 0.04, 5, 1
price = bond_price(face, coupon, ytm, n, freq) # 104.4518
ytm_solve(price, face, coupon, n, freq) # 0.04（价格反解 YTM）
macaulay_duration(face, coupon, ytm, n, freq) # 4.5571 年
modified_duration(face, coupon, ytm, n, freq) # 4.3818 年
convexity(face, coupon, ytm, n, freq) # 24.4766 年²
dv01(face, coupon, ytm, n, freq, par_amount=1_000_000) # 457.69 元/bp
参数要点
| 参数 | 说明 |
|---|---|
freq | 每年付息次数，1=年付、2=半年付。所有函数都接受，绝不写死 |
compounding | "discrete"（默认）或 "continuous"。连续复利下修正久期恒等于 Macaulay 久期 |
par_amount | dv01 的持仓面值，默认 100 万；对冲的市值按 par_amount * price / face 计 |
bracket | ytm_solve 的求根区间，默认 (-0.5, 10.0)，覆盖所有可交易债券 |
含权债（可赎回债、MBS）的现金流会随利率移动，解析久期不适用，改用重新定价法：
d_eff = effective_duration(reprice=lambda y: my_oas_model(y), yield_level=0.04, bump=1e-4)
reprice 必须自带赎回/早偿逻辑；effective_duration 只负责 (P_down - P_up) / (2·P₀·Δy)。
import numpy as np
from src.quantlib.fixedincome import fit_yield_curve, nelson_siegel, svensson
maturities = np.array([0.25, 0.5, 1, 2, 3, 5, 7, 10, 20, 30])
yields = np.array([0.019, 0.020, 0.022, 0.024, 0.025, 0.027, 0.028, 0.029, 0.033, 0.035])
fit = fit_yield_curve(maturities, yields, model="svensson")
fit.params # (beta0, beta1, beta2, beta3, lambda1, lambda2)
fit.rmse # 拟合残差（小数，与输入同单位）
fit(4.5) # 任意期限插值 -> 该点即期利率
fit([1, 5, 10]) # 也接受数组
fit_yield_curve 返回一个 CurveFit 对象（不是 (params, func) 元组）：它本身可调用，
同时带 model / params / rmse 三个只读字段。model 取 "nelson_siegel"（4 参数）
或 "svensson"（6 参数，双曲率因子）。
拟合方式是可分离最小二乘：给定衰减参数 λ 后 β 是线性的，用 OLS 精确求解， 只对 1~2 个 λ 做网格 + Nelder-Mead 搜索。这一点很要紧——对全部参数一起做单点起始的 L-BFGS-B（本 skill 早先模板的做法）连自己生成的曲线都还原不回来： 在 10 个期限的无噪 Nelson-Siegel 曲线上它停在 RMSE 6.4e-4（6.4bp）， 而现在这个实现是 4.0e-14。
需要直接按参数取值（例如做因子分解、做情景模拟）时用底层函数：
nelson_siegel(tau=[1, 5, 10], beta0=0.045, beta1=-0.02, beta2=0.03, lambda1=2.5)
svensson(tau=5.0, beta0=0.05, beta1=-0.03, beta2=0.04, beta3=-0.02,
lambda1=1.2, lambda2=8.0)
beta0 是水平因子（长端渐近利率），beta0 + beta1 是瞬时短端利率，
beta2 / beta3 是曲率因子，lambda* 是衰减速度（年）。传标量返回标量，传数组返回数组。
from src.quantlib.credit import altman_z_score
z = altman_z_score(
working_capital=200, # X1 分子：流动资产 - 流动负债
retained_earnings=300, # X2 分子：留存收益
ebit=150, # X3 分子：息税前利润
equity_value=900, # X4 分子：original 用股权市值，prime/double_prime 用账面净资产
total_liabilities=600, # X4 分母：全部负债的账面值
total_assets=1000, # X1/X2/X3/X5 的分母
revenue=1200, # X5 分子；double_prime 不需要，可省略
model="original", # original | prime | double_prime
)
z.z_score # 3.255
z.zone # "safe" | "grey" | "distress"
z.label_zh # "安全区（低违约风险）"
z.components # {"x1": 0.20, "x2": 0.30, "x3": 0.15, "x4": 1.50, "x5": 1.20}
z.safe_threshold # 2.99
z.distress_threshold # 1.81
三个变体的系数与临界值在 ALTMAN_MODELS 里，与 §1.2 的表格一一对应：
model | 适用对象 | 系数 (X1..X5) | 安全 / 危险 |
|---|---|---|---|
original | 上市制造业（Altman 1968） | 1.2 / 1.4 / 3.3 / 0.6 / 1.0 | > 2.99 / < 1.81 |
prime（Z'） | 私有企业，X4 改用账面净资产 | 0.717 / 0.847 / 3.107 / 0.420 / 0.998 | > 2.90 / < 1.23 |
double_prime（Z''） | 非制造业 / 新兴市场，去掉 X5 | 6.56 / 3.26 / 6.72 / 1.05 / — | > 2.60 / < 1.10 |
X4 的分母是「全部负债」，不是「有息负债」。 §1.2 的变量表写的是"总负债账面值"， 参数名
total_liabilities与模型定义一致。用有息负债代入会系统性高估 Z 值。
同一份报表在三个变体下给出的分区可以不同（上例：original 安全区、prime 灰色区），
这正是重新标定的意义，不是矛盾。
from src.quantlib.credit import credit_spread_analysis, spread_term_structure
df = credit_spread_analysis(
bond_yields=bond_ytm_series, # pd.Series，索引=日期
risk_free_yields=cgb_ytm_series, # 必须与上面同一个索引
window=252, # 滚动窗口（交易日）
lookback_periods=21, # 慢速变化列的回溯期
signal_z=1.5, # 触发 rich/cheap 的 |z| 阈值
input_unit="percent", # percent | decimal | bp
)
返回的 DataFrame 列固定为：spread_bp、rolling_mean_bp、rolling_std_bp、z_score、
historical_percentile、change_1p_bp、change_lookback_bp、signal。
signal 取 "rich"（利差偏低、偏贵）/ "neutral" / "cheap"（利差偏高、偏便宜）。
historical_percentile是全样本排名，带前视偏差，不能当回测信号用。 它把每一行 和它之后的行一起排序——同一天的分位数会随着新数据到来而改变（实测：同一行在 50 行 切片上是 0.02，在 100 行上变成 0.01）。这是原模板的行为，保留是为了不静默改变口径。z_score与signal走滚动窗口，是因果的，要做信号用这两个。
grid = spread_term_structure(
issuers={"AAA城投": {1: 0.025, 3: 0.028, 5: 0.032},
"AA城投": {1: 0.032, 3: 0.041, 5: 0.055}},
risk_free_curve={1: 0.020, 3: 0.022, 5: 0.025},
input_unit="decimal", # 注意默认值与上面那个函数不同
decimals=1,
)
# 行=发行人，列=1Y_spread_bp / 3Y_spread_bp / 5Y_spread_bp
输入单位必须自己确认。 两个函数的历史默认值不一致：
credit_spread_analysis默认收益率是百分数（3.2表示 3.2%），spread_term_structure默认是小数（0.032）。 默认值保留了原模板的行为，但input_unit现在是显式参数——喂数据前先看清楚手里的序列是哪一种， 搞反就是 100 倍的利差。
from src.quantlib.credit import (
merton_model, merton_asset_solve, distance_to_default,
kmv_default_point, kmv_distance_to_default, edf_reference_band,
)
m = merton_model(
equity_value=100, # 股权市值
equity_vol=0.40, # 股权年化波动率
debt_face=100, # 债务面值（简化为单笔零息债）
risk_free=0.03, # 连续复利无风险利率
horizon=1.0, # 债务到期年限
asset_drift=None, # 距违约距离用的资产漂移；None = 用 risk_free（风险中性口径）
)
m.asset_value # 197.04 反推出的资产价值
m.asset_vol # 0.2030 反推出的资产波动率
m.distance_to_default # 3.3868 asset_drift=None 时等于 d2
m.default_probability # 0.000354 风险中性违约概率 N(-d2)
m.credit_spread_bp # 0.176 bp
联立方程（§1.3 的两式）在 merton_asset_solve 里解，且是在对数空间求解的，
所以根不会跑到负资产或负波动率上；不收敛会直接抛 ValueError，不会静默返回垃圾解。
Merton 与 KMV 的 DD 是两个不同的量，不要混用：
# Merton：对数空间、带漂移与期限
distance_to_default(asset_value=200, asset_vol=0.25, default_point=100,
horizon=2.0, drift=0.06)
# KMV：线性缺口，无期限无漂移，违约点只含短债 + 部分长债
dp = kmv_default_point(short_term_debt=100, long_term_debt=200,
long_term_weight=0.5) # -> 200
kmv_distance_to_default(asset_value=1000, asset_vol=0.25, default_point=dp) # -> 3.2
edf_reference_band(3.2) # -> (0.001, 0.01)，即 §8 表里的 0.1%–1% 档
edf_reference_band只是把 §8 那张"DD → EDF"经验表做成了查表函数。 真正的 KMV EDF 来自穆迪的专有违约数据库，这里的输出只能当量级校验， 绝不能当作已标定的违约概率报出去。
风险中性 vs 真实世界：asset_drift 只影响 distance_to_default，不影响 d2、
default_probability 和 credit_spread——后三者按定义就是风险中性的。想看真实世界口径，
传一个预期资产回报进去，然后配 edf_reference_band 读档，不要拿 N(-dd) 当 EDF 报。
| 维度 | 银行间市场（CFETS） | 交易所市场（上交所/深交所） |
|---|---|---|
| 监管机构 | 人民银行 | 证监会 |
| 主要参与者 | 银行、保险、基金、外资 | 券商、基金、个人投资者 |
| 交易方式 | 询价（OTC）+ 匿名点击 | 集中撮合 + 大宗交易 |
| 主要品种 | 国债、政金债、信用债、ABS | 企业债、公司债、可转债 |
| 规模占比 | ~90%（以交易量计） | ~10% |
| 结算方式 | T+0/T+1（DVP） | T+1 |
| 流动性 | 高（国债/政金债） | 高（可转债）/低（纯债） |
| 品种 | 发行主体 | 监管/注册 | 信用风险 |
|---|---|---|---|
| 国债（CGBs） | 财政部 | 无限制 | 无（主权信用） |
| 地方政府债 | 各省市政府 | 财政部审批 | 极低 |
| 政策性银行债（国开/农发/进出口） | 政策行 | 无限制 | 极低（准主权） |
| 同业存单（NCD） | 银行 | 央行 | 低（银行信用） |
| 超短期融资券（SCP）/ 短融（CP）/ 中票（MTN） | 非金融企业 | 交易商协会（NAFMII） | 中 |
| 企业债 | 企业 | 发改委 | 中高 |
| 公司债 | 上市公司 | 证监会 | 中高 |
| 城投债 | 地方融资平台 | 多元 | 中高（隐性政府背书） |
| ABS/ABN | SPV | NAFMII/证监会 | 取决于底层资产 |
一级市场分析（发行定价）：
二级市场分析（持仓估值）：
风险预警信号（红线）：
净值化转型后的底层穿透分析：
流动性分析框架：
产品层面流动性 = f(底层资产流动性, 赎回条款, 摊余成本法 vs 市值法)
底层信用评估步骤：
违约类型：
| 类型 | 特征 | 中国典型案例 |
|---|---|---|
| 流动性违约 | 资产健康但现金流断裂 | 部分中小房企 |
| 技术性违约 | 触发条款（交叉违约/加速到期） | 多见于弱资质主体 |
| 经营性违约 | 主业恶化导致还款能力下降 | 永煤、华晨（2020） |
| 欺诈性违约 | 财务造假/资产腾挪 | 康美药业、蓝盛博 |
违约前沿信号（Precursor Signals）：
财务层面：
- 应收账款/总资产 异常增高（虚增收入）
- 货币资金余额高但受限比例高
- 商誉/无形资产占比持续增大
- 关联方交易占比异常
市场层面：
- 二级市场价格持续下跌（跌破90）
- 信用利差快速走阔（单周>50bp）
- 主承销商更换或不参与后续发行
- CDS报价（如有）快速上升
评级层面：
- 评级列入负面观察
- 多家评级机构下调
- 展望由稳定下调至负面
事后分析框架（Post-Default Analysis）：
中国市场回收率参考：
| 相关 Skill | 互补关系 |
|---|---|
convertible-bond | 可转债转股期权部分由 convertible-bond skill 处理，本 skill 负责纯债定价和信用风险 |
macro-analysis | 宏观利率环境和信用周期判断由 macro skill 提供输入 |
risk-management | 组合层面信用风险（VaR/CVaR）参考 risk-management skill |
equity-fundamental | 信用分析与股权估值共享财务报表分析框架，Altman Z-Score两侧均适用 |
YTM 近似公式：
YTM ≈ [C + (F-P)/n] / [(F+P)/2]
久期与价格变化：
ΔP ≈ -D_mod × P × Δy + 0.5 × CX × P × (Δy)²
DV01 = D_mod × P × 0.0001 × 持仓面值
信用利差 = 债券YTM - 同期限国债YTM
Z-Score 风险信号：
Z > 2.99 → 安全 1.81 < Z < 2.99 → 灰色 Z < 1.81 → 危险
违约距离 DD → EDF：
DD > 4: EDF < 0.1%
DD 2-4: EDF 0.1%-1%
DD 1-2: EDF 1%-5%
DD < 1: EDF > 5%
| 数据类型 | 推荐来源 |
|---|---|
| 国债收益率曲线 | 中央结算公司（CCDC）、财政部官网 |
| 信用债行情 | Wind、DM数据 |
| 城投财务数据 | 发债主体年报、Wind |
| 评级报告 | 中诚信、联合资信、东方金诚官网 |
| 违约数据 | Wind、中国债券信息网（chinamoney.com.cn） |
| ABS数据 | CNABS（中国资产证券化分析网） |