暴露度不能只看行业标签

2026-09-28·理念与方法论·约 4 分钟

一、最便宜的那个数，是标签给的

一批贷款对人工智能到底有多敏感，行业分类给出的答案通常偏大。

Janus Henderson 八月底那篇算 CLO 的札记给了一个参照：科技与科技邻近的贷款占美国 CLO 贷款池约 22%，占欧洲约 17%，数据截止七月底。这个数一秒钟就能取到，因为它落在别人已经分好的格子里，现成、整齐、每个代码都有名字，一步就能对上组合。

它回答的其实是另一件事。行业分类说的是这家公司做什么，敞口说的是这笔债会不会因为某件事亏钱。两件事在多数年份里长得很像，用错了不容易被发现。

同一批贷款，那篇札记换了一个做法：不按行业看，逐笔看。判断的标准是有没有直接暴露于人工智能带来的收入冲击，比如按席位收费的软件订阅被代理取代，或者开发门槛降下来之后客户自己做。逐笔过完，美国那一池的直接暴露是 11%，欧洲是 9%，大约只有按行业分类算出来的一半。

一半的差来自问题换了位置。22% 里混着把人工智能当工具的银行、把算力当成本的数据中心运营商，以及只是名字挨着科技的公司。反过来也有漏的：服务、媒体、电信、金融、地产里都有大量靠技术投入吃饭的公司，它们不在科技行业里，却共享同一批客户与同一笔预算。

所以标签的错不朝一个方向。它会把不是风险的算成风险，也会把是风险的算漏。两种错混在一个数里，剩下的就是一个模糊印象。

逐笔判断是人做出来的，有两个天然弱点：做判断的人有立场，判断本身只有是与否两个值。他们的第二步把价格叠上去，同样是那 11%，按实时价格分成三档。面值是一百。

低波动那一档贴着面值，市场没把它当成有事；高波动那一档九十四五块，有分歧但离困境还远；真正跌到七十块附近的是承压档，在整个池子里只占 3%。

三个数摆在同一个池子上，说的不是同一件事。22% 是行业构成，11% 是收入冲击，3% 是市场已经在担心。三个都不算错，混着用一定会错。

还有一组数值得放在旁边。承压档里三年内到期的贷款，在美国只占整个贷款池的 1.4%，欧洲 0.7%，一年内到期的没有。期限给了缓冲，压力不会因为一笔到期被立刻兑现。

价格这一层好用，是因为它把很多人的判断压成一个数，而且每天更新。它的缺点是它不说话：跌到七十块，它不告诉你是现金流出了问题，是持有人被迫卖出，还是这个池子本来就没什么成交。

那篇札记也只在把三档分出来之后，才说承压档是信用风险所在的地方。至于横盘与下跌背后的机制，价格给不出。

价格还有第二个局限，是我们自己做的时候碰到的：成交太薄的池子价格不动，而不动的价格看上去最安全。

在信用债那条链路上，我们的顺序和它相反：不先用标签，先用价格。

做法是拿二级成交去扫，把曲线上明显便宜的期限，和成交净价持续低于估值的券挑出来，范围从整个市场收到大约一百个主体，再去看这批主体最近出了什么事。收窄不是偷懒。全市场的负面消息读不完，读完了也回答不了这些和我手上的持仓有什么关系。

这条链路里有一条判断比数字本身重要：有用的信息不是某一天偏了多少，而是这个偏离已经连续了多久。一天的偏离可以来自一笔急着出手的成交，连续多天的偏离才说明有人在持续让价。记「多久」这件事正是机器比人靠得住的地方。

价格也会失效。它分不出这家公司是自己坏了，还是被整条链子拖着走。这两类在价格上长得一模一样，处置却相反：前者要减，后者可能是机会。所以我们在价格之后又接了消息与基本面两层，专门用来分开它们。

逐笔判断这一步机器接不了，它要求对每家公司的收入结构下判断。

能接的是三件更朴素的事。

第一件是把每一笔都留成一行。池子里只要留的是汇总，换个算法就无从下手：想按价格重新分档，手上却只有行业合计，这一步做不下去。字段也不多，主体、行业、余额、是否直接暴露、落在哪一档、价格、观察日期。

第二件是把两套算法并排跑。同一个池子，用行业分类算一遍，用逐笔判断算一遍，两个数的差额本身就有信息。差额收窄，说明行业里的公司正在变得同质；差额扩大，说明标签越来越不代表这批资产的命运。

第三件是记时间。某一档的权重这个月多少、上个月多少、连续几个月朝同一个方向走，这些机器不会忘，也不会因为某个月的变化看着不重要就跳过去。

按标签算出来的数与按逐笔算出来的数，差额在扩大，说明行业分类越来越不像风险的代表，这时按行业定的额度都要重新检查。

承压档的权重从 3% 往上走，同时均价继续往下，说明市场正把更多贷款放进已经在担心的那一档。

期限那组数一旦反过来，承压档里三年内到期的比例明显抬起来，缓冲就没了，价格下跌会通过再融资直接落到现金流上。

三个信号都还没出现的时候，这组数只能当观察清单，不能当额度依据。

本文为个人研究笔记，不构成任何投资建议。

AI信用研究风险敞口研究方法