2026
联系人：谭逸鸣、韩晨晨
银行主体信用研究的底层工作有三个特点：指标维度多、主体数量大、更新频率高。团队已有的打分卡覆盖六大维度21项指标，数据库覆盖近千家主体、2020年至2026H1共八个期次。当这些底稿停留在Excel层面时，研究效率受制于三处摩擦：一是跨主体、跨年度的对比要反复筛选与透视；二是打分结果与市场定价的相互印证要另建表格，难以随时调取；三是数据库每更新一期，图表与结论都要重做一遍。
我们把上述三件事工具化：其一，把数据库与打分表抽取为统一的数据结构，两者以主体名称对齐，指标与期次统一编码；其二，按工作簿自身的赋值规则从原值复算全部得分并与原表逐格核对，确保口径没有走样；其三，产出一个单文件、可离线分发的动态看板，把行业总量、全量数据面板、打分结果与利差验证放在同一界面，并使其能随数据库更新而更新。
本报告是这一思路的落地：把“银行六维度打分＋市场数据交叉验证＋可视化”封装为可复用的Skill，将反复调用的研究流程沉淀下来、由主Agent按需编排调用，而不是每次从零写脚本。
1
看板：9个页签，行业—个体—打分—验证
看板封装为单一HTML文件，内置数据与计算逻辑，双击即可离线打开，不依赖网络与外部库，可独立分发与离线复核。
覆盖范围上，数据面板包含数据库全部928家主体，既有226家进入打分样本的城农商行，也有政策性银行、国有行、股份行与大量未发债的中小银行；指标涵盖营业收入与利润、总资产与存贷款、不良与拨备、各级资本充足率与风险加权资产、净息差与负债成本、流动性比例与存贷比、客户集中度等。
期次为2020—2024年度、2025H1、2025年度与2026H1。可按指标看全期次，也可按期次看全指标，支持按机构类型与关键词筛选并导出CSV；未披露一律显示为“-”，不做插值、不以均值替代。
在组织方式上，整个HTML按“行业—个体—打分—验证”的顺序排列，共9个页签：行业数据、数据面板、多主体对比、评分总览、打分明细、银行画像、利差验证、模型与口径、数据更新，默认打开行业数据页，先看行业位置，再落到个体，最后看打分与市场定价是否相互印证。
首先是行业维度，包含商业银行主要监管指标、银行业总资产与总负债、各地银行数量分布统计、各地银行业存贷款规模。
商业银行主要监管指标按季度披露，涵盖信用风险、流动性风险、效益性、资本充足与市场风险五组，每个报告期同时给出数值与同比变动，页面可选择显示期数与是否展示同比，同比上升标红、下降标绿。
银行业总资产、总负债按银行业金融机构、商业银行合计、大型商业银行、股份制商业银行、城市商业银行、农村金融机构、其他类金融机构七个口径，给出规模、同比与占比三套指标，折线展示所选指标的走势。
各地银行数量分布覆盖31个地区、9类机构（政策性银行、大型商业银行、股份制商业银行、城市商业银行、农村商业银行、农村信用社、村镇银行、民营银行、其他银行）。
各地银行业存贷款规模按地区给出总资产、总负债、本外币与人民币口径的存贷款余额、不良贷款余额与不良贷款率共八个指标，年份跨度2020—2025年。
其次是个体维度。数据面板覆盖数据库全部928家主体，按数据库自身的工作表划分成四个类别展开，合计19张子表：
财务指标：主要财务指标一张表，29项，含营业收入、拨备前利润、归母净利润、利息净收入、手续费及佣金净收入、总资产与增速、生息资产、贷款与存款总额等。
经营数据：13张子表，包括贷款五级分类、逾期贷款、贷款行业分布、贷款客户类型分布、贷款担保方式分布、金融投资组合、金融资产三阶段、生息资产收益、资产期限结构、存款结构、计息负债成本、负债期限结构、经营数据-五篇大文章。
监管指标：客户集中度、信用风险指标、效益类指标、流动性指标、资本充足性五张子表，对应单一与前十大客户贷款比例、不良与拨备、净息差与成本收入比、流动性比例与存贷比、各级资本充足率与杠杆率。
股东背景：主体评级、注册资本、成立日期、所属省市区县、是否系统重要性银行、实际控制人、第一大股东及持股比例、前十大股东持股与其中国资占比等静态字段。
使用方式上，选定类别与子表后，指标下拉既可选某一项指标看2020年至2026H1的全部期次，也可选“全部指标”看某一期次的横截面；数值支持色阶与数据条两种呈现。
多主体对比：可以勾选至多8家主体（不限于打分样本，数据库中全部主体均可选），选定指标与起止期次后，折线展示走势、表格展示数值与期间变动、雷达展示打分结构差异。
2
打分卡：六维21项指标与赋值规则
我们在2025年12月10日发布的《商业银行研究系列：一文览“商业银行信用分析框架”》中曾构建商业银行信用评价指标体系。考虑到多数股份行属于系统性重要银行，与城农商行可比性有限，我们重点聚焦城农商行，分别从其经营环境、资产质量、盈利能力、资本充足性、流动性、股东背景等六个方面构建城农商行的信用评价指标体系。
相关指标选取及说明详见下表：
基于上述评价指标体系，并结合数据可得性及完整性情况，我们对其中的226家有存量债的城农商行（包括87家城商行、139家农商行）进行量化分析。
观察这226家城农商行相关指标数据特征，并结合监管要求，我们对不同指标划分不同区间，并对不同区间赋值1-10。
具体赋值方式及对应区间分布详见下表：
与之配套的是模型与口径页。该页把权重设置开放到指标层面，便于检验结论对模型设定的敏感性：一是可逐项修改21个指标的权重；二是可取消勾选，把某项指标整体排除出模型；三是可从数据面板的任意子表中另选指标加入模型——指定指标、期次与方向（正向为数值越大得分越高，负向相反），并选择归入现有维度或单列一个“自定义指标”维度。页面另提供恢复工作簿权重、21项等权、维度内等权、全选指标，以及权重自动归一到100%等快捷设置。
任何改动都会即时刷新评分总览、打分明细、银行画像与利差验证各页的得分与排名。
评分总览页给出226家城农商行打分结果的全局视图：顶部为样本家数、平均分、中位数、最高与最低分，以及总分与存单利差相关系数等关键指标；下方为按5分一档、按机构类型堆叠的总分分布直方图；再往下是各类型六维平均得分的堆积图、分省平均分与家数，以及得分前15与后15名。
打分明细页把226家主体的总分、六维得分与21项指标逐格铺开，指标列可在“得分”与“原值”之间一键切换，支持按机构类型、省份与关键词筛选，点击任意表头排序，点击主体名直接跳转到该行的银行画像。
银行画像页用于单主体研究，依次为：六维雷达（实线为该主体、虚线为同类型均值，维度满分等于权重×100）、同类型分位（把同类型全部主体的总分打在一条轴上，标出该主体的位置与分位）、21项指标的得分条与原值、以及该主体在数据库中2020年至2026H1的时间序列面板，每行配迷你走势线。
3
验证：打分结果与金融债、存单利差的关系
我们在2025年12月10日发布的《商业银行研究系列：一文览“商业银行信用分析框架”》中基于上述体系，对商业银行进行定量分析，并结合了市场估值及定价寻找吻合度和偏离度。
我们将各家城农商行包括同业存单、商金债、二级资本债、永续债等在内的不同债券品种利差作为市场定价的反映，并与主体得分作比较。
整体来看，城农商行得分与其债券利差呈明显的负相关关系，且品种之间存在差异。全样本口径下，总分与同业存单利差的相关系数为-0.73，与商金债为-0.56，与银行二级资本债为-0.55，与银行永续债为-0.52。其中存单的相关性最强，说明短端定价对主体资质的反映最为直接；次级品种还叠加了条款、赎回预期与流动性因素，相关性相应减弱。
分机构类型看，城商行总分与四类品种利差的相关系数在-0.49至-0.60之间，农商行在-0.40至-0.70之间，其中农商行存单为-0.70、二级资本债为-0.40。农商行样本内部资质跨度更大，短端定价的区分度也更清晰。
这表明，上述评价体系与市场定价基本吻合，量化结果能够反映城农商行的市场认可度差异。
我们进一步观察经营环境、资产质量、盈利能力、资本充足性、流动性、股东背景六个维度各自与利差的关系，全样本口径下可以看到：
（1）资产质量与经营环境两个维度的解释力最强，资产质量与四类品种利差的相关系数在-0.52至-0.71之间，经营环境在-0.36至-0.64之间，二者是打分与定价吻合的主要来源；
（2）股东背景及其他、流动性两个维度有一定解释力但明显偏弱，前者在-0.17至-0.52之间，后者在-0.32至-0.48之间，且流动性维度与永续债利差的相关系数为+0.06，已接近无关；
（3）盈利能力与资本充足性两个维度对市场定价的解释力最弱，相关系数分别仅在-0.07至-0.24、-0.02至-0.28之间。原因在于样本内这两类指标的离散度本就有限——资本充足率普遍满足监管要求，盈利指标又易受拨备计提与一次性因素扰动，边际信息量不足，难以单独用于区分资质。
利差验证页把上述关系做成可交互的形式：散点图的纵轴可在同业存单、商金债、银行二级资本债、银行永续债之间切换，并可切换为对数轴以观察弱资质尾部；图上标注样本家数与拟合线，点击任一气泡直接跳转至该主体画像。
最后页面设计上增加了“数据更新”：数据库或打分表更新后，看板有两条刷新路径。其一是本页热更新，把更新后的xlsx工作簿直接拖入“数据更新”页，页面在本地解析并重算全部页签，打分结果与数据库两个工作簿可分别上传、只更新对应部分；其二是重跑脚本，依次执行抽取、复核、建板三条命令，产出一份自带新数据的HTML用于分发。两条路径共用同一套规则文件，结果一致。
解析不依赖任何外部库，使用浏览器原生能力解压工作簿并读取工作表，因此在完全离线的环境下同样可用。工作簿改版导致列位置变化时，只需调整脚本中的列号映射。
※风险提示
1、数据口径不一致偏差。文中城农商行信用评价指标体系中涉及到的部分指标或存在部分数据缺失，或存在口径不一致导致的偏差。
2、企业性质判定偏差。对城农商行股东背景判定时综合其主要持股方及实际控制人的属性进行判断，或存在一定的主观性。
3、模型设定与参数敏感性。维度权重与指标赋值区间为主观设定，权重或档位调整会改变排序结果；打分与利差的负相关基于当前时点截面，市场结构或流动性变化可能削弱该关系。
※研究报告信息
证券研究报告：《AI智研：银行看板与打分卡》
对外发布时间：2026年09月27日
报告发布机构：天风证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）
本报告分析师：谭逸鸣S1110525050005 ； 韩晨晨 S1110525070007
热门跟贴