（二）风险识别和计量能力。
风险识别和计量能力涵盖了风险战略、风险偏好的设立，计量工具的选择，数据基础的搭建等内容。如何实现从科研层面到应用层面的阶跃效应是一个重要挑战。
科研层面，随着社会数据共享平台的日趋完善，算法的不断更新，借助大数据和人工智能技术处理、挖掘和解读潜在信息的方法不胜枚举。
应用层面，如何将一个包含股权、实控人、上下游、担保方的复杂网络“化繁为简”，识别出风险在企业、集团之间的传导路径，则是更具实际风险管理意义的课题。
譬如说分析师希望了解一家发债企业近期有无大规模裁员行为，从而判断其生产经营状况。从另类数据的角度，可通过对例如企业近期的水、电、煤、气用量或缴费情况，社保缴存情况乃至大量员工的手机实时位置信息进行价值挖掘。另类数据在逐渐成为信用分析热点的当下，如何有效发掘业务场景、确保数据合规合法、合理配置算力抑或寻求第三方合作均是债券投资人需要深入思考的问题。
（三）数据与信息系统支持。
风险体系的搭建、计量能力的优化，完全基于内部及外部的数据积累，构建发债企业及其关联网络的数据信息系统，才是破局的基石。
随着数据的积累和分析技术的进步，大数据和人工智能技术必将助力信用债的投资和研究，使得目前主流的信用研究通过专家经验（HI）一条腿走路的投研方式向信用研究依赖于专家经验（HI）和人工智能（AI）两条腿走路的投研方式进化。
随着信用债违约的爆发频率增加，出现的问题越来越多，监管部门和行业协会也充分意识到了相关风险并出台了一些应对措施，笔者建议：
面对信用债违约的新情况、新问题，监管机构可创新监管方式，除从监管层面推动金融机构完善信用风险防控体系外，更可以借助相应的监控工具对信用债市场进行提前预警和把控，以便于内部工作的开展。
