对于企业信用风险与经济的关系，洪珍解释，对比1983年-2019年美国国内生产总值(GDP)增长率和违约率发现，企业的信用风险跟GDP的增长率其实有很强的负相关性。如果企业信用风险和基本面继续紧密相关，可以预见违约率会有一个急剧的变化。但企业信用风险的发生会滞后于经济增长，按照GDP增速，疫情期间企业违约率应该达到6.5%，创1933年以来的最高的水平，但呈现出来的违约率并没有达到应有水平。“亚太区在全球属于疫情控制最好的地区，其中中国表现最佳，但即便如此，亚太经济体受影响的幅度仍比较大，如二季度马来西亚经济萎缩18%，菲律宾经济萎缩20%，新加坡经济萎缩14%，经济形势巨变给信用风险带来了较大的挑战。”洪珍表示，从短期趋势上看，各个国家信用风险趋势似乎趋于稳定，以亚太各国市场违约率变化为例，2020年3月、4月市场违约率达到峰值，此后开始逐渐降低，目前违约率已经趋缓，风险得到了化解。从历史长期趋势上看，经济影响尚未完全传递到企业信用。通过2009年-2020年数据分析发现，目前企业违约风险率确实高过以往平均水平，但并没有达到与经济受到负面影响的程度。
对于为何出现这一现象，洪珍指出，一些企业信用风险没有大规模爆发，主要因为各国在危机时采取了大量的救援措施。不同国家经济体在应对疫情火力全开，比如英国，不仅降息还直接由财政购买资产，还有政府贷款信用担保等，推出了各项救市措施。日本、韩国也推出了各种救市措施，中国也推出了很多财政、金融措施，但救助措施只是延后信用风险事件的发生，信用风事件的发生从来不会缺席。
“风险预警是一个传统话题，现在借助金融科技催生了一些新的解决方法。从以往经验看，做到早期预警需要具备一些基本条件。”洪珍指出，风险预警的难题不是缺少信息，而是信息太多，比如企业财务信息、媒体信息，这些信息叠加在一起有些杂乱无章，如何树立一个好的风险指标，这是行业面临的难题。除了风险指标本身，如何把风险指标与决策有机的联系起来，使决策更具有可操作性，也是一个难题。此外，很多风险爆发具有突发性，风控管理人员不可能每时每刻关注到每只债券、每家企业。对于如何进行风险预警，洪珍认为，需要从宏观、中关、微观三个维度全面的构建一套结合数据跟模型的监测体系。从宏观看，一个企业发展脱离不开整体宏观经济，企业所在国家、地区对企业本身具有较大的影响，比如美国、东南亚一些国家，受疫情影响经济衰退比较严重，当地企业的盈利也会受到影响，但宏观经济对企业影响频率比较低，及时性也比较低。从中观及微观看，不同行业展现出不一样的特征，比如顺周期和逆周期行业，它们的信用风险表现出不同的特征，分析任何一家企业不能脱离它所在的行业特点，一个企业既要看它的财务状况，还要看行业在股市传递的信息，往往在股市传递的信息更加及时。从微观交易行为看，风控人员要看企业的微观交易行为，比如企业还款是否有逾期，以及还款是否及时等。
在洪珍看来，金融科技依托大数据、工人智能、云计算等技术提供了新的风险分析方式，这种分析方式被证明非常有效。在信息爆炸的时代，很多信息是非常有价值的，如何从海量的信息中提炼出一个指标，对于早期的风险预警就显得特别重要。做好一个风险预警，需要结合宏观、中观以及微观各个角度，从不同维度反映出很多信息，通过一种办法把宏观、中观、微观所给出的信息进行加总，给出一个最终的评分角度，可以非常直观的反映某家公司相对于行业其他公司的风险程度。
