国内商业银行信贷风险管控探微.docVIP

国内商业银行信贷风险管控探微 一、普通参数组对于资产组合的模拟 这一模拟是以普通参数组为基础，包括了一个固定的40%回收率，24%的资产相关性，表2来自转移矩阵，利差来自Nelson-Siegel曲线（Nelson，Siegel1987），其中，零息债券的到期时间为t的利率通过公式（1）给出：在此普通参数组中，我们仍需假设其他一些个自得参数。包括一些盯市的收益或损失，模拟的次数和决定是否使用方差逐次减少的技术等。一个关键的参数就是如何使一个年度违约率应用到一个短期久期头寸上。 表3显示了在输入普通参数组，在各种不同置信水平VAR和ES的情况下对于资产组合模拟的结果。分析表3的起点是运用预期损失的分析估算模型的有效性。设资产组合中评级为AAA的占80%，评级为AA的占17%，评级为A的占3%，如果这些权数分别乘以他们的违约率（分别设为1、4、10个基点）和违约损失LGD（1减回收率），就得出违约状态下的损失，假设存款为一年期限，就得出违约状态下的损失为（0.8*0.0001+0.17*0.0004+0.03*0.0010）*0.6=1.1。在转移模型中，预期损失将会更高，但在此由一年期违约概率转变为一个月的违约概率更能证明相关问题。不同的转移技术解释了各种预期损失的差别。例如，银行4估计出最高的预期损失，这一点与其最保守的假设相一致。 要分析模拟结果产生的预期损失，分析由违约引起的比例和由评级转移引起的比例是很重要的。我们假设两个参者去模拟违约过程。他们都要运用相同的模拟系统（CreditManager）和相同的参数输入，并且除了转移到违约一级的概率其他转移概率设为0，评级保持不变的概率逐渐增加。这样，我们就可以把违约对于总体损失的贡献独立出来。而另一个参与者使用的违约模型和转移模型并不是用来分解模拟结果的，而是用来测量敏感度分析的。表4展示了分解的结果。由于违约引起的预期损失3倍于因转移而引起的预期损失，这一点即使对于由高质量资产组成的资产组合也成立。表中结果表明在较低的置信水平，评级的转移是风险的重要来源，但随着置信水平的增加，违约引起的风险变得相对重要。在99.99%的置信水平下，几乎所有的风险都来自违约。从表4可以看出，VAR和ES在置信水平为99.9%时还是较小的，但达到99.99%后，VAR和ES显著增加。在置信水平为99.9%时，信用的在险价值CreditVAR和市场风险相比是无关的。然而，一旦置信水平达到99.99%，信用风险就成为风险来源的主要部分。 用来计算对预期损失具有很大影响的违约概率的数学公式，几乎对ES和VAR没有什么影响。因为资产组合中短期信贷的权重较小，收益率分布的尾部部分很大程度上取决于大额发行者的的违约程度。这种模拟结果的相似性随着置信水平的提升而增加。例如，在置信水平为99.99%时，ES的最高值和最低值的比率为1.04，而在置信水平为99.00%时，这种比率为2.16。这个结论对VAR也成立。随着置信水平的增加，违约或评级降级情况就会集聚，在极端的情况下（置信水平接近100%），所有的发行者都会违约。为确定模拟结果的统计意义，模拟参与者在CreditManager输出结果的基础上，应该报告VAR估计的置信边界。置信边界就是所观察到的观察量超出VAR的符合二项分布的随机变量：n×（1-α）n为模拟结果的个数；α为置信水平。 例如，如果来自100000模拟结果的置信水平为99.99%的VAR，则预期的超出VAR的数量是100000*（1-0.9999）=10。均值为n×（1-α）姨的二项分布的标准差为，二项分布的标准差随着模拟数量n的增加而增加，但个别的模拟结果更加分散。置信边界在置信水平为99.00%和99.90%时的VAR是非常准确的。在100000模拟后，显示出的标准差为0%。然而随着置信水平增加到99.99%，VAR的不确定性也在增加。模拟的离散度如图1所示。 二、运用普通参数组对资产组合的模拟结果 资产组合中含有到期时间小于一年的资产的比例要比资产组合小，但这些资产的平均到期时间大于一个月，因此，这些资产由年度违约率向更短时期违约率转变的相关性更小。模拟结果如表5和图2所示：之前我们做过的观察结果也可以运用在资产组合上，可以看出，有一些短时期资产组成的资产组合，至少有一项资产违约的概率大约为12%。这个资产组合包含平均违约率为0.22%的62个信贷者，假设他们之间是独立的，则至少一项资产违约的概率估计为：1-（1-0.22%）62=12.8%银行1、2、3、4的预期损失都在20个基点左右，银行5较高。我们可以看出他们的尾部测量相似，表明出现这些差别并不是由于计算的错误，而是由于定义的差别。表6对展示了对模拟结果分解为违约