武汉大学商业银行信贷管理第三节融合传统与统计的信用评级体系绪论.ppt

一、基于财务指标的信用评价统计模型——信用风险度量模型化的初步尝试 （一）信用评分模型（多元线性判别模型） 传统信用评级的经典方法——线性判别模型 判别分析(discriminant analysis)的目的： 针对不同群组的样本，找出最能够有效区分群组的变量，建立判别函数 判别分析在信用评级中的应用： 找到一组具有判别能力的变量，组成一个(或多个)判别函数，将样本按各个变量的实际观察值输入该函数，得到样本的判别分数，据此判断样本归属的信用等级 线性判别模型的发展历程 大卫·杜兰（1941），率先将线性判别模型应用于信用评估领域 毕沃（Beaver，1966），单变量分析 ——对1954-1964间危机企业（79家）进行随机抽样，利用1：1配对法，寻找相同产业、相似规模的正常企业作为比较对象 ——考察14个财务比率在企业失败（债务违约或破产）前5年的差异程度 ——现金流量/负债总额是预测经营失败的最佳指标（其次为负债/总资产；资产利润率） 奥特曼（Altman，1968），多变量分析 提出逐步多元判别分析法 （stepwise multiple discriminant analysis，MDA） ——信用评分模型 （1）原始的Z计分模型（Altman,1968） 基本思想： 破产公司呈现的财务比率与经营良好的公司截然不同 →利用数理统计中的辨别分析技术，对银行过去的贷款案例进行分析，选择若干最能反映借款人财务状况、对贷款质量影响最大、最具预测或分析价值的财务比率，利用权重加以综合，设计出一个能最大程度区分贷款风险度（区分破产与非破产企业）的数学模型（判断函数） 模型构建： 首先，选择样本 Altman选取两组公司，一为破产组，一为非破产组。 其次，选择变量 分析一组变量（财务指标），选择变量的标准是在组内差异最小化的同时实现组间差异最大化，从原始的22个变量中选取5变量 然后，将5变量组成Z计分模型 X1 营运资本／总资产（WC／TA） X2 留存收益／总资产（RE／TA） X3 税息前利润／总资产（EBIT／TA） X4 权益市场值／总债务帐面值（MVE／TL） X5 销售收入／总资产（S／TA） 公式（判别函数）：Z＝1．2X1＋1．4X2＋3．3X3＋0．6X4＋0．999X5 附表: 分组均值和F比率 其后，设定临界值（分类标准） （破产）下限值为1．81，其下为破产区域； （非破产）上限值为2．99，其上为非破产区域； 中间是忽略（灰色）区域 （2）ZETA模型（1977） 特点： 集中研究大型公司的破产； 样本更新； 分析过程适当调整； 反映财务标准与会计实践中的新变化； 对统计判别技术进行修正与精炼。 7变量模型 （1）资产报酬率； （2）收入稳定性； （3）债务偿还（利息保障倍数）； （4）积累盈利（资产减负债／总资产）； （5）流动比率； （6）资本化率（普通股权益／总资本）； （7）规模（总资产的对数） ZETA模型的分类准确度与Z计分模型的比较： 提高准确度，在破产前5年即可有效划分出将破产的企业 ZETA模型的最佳临界值 （3）信用评分模型的优点和不足 优点： 相对客观且量化； 对借款人信用品质进行综合评定 不足： 线性判别函数描述能力有限； 基于历史财务数据； 未将非财务指标纳入其中 缺乏对信用品质的细致识别 线性多元判别模型的技术局限 模型的严格假定： 不同群组可以用线性函数来有效区别； 自变量在组内服从多元正态分布； 两组的协方差矩阵相等 误判代价是已知的 ——与现实不符合 （二）基于财务变量的统计回归分析模型——线性概率模型、Logit模型、 Probit模型 1、线性概率模型（LPM） 为了得到Y的无偏估计，假定E（ε）=0，因此得到： E（Y|X）=XB 其中，B表示回归系数向量（ β0…… βK） 假设Y=1的概率为P，Y=0的概率为1－P，则有 E（Y）=0×（1－P）+1 ×P=P 换言之， E（Y|X）=XB=P 实例 J.Cappelleri 建立的债券评级预测模型 （数据：1961-66，200种AA与BBB债券数据，Moody评级） 对回归模型的解释： 当财务指标为给定水平时，预测企业债券评级为AA的