信用风险计量模型演示文件修改版.ppt

金融工程学 第9章 信用风险计量模型 9.1 Z-Score模型 理论基础：贷款企业的破产概率大小与其财务状况高度相关。 Z计分模型的本质：破产预测模型 方法：复合判别分析（Multiple Discriminant Analysis，MDA）。 基本思想：聚类——MDA能将贷款企业区分为不会破产和破产两类。 Z-Score模型建模步骤 建立判别方程（线性） Z-Score模型建模步骤 通过MDA或聚类分析，得到最关键的、最具有区别能力的财务指标，即这些指标具有如下性质 在破产组和非破产组之间差异显著 指标稳定性好，在组内没有差异 例子： Z-Score模型 基于33个样本，要求所有变量的F比率至少在0.01水平上显著。 F用于检验两组均值的统计差异，越大越好，可用F排序。 我们从20个指标中筛选出5个，筛选的5个是按照F值从小到大排列后最后得到的。 指标筛选 建立判别方程 Z = 0.012x1+ 0.014x2+0.0 33x3+ 0.006x4+ 0.999x5 x1～ x5的意义同上 将实际企业的财务指标值代入方程，计算得到Z 若Z2.99则企业具有贷款资格； 若Z1.81，则企业不具贷款资格，二者之间需要详细审查。 Z-Score模型 例：某申请贷款的企业主要财务比率如下： x1—营运资本/总资产比率= 0.45 x2—留存盈余/总资产比率=0.55 x3 —利息和税收之前的收益 /总资产比率=21.62 x4—股权的市场价值/总负债的账面价值比率=312.86 x5—销售额/总资产比率（资产周转率）=2.40次 Z = 0.012×0.45+ 0.014×0.55+0.0 33×21.62+ 0.006×312.86+ 0.999×2.40=5.00012.99 结论：可以给该企业贷款。 计分模型缺点和注意事项 Altman 判别方程对未来一年倒闭预测的准确性可达95％，但对预测两年倒闭的准确性降低到75％，三年为48％。 缺陷： 依赖财务报表的账面数据而忽视了日益重要的资本市场指标，在一定程度上降低了预测结果的可靠性和及时性。 变量假设为线性关系，而现实的经济现象可能非线性的。 预测模型不能长期使用，需要定期更新，修正财务比率和参数。 研究表明：通过修正后对未来4年的预测准确度达到80％。 改进：聚类分析 将一定数量的样品看成一类，然后根据样品的亲疏程度，将最密切的看成一类，然后考虑合并后的类和其他类之间的亲疏程度，再次进行合并。 重复这个过程直到多有的样本（或者指标合并为一类 为了研究各个公司的财务状况，抽取了21个公司的4个财务指标，试利用这些财务指标进行聚类分析。 命令：clusterdata 9.2 信用计量模型（Creditmetrics） Creditmetrics（译为“信用计量”）是由J.P 摩根公司联合美国银行、KMV公司、瑞士联合银行等金融机构于1997年推出的信用风险定量模型。 它是在1994年推出的计量市场风险的Riskmetrics（译为“风险计量”）基础上提出的，旨在提供一个可对银行贷款等非交易资产的信用风险进行计量的VaR框架。 Creditmetrics试图回答的问题： “如果下一年是个坏年份，那么，在我的贷款或贷款组合上会损失掉多少？” Creditmetrics基本假设 信用评级有效。信用状况可由债务人的信用等级表示； 债务人的信用等级变化可能有不同的方向和概率 例如， 上一年AAA的贷款人有90％（概率）的可能转变为AA级（方向）。 把所有的可能列出，形成所谓的“评级转移矩阵”。 Creditmetrics基本假设 贷款的价值由信用等级（价差）决定 由期初的信用等级得到贷款的初始价值； 由评级转移矩阵估计期末贷款的价值； 由二者的差额就可以计算VaR。 Creditmetrics的总体框架 计量模型需要的数据 需要利用的数据： 借款人当前的信用评级数据 信用等级在一年内可能改变的概率 违约贷款的残值回收率 债券的（到期）收益率 注：以上这些资料可以公开得到 步骤1 估计信用转移矩阵 根据历史资料得到，期初信用级别为AAA的债券，1年后的信用等级的概率如下 构建信用转移矩阵 以上给出了AAA和A级债券的转移概率，同样可以得到其他级别，如AA、BBB、C等信用级别的转移概率。 将债券所有级别的转移概率列表，就形成了所谓的“信用转移矩阵”。 示例：信用转移矩阵 步骤2 估计违约回收率 由于A～CCC债券有违约的可能，故需要考虑违约时，坏账（残值）回收率。 企业破产清算顺序直接关系回收率的大小。 有担保债高于无担保债 优先高于次级，次级高于初级 债券契约：次级所有在其之后的债券 次级额外债务 今天你购买了一张债券，到了明天，你可能会苦恼地发现该公司未偿还