企业信用风险测度研究概述.docVIP

企业信用风险测度研究概述 　　信用风险敞口是金融工具在有效期内处于风险之中的资产数量，一般情况下，可以看作是借款方违约时信用提供者可能损失的最大额度。除了违约风险之外，信贷资产还可能存在利率风险和汇率风险。在信用风险测度的过程中，不同指标或模型所得出的结论往往不一致，信用风险暴露则摒弃了其他信用指标和模型复杂的计算过程和度量方式，简单直接地给出了未加保护的风险头寸，这是信用提供者可能遭受的最大损失。然而，随着金融衍生工具的发展，信用风险往往和其他标的物相关，信用风险敞口的度量也越来越复杂，需要借助一系列统计模型工具进行计算 企业信用风险度量是信用风险管理体系的中心环节，按照其发展脉络主要分为两个阶段，即传统的信用风险度量理论和现代高级风险度量理论 传统的信用风险度量研究始于19世纪60年代，当时主要是对违约率及其影响因素之间进行多元线性回归，影响因素多采用财务指标。例如，Beaver于1966年提出单变量判定模型，用正常公司和违约公司的数据进行实证研究，对比研究结果，发现财务比率对违约风险具有良好的预测能力。1968年，Altman通过对22个财务比率的判别分析，以1946～1966年的多个破产公司和非破产公司为研究样本，精选出其中的5个有效变量建立了Z-score模型；并于1977年对Z-score模型进行了改进，发展成以后普遍使用的7个变量Zeta模型。多元判别分析结果虽然比较稳健，但是它建立在严格的假设条件下，需要满足随机干扰性服从零均值、同方差、零协方差的正态分布，随机干扰项与解释变量之间不相关等要求。但是在实际条件下，这些条件难以满足，因而在20世纪80年代以后，学者们开始采用Logistic和Probit等多元非线性回归模型来进行信用风险的度量。Ohlson（1980）以美国1970～1976年的2163家破产公司和正常公司为样本建立了9变量的Logit模型，发现模型的正确率可以达到92%，同时，还发现模型在假设条件较为宽松的条件下要优于多元线性判别方法 现代高级风险度量理论始于20世纪80年代后期，国际银行业受债务危机的影响普遍提高了对信用风险的防范和管理。巴塞尔银行监督管理委员会于1988年制定了《巴塞尔协议》，该协议就银行各类资产的风险权重和资本充足率做出了明确规定。20世纪90年代，人工神经网络和支持向量机相继应用于财务危机预警，人工神经网络是基于传统统计学基础上的一种进行分布式并行信息处理的算法数学模型，具有自适应、自组织和实时学习的特点；SVM是一种基于统计学理论的模式识别方法，以VC维理论和结构风险最小原理为基础，能根据有限的样本信息在模型的复杂程度和学习能力方面寻找最优解，在解决小样本、非线性和高维模式识别问题中表现出较多的优势。人工神经网络的优化目标是经验的风险最小化，这就不能保证网络的泛化能力；而支持向量机是基于机构风险最小化，保证学习机器具有良好的泛化能力。随着资本市场的不断发展和信用风险复杂度的提高，组合信用风险度量模型开始应用，比较出名的有CreditMetrics模型、Risk Metrics模型和Credit Portfolio View模型 CreditMetrics模型是通过信用资产价值在一定期限内的概率分布来确定信用资产的风险，而概率分布是建立在信用评级转移概率的基础上的。信用评级是债务人信用风险状态的认定，而信用评级矩阵表示的是债务人从当前评级状态转移到其他评级状态的可能性。一般而言，信用等级矩阵可以通过公司的历史违约概率计算出来。信用评级和信用评级转移矩阵既可以是内部评级结果，也可从标准普尔、穆迪等评级机构获取。信用期限的长度，应与所选定的信用评级体系和信用等级转移矩阵相一致，一般设定为1年。当然，也可以根据会计数据的可得性和评级机构处理过的财务报表的可得性来设定信用期限长度 CreditRisk+模型是由瑞士信贷银行金融资产部在财产保险精算思想的指引下，开发出的信用风险管理系统。通过对信贷市场的长期观察，瑞士信贷银行发现，很多诸如抵押贷款和小企业贷款等类型的贷款都具有每笔贷款违约概率很小并且贷款之间相互独立的特点。因而违约事件可以用泊松分布进行描述 Credit Portfolio View模型是由麦肯锡公司（McKinsey）于1998年开发出的一个多因子模型，一般用作信贷组合风险的分析。CPV运用经济计量学和蒙特卡洛模拟对每个国家不同行业中不同等级的违约和转移概率进行计算，进而得出风险价值。该模型以宏观经济情况为基础来度量违约风险，考虑的宏观经济因素有GDP增长率、失业率、汇率、长期利率、政府支出和储蓄等，用于分析贷款组合风险和收益。该模型认为宏观经济因素的改变是导致信用质量变化的原因，因而用信用组合观点模型衡量信用风险时不对公司特殊数据进行分析