信用风险评分模型探析.docVIP

信用风险评分模型探析摘要：各种式样的信用评分模型匀可量化交易风险，模型分为三大类：应用模型，行为模型，信息收集模型。处理大宗交易和小额借贷信息时，信用评级可以帮助银行快速高效的作出决定。本文探讨信用评级发展历程，整合Basel，信用评级表现出空前的重要性。银行以及全球性的金融机构积极推动信用评分模型的发展，使其符合新的法律法规并在现实交易中发挥作用。本文重点讨论了在Basel II下，信用评级的重要过程：评估，实现，校准。更多地考虑的信用评价模型可以帮助银行更有效的计算资金需求。 关键词：风险评分模型；Basel；风险管理；评分模型过程 中图分类号：F820.4 文献标识码：A 文章编号：1001-828X（2012）06-00-01 一、背景介绍 商业银行主要以信贷业务运营，信用评级模型可以有效控制银行风险同时也是银行业务成败的关键。信用评级系统分为评分系统与排序系统。评分通过交易人固有性质量化交易风险，侧重短期风险，可以用于个人和企业风险评估。排序模型侧重于长期风险，主要用于企业，金融机构和公共资产。本文侧重于评分模型的，评估标准，实现，与校准。 1960s西方大企业开始利用信用评分快速的定位并处理用户借贷业务，随后中小企业也开始使用此模型分析可利用信息。信用评分模型可以预测潜在危险，当处理大宗交易时尤为重要不可或缺。评分模型根据在信用循环的作用阶段不同，可以分为三大类：应用模型，行为模型和收集模型。 二、文献回顾 过去的60年里，统计方法被大量用于评分模型中，评分模型与1960彻底取代1950年使用的单变量模型，Beaver和Altman创立判别分析法是评分模型的起步，其运用多元分析法预测风险获得肯定，但此模型假设过于理想，标准化判别系数无法有截距求的。20世纪90年代初期Ohlson使用条件逻辑模型，此模型虽然假设更为实际，但是精确度不高。之后线性回归，概率模型，贝叶斯方法，神经网络被引入评分模型，但是逻辑回归依然是最优方法。 三、信用评分模型过程分析 银行需要适应更严格规定同时运用算法计算最小资本要求。意在使用A-IRB法的金融机构已有标准模型过程，模型的周期均被分割成几个阶段(评估，应用，校对)，每个阶段均有相对应的特殊要求。下文将描述每个模型过程的几个重要阶段。 1.模型评估 信用评分模型对于客户的排列是建立在历史数据基础上，并假设客户相似(如果已有客户存在某行为，那么新客户就很可能有相似的行为)。对于信用评分模型，我们需要已有客户相关数据样本。当样本数据涵盖的时间范围在统计学的意义上可用时，样本中客户的表现为可知。我们界定违约或不违约的表现和客户个人相关。这个二元变量就是回归分析中的因变量。在所选时期开始点，客户特点为预测项。 一个条件模型，逻辑模型被用于大多数银行的年期分数估计，即最大化对数似然函数。这一过程被用来估计下面逻辑模型中的参数： 为矢量所对应的分数；为特质j(j=1,…,n)的系数，为截距；为顾客i所对应特质j(j=1,…,n)的值；为顾客I 的分对数。 逻辑方程中逻辑分数P1的值在(0,1)之间，随Di增长。当Di无限接近负无穷大，P1为0，Di无限接近正无穷大，P1为1.客户特质集合取决于模型种类。用于决定是否接受申请的应用模型往往看重申请人的个人信息。行为和采集模型则加入描述委托人和银行间的关系为变量。模型改进后，需要在样本上进行测试来确认其可靠性。虽然最佳的模型必须应对所有情况，但只能运用部分样本作最终测试。 2.模型实现 评分模型最大优点是允许银行对零散客户实行自动决断。高效处理海量申请者的信息，本身就是无可辩驳的优势。另一方面，任何评分模型都会有一个“灰色”地带，无法界定绝对“好”客户和完全“坏”客户。对信用风险管理者来说，为每个评分模型定义一个合适临界值将会是一个不小的挑战。为最大化评分模型优点，Altman等人提出，最佳临界值的设定应考虑统计学第一、二类错误成本。虽然金融机构以考虑此观点，但在忽略每个银行特征信息(财务计划，承受力，事故应急能力)，依然难确定临界值。 3.模型校验 根据BaselII高级评估方法，银行需要涵盖模型绩效稳定性监视，回顾模型中的关系，校验模型结果和测试模型过程。由于零售市场的高不确定性，相对短期的信用评分模型的校验往往由银行完成。塞尔资本协议II只是限制了，校验人员不能和模型改进人员相关。 稳定性和绩效对于评分模型的质量是非常重要的量。同样地，除去校验，银行每月的跟踪和分析也很重要。如上所述，评分模型常用于处理大量可能影响银行业务的信息但微小的群体特性会对模型的质量造成选择性偏差。在文献中，我们发现了一些用来评估模型绩效的指数。像简单的第一、二类错误率被作为首要检测方法而用于评分