模型 信用风险.docxVIP

在进行研究规划的过程中，我们发现中小企业经营规模有限，实力不够雄厚，客观上来说进行贷款时的信用度不是很高，而且由于中小企业数量多，贷款数量庞大繁杂，贷款方式多样不规范，所以有进行信用风险分析的必要，于是我们打算利用瑞士信贷银行开发的Credit Risk+模型去量化考量该民营银行试点的信用风险。（本文信用风险特指商业银行贷款信用风险。）可行性分析：在与该试点银行沟通的过程中，银行承诺我们预计将得到部分关于银行资产结构下时间期限结构，个体历史信用状况，还款额度等资料和数据，以此对信用风险进行了系统分析，数据充分。我们比较了四种不同的模型，分别是Credit Metrics市场价值模型，KMV模型，CreditRisk+精算风险模型，Credit Portfolio View模型，最终选择了CreditRisk+精算风险模型，模型完整可靠，适用性明显，并且后期我们将有机会与银行方面对分析结果进行讨论研究，整体衡量过程完整，具有可行性。模型系统介绍：用于进行量化的信用风险因子：进行信贷组合管理需要对贷款组合的信用风险进行量化，而衡量信用风险的主要在于影响信用风险的四个因子，即违约概率(PD)、违约损失率(LGD)、违约敞口(EAD)、有效期限(M)。违约概率通常指特定债务人的单独违约概率，但当存在另一个借款人或者第三方提供的信用保护时，此时的违约概率就不仅仅是债务人的违约概率，也涉及另一个借款人或担保方的违约概率。从理论上来说，只有当两者同时违约，才会导致债务违约。根据实际情况需求，我们引入联合违约概率，假设借款人的违约概率为a，另一借款人或担保方的违约概率为b，两者的违约相关性为，那么在数学上联合违约概率就表示为：信用风险识别:信用风险识别环节是指确认各项业务类型，并初步评估风险程度。此处我们主要是通过客户评级、债项评级和组合评级(主要包括行业、区域、产品等)来评估借款人信用风险，并据此估算出借款人的违约概率和违约损失。3．信用风险的计量：银行内部信用风险计量的根据是对借款人和具体交易类型风险特征的评估，并通过这些评估确定银行可能遭受的损失，进而估计经济资本。在基于内部评级的信用风险度量模型中，需要估计和确定的主要变量有违约概率(PD)、违约损失率(LGD)、违约敞口(EAD)、有效期限(M)、预期损失(EL)、非预期损失(UL)和vaR(VaR是指某个特定的组合，在给定的持有期内以及给定的置信水平上，所面临的最大可能损失)．其中，PD、LGD、EAD、M是内部评级法的主要输入数据，而EL、UL和VaR是主要输出结果。新资本协议对信用风险资本金的确定借鉴了市场风险中计算资本金的VaR方法，而且定义VaR就是EL与UL之和。其中，预期损失是指事前估计到的或期望的违约损失，等于违约敞口、违约概率、违约损失率三者的乘积。即EL=EAD*PD*LGD；非预期损失是指除期望损失之外的具有波动性的资产价值的潜在损失，它的形成源于违约概率、违约损失率和违约敞口的波动性。所以非预期损失随着实践的推进，围绕预期损失上下波动，它是一个概率分布区间，而不是一个确定的数值。从统计学看，非预期损失是信用资产损失的标准差，可以通过计算信用资产损失分布的标准差获得，即.4.模型主要假设：(1)对于一笔贷款，在给定期间内(例如一个月)的违约概率与其他任何月份的违约概率相同。(2)对于大量的债务人，任何特定债务人的违约概率很小。并且，在某一特定时期内的违约数与任何其他时期内的违约数相互独立。(3)在某一时间点最多发生一件违约事件，即稀有事件。由于实际的违约概率是随机变量，根据以上3个主要假设，可以认为违约次数的概率分布服从Poisson分布，这样就可以求得每组中n笔贷款的违约概率。应用同样的方法可以求得不同组中不同笔贷款的违约概率，对其加总就得到了贷款组合的损失分布。5.违约概率的测算：违约概率测算有多种方法，分别为（1）信用评级法，即由银行或外部中介机构根据客户信息资料对客户评出一个信用等级，该信用等级是与一定的违约概率相对应的。这里我们通过了解知道人民银行真信系统有相应的数据。（2）多元判别分析法，是研究对象所属类别进行判别的一种统计分析方法，判别分析就是要从若干表明观测对象特征的变量值(财务比率)中筛选出能提供较多信息的变量并建立判别函数，使推导出的判别函数对观测样本分类时的错判率最小。（3）logistic回归法，即用一系列财务比率变量来预测公司破产或违约的概率，然后根据银行业投资者的风险偏好程度设定风险警界线，以此对分析对象进行风险定位和决策。Logistic模型与多元判别分析法的本质区别在于前者不要求满足正态分布，其模型采用Logistic函数。由于logistic回归不假定任何概率分布，不满足正态情况下其判别正确率高于判别分析法的结果。（4）神经网络