信用风险度量 魏丽 满博宁 第四章 信用评分模型.pptVIP

（三）模型估计方法及应用 基于正态分布函数直接计算Probit模型较为困难，因此可以将模型转换为线性函数再对模型进行参数估计。 对正态累积分布函数求逆得： (4-17) 其中 为标准正态累积分布函数的逆函数。如果说对数比 是Logit的关联函数，那么 则为Probit模型的关联函数。 Probit模型同样使用一系列财务指标预测违约事件发生的概率，在使用累积正态概率函数对模型进行变换后，利用极大似然估计法估计式（4-17)中的参数，可以求出待判对象违约的概率。 三、 Probit模型 * * （三）模型估计方法及应用 假设由极大似然估计估计得到的Probit模型转换式为： 已知某待判公司的财务指标项数据，代入求得 。查标准正态分布概率表知 ，即该公司的违约概率为0.8907。 以 为例求 变动对违约概率的影响，从式中看到 对 的边际影响等于0.2583。可以求得 对P的边际影响为： 结果表明， 增加一个单位，该公司发生违约的概率将可能增加0.0484个单位。 三、 Probit模型 * * （四）模型小结 Probit模型与Logit模型在形式上基本相同，区别仅在于用于转换的累积概率函数，前者为累积正态概率函数，后者为Logistic概率函数。 Probit模型的优点与Logit模型相似，模型可用于非线性的情况，可以解决解释变量财务指标的非正态分布的问题，使得模型所求得的概率值在[0,1]之间；理论上讲，Probit模型在处理小概率事件分析时具有一定的优势。 Probit模型的缺点是转换程序较为复杂，涉及非线性估计，计算量更大，因此模型的使用不如 Logit模型广泛。另外就是第二节文末提到的Logit模型和Probit模型自身的缺陷：假定先验破产概率为0.5，弃真和存伪所带来的机会成本损失相等，这两个假设前提都是严重偏离现实的。 三、 Probit模型 * * 信用风险度量 第四章 信用评分模型 判别分析模型 线性概率模型 非线性概率模型 信用评分模型 线性概率模型 非线性概率模型 判别分析模型 判别分析方法 Z-score模型 ZETA模型 Logit模型 Probit模型 知识结构图 * * 第一节 判别分析模型 * * 判别分析是根据已掌握的分类明确的样品数据，建立一个适当的判别函数，使得用此判别函数对观测量的分类进行判别，并且在判断其所属类别时的错判率最小，然后对一个待判定的新样本，同样采用此判别函数判断其所属类别。 例如，从事信用评级的人员，根据被评对象的信用记录、财务状况、发展前景等指标，在进行全面分析研究和综合集成后，可以判别某人信用风险的高低或是一个公司是否有可能破产。 医院的大夫在经过医学院的长时间的学习与实践，有些甚至是通过人体解剖才能够理解，熟悉了大量疾病的主要特征（聚类分析过程）；然后，面对一个新的病人，大夫可以根据患者的体制特征、疾病症状。各种化验结果判别出病人患的疾病，而不需对每个病人进行解剖。 * * （一）距离判别分析方法 基本思想是：根据已知分类的数据，分别计算出各个总体的重心（分类的均值），然后根据判别准则判断样本与哪一总体的重心距离最近，据此认为样本属于哪个总体。 假设有两个总体 和 ，其协方差矩阵均为 ，它们的分布分别是 和 ，马氏距离定义样本X到总体 的距离为： (4-1) 按距离最短的判别准则为： 那么， (4-2) 令 (4-3) 则判别准则还可以写为： 如果 、 和 均为已知数时，W(X)是X的线性函数，即为相应的线性判别函数。