论城市商业银行授信风险控制模型建模与应用问题.docVIP

论城市商业银行授信风险控制模型建模与应用问题 　　［摘 要］ 城市商业银行作为承担多重经营风险的金融企业，如何规避风险是其在经营中求发展的关键；而如何创建和应用有效的度量风险的模型，并用以防范和控制各类风险更是银行业经营的核心。本文对两种风险度量模型，即多元线性判别分析以及其改进形式――主成分分析进行了有益的探索，并进行了相应的应用测试；从理论上与实践上论证了其有效性和实用性。 　　［关键词］ 城市商业银行；授信风险控制模型；多元线性判别分析；主成分分析 　　［中图分类号］F830.33；F224.0［文献标识码］A［文章编号］1673-0194（2008）09-0069-03 　　 　　城市商业银行面临的风险主要有三大类：信用风险、流动性风险和利率风险；其中信用风险占总体风险的50%左右。这就更加突出了研究信用风险的重要性。信用风险是指在商品交易中，债务人一方由于信用质量下降，导致其在商品交易期限内违约或违约的概率增加，从而使得债权人一方应该从事先约定的交易中得到的预期现金流量值减少。而信贷风险是一种狭义的信用风险，是指银行贷款头寸的价值随其客户信用质量的变化而遭受损失的风险。 　　度量商业银行的个体信贷风险就是计算个体贷款在一定期限内的预期损失和非预期损失。银行个体贷款的预期损失取决于借款企业的预期违约概率等因素。 　　下面就企业预期违约率的度量模型，即“判别分析”和“主成分分析”方法在信贷风险模型中的应用问题进行探讨。本文主要研究“判别分析”的应用问题，而“主成分分析”可作为其辅助和补充方法。 　　1. 判别分析的思想。当被解释变量是属性变量，而解释变量是度量变量时，判别分析是合适的统计分析方法。 　　2. 判别分析的基本要求：①分组类型在两组以上；每组案例的规模必须至少在一个以上；解释变量必须可测量。②每一个解释变量不能是其他判别变量的线性组合。否则无法估计判别函数，而且误差将更大。③各组变量的协方差矩阵相等。因为判别分析最简单最常用的是线性函数，它们是判别变量的简单线性组合并可以进行显著性检验。④各组变量具有正态分布。如违背上述要求，计算的概率将非常不准确。 　　3. 判别分析的步骤：要求进行选择样本空间、选取解释变量、模型分析、模型检验几个步骤。下面举例说明对企业预期违约率的度量模型应用多元判别分析的具体操作步骤： 　　（1）选择样本空间：以企业的资产总量价值作为标准来选择违约企业。 　　（2）选取解释变量：从资产负债表、利润表和现金流量表出发选取财务比率或相关指标。 　　（3）模型分析：运用多元判别分析选取最优判别财务指标体系，将其转化成唯一的企业信用状况判别值，并在此基础上度量企业的预期违约概率。 　　（4）模型检验：预测被检测企业违约的评价或判断。 　　以下本文就城市商业银行授信风险控制与管理模型的应用问题进行初步探讨。 　　 　　一、城市商业银行授信风险控制模型的样本选择问题 　　 　　模型总样本包括经营失败组和经营正常组两组，由在深沪两市公开上市的186家公司的数据资料组成，经营失败组企业和经营正常组企业各占一半。经营失败组选择了深沪两市2000年至2002年间A 股交易被特别处理（ST）的93家上市公司。被ST的原因在于：①公司连续两年亏损；②公司的每股净资产低于其股票面值；③因前一期财务报告被出具无法表示意见或否定意见的审计报告；④以上多种原因。本文在选择被特别处理的上市公司进入经营失败组时，剔除了由第三种原因导致“ST”的公司和其他一些存在明显经营违规和弄虚作假的公司22家。这样做的目的是将虚假的或是有虚假嫌疑的企业数据排除在模型之外。剔除这22家公司之后，经营失败组的有效样本变为71家；模型在剩余的上市公司中另行选择。 　　选择经营正常组企业时，除了考虑经营失败组企业所处行业、资产规模等因素之外，还尽量使经营正常组企业的数量与经营失败组3年间每年新增“ST”上市公司的数量基本保持一致，并在此基础上采用了分层随机抽样的方法。经营正常组企业选择了非“ST”上市公司73家，使得模型有效样本总数由模型总样本的186家减为144家。经营失败组企业总资产的规模为1.5亿元至65.3亿元，均值为9.48亿元。经营正常组企业总资产的规模为1.5亿元至69.2亿元，均值为10.18 亿元。 　　从模型有效样本的行业分类来看，经营失败组企业来自18个行业部门。由于经营失败组企业所处行业占据了证监会划分的上市公司所有行业部门（共22个）的绝大部分，具有很强的代表性，因此模型结果具有普遍的适用性。 　　 　　二、城市商业银行授信风险控制模型解释变量的选择问题 　　 　　尽管从企业财务报表和企业资本市场数据中可以提取的共同信息非常有限，但本文还是在这一领域做了新的尝试。以