美国银行的贷款类型.PPT

线性可能性模型和Logit模型 线性可能性模型将以往的数据，例如财务比率，放入模型中说明以前贷款偿还的经验。用来说明过去偿付贷款表现的各因素的相对重要性，可以用来预测新贷款的偿还可能性p 旧贷款(i)分成两个观察组，即违约的(Zi=1)和没有违约的(Zi=0)。然后，用线性回归将这些观察值与有j个数据的一组原因变量(Xij)相联系，这些原因变量反映了第i个借款人的杠杆比率或收益之类的数量信息 βj是我们所估计的第j个变量(杠杆比率)在解释过去偿还贷款上的重要性。 如果我们将这些估计值βj与某一预期借款人的Xij相乘，就可以求出该借款人的Zi的期望值，这个值可解释为该借款人的违约概率。 E(Zi)=(1-pi)=预期违约的概率，pi为偿还贷款的概率。 例如，假设有两个因素影响借款人过去的违约行为：杠杆比率（D/E）和销售额资产比率（S/A）。基于以前的违约经验，线性可能性模型可以估计成： Zi= 0.5（D/Ei）+ 0.1（S/Ai） 假设一个预期借款者的D/E=03，S/A=2.0。预期违约可能性（Zi）估计为： Zi = 0.5（0.3）+ 0.1（2.0）= 0.35 致命弱点：预测的违约可能性会落在0—1区间之外。Logit模型则把预期违约可能性限制在0和1之间，从而克服了线性可能性模型的弱点 F（Zi）=1/（1+e-Zi） 线性判别式模型 判别式模型则根据借款人的观察特征值（Xj）将他们分入或高或低的潜在违约风险级别 Z值模型由Altman于1968年提出，采用五个财务指标进行加权计算，对借款企业实施信用评分，并将总分与临界值（最初设定为1.81）比较，低于该值的企业被归入不发放贷款的企业行列。 E.I. Altman为美国公开交易制造业公司所做的判别式分析模型。Z是违约风险级别的总的衡量标准，Z是根据借款人不同的财务比率值(Xj)及其重要性权数得出的，重要性权数是由基于判别式分析模型得出的违约、非违约借款人的观察经验而得到的。 Altman的判别式函数如下所示： Z= 1.2X1 + 1.4X2 + 3.3X3 + 0.6X4 + 1.0X5 X1 =流动资本/总资产比率 X2 = 保留盈余/总资产比率 X3 = 息税前收益/总资产比率 X4 = 净资产市场价值/长期负债的帐面价值比率 X5 = 销售额/总资产比率 Z的值越高，借款人的违约风险级别越低 假没一潜在的借款公司的金融比率值如下： X1=0.2 X2=0 X3=-0.20 X4=0.10 X5=2.0 X2等于0和X3为负数表明该公司在近期的收入为负或发生了损失。同样，X4也表明借款人的杠杆比率很高，X1=0.2和X5=2.0表明该公司的流动性是适当的，并且销售也较稳定。 Z = 1.2(0.2) + 1.4(0) + 3.3(-0.20) + 0.6(0.10) + 1.0(2.0) Z = 0.24 + 0 - 0.66 + 0.06 + 2.0 Z = 1.64 根据Altman的信用评分模型，任何Z的分值低于1.81的公司将被置于高违约风险区 练习 练习2、练习3 第二代Z评分模型——ZETA信贷风险模型 1977年，阿尔特曼（Altman）、赫尔德门（Haldeman）和纳内亚南（Narayanan）对原始的Z评分模型进行了重大修正和提升，推出了第二代信用评分模型——ZETA信贷风险模型（ZETA Credit Risk Model）。新模型的变量由原始模型的五个增加到了7个，它的适应范围更宽了，对不良借款人的辨认精度也大大提高了。 我们可以将ZETA模型写成下列式子,其中模型中的a、b、c、d、e、f、g，分别是ZETA模型中七变量各自的系数。 ZETA=aX1+bX2+cX3+dX4+eX5+fX6+gX7 判别式分析模式存在的问题 这一模型只区别借款人行为的两个极端例子：违约与不违约。但是，现实世界中违约情况是多层次的 没有理由可以预期判别式函数中的权数是常数 忽略了一些在违约和非违约决策中起决定性因素作用的难以量化的因素。例如属于借款人所特有因素的声誉及含蓄的长确借款关系、宏观环境因素中的商业周期等 不存在违约商业贷款的集中数据库 课堂练习：P216.10 RAROC模型 RAROC （risk-adjusted return on capital）模型由银行家信托公司首创 模型的核心思想是它不是衡量一笔贷款的实际或者承诺的每年的ROA，即净利息收入和费用除以贷款总额，而是贷款管理者使预期利息收入和费用收入同贷款的风险保持平衡。因此，不是用贷出的资产除以贷款收入，而是用资产（贷款）风险的某种测量去除贷款收入： RAROC=贷款一年