武汉大学商业银行信贷管理-第三节_融合传统分析与统计分析的信用评级体系[1].pptVIP

第三节 融合传统信用分析与统计分析技术的客户信用评级;一、基于财务指标的信用评价统计模型——信用风险度量模型化的初步尝试; （一）信用评分模型（多元线性判别模型） 传统信用评级的经典方法——线性判别模型;线性判别模型的发展历程 大卫·杜兰（1941），率先将线性判别模型应用于信用评估领域 毕沃（Beaver，1966），单变量分析 ——对1954-1964间危机企业（79家）进行随机抽样，利用1：1配对法，寻找相同产业、相似规模的正常企业作为比较对象 ——考察14个财务比率在企业失败（债务违约或破产）前5年的差异程度 ——现金流量/负债总额是预测经营失败的最佳指标（其次为负债/总资产；资产利润率） ;奥特曼（Altman，1968），多变量分析 提出逐步多元判别分析法 （stepwise multiple discriminant analysis，MDA） ——信用评分模型 ;（1）原始的Z计分模型（Altman,1968）; ;附表: 分组均值和F比率;其后，设定临界值（分类标准） （破产）下限值为1．81，其下为破产区域； （非破产）上限值为2．99，其上为非破产区域； 中间是忽略（灰色）区域 ;（2）ZETA模型（1977） ; 7变量模型 （1）资产报酬率； （2）收入稳定性； （3）债务偿还（利息保障倍数）； （4）积累盈利（资产减负债／总资产）； （5）流动比率； （6）资本化率（普通股权益／总资本）； （7）规模（总资产的对数） ZETA模型的分类准确度与Z计分模型的比较： 提高准确度，在破产前5年即可有效划分出将破产的企业 ZETA模型的最佳临界值 ;（3）信用评分模型的优点和不足 ;线性多元判别模型的技术局限;（二）基于财务变量的统计回归分析模型——线性概率模型、Logit模型、 Probit模型;在该线性回归模型中： Y——信用品质变量（比如信用等级，可设为正常1，危机0） Xj——第j项影响信用品质的自变量（如，企业规模、盈利性等财务指标） βj——Xj对信用品质的影响程度 ε——随机干扰项;为了得到Y的无偏估计，假定E（ε）=0，因此得到： E（Y|X）=XB 其中，B表示回归系数向量（ β0…… βK） 假设Y=1的概率为P，Y=0的概率为1－P，则有 E（Y）=0×（1－P）+1 ×P=P 换言之， E（Y|X）=XB=P ;实例;对回归模型的解释： 当财务指标为给定水平时，预测企业债券评级为AA的概率 对回归系数的先验估计一般会认为X2和X4的系数应为负, 但样本估计值的X4为正值( 其背后的含义?) ;线性概率模型的局限;2、累积概率模型;——Logit对数单位模型; 在此函数中，P与X、B之间已非线性关系，原本不适用OLS（最小二乘）估计法，但是稍加处理，即可转换成线性函数：;实例;——Probit概率单位模型（略）——累积概率模型的局限：;——判别模型与概率模型的比较;（三）对传统统计模型的突破——类神经网络技术与模糊分析 1、类神经网络技术(NN) 基本思路： 模拟生物神经系统，结合相关知识，建立简化的神经系统模式，以期拥有类似人类大脑平行计算及自我学习的能力 （自我学习：利用不断重复的训练过程，使系统本身能够累积经验，达到学习效果） ;类神经网络的基本架构（拓朴图）：;类神经网络的学习模式：;类神经网络技术的特点：;2、模糊分析;二、融合传统信用分析与统计分析的客户信用评级体系 ;（一）基于统计判别技术的百分制计分法;(二)基于统计回归模型的评级方法;（三）贷款预期违约损失