零售打分卡模型估计.docxVIP

一、资产池分池概述 零售风险暴露没有初级法和高级法的区别，只要实施内部评级法，银行必须使用分池（Pool）技术来自行估计违约概率、违约损失率和违约风险暴露。 商业银行首先将零售风险暴露分为个人住房抵押贷款、合格循环零售风险暴露、其他零售风险暴露三大类，在此基础上建立细分的零售风险暴露的风险分池体系。按照《新资本协议》的要求，同一资产池内的零售风险暴露的风险程度应保持一致，资产池间的资产具有风险的异质性。 银行在将贷款分到资产池中时至少要考虑如下风险要素： 借款人风险特征，包括债务人类别和人口统计特征等，如收入状况、年龄、职业、客户信用评分、地区等。 债项风险特征，包括产品和抵质押品的风险特征，如抵质押方式、抵质押比例、担保、优先性、账龄等。 贷款的逾期：银行分别确定逾期贷款和未逾期贷款 特别地，对于已经违约和尚未违约的贷款，应分别进行风险划分；对于数据缺失的零售贷款，数据缺失的程度应作为风险分池的一个因素。 各资产池之间借款人和贷款的分布应合理，避免单个池中零售暴露过于集中。按照银监会的规定，若单个资产池中风险暴露超过该类零售总量的30%，银行需要向银监会证明该资产池中的贷款具有风险同质性，并且不影响估计该池的风险参数。 对于资产池划分，银行可根据自身对于资产池划分精细化程度的需求以及数据质量情况，分别建立独立的PD/LGD/EAD资产池（即每笔贷款同时对应一个PD池、一个LGD池，一个EAD池），也可以建立综合的PD/LGD/EAD资产池（即每笔贷款只对应一个资产池，每个资产池具有PD、LGD、EAD三个参数）。 二、资产池划分方法 从方法论的角度，资产池划分方法可以分为： 基于申请评分卡和行为评分卡：以评分卡的模型细分为基础，按照分数的高低划分为不同的资产池。 决策树：利用决策树模型，通过递归的方法，将资产划归到不同的池中。 聚类：使用多元统计聚类方法，将具有类似特征的资产划分为同一资产池。 专家判断法：当数据不充分时，可依靠专家经验进行资产池的划分。 以上方法不是独立的，可进行组合使用，国际先进银行多采用基于评分卡的方法，对于没有建立评分卡的产品，则辅以其它的方法。 从Use Test（使用测试）原则出发，资产池划分方法分为两类： 自下而上（Bottom-up）：指已有评分模型对每一笔贷款进行了风险评分，根据风险评分，进行层层聚类。 自下而上(Top-down)：在没有风险评分模型的情况下，结合业务经验，通过统计分析确定分池指标，从总体资产组合出发，层层划分后获得资产池。此种方式较为粗糙，PD、LGD、EAD等参数估计的精确程度较差。 风险参数-PD 按照《新资本协议》的规定，对于零售风险暴露，违约的定义可以用于特定债项层面，而不应用在借款人层面。借款人对一项债务违约，不强迫银行将借款人对银行集团的所有债务都按照违约处理。 违约定义上的这一点差别导致了零售暴露和公司暴露内部评级体系本质上的额差别，公司暴露最重要的架构就是客户和债项的二维评级；零售暴露则基于债项层面来实现分池技术，同一客户的不同债项可以分到不同的池，而具有不同的违约概率。 PD模型建设 PD池的划分过程即是PD模型建设的过程，一般情况下，都需要结合使用自上而下或者自下而上的方法，无论采用哪种方法，PD模型都最终表现为决策树的形式，不同之处在于决策树节点的确定方法和确定顺序。自上而下的方法，其决策树节点的确定顺序是从“树根”到“叶子”的方法，是逐步细分的过程。自下而上的方法，其决策树节点的顺序是从“叶子”到“树根”，是逐步聚类的过程。 在PD模型建设过程中，需要回答两个问题，一是每一步分杈的标准是什么？二是什么时候停止分杈？决策树中每个节点的判定标准是是否能够将资产池进行有效区分，即不同资产池间是否满足风险异质性；决策树最后节点确定，是资产池内的贷款具有了风险同质性，除了同质性，为了保证模型的稳定性，每个资产池应具有一定数量的贷款，保证风险参数-违约概率、违约损失率、违约风险暴露计量的统计显著性。 违约概率校准 违约概率校准的作用有两个，一是对于已经开发了风险评分卡的敞口，其违约定义与《新资本协议》规定的并不一致，需要校准；二是没有开发风险评分卡的敞口，但是有相近的产品的评分卡可以有效排序，需要校准。 违约概率校准的前提是风险驱动因子依然有效，风险评分依然有效排序，但是因为违约定义的变化导致排序对应的违约概率不一致。 校准的过程如下图所示： PD值的长期平均估计 按照《新资本协议》规定，用于计算监管资本的违约概率应该是长期平均违约概率，以保持监管资本的谨慎性原则。 资产池划分方案初步确定后，即可获得每个资产池每年的PD值，然后要最终确定该资产池的PD，还需要将每年的PD校准到已违约加权的长期平均PD，并要充分考虑经济衰退的影响。 计算长期平均PD时，应该是