商行信用风险定量模式范文

随着国内商业银行业竞争环境的逐渐加剧，深圳发展银行等发展了基于供应链的融资服务业务。这对商业银行的风险管理，尤其是信用风险管理，提出了更高的要求:一方面，需要对传统业务控制风险，提升资本金运用效率;另一方面，在开拓新兴产品服务时，需要明确了解银行本身所面对的风险水平。目前，信用风险作为商业银行面对的最主要风险形式，处于难以量化衡量的窘境———这使得对银行信用风险控制的手段继往开来显得十分必要。

一、信用风险定量模型的意义

从政策方面看，自1988年国际清算银行公布以规范信用风险为主的巴塞尔资本协定，并于2001年修订后，各方研究机构对风险的评估方法，包括信用风险定量模型积极地进行开发和运用。从实际操作层面看，资产组合中的信用风险表现为信用工具价值的变化，而这种变化与相应债务人的信用质量变化密切相关，随着债务人的信用质量恶化，相应信用工具的价值通常情况下都应减值。由于有这样的风险，对应的监测和控制手段也有其必要性，因而定量模型，作为一种有效监测手段有着重要的意义:简单来说，通过定量模型计算并比较信用风险，可建立减少资产组合信用风险的手段的优先级顺序，控制资金集中风险，且有效使用并评估抵御风险的资本金水平。对商业银行来看，风险管理主要包括风险识别、风险度量、和风险控制等环节，风险管理系统的最主要目的是作为行动指引。由于风险控制有诸多手段(严格贷款制度、信用增强受限、交易方监控等)，因而需要基于风险管理系统的输出结果而对这些手段进行优化。一个定量模型能在以下几方面带来帮助:

(一)风险识别阶段a)识别风险来源:面对特定债务人具有资金集中的风险b)识别评级风险:不同信用等级客户信用迁徙的分布状况

(二)风险度量阶段a)量化信用风险:一定概率下，由于信用违约而导致的损失的最大水平b)衡量边际风险贡献:当对资产进行调整时，对整个资产组合的风险会有多大的影响。

(三)风险控制阶段a)设立风险限额:可以承受的最大信用风险的决策b)计量经济资本:应该拨备多少资本用于防范信用风险(四)其他方面裨益a)估算监管资本:根据现行的资本协议，确定银行需要多少监管资本b)改善业务决策:明确业务的风险有益于最终改善银行的风险收益比率c)评估人员业绩:量化指标有利于确定相关业务人员的业务水平d)明确业务发展:资金集中的程度能帮助决策者评估未来业务的发展方向。

二、传统信用风险度量方法及探讨

传统的风险度量方法主要包括:信用评分法(基于综合评定债务人各项指标)、财务分析法(关注债务人的财务指标)、贷款评级分级法(基于OCC的评级基础)、专家评分法(运用“5C”、“5W”、“5P”因素分析)等。在信用风险领域，传统方法有一些局限性。首先，从研究对象上来看，传统意义上对信用风险为违约风险的定义是不全面的。如同之前所述，债务人的信用质量恶化，可能还不足以令其违约，但必将影响其所承担的债务的价值。违约风险是指债务人由于不能按照协议约定全额偿付、支付相应债务，而使债权人遭受损失。除了违约风险，我们还应该考虑，在如今评级机构发展相当成熟的情况下，评级变化所产生的影响。其次，从定量指标上来看，传统的研究如资产定价模型(CAPM)所得出的指导意见在应对新生的金融衍生品时有些力不从心，而贝塔系数、标准差、方差则局限在解释资产价值的波动幅度，不能表现金融机构真正需要拨备的应对风险的资本金需求。再次，从研究的整体性上看，没有考虑不同债务人之间的相关性，而只是针对每个债务人的个体信用风险进行计量，包括借款人、发行人、交易对手等。由于没有考虑资金集中的风险，可能出现对应某债务人的单个资产价值较小，但整体价值相对较大的情况;而在此情况下，对单个资产进行独立的风险界定和衡量是不全面的。在深圳发展银行支持下，本文试图对目前可用的新兴信用风险度量模型进行比较研究。

三、新兴信用风险度量模型及探讨

a)CreditMetrics模型CreditMetrics模型目的在于量化评估分析资产组合内的信用风险，作为一个基本的框架，适用性较广。模型利用信用迁移矩阵构建资产组合的价值分布，并以此来测度资产组合的在险价值。模型考虑了评级风险，将信用风险理解为违约风险以及评级风险。模型以对信用事件(影响债务人信用质量的事件)的反应来进行信用风险度量。其次，模型在兼顾标准差数值输出的情况下，引入了VaR方法强调了置信水平。再次，模型通过蒙特卡罗模拟分析债务之间的相关性，因而更能被称作一个资产组合的风险评估理论。CreditMetrics模型面对着以下挑战:如何建立信用质量迁移与信用工具价值变化的关系?其中信用质量迁移的几率如何测定?如何准确测度各个资产之间的相关性?b)CreditRisk+模型CreditRisk+，使用精算方法，通过严密分析，得出的信用风险度量的模型，被认为是违约率模型的代表。信用风险被认为是违约风险，即便债务人资产价值发生重大变动，只要没违约，其信用风险仍不变。违约率被假设为随机，因为违约率水平在实践中随着债务周期或是信用周期发生波动。模型基于不同国家产业部门的违约率水平以及个人信贷敞口的平均违约率作为输入数据，设立一个不变或是基于抵押物价值的回收率水平。对于资产违约行为的相关性，每个风险敞口都被细分成基于不同的国家产业部门相互独立的次级敞口。每个资产的违约行为的独立性便可以通过每个部门的独立性实现。CreditRisk+在应用中的优点在于其计算较为简便，且对数据量的要求不高，但也因此对现实的复杂程度说明力有限。c)CreditPortfolioView模型CreditPortfolioView模型一方面附和了CreditMetrics，认为宏观的经济状况对信用转移矩阵有影响;另一方面，也强调了CreditRisk+所指出的违约率的波动。但CreditPortfolioView模型并非根据历史数据求出各个部门的统计变量，而是运用蒙特卡洛模拟法，研究各部门违约率的时间序列。CreditPortfolioView模型是一种计量经济学模型，虽然过程与结论的经济意义以及对违约的测算令人信服，但模型相当复杂，需要大量的历史数据支持，且能对实际违约相关性进行多准确的模拟是一个挑战。研究表明，投机级别的信用工具的违约率与宏观经济周期相关性较好;而投资级别的信用工具却不太受经济波动影响。d)KMV模型KMV模型是一个基于资本市场的价值和企业的资本结构，测算信用风险的模型。根据信用工具对应资产的收益结构，KMV认为企业持有信用工具资产，相当于卖出一份债务人企业资产的看跌期权。因此，模型认为可以通过研究上市公司的市场表现，结合其公开信息，建立与上市公司的EDF(ExpectedDefaultFrequency)之间的联系。可见，KMV模型具有数据可得性强、模型调整能力强等优点。但由于其内在的逻辑限制，KMV模型的适用性目前仅限于市场较为成熟且信息披露较为透明的上市公司，对信用工具没有从还债期、结构等作进一步区分。另外，模型隐含公司资产价值服从正态分布的假设，与实际不符。e)CPV模型CPV模型(CreditPortfolioView)是一个基于具体经济表现，测算借款人的信用等级转移概率的模型试图深入挖掘经济层面对信用迁移的驱动力。从其传递逻辑来看，被选定的每个具体的经济变量被认为都满足一个计量模型，变量可以涵盖宏观经济、行业特征、市场表现等，实证中如综合领先指标、国房景气指数、企业景气指数等。选定的宏观经济变量构成了经济总体变量，直接影响违约概率。关键在于:选取多少、哪些具体经济变量作为总体变量的构成，与违约概率能有更好的相关性，以保证模型的解释力;如何确定合适的计量模型以匹配对应的经济变量。尽管CPV模型保证了数据的可得性且理想状态上有较好的预测能力，但须平衡具体经济变量数量以提高模型解释力与简化模型计算复杂度的矛盾，且关注模型是否准确地表现违约率与经济数据间的逻辑。

四、商业银行信用风险定量模型的适用性与总结

这几类模型在结构和应用范围上都有一定的相似，但都无法避免“简化的假设计算”与“复杂的现实情况”之间的矛盾。同时，他们对风险的定义、输入数据的要求、对相关性的测度方法有所差别。另一方面，目前我国商业银行对信用风险的系统化数据收集工作还处于起步阶段，所以如何在有限的数据来源的情况下，准确反应实际的风险水平，亦是一项艰巨的挑战。现实看来，没有一个统一的认识，以判断这几个方法中的某个在度量实际的违约相关性上有特别的优势。因而在考虑数据可得性的情况下，作相互的比对测试，是一个可行的提高测算准确度的方法，另外，我们可以总结出模型演变的趋势。

1.对于商业银行的信用风险范围界定，考虑到未来内部外部评级体系的不断完善，随着评级体系有效性的增强与信用风险管理深入细化的诉求，评级风险应被纳入信用风险的管理范畴。

2.不同于股票等权益投资工具的基本对称的收益分布，信用工具的收益分布不是对称的，左偏且厚尾，其收益多是利息，而一旦违约，将损失本金，因而仅用均值和方差不足以反应其实际收益与风险。因此使用VaR来测算信用风险，理想情况下，就可以评估用于相应风险而拨备的资本金水平了。

3.随着金融市场化程度不断加深，以及国际国内贸易不断地开展，企业之间相关性有所提升。所以，对债务资产之间的相关性进行研究是一种重要的考量。