风险度量（共12篇）
风险度量 篇1
一、风险本质
风险是由不确定性所引起的, 风险的本质是由于对未来结果予以期望所带来的无法符合期望结果的可能性, 换言之, 风险是结果差异引起的结果偏离, 即期望结果的可能偏离。也就是说, 没有对未来结果的预期, 就没有风险, 对未来结果的期望是风险产生的根源。
期望结果往往是人们认为最有可能的结果, 也是人们衡量事件结果有利或不利的标准。超过这一标准期望结果的正向偏离即认定为有利结果, 低于这一标准的负向偏离即为不利结果。风险作为偏离期望结果的可能性, 就不仅仅表现为损失, 只要是与期望结果有偏离都可以认定为风险, 包括风险收益和风险损失。但是, 由于大多数人都是风险厌恶者, 从风险回避的观念看, 风险一般是损失的机会或可能性。
二、主要风险度量模式及其评价
正是由于人们对于风险的看法不同, 风险度量方法也不同, 下面介绍三种现行的风险度量模式。
第一, 方差模式。这种方法认为风险以偏离期望的形式出现, 包括有利和不利情况, 波动性越强, 风险越大。以标准差衡量风险, 公式为:
其中, rj为第j种可能的收益率, Pj为第j种收益率出现的概率。经济生活中, 随机变量的单位通常是货币单位或以百分率形式表示的收益率, 而方差形式不能满足, 所以一般用标准差形式表示。
方差模式是马柯维茨在1952年进行投资组合分析时提出的, 是用来衡量一个随机变量波动大小的指标, 当随机变量的波动呈对称性分布时, 收益波动越大的随机变量, 其潜在的损失也就越大。方差模型的最大优点在于有很好的数学特性, 能够很好地反映“风险与损失均等”的思想, 且能考虑到均值以上的正向变动部分, 即高于和低于期望值的情况都考虑了。此外, 在人们对未来结果没有共同而恰当的预期时, 以平均值作为期望值成为人们共同的选择。就目前情况来看, 以方差度量风险的方法影响最大, 应用也最为广泛。但用方差 (或标准差) 度量风险也还存在一些缺陷:
一是不现实的正态分布前提假设。马柯维茨的方差模式, 是假定未来报酬率的随机结果服从正态分布的情况下, 度量期望报酬率的总体性平均离差。对于正态分布而言, 只要期望收益率水平和方差确定了, 收益率的概率分布便随之确定。如果收益率呈非对称、非规则性分布, 单由期望收益率和方差来确定投资者面临的风险就存在问题。实际上, 砝码、依波特森和辛科费尔德等人对美国证券市场投资收益率分布的研究基本上否定了方差度量方法的理论前提———投资收益的正态分布假设。
二是不足以表达风险的经济性质。方差模型忽略了投资损益波动的具体形式区别和相应投资结果的分布特征, 用事件不稳定性的概念掩盖和代替了财务上风险的概念。结果的期望值是区分结果有利与不利的判断标准, 但方差模型却以结果的平均值作为期望值, 而在有些情况下平均结果与期望结果是不一致的。
三是无法直观表达度量结果。方差模型是由收益率及其概率分布得到的无单位的纯数值统计量, 无法直观告诉投资者投资的风险到底是多少, 只能体现一种风险的可能性程度, 对两个或两个以上的方案进行粗略比较。
第二, LPM模型 (Lower Partial Moments) 。这个模型认为风险的原始语意是损失, 是不利的结果。于是, 用目标报酬水平之下的报酬分布状况“Downside—Risk”作为风险描述方式。LPM指标指的是未来报酬出现在某一目标报酬水平之下的情况。
式中:
LPMn指低于目标报酬的概率水平;
T为目标报酬水平;
ri为收益率;
Pi为ri发生的概率;
n取不同值, 反映LPM的不同含义;
LPM0为低于目标收益率的概率;
LPM1为单位离差的均值;
LPM2是偏差平方的概率加权, 也称为目标半方差。
LPM方法具有以下优点:
一是假设条件简单, 并不需要正态分布的严格限制, 仅要求投资者为风险厌恶型, 这在实际中能得到满足;
二是如果目标报酬水平为零, “Down—risk”反映的就是亏损的可能性, 符合投资者对风险的心理感受和风险管理意图, 反映出投资者对正负偏差不一致的真实感受;
三是对于杂乱无章的报酬率分布, 不用关心高于目标报酬率的分布情况, 在一定程度上避免了无规则分布引起的计量困难。
LPM模式既能用离差形式表现报酬率结果的分布特征, 又能体现风险损失的具体形式, 其综合性较强。但由于LPM只关注损失方面的风险值, 无疑是片面的。风险量值的大小不仅取决于各种损失及其可能性等不利情景, 而且还与投资收益的有利情景有关。在实际中, 应同时考虑报酬和损失对风险测算的影响。
第三, Va R模型。Va R方法 (Value at Risk, 也译作风险价值) 由JP Morgan公司于1994年率先提出, 这一方法在风险度量、监管等领域获得广泛应用, 成为度量金融市场风险的主流方法。用Va R度量风险, 其意义指:在正常的市场条件和给定的置信水平下, 投资者在给定的时间区间内的最大期望损失, 反映了风险投资最低报酬水平与期望报酬水平之间的离散距离。可表示为:
其中:
△L为持有期△t内的损失;
Va R为置信区间水平c下处于风险中的价值。
实际应用中Va R的计算方法很多, 典型的有历史模拟法、Monte Carl模拟法。
Va R的优点表现为:
一是可以简单明了地表示市场风险的大小, 单位是美元或其他货币, 没有任何技术色彩, 没有任何专业背景的投资者和管理者都可以通过Va R值对金融风险进行评判;
二是可以事前计算风险, 不像以往风险管理的方法都是在事后衡量风险大小;
三是由于Va R方法提供了一个统一的方法来测量风险, 因此为高层管理者比较不同业务部门的风险暴露大小、基于风险调整的绩效评估、资本配置、风险限额设置等, 提供了一个简单可行的方法。
但是, Va R的缺陷也是很明显的:
一是Va R模型通常会假设市场的有效性以及市场波动是随机的, 不存在自相关。一般而言, 利用数学模型定量分析社会经济现象, 都必须遵循其假设条件, 但在我国, 由于市场尚需规范, 政府干预行为较为严重, 不能完全满足强有效性和市场波动的随机性, 在利用Va R模型时, 只能近似地正态处理。
二是Va R对数据有严格要求。该风险衡量方法对流动性强的风险资产的风险衡量效用比较显著, 而对缺乏流动性的资产, 如银行的贷款等, 由于缺乏每日市场交易价格数据, 其衡量风险的能力受到很大的局限。
三是使用Va R来衡量市场风险, 存在所谓的模型风险。即由于同样的Va R模型可以使用不同的Va R方法得到资产收益的不同概率分布, 这样会使同样的资产组合得到不同的Va R值, 使得Va R的可靠性难以把握。
四是Va R模型主要适用于衡量市场风险, 而对于流动性风险、信用风险、操作风险、法律风险等却难以反映。另外, 从技术角度讲, Va R值表明的是一定置信度内的最大损失, 但并不能绝对排除高于Va R值的损失发生的可能性。
综上所述, 三种主要的风险度量模型具有以下共同的特点:
一是描述不确定性是三种模式的共同特点, 也是度量风险的总目的。度量风险实际上是在描述一项行动 (如投资) 的未来处境, 即行动结果 (如报酬、报酬率) 及其相应的分布。不确定性本身并不是风险, 不确定性与主观期望的结合才会产生风险问题。因此度量风险有两个基本要求:其一是表达结果差异的性质, 即各种结果是否符合投资者的行为意图以及满足程度;其二是描述概率分布的状况, 即运用一定的测算技术通过一个或几个风险度量指标表现结果的可能性程度。
二是收益的不确定性不能等同于损失的不确定性。收益的不确定性, 并不必然带来损失, 也可能是超额收益。风险带来的既可能是收益也可能是损失。仅仅衡量风险损失是片面的。如果报酬足够高, 同样的损失在风险度量指标上应当表现为风险程度的降低。只是对于投资者而言, 风险的心理语言为损失, 人们的潜意识里就会把风险要素和报酬要素对立起来, 所以倾向于把风险认同为损失。在度量风险时, 要考虑报酬与损失对它的不同影响。
三是期望值影响并决定着风险程度, 一个合理的风险度量方式, 要能够在表现风险程度的测算指标中体现出期望值对风险的影响。Va R模式给出了明显的提示:Va R的大小在很大程度上取决于风险资产最低价值Wm, 而Wm的确定又取决于置信水平P, 这里置信概率就是期望值的转换形式。
参考文献
[1]罗晓敏等:《浅议上市公司财务风险的来源及防范》, 《中国软科学》2002年第1期。
风险度量 篇2
基于SVM的中小企业集合债券融资个体信用风险度量研究
作者：曾江洪 王庄志 崔晓云
来源：《中南大学学报(社会科学版)》2013年第02期
摘要：中小企业集合债券融资个体的信用风险度量面临小样本、非线性、高维数等现实问题，传统的评估方法很难适用。为了弥补传统评估方法的不足，提高信用风险度量的准确性，建立了适用性更强的信用风险评估指标体系，并引入基于统计学习理论的SVM模型对融资个体信用风险进行度量。选取径向基核函数作为支持向量机的核函数，通过数据的转化与缩放、参数的优选，最终获得了分类效果比较好的中小企业集合债券融资个体信用风险度量模型。经实际数据检验，模型的预测准确率为90.77%，具有较强的适用性。
关键词：信用风险；融资个体；SVM模型；中小企业集合债券
中图分类号：F276.3 文献标识码：A 文章编号：1672-3104（2013）02−0008−04
中小企业集合债券是我国对中小企业融资问题探索的成果体现，在央行调控银行信贷规模，中小企业融资难的情况下，中小企业集合债券的发行可以帮助中小企业的直接融资，为中小企业的发展提供了有力的支持。但由于中小企业自身信用水平较低，参与集合债券的中小企业行业来源多样化，且目前发行企业数量有限，研究样本小，传统的信用风险度量模型很难适用。信用风险的难以计量性一定程度上制约了中小企业集合债券的发展，基于统计学习理论的支持向量机（SVM）模型提供了一种适宜的度量方法，能很好的解决此问题。
统计学习理论系统地研究了经验风险最小化原理成立的条件，是目前针对小样本统计估计和预测学习的最佳理论[1]。支持向量机方法是Vapnik[2]等提出的建立在统计学习理论的VC维理论和结构风险最小化原理基础上的新型学习方法，具有严格的理论基础。它以有限的样本信息为依据，寻求模型的复杂性与学习能力间的最佳折衷，以期获得最好的推广能力。在小样本学习方面具有的优越性，可以较好地解决传统评估方法不能解决的非线性、高维及局部极小点等问题，并具有较好的泛化性能，对于未知类别样本具有相当卓越的分类与预测能力。本文基于支持向量机模型对中小企业集合债券融
风险度量 篇3
[关键词]商业银行；信用风险度量；VaR
[DOI] 10.13939/j.cnki.zgsc.2015.08.017
在现代金融体系中，商业银行作为金融和交易的主要金融中介，一个国家经济状况的晴雨表，在减少经济风险和不稳定因素，保证国民经济顺畅运行方面发挥着举足轻重的作用。商业银行在运营中本身承担着各种类型的风险，包括信用风险、利率风险、流动性风险、管理风险、资本风险和政策风险等。其中，信用风险是金融市场中最古老也是最重要的风险形式之一。它是现代社会经济实体、投资者和消费者所面临的重大问题。
1988年巴塞尔协议提出信用风险的权数管理方式。在该风险管理方式下，银行有效的定量信用风险定量管理技术有：专家系统，评分方法，评级方法。20世纪90年代以后，金融机构资产状况日益多样化，如信用衍生产品兴起，使信用风险管理更加复杂，金融机构迫切需要更有效的定量工具来辅助进行信用风险管理。此时，商业银行开始发展内部模型，采用VaR等方法对其资产市场风险进行管理。1996年巴塞尔协议修正案，正式许可金融机构可选择内部模型度量其面临的市场风险。在此推动下，用于信用风险度量的新方法也开始兴起。它们与以往的度量方法相比，更多应用现代金融理论和数理统计方法。
总的来讲，信用风险评价方法越来越体现出从定性到定量、从简单到复杂、从个别资产信用评价到资产组合信用风险评价的趋势。
1 传统信用风险度量模型
1.1 专家系统
专家系统最大特征是银行信贷的决策权是由该机构中具有丰富经验的信贷官掌握，主要依赖于他们的主观分析或定性分析方法衡量企业贷款的信用风险，并做出是否贷款的决定。在专家系统制度下，实施信用风险分析时，商业银行要遵循5C原则，即通过衡量借款人的品格（Character）、能力（Capacity）、资本（Capital）、担保（Collateral）、环境（Conditions），判断其信用风险程度并决定是否给予贷款。专家系统中，专门信用分析员随着机构的扩大越来越多，导致成本居高不下；另外，信贷官自身的偏好使其实施的效果很不稳定。因而，专家系统只能作为一种辅助性的信用风险度量分析方法。
1.2 Z评分模型和ZETA评分模型
Edward I. Altman于1968年提出了著名的Z评分模型（Z-score model），1997年他又提出了修正扩展后的第二代ZETA评分模型（ZETA credit risk model）。Altman的评分模型是一种多变量的分辨模型，根据数理统计中的辨别分析技术，对银行过去的贷款进行统计分析，将反映借款人经济状况或影响借款人信用状况的若干指标赋予一定权重，然后对所得Z（ZETA）值进行分析并将其与基准值相比来决定是否给予贷款以及贷款定价。Altman的评分模型本身存在一些缺陷，如只考虑了违约与不违约两种极端情况，而忽略中间各种可能情形；缺乏足够的经济理由解释赋予各变量的权重等。
1.3 非线性区别模型与神经网络分析系统
非线性区别模型与神经网络分析系统等的应用使信用评分模型得以拓展。Altman Marco和Varreto在对意大利公司财务危机预测中应用了神经网络分析法，Coats及Fant等采用神经网络分析法分别对美国公司和银行财务危机进行预测，取得了一定的效果。王春峰等也应用神经网络等方法对我国商业银行进行了信用风险评价。然而神经网络的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构，需要人为地去调试，非常耗费人力与时间，而并没有实质性的优于线性区别模型。
2 现代信用风险度量模型
2.1 期限结构模型
期限结构模型的基本思想是通过有风险企业债券与无风险债券之间的利差的分析推测借款人的信用风险。
2.2 死亡率模型
死亡率模型（Mortality Model）是通过分析某一信用级别的债券或贷款的历史违约情况来测度具有同一级别的金融工具的信用风险程度。这种方法以贷款或债券的组合以及它们在历史上的违约经历为基础，开发出一张表格，用该表来对信用资产的边际死亡率（Marginal Mortality Rate，MMR）和累计死亡率（Cumulative Mortality Rate，CMR）进行预测。将MMR、CMR与违约损失率结合起来，人们便可以获得预期损失的估计值。目前这类模型用来分析贷款违约情况的主要困难是缺乏必要的历史记录材料。
2.3 RAROC模型
RAROC（Risk-Adjusted Return On Capital）模型的主导思想是通过计算单位贷款风险的收益率并与基准相比来决定是否发放贷款以及贷款定价。其基本表达式为：RAROC = 贷款收益/风险资本
其中分子反映了某项贷款一年的预期收益，包括利差收益、手续费等并扣除预期损失及运营成本等。分母则是对不可预期的损失或风险资本的度量。如果计算得到某项贷款的RAROC大于临界风险收益率，则可以发放该项贷款，否则应拒绝。
2.4 基于VaR的现代新兴信用风险度量模型
VaR（Value at Risk）是在正常的市场条件和给定的置信水平（通常是95%或99%）上，某一投资组合预期可能发生的最大损失。
目前国际上基于VaR的信用风险评估模型主要有如下几种：（1）J. P. Morgan的CreditMetrics模型；（2）KMV公司的KMV模型；（3）CSFP（Credit Suisse Financial Products）的CreditRisk+模型。下面对这三种新兴信用风险度量和管理方法进行分析比较。
2.4.1 Credit Metrics模型
1997年，以J. P. Morgan代表的几家著名的金融机构联合推出了CreditMetrics模型，该模型将借款者的信用等级与风险资产的预期价值联系起来，对资产组合的信用风险进行量化和分析，目前已成为最具国际代表性的内部风险管理模型。
在CreditMetrics模型中，给定投资组合（已知组合中资产类别以及它们之间的组成比例），可以得出一定期限后（通常一年）的组合价值分布曲线，进而用该曲线计算投资组合VaR值。计算组合价值分布曲线有分析方法和模拟方法两种。以下用一个简单例子来说明分析方法计算组合价值分布的过程。这里假定债券投资组合中仅含有一种BBB等级债券。计算中需要的违约率和转移矩阵由信用评级机构提供，它们是通过对历史数据求平均值获得的。假定下一年BBB债券等级变动概率见表1（限于篇幅，该表仅取信用转移矩阵的一部分）。
从表1可以看出，债券下一年保持BBB等级概率为86.93%。信用等级变化后，债券价值将采用相应等级债券利率期限结构进行折现。如果信用等级下降（上升），信用利差高（低），债券价值将下降（上升）。本例中设BBB等级债券利率期限结构见表2。
同理，我们对债券期末变动到其他等级的情况，也分别进行估价，可得表3。
从数据中，可得出一年后债券价值分布曲线，然后可求出该投资组合在一定置信度下的VaR值。投资组合中只有一种债券的例子是最简单的，现实投资组合往往很复杂，含有多种债券（或其他有信用风险的金融工具），用分析方法将很难求解，常采用模拟方法。模拟方法首先根据信用转移矩阵确定信用等级发生变化的临界资产收益率；然后假定公司资产价值收益率服从正态分布，模拟产生相当数量的资产收益率，结合临界收益率决定每次模拟信用等级变动情况，分别计算投资组合价值；最后得到投资组合价值分布的模拟曲线，根据该曲线可以计算VaR值。
Credit Metrics模型还考虑了投资组合中不同债务人资产之间的相关性。为求不同债务人资产之间的相关度，该方法先构造不同国家产业之间的相关度模型，使用各个国家证券市场的综合指数和行业指数来进行分析。然后根据每个债务人在国家和产业中的参与程度，分配权重。运用指数相关度和权数一道就可以计算债务人之间的相关度了。Credit Metrics模型是第一个公开提供的用于投资组合信用风险度量的方法。J. P. Morgan还发布了基于此方法的Credit Manange模型工具来进行投资组合信用风险的管理，形成了一套非常完整的信用风险度量和管理框架。但该方法中有以下问题需要进一步讨论：第一，模型中违约率直接取自历史数据平均值，但实证研究表明，违约率与宏观经济状况有直接关系，不是固定不变的，在经济高速增长阶段，违约率较低；而在经济衰退时期，违约率则很高。第二，模型假定资产收益服从正态分布，它是进行模拟的基础，但资产收益的实际分布有待进一步研究。第三，模型中假定企业资产收益之间的相关度等于公司证券收益之间的相关度，该假设有待进一步验证，模型计算结果对于这一假定的敏感性很高。第四，模型中假定无风险利率是固定不变的，影响投资组合价值的只有各种信用事件，市场风险对于投资组合价值没有影响。以下两个模型也同样假设没有市场风险。
2.4.2 KMV模型
Credit Metrics模型中，认为同一信用等级公司违约概率相同，不同信用等级公司违约概率是历史数据平均值，这两个假设对于计算结果的精度影响较大。KMV公司提出的模型不使用信用评级机构提供的统计数据来确定违约概率。它对每一公司分别使用默顿的违约证券估价模型来确定其实际违约概率，模型中违约率是公司资本结构、资产收益波动率和公司当前资产价值的函数。该方法定义了期望违约频率EDF（Expected Default Frequency）概念，每一公司有自己独特的EDF。模型认为EDF值充分反映了公司信用利差、信用等级等市场信息。计算EDF分为三个阶段：首先估计公司资产价值和公司资产波动率；其次计算违约距离DD（Distance to Default），它是用指数形式表示的违约风险值；最后使用KMV违约数据库将DD转化为EDF。以下具体说明EDF计算过程。
PV为债券现值，LGD为违约时的损失，Ci为现金流，Qi是累积风险中性EDF，对EDF进行修正后得到。式中第一项为无风险部分现值，第二项为信用风险部分现值。KMV模型不对整个投资组合价值进行模拟计算，而是用分析方法求解投资组合价值分布。KMV模型假定充分分散化的投资组合，其损失分布是反正态分布，从而求得一定置信度下的损失值La。
与Credit Metrics模型相比，KMV模型度量方法包含更多市场信息，因而认为能更好预测未来。该模型需要进一步研究的问题有：（1）期权定价方法可求解公司资产价值和波动率，但缺乏有效方法对它们的精确性进行检验。（2）为了能使用期权定价公式，分析时假定公司债务结构是静态不变的。（3）模型离不开资产收益正态分布假设，否则就不能求出理论EDF值。
2.4.3 基于精算方法的Credit Risk+模型
CreditRisk+模型使用保险精算的计算框架来导出投资组合损失。该方法只对违约风险进行建模，而不考虑信用等级变化。
由于每一次违约损失额不一样，对于整个投资组合来说，损失分布将不再遵循泊松分布。为求得损失分布，CreditRisk+模型先将投资组合中每笔贷款风险暴露按大小分组，组内贷款暴露相同，因此，每组损失分布将遵循泊松分布，然后将各组损失汇总，就得到整个投资组合的损失分布。
CreditRisk+模型还分析了投资组合多期情形下的损失分布和违约率随机变化下的损失分布。该方法明显优点是数据需求少，主要输入数据仅为贷款违约率、违约率波动率和风险暴露，但主要不足有：第一，由于忽略了信用等级变化，因而每笔贷款信用风险暴露在计算期间内固定不变，这与实际情况不够符合。第二，分组时，对每笔贷款暴露进行近似，从而将高估投资组合损失的方差。第三，违约率波动率不能直接获得，需要用结构模型从其它市场数据中获得。
2.4.4 结 论
以上比较了当前国际金融界三种最知名的信用风险度量方法，分析了它们的基本原理和相应优缺点。归纳起来，CreditMetrics模型的信用风险基于一定时间内某一信用等级资产向其他信用等级资产转化的概率；KMV模型认为违约的过程是内生的，并且与其公司的资本结构有关；CreditRisk+模型认为对贷款或债券的违约是外生的泊松过程，3种对违约概率的不同估计，造成了模型的差别。近年来，信用风险度量方法发展很快，又有不少知名公司进入这一领域，引起业界注意。如1998年，麦肯锡公司提出Credit Portfolio View方法，它不使用历史数据，违约概率基于当前经济状况；2000年4月，穆迪公司提出Risk Calc方法，该模型也使用了默顿的期权理论，并用统计方法分析历史数据。将来，随着信用风险度量方法进一步成熟，它们在金融机构信用风险管理中将发挥越来越大的作用。
参考文献：
[1]李志辉.现代信用风险量化度量和管理研究[M].北京：中国金融出版社，2001.
[2]王曼怡.金融企业信用风险管理[M].北京：中国经济出版社，2003.
[3]王春峰.商业银行信用风险评估及其实证研究[J].管理科学学报，1998（1）：68-72.
[4]张瀛.信用风险管理的发展及主要新方法[J].系统工程理论方法应用，2004，13（4）：324-329.
[5]李毅敏.商业银行信用风险测量方法的演进及借鉴[J].华南金融研究，2002，17（5）：33-36.
[6]程鹏等.信用风险度量和管理方法研究[J].管理工程学报，2002 （1）：70-73.
行业信用风险之度量 篇4
按照新巴塞尔协议的要求, 各国金融业均加快了信用分析的研究和实践, 在我国, 肖北溟等通过因子分析、聚类分析等方法构建了内部信用评级模型。于立勇、詹捷辉通过Logistic回归模型构建了违约概率的测算模型。但是我们可以看到, 这些研究主要以单个经济实体作为评价对象, 而行业层面的研究则不足。我国已有的行业研究文献也都只侧重定性判断或定量分析, 很少把两者结合起来进行综合考虑。
行业信用风险分析的实质是对影响未来行业整体偿付能力的各种因素进行系统而深入的分析, 充分揭示和预警不同行业的信用风险。根据我国长期处于转轨经济时期的国情和在行业风险分析方面的现状, 本文从行业风险的内涵出发, 考虑行业外部环境、自身经营和财务状况等影响行业风险的定性和定量因素, 采用不同的数学处理方法对行业信用风险进行综合评价。
一、度量行业信用风险的思路
本文的行业信用风险度量是从定性分析和定量分析两个方面同时展开的, 根据定性和定量因素的特点, 分别采用了不同的数学处理方法得出对应的风险指数, 并应用层次分析法赋权, 最后加权得出各行业的综合风险指数和对应的风险等级。本文的行业风险分析总体思路如右图所示。行业信用风险度量的具体实施步骤如下:
1. 建立行业信用风险度量指标体系, 包括反映行业环境和经营状况的定性指标以及反映行业财务状况的定量指标。
2. 对于定性指标, 采用模糊综合评价法对各行业风险进行分析, 其中各指标权重的确定采用层次分析法, 即可得出各行业的定性指标风险指数并可对该指数作归一化处理。
3.对于反映行业财务状况的定量指标, 运用多元统计方法进行分析, 建立反映行业财务风险的多元统计模型, 可得到财务风险指数并对该指数作归一化处理。
4.采用层次分析法计算由以上步骤得到的两个风险指数的对应权重, 加权后得到反映各行业风险相对大小的行业综合风险指数。
5.对各行业的综合风险指数进行排序以比较这些行业的风险大小, 并根据综合风险指数与风险等级的对应关系相应得出各行业的风险等级。
二、行业信用风险度量指标的选择及其赋权
1. 行业信用风险度量指标的选择。
根据行业信用风险影响因素的类别划分, 行业信用风险度量指标体系可分解为定性指标和定量指标两大部分, 其中定性指标主要包括行业环境状况评价指标和行业经营状况评价指标两部分, 定量指标主要包括行业财务状况评价指标。定性指标和定量指标的每一部分又可分别考察若干风险因子, 具体如表1所示。
2. 行业信用风险度量指标的赋权。
在模糊综合评价模型中, 各指标权重的确定是其核心问题。迄今为止, 研究者们已取得了不少研究成果, 概括起来, 权重的确定方法大致可分为主观赋权法和客观赋权法两大类。主观赋权法主要有直接给出法、层次分析法和G1法;客观赋权法主要有主成分分析法和熵值法。其中层次分析法是基于专家的经验, 按重要性程度对各指标进行比较、赋值并计算得出权重的, 比较适合定性指标的重要性判断;而主成分分析法则是研究如何通过少数几个不相关的主成分 (原始变量的线性组合) 来解释相关的多个变量的一种多元统计方法, 比较适合对多指标的定量属性进行重要性判断。所以, 本文采用主观赋权法中的层次分析法确定定性指标以及两个风险指数的权重, 而定量指标部分的权重则采用客观赋权法中的主成分分析法来确定。
三、行业信用风险度量
1. 行业定性指标的模糊综合评价。
对客观事物的评判, 往往不能用一个指标来决定, 而要进行多指标的综合评价。而对具有多项定性指标的多个客观事物的评价, 往往首先把这些定性指标定量化, 然后对每个客观事物的多项指标进行综合判断, 最后把综合判断的结果作为评价这些客观事物优劣的依据。但现实世界中有很多事物之间的关系是模糊的, 不能用精确的数学来描述, 而模糊数学可以用来解决这些模糊性的问题。
模糊综合评价正是以模糊数学为基础, 在模糊的环境中, 考虑多种因素的影响, 应用模糊关系合成的原理, 将一些边界不清、不易定量的因素定量化, 从而对被评价的事物做出相对客观的、正确的、符合实际的综合性判断。将模糊综合评价法用于行业信用风险分析的具体步骤如下:
(1) 确定行业信用风险分析的定性指标域。如表1所示, 我们将行业环境状况和行业经营状况的16个指标作为行业风险分析的定性指标域U, 则:
(2) 确定行业信用风险的等级域。令V为行业信用风险的等级域, 可确定风险小、风险较小、风险一般、风险较大和风险大五个风险等级结果, 因此风险等级域为:
其中:A、B、C、D和E分别表示风险小、风险较小、风险一般、风险较大和风险大五个风险等级结果, 每一个等级对应一个模糊子集。
(3) 对各指标进行模糊评价, 建立模糊关系矩阵。在构建等级模糊子集后, 就要对被评价行业逐个从指标ui (i=1, 2, …, 16) 进行量化, 也就确定了从指标ui来看被评价行业对各等级模糊子集的隶属度, 进而得到模糊关系矩阵:
矩阵R中第i行第j列元素rij表示某个被评价行业从指标ui来看对vj等级模糊子集的隶属度。一个被评价行业在某个指标ui上的表现是通过模糊向量 (R|ui) = (ri, 1, ri, 2, …, ri, 5) 来刻画的, 而在其他评价方法中多是由一个综合的指标值来刻画的, 因此, 模糊综合评价包含更多的信息。
(4) 确定评价指标的模糊权向量。一般情况下, 各指标的表现对总体的影响是不同的, 因此要确定模糊权向量。在模糊综合评价中, 令模糊权向量A= (a1, a2, …, a16) , 其中ai本质上是指标ui对被评价行业重要程度模糊子集的隶属度, 我们采用层次分析法求权向量A。
(5) 模糊合成。利用合适的模糊算子“莓”将A与各被评价行业的模糊关系矩阵R合成得到此行业的模糊综合评价结果向量, 考虑到加权平均型的模糊合成算子M (·, 茌) 较其他合成算子具有体现权数作用明显、综合程度较强以及利用模糊关系矩阵R比较充分等优点, 我们采用模糊合成算子M (·, 茌) 对模糊权向量A与各被评行业的模糊关系矩阵R进行合成, 得到对应行业的模糊综合评价结果。
模糊合成算子M (·, 茌) 的计算方法如下:
其中:, j=1, 2, …, 5, bj表示被评价行业在定性指标方面对vj等级模糊子集的隶属度。
(6) 模糊综合评价结果向量的处理。模糊综合评价的结果B= (b1, b2, …, b5) 是被评价行业对各等级模糊子集的隶属度, 其构成一个模糊向量, 而不是一个点值, 因而其能提供的信息比其他方法更丰富。但如果对多个行业进行比较并排序, 就需要进一步处理模糊综合评价的结果向量。
在进一步处理模糊综合评价的结果向量时, 本文采用模糊加权平均法, 即给五个风险等级依次赋以风险权重c1, c2, …, c5, 则结果向量可单值化为:
这样, 经过计算我们可得出各行业的定性指标风险指数。
2. 行业定量指标的多元统计分析。
反映行业财务状况的财务指标有很多, 各个指标反映问题的角度和形式不同, 彼此间又难免存在一定的相关性, 信息上会产生重叠, 从而影响评价的准确性。为解决这一问题, 本文采用多元统计分析中的主成分分析法和因子分析法来建立行业财务风险指数评价模型。主成分分析法和因子分析法得出的综合指标保留了原始变量的主要信息, 并且彼此之间不相关, 使得我们在评价行业财务风险时更容易抓住主要矛盾。
主成分分析法是考察多个变量间相关性的一种多元统计分析方法, 它是研究如何通过少数几个主成分 (即原始数据的线性组合) 来解释多变量的方差与协方差结构, 使其尽量多地保留原始变量的信息, 且彼此线性无关。
因子分析法的基本思想是通过研究众多变量之间的内部关系, 寻求这些数据的基本结构, 并用少数几个被称为公因子的不可观测变量来表示基本的数据结构, 这些公因子能够反映原来众多变量所代表的主要信息, 达到简化数据结构、方便研究的目的。
在行业财务风险的研究中, 运用因子分析, 可以从众多的行业财务指标中提取几个主要的公因子, 其中每个公因子代表一个影响行业财务风险的重要因素, 抓住这几个公因子, 就可以分析出影响行业财务风险的主要因素, 使数据结构大大简化, 同时还可以根据因子的特征值贡献率确定各因子的权重, 进而计算出行业财务风险指数。
利用因子分析模型计算行业财务风险指数的具体做法如下: (1) 对行业财务指标进行无量纲化处理; (2) 运用主成分分析法等方法建立因子载荷矩阵; (3) 对因子载荷矩阵进行旋转处理, 按照特征值贡献率确定几个主要因子并分析它们的经济含义; (4) 把公因子表示为原始变量的线性组合并计算因子得分, 将该得分归一化处理即得到行业财务风险指数。
3. 行业综合风险指数及其对应的风险等级的确定。
经过上述分析, 我们可得到反映行业信用风险的定性指标风险指数和财务风险指数, 这样就可以从定性和定量两个角度对行业信用风险进行综合评价, 比如仍然可以采用层次分析法对两个风险指数赋以权重, 然后加权得出行业的综合风险指数。
在行业综合风险指数的基础上, 我们可以对所有行业的风险程度进行排序, 并可根据综合风险指数和风险等级的对应关系得出被评价行业的风险等级。在此, 我们仍然根据行业风险程度的不同把行业分为风险小、风险较小、风险一般、风险较大和风险大五个等级, 并分别以A、B、C、D和E表示。
四、实证分析
我们从华通数据库里抽取了2007年10个重点行业的相关数据, 结合大公国际资信评估有限公司的部分行业分析师对各定性指标的评分并应用层次分析法对各指标赋权, 根据上面步骤分别计算得出各行业定性指标风险指数和财务风险指数, 然后采用加权平均法, 求出各行业的综合风险指数及其对应的风险等级。在这里, 我们对c1、c2、c3、c4和c5依次赋以1、0.75、0.5、0.25和0的风险权重, 对综合风险指数介于0.85~1.00、0.70~0.85、0.55~0.70、0.40~0.55和0.00~0.40之间的行业信用风险等级分别表示为A、B、C、D和E, 即分别表示对应行业的风险小、风险较小、风险一般、风险较大和风险大五种风险状况。具体计算结果如表2所示:
表2中的行业综合风险指数对商业银行的行业信贷投放具有一定的参考价值, 比如贷款优先投向风险小的行业, 对风险较小和风险一般的行业可以有选择地介入, 对风险较大的行业要谨慎介入, 而对风险大的行业要杜绝发放贷款。
五、结论
本文综合考虑了行业外部环境、经营状况和财务状况等影响行业信用风险的定性和定量因素, 并分别采用模糊综合评价和多元统计分析等方法对定性和定量指标进行处理, 最终得出行业综合风险指数, 该指数不仅可以充分揭示行业的综合风险水平, 还可用于不同行业间的风险比较, 以相应得到反映行业信用风险的行业风险等级。最后本文采用2007年的相关行业数据对十个主要行业进行了风险分析, 并得出了相应结论。
参考文献
[1].肖北溟.国有商业银行信贷评级模型的构建及实证检验.金融论坛, 2004;3
[2].于立勇, 詹捷辉.基于Logistic回归分析的违约概率预测研究.财经研究, 2004;9
[3].刘传哲, 高静华.房地产市场风险分析研究方法综述.中国矿业大学学报 (社会科学版) , 2006;1
[4].薛沂.自然垄断、规模经济与规制改革——对我国铁路产业的实证分析.铁道运输与经济, 2005;1
[5].管建成, 徐国念.哪个行业的国际竞争力最令人担忧.城市技术监督, 2001;10
[6].于立, 姜春海.自然垄断产业的规制政策研究.管理学报, 2006;5
度量的作文 篇5
度量大的好处还在于能化解矛盾、消融争端，从而做得成事。宋朝的韩琦一次与范仲淹议事，意见不合，范仲淹拂袖而去。此时，韩琦从后面一把拉着范的手说：“希文(范仲淹字)，有何事不可以再议?”此刻的韩琦和气满面，范仲淹见此情景，怒气顿消。有韩琦的这种度量，则何事不能办成?
度量源于德行，故有德者度量必大。彭思永考举时，贫无余钱，持金钏[注]数只住在旅馆，同考者数人来拜访他，请他拿出金钏赏玩，其中有一人悄悄将一只金钏塞入自己袖中，彭思永瞧在眼里，却不言语。别人都不知情，惊寻失物。彭却回答：就这么几只，并未丢失。众人离去时，那个偷金钏的人作揖告别，抬手不慎将金钏落在地上。众人此刻都钦佩彭思永的大度，彭某宁可自己在财利上损失，不肯当众出他人之丑，确是厚德大度之举。
度量不是天生就有的，它在于人的德行，也在于人的见识，有趣有识者才能有度量，德、识是靠不断学习、修行才能获得。有人问程颐：“度量可学否?”程颐回答：“可，学进则识进，识进则量进。”夏元吉先生也曾结合自己的体验说：我年幼时，有人冒犯我，我没有不发怒的;长大后，开始是在神色上忍让，然后在心里克制忍耐，时间久了自然习惯绝不与人计较，何尝是不学就能有度量的。
大度是一种人生智慧，是一种精神力量，是一种道德高境，它靠不断的修行、学习才能获得。有人将大度与一掷千金的所谓慷慨等同视之，这样的认识未免太肤浅!有人以为人的度量是天生的，然“性相近，习相远”，不同的学识修养，自然会造就不同的度量。
风险度量 篇6
【关键词】供应链金融；信用风险；突变理论；度量
随着中小企业融资环境的不断改善，银行一方面响应国家政策导向，一方面处于自身业务发展的需要，开始不断创新金融产品，积极开展中小企业信贷融资业务。供应链金融（sup
ply-chain finance，SCF）作为商业银行的一种新的金融服务，近年来在国际银行业应运而生，成为商业银行新的重要业务增长。供应链金融是商业银行站在供应链全局的高度，为协调供应链资金流，降低供应链整体财务成本而提供的系统性金融整体解决方案。本文首先介绍了当前学术界对于供应链金融的研究以及突变理论在经管领域的利用，论述了利用突变理论进行供应链金融信用风险度量的可行性，然后本文构建了供应链金融信用风险的指标体系，接着建立了基于突变模型的供应链金融信用风险度量模型，最后将该模型应用到实际的案例中。
一、文献综述
对于供应链金融的含义，不同学者、不同机构有着不同的理解。Michael Lamoureux认为供应链金融是一种在核心企业主导的企业生态圈中，对资金的可得性和成本进行系统性优化的过程。Aberdeen的解释如下：供应链金融的核心就是关注嵌入供应链的融资和结算成本，并构造出对供应链成本流程的优化方案。国际知名的金融顾问和咨询公司Tower Group对供应链金融作出如下定义：供应链金融是以发生在供应链上的商业交易价值为基础，设计一系列的为供应商提供流动资本融资和现金流的解决方案。现任的深圳发展银行副行长胡跃飞认为，供应链金融是指在对供应链内部的交易结构进行分析的基础上，运用自偿性贸易融资的信贷模型，并引入核心企业、物流监管公司，资金流导引工具等新的风险控制变量，对供应链的不同节点提供封闭的授信支持及其他结算、理财等综合金融服务。突变理论的核心思想是，系统所处的状态，可用一组参数描述。从上述文献分析中，可以发现当前学术界对于供应链金融的研究集中在金融领域。绝大多数的学者试图从金融学的视角出发，定性地研究这种新型的融资模式；鲜有学者从供应链的角度来探讨这种新的融资模式，因此在供应链领域对于这方面的研究基本上没有权威性的成果。基于金融链金融下企业信用风险具有极易变化的特点，将该理论应用到供应链金融信用风险领域具有一定的适用性。
二、供应链金融信用风险度量指标的构建
与传统的信用风险相比，供应链金融下的中小企业信用风险主要表现在：一是供应链金融对供应链成员的信贷准入评价体系更加宽松。二是由于一环扣一环，单独企业的变化也不再像原来那么稳定，供应链金融下企业存在着极易变化的特征。为了使研究内容更为明确，本文在这里研究的对象是一家中小企业，以及它所对应的核心企业和商业银行。（1）核心企业情况：在供应链金融环境下，核心企业的情况直接影响了银行对中小企业的贷款决定。银行对于核心企业的考查主要基于信用等级、行业地位、企业规模、财务状况这四个方面。核心企业的财务状况可以从运营资本、现金循环周期、企业销售额和企业利润率四个方面分析。（2）中小企业情况：中小企业的情况是银行进行贷款决定重点要考虑的内容，论文从企业素质，偿债能力，抵押资产，经济状况这四个方面来分析。中小企业的财务状况分析与核心企业的类似。（3）中小企业与核心企业关系情况：中小企业与核心企业的关系影响着银行的贷款决定。论文选取了交易总额，交易频率，合作时间，担保意愿这四个方面来进行思考。（4）供应链情况：供应链金融区别于传统的融资方式，因此在考虑供应链金融的信用风险时，必须考虑供应链的情况。
三、基于突变理论的供应链金融信用风险度量模型的构建
（1）突变模型简介。雷内·托姆的初等突变理论模型有7
个。这7种基本突变模型分别是折叠突变模型、尖点突变模型、燕尾突变模型、蝴蝶突变模型、双曲脐点突变模型、椭圆脐点突变模型、抛物脐点突变模型。由于企业的信用风险度量是只有一个状态变量的，因此本文的研究仅涉及折叠突变模型、尖点突变模型、燕尾突变模型、蝴蝶突变模型这四个模型。那么，假设记x为信用风险，是系统的状态变量，a，b，c，d为系统中信用风险的控制变量。折叠突变模型中只有一个控制变量，即a，因此它无需进行重要程度排序；尖点突变模型中，a为主要控制变量，b为次要控制变量；燕尾突变模型中，控制变量的重要程度排序为a、b、c；蝴蝶突变模型中控制变量的重要程度排序为a、
b、c、d。据此排序在进行信用风险度量时，确定各指标的隶属分歧方程中的哪个控制变量就有了根据。（2）供应链金融信用风险度量模型的构建。突变级数是突变模型的分歧方程与模糊数学中的模糊隶属函数相结合的结果。该方法有两大支柱：一个是归一公式，是由雷内·托姆初等突变理论的几组分歧方程引申推导得到；再一个是它与模糊数学的隶属函数相结合产生的突变模糊隶属函数。应把突变模型中状态变量和控制变量的取值范围限制在0～1之间。则a取绝对值a=6，即比a的取值缩小了6倍，将a的绝对值限制在0～1的范围内的话，a的程度并未改变。同理，可使b在0～1内取值。于是就把突变模型同模糊数学结合起来了，控制变量的值即为突变模糊隶属函数。在突变模型中，a的重要程度要大于b。控制变量b相对于a是次要因素，控制变量c是b的辅助因素，b和c共同组成了系统矛盾的次要方面。控制变量在燕尾突变模型中的重要程度排序是a>b>c。在蝴蝶突变模型中，控制变量a是主要的目标要求。控制变量在蝴蝶突变模型中的重要程度排序是a>b>c>d。基于第三节所建立的供应链金融信用风险的指标体系，可以发现供应链金融的信用风险突变模型是有多个突变模型联系在一起耦合而成的。供应链金融风险与核心企业情况、中小企业情况、供应链情况以及中小企业与核心企业关系构成了蝴蝶突变模型。核心企业情况与信用等级，行业地位，企业规模，财务状况构成了蝴蝶突变模型。从上述四个指标中可以看到，企业素质和经济状况是属于定性指标的；而偿债能力、资本以及抵押资产则是属于定量指标。因此，企业素质和经济状况可以采用尖点突变模型；偿债能力以及抵押资产也采用尖点突变模型；最后将定性和定量指标采用尖点突变模型求解。在明确各个突变模型后，建立关联函数，计算关联函数的值。关联函数值的作用表现在以下两个方面：一是进入控制变量的指标要根据关联函数值的大小确定各指标的排序问题，同时也确定了指标在突变隶属函数中所处的位置，位置不同对信用风险的影响程度也不同。（3）供应链金融信用风险度量的过程模型。一是构建供应链金融信用风险度量的指标体系：首先建立供应链金融下中小企业的信用风险度量的指标体系。二是对各指标的重要性进行排序：根据关联函数（其中，为指标的最小值，为最大值，为均值），计算各指标的重要性程度，进行指标重要性的排序，重要指标排在前面，次要指标排在后面。三是确定评价目标体系各层次的突变系统类型：在评级指标体系中，根据突变级数法的基本原理确定各组指标所隶属的突变模型，用指标的主要方面去对应突变模型中的主要控制变量，用指标的次要方面去对应突变模型中的次要控制变量。
参 考 文 献
[1]Lamoureux Michael.2008.A Supply Chain Finance Prime.http：//www.
esourcingwiki.com/index.php/A_Supply_Chain_Finance_Primer
[2]Aberdeen Group，2007b，The 2008 State of the Market in Supply Chain
Finance
[3]Towergroup，While'Supply Chain Finance'is a Powerful Concept for
Wholesale Banking，It is Also Widely Misunderstood.http：//www.jrj.com
商业银行操作风险度量探讨 篇7
本文主要是要考察操作风险度量模型对我国金融机构的适用性。由于现阶段国内金融机构普遍面临着数据缺乏的问题, 因此很难获得金融机构内部数据, 所以我们这里采用自上而下模型中的收入模型。我们知道对于信用风险和市场风险来说, 存在风险与报酬的一一对应关系, 但这种关系并不一定适用于操作风险, 操作风险损失在大多数情况下与收益的产生没有必然联系。所以我们这里建立收益与市场风险和信用风险的对应关系。
收入模型将企业的净利润作为目标变量, 然后考虑可能影响企业净利润的风险因素, 将其作为解释变量。这些因素可以是市场因素以及信用因素等。企业净利润在很大程度上可以被这些因素解释, 而余下的那些不能解释的部分将被作为该企业由于操作风险引起的收入波动。由于操作风险引起的收入的波动:σ2=σundefined (1-R2) , 我们假设收入的波动服从正态分布, 那么根据正态分布的特点我们将3.1倍标准差作为操作风险, 这样就包括了99.9%的置信区间。这基本就可以包括了操作风险引起的未预期损失。OpRisk=3.1σ , 即将收入的方差中无法被模型解释的部分作为操作风险。也即将企业收入的波动中不能被其他风险因素所解释的部分看作是由操作风险所导致的。 (樊欣、杨晓光, 2004)
模型如下:y=c+b1x1i+b2x2i+b3x3i+…+ci, 其中, y是企业的净利润, xi是第i个风险因素, bi代表了对这些因素的敏感程度。从宏观的角度, 我们认为影响我国商业银行收益的主要因素有:1、经济增长。由于近些年来我国经济一直处于高速增长过程中, 银行发展与这种经济增长是相关的。我们使用真实GDP的增长率作为这方面的代表变量。2、银行的资产质量。资产质量的高低直接影响银行的收益和风险状况。我们使用不良贷款率作为体现银行资产质量的指标。因为就目前我国银行业的经营状况来看, 传统的存贷款业务仍然是商业银行的主营业务, 是收入的主要来源。信用风险仍然是最主要的风险。而信用风险很大程度上又是由于贷款人的不良资信状况所引起的。贷款人的信用状况及还款的及时性很大程度上影响了我国商业银行的收益。3、股票市场指数。银行的收益受市场的总体表现的影响, 而股票市场指数是整个市场状况的晴雨表。我们选用股票市场指数作为市场总体表现的指示变量。因此, 我们最终选取的风险因素包括真实国内生产总值增长率 (gc=GDP/CPI) 、不良贷款率 (bl) 、上证指数一年内平均值 (index) 三项。为了探讨银行收益究竟是由哪些因素决定的, 我们将进行OLS回归分析, 建立真实国内生产总值增长率、不良贷款率、股票市场指数与银行净利润 (profit) 选择情况的多元线性回归模型:Profit=c+b1 (GDP/CPI) +b2bl+b3index。
为了方便数据的获取且使数据具有一定的代表性, 我们选择股份制商业银行浦东发展银行和国有商业银行中国银行作为研究对象, 进行一定的比较研究。具体数据见表1、表2:
单位:亿元
数据来源:两家银行的相关数据均取自相应年份的年报;其他数据取自《中国金融统计年鉴》和中国经济信息网。
2 实证结果及分析
用OLS估计模型, 得如下结果:
方程一:Profit1=2.0173gc-0.5910 bl1+6.223index,
方程二:Profit2=30.0866gc-5.1443 bl2+27.854index。
由于有效数据的缺乏和模型本身的局限性, 此文仅从经济意义方面检验参数估计量, b1>0, 且对银行净利润的影响很大, 就Profit1模型而言, 在考察期经济增长的基础上, gc每增加一个百分点, 浦发银行的净利润就可以增长2.0173亿元, 就Profit2模型而言, gc每增加一个百分点, 中行的净利润就可以增长30.0866亿元。说明经济增长对银行的净利润有很大的正效应。b2<0, 也符合经济含义, 即不良贷款率与银行的净利润成反比。也就是说随着不良贷款率的下降, 银行净利润有很明显的上升趋势。就Profit1模型而言, bl1每下降一个百分点, 浦发银行的净利润就可以增长0.5910亿元。就Profit2模型而言, bl2每下降一个百分点, 中行的净利润就可以增长5.1443亿元。从以上的统计结果我们还可以看出不良贷款率对国有商业银行的杠杆作用明显要强于股份制商业银行。所以我们更要加强对国有商业银行不良资产的监督和管理, 加强贷款过程的内部控制, 完善银行内部贷款管理制度。而b3>0, 也进一步说明了银行的净利润的增长和下降是和整体的经济趋势是同步的。
在我们的模型中, 那部分不能被模型解释的方差被认为是由操作风险的引起的。在profit1模型中即浦东发展银行的结果中, R-Square值为0.8818, 说明88.18%的方差可以由模型解释, 即操作风险占到总方差的11.82%。在profit2模型中即中国银行的结果中, 回归模型的R-Square值为0.6830, 即模型可以解释方差中的68.30%, 同时也说明操作风险在总的方差中占到31.70%。所以我们可以看出浦东发展银行的操作风险明显低于中国银行。事实上, 在国际上, 业界一般认为操作风险在总风险中占有比例为20%以内, 剔除模型本身的精确度以外, 我们也能意识到我国国有商业银行面临着很严重的操作风险。
因此, 在当前金融风险, 金融危机日益严峻的背景下, 我们一定要加强对商业银行操作风险的监督和控制, 积极探索对操作风险的实证度量方法, 保证金融机构乃至整个金融体系的安全。
参考文献
[1]Marshall C.L.Measuring and managing operational risks in fi-nancial institution;tools, techniques, and other resources[M].Singapore:John Wiley&Sons, 2001.
[2]Working paper on the International Convergence of Capital Meas-urement and Capital Standards[R].Basel, Switzerland:Basel Committee on Banking Supervision, 2004.
[3]樊欣, 杨晓光.操作风险度量:国内两家股份制商业银行的实证分析[J].系统工程, 2004, (5) .
[4]王旭东.新巴塞尔资本协议与商业银行操作风险量化管理[J].金融论坛, 2004, (2) .
金融风险度量方法研究综述 篇8
关键词：一致风险度量,VaR,ES,失真函数,Shannon熵,累积剩余熵
现在,度量和控制风险是所有现代人类活动最为关心的一项主要事情。金融市场由于其对经济和政治环境的高度敏感性,自然也不例外。金融市场的一项主要功能实际上是允许经济界的不同参与者交易其风险,而近二十年来,由于受经济全球化和金融一体化、现代金融理论及信息技术、金融创新等因素的影响,全球金融市场迅猛发展,金融市场呈现出前所未有的波动性,金融机构面临着日趋严重的金融风险。近年来频繁发生的金融危机造成的严重后果充分说明了这一点。本文的主要目的就是介绍为适应现代金融市场而提出的度量金融风险的比较有代表性的模型及各自的特点和关系,进而进行对比研究。
一、波动性方法
自从1952年Markowitz提出了基于方差为风险的最优资产组合选择理论后,方差(均方差)就成了一种极具影响力的经典的金融风险度量。方差计算简便,易于使用,而且已经有了相当成熟的理论。方差作为一种风险度量,显然具有次可加性,但是因它不具备后面将要介绍的一致性中的平移不变性和单调性,故不是一致性风险度量。此外,它还存在以下缺点:(1)把收益高于均值部分的偏差也计入风险,这显然与事实不符;(2)以收益均值作为回报基准,也与事实不符;(3)只考虑平均偏差,并没对人们普遍关注的收益的左尾问题给予充分的考虑,因此不适合用来描述小概率事件发生所导致的巨大损失,而金融市场中的“稀少事件”产生的极端风险才是金融风险的真正所在。
二、Va R模型(Value at Risk)
风险价值模型产生于1994年,比较正规的定义是:在正常市场条件下和一定的置信水平a上,测算出在给定的时间段内预期发生的最坏情况的损失大小X。在数学上的严格定义如下:设X是描述证券组合损失的随机变量,F(x)是其概率分布函数,置信水平为a,则:Va R(a)=-inf{x|F(x)≥a}。该模型在证券组合损失X符合正态分布,组合中的证券数量不发生变化时,可以比较有效的控制组合的风险。因此,2001年的巴塞耳委员会指定Va R模型作为银行标准的风险度量工具。但是Va R模型只关心超过Va R值的频率,而不关心超过Va R值的损失分布情况,且在处理损失符合非正态分布(如后尾现象)及投资组合发生改变时表现不稳定。
三、灵敏度分析法
灵敏度方法是对风险的线性度量,它测定市场因子的变化与证券组合价值变化的关系。对于市场因子的特定变化量,通过这关系种变化关系可得到证券组合价值的变化量。针对不同的金融产品有不同的灵敏度。比如:在固定收入市场的久期;在股票市场“β”;在衍生工具市场“δ”等。灵敏度方法由于其简单直观而得到广泛的应用但是它有如下的缺陷:(1)只有在市场因子变化很小时,这种近似关系才与现实相符,是一种局部性测量方法。(2)对产品类型的高度依赖性。(3)不稳定性。如股票的“贝塔”系数存在不稳定的缺陷,用其衡量风险,有很大的争议。(4)相对性。敏感度只是相对的比例概念,并没有回答损失到底有多大。
四、一致性风险度量模型(Coherent measure of risk)
Artzner et al.(1997)提出了一致性风险度量模型,认为一个完美的风险度量模型必须满足下面的约束条件:(1)单调性;(2)次可加性;(3)正齐次性;(4)平移不变性。次可加性条件保证了组合的风险小于等于构成组合的每个部分风险的和,这一条件与我们进行分散性投资可以降低非系统风险相一致,是一个风险度量模型应具有的重要的属性,在实际中如银行的资本金确定和最优化组合确定中也具有重要的意义。目前一致性风险度量模型有:(1)Cva R模型(Condition Value at Risk):条件风险价值(CVa R)模型是指在正常市场条件下和一定的置信水平a上,测算出在给定的时间段内损失超过Va Ra的条件期望值。CVa R模型在一定程度上克服了Va R模型的缺点不仅考虑了超过Va R值的频率,而且考虑了超过Va R值损失的条件期望,有效的改善了Va R模型在处理损失分布的后尾现象时存在的问题。当证券组合损失的密度函数是连续函数时,CVa R模型是一个一致性风险度量模型,具有次可加性,但当证券组合损失的密度函数不是连续函数时,CVa R模型不再是一致性风险度量模型,即CVa R模型不是广义的一致性风险度量模型,需要进行一定的改进。(2)ES模型(Expected Shortfall):ES模型是在CVa R基础上的改进版,它是一致性风险度量模型。定义为:设X是描述证券组合损失的随机变量,F(x)=P[X≤x]是其概率分布函数,令F-1(p)=inf{x|F(x)≥p},则ES(a)(X)可以表示为:
,如果损失X的密度函数是连续的,则ES模型的结果与CVa R模型的结果相同,如果损失X的密度函数是不连续的,则两个模型计算出来的结果有一定差异。(3)DRM模型(Distortion Risk-Measure):DRM通过一个测度变换得到一类新的风险度量指标,定义为:设g是一个变换函数,满足:g∶[0,1]→[0,1]是一个增函数,且g(0)=0,g(1)=1。则F*(x)=g(F(x))定义了一个新的概率分布函数。当变换函数连续时,DRM模型的度量指标就是一致性风险度量指标。DRM模型包含了诸如Va R、CVa R等风险度量指标,它是一类更广义的风险度量指标。(4)谱风险测度:2002年,Acerbi对ES进行了推广,提出了谱风险测度(Spectral Risk Measure)的概念,并证明了它是一致性风险度量。谱风险测度定义为:,称为主观风险厌恶函数。当φ满足非负性、非增性和L1下的模||φ||时,φ称为可容许谱。谱风险测度Mφ(X)的优缺点:一般情形下,谱风险测度Mφ(X)是一致的,故一致性的四条公理它都满足,除此之外,它还满足同单调可加性、法则不变性和随机占优的性质。同时它采用了主观风险函数,对坏的事件赋予较大的权重,这与人们避险的事实相符,可直接计算。但是实际计算的难度很大,维数过高时,即使转化成线性规划问题,计算也相当困难。
五、信息熵方法
由不确定性把信息熵与风险联系在一起引起了众多学者的研究兴趣,如Maasoumi,Ebrahim,Massoumi and Racine,,Reesor.R,分别从熵的不同角度考虑了风险的度量;另外,在我国也有如李兴斯、邱菀华、秦学志等学者运用信息熵解决金融问题。熵是关于概率的一个单调函数,非负,计算量相对较少,熵越大风险越大。目前利用熵建立的风险模型有:李英华的信息熵-标准差模型,李华的均值-叉熵模型,邱菀华的期望效用-熵模型。熵度量方法使不同金融系统之间的比较成为可能,这也是现有度量风险方法鲜有的功能;而且在利用最大熵原理或最小叉熵原理拟合风险变量分布时又有许多目前多数风险度量方法不具备的特点,着眼于金融系统整体的风险度量。
六、未来的发展趋势
近年来行为金融学逐渐兴起,它将心理学的研究成果引入到标准金融理论的研究,弥补了标准金融理论中存在的一些缺陷,将投资心理纳入到证券投资风险度量,提出了两者基于行为金融的认知风险度量方法,并讨论了认知风险与传统度量方差的关系。2004年Murali Rao给出一种新的不确定性度量-累积剩余熵。累积剩余熵是用分布函数替换了Shannon熵的概率分布律或密度函数,它具有一些良好的数学性质,这个定义推广了Shannon熵的概念让离散随机变量和连续随机变量的熵合二为一,也许会将风险度量的研究推向一个新的台阶。
总之,金融风险的度量对资产投资组合、资产业绩评价、风险控制等方面有着十分重要的意义。针对不同的风险源、风险管理目标,产生了不同的风险度量方法,它们各有利弊,反映了风险的不同特征和不同侧面。在风险管理的实践中,只有综合不同的风险度量方法,从各个不同的角度去度量风险,才能更好地识别和控制风险,这也是未来风险度量的发展趋势。
参考文献
[1]MarkowitzH .Portfolios election[J].Journalo fF inance,1952,7:71～91
[2]李英华 李兴斯 姜昱汐等:信息熵度量风险的探究[J].运筹与管理,Vol.16,No.5 Oct.2007:111～116
[3]Jiping Yang Wanhua Qiu:A measure of risk and a decision-making model based on expected utility and entropy[J].European Journal of Operational Research,164(2005):792～799
[4]蔡坚学 邱菀华:基于信息熵理论的实物期权定价模型及其研究[J].中国管理科学,2004,12(2):22～26
[5]秦学志 应益荣:基于鞅和熵原理的资本资产定价方法[J].系统工程理论方法应用,2004,5:460～463
[6]李华 何东华 李兴斯:熵-证券投资组合风险的一种新的度量方法[J].数学的实践与认识2003,(6):16～21
证券投资风险的度量与规避 篇9
一、证券投资风险的度量
(一) 单个证券投资风险的度量
对于单个证券投资风险的度量，其方法主要有：方差或标准差、价差率以及差异系数等。
1. 方差或标准差：
方差，就是一组数据中的任一随机值与该组数据平均值之差的平方的和。换句话说，某一种证券的方差，反映了某种证券任一投资回报率与其平均回报率的差，衡量了证券投资收益率的波动性，是证券投资全部风险的表征。因为投资风险的大小及变动情况与证券价格或收益率的大小及变动情况基本上是一致的，所以就可以用证券价格或收益率的方差即变动程度来衡量其风险的大小。方差越大，表明风险越大，反之则表示风险越小。标准差，是方差的平方根，其反映风险的情况与方差是一样的。
2. 价差率：
对于证券例如股票来说，如果将投资风险看作股票价格可能性的波动，那么价差率就可以作为衡量股票等证券风险的一个较好指标。计算公式如下：
价差率=2×(最高价-最低价)/(最高价+最低价)
价差率越大，代表风险也越大，反之则越小。需要说明的是，为了尽量克服短期因素的影响，就应该考察一段时期内平均价差率，以此了解较为全面的情况。
3. 差异系数：
一般来说，只有在证券的期望收益相差不大时，才可以用标准差对各项风险度进行度量。如果期望收益率相差较大时，则需运用差异系数(CV)来评价风险。差异系数实际上就是某种证券的单位期望收益所承受的风险，即
(二) 证券组合投资风险的度量
度量证券组合投资的风险的指标主要有：预期收益的方差或标准差以及β系数等。
1.预期收益的方差或标准差
通常用证券组合的预期收益的方差或标准差度量其风险，证券组合的收益可以通过对各个证券收益的加权平均求得，但组合的风险却不能通过加权平均得出。证券组合风险不简单取决于各风险因素决定的单个证券风险量总和，而且取决于它们之间相互关联程度即协方差。例如，假设一个证券组合有n种证券，每种证券所占的比重依次为，W1, W2, ..., Wn，σ12，σ22，...σn2分别表示证券组合中各种证券的预期收益的方差，COVij表示各证券之间的协方差，以σ2表示证券组合的预期收益的方差，则有σ2=W12σ12+W22σ22+...+Wnσn2+2W1W2COV12+2W2W3COV23+.
由上述公式可以计算出证券组合投资的风险。而且这个值越大，说明证券组合的风险就越大，反之则风险越小。
2.β系数
证券的β系数即证券收益率相对于基准市场指数波动的敏感度，用以衡量单个或者证券组合的系统性风险水平的大小。
单个证券的β系数计算公式为：
其中cov (i, m) 表示该证券与市场收益的协方差。这个系数反映了该证券对于市场风险的敏感程度，是与整个市场的风险相比较的一个相对指标。已经证明，一个证券组合投资的β系数等于该组合中的各个证券的β系数的加权平均值，权数就是各证券的投资额比例。有3种情况：若β=1，则说明这个证券组合的风险等于整个市场的风险;若β<1，则说明这个证券组合的风险小于整个市场的风险;若β>1，则说明这个证券组合的风险大于整个市场的风险。根据这个原则，只要计算出证券组合的β值，就可以知道该组合的相对投资风险。
二、企业证券投资风险的规避方法
证券投资是一项高风险高收益的投资活动。对于广大投资者来说，不仅仅要掌握相关的投资知识，还要了解一定的规避风险的方法，尽量降低投资风险带来的负面影响，获取尽可能多的收益。
(一) 信用评级和财务分析
证券一般是企业或其他组织等发行的，在证券市场上流通买卖的凭证。投资者要进行证券投资，首先要了解清楚发行证券的企业的具体情况，切不可盲目跟庄投资。第一步，可以通过考查证券的信用评定等级来确定要投资的对象。证券信用评级就是对证券发行者的信誉及所发行的特定证券的质量进行评估的综合表述。因此，投资者可以参考专门的证券信用评级机构对市场上证券的评定情况，选择等级较高的证券进行投资。当然，这种信用评级也不是绝对的。换言之，就是评级排在前面的证券不一定绝对就比排在后面的证券值得购买和投资。
此外，还要注意分析发行企业的财务状况等综合情况。投资者可以搜集所投资企业近几年的财务数据，并采用一定的方法进行财务分析，看该企业在财务上是否存在问题。另外还要关注企业的发展前景。综合这些因素，并以此作为投资者选择证券进行投资时的参考，尽量避免投资于风险大的证券。
(二) 进行证券组合投资
我们知道，证券的非系统风险指的是各个单独的证券所存在的风险，这种风险都是各个证券所特有的，与其他证券无关。在一定的时间段内，在整个证券市场上，有的证券的非系统风险上升，与此同时，另一些证券的非系统风险却在下降。这就给投资者提供了一种可能，那就是可以同时投资多个证券，通过各个证券之间风险的升降运动，来抵消大部分非系统风险所带来的损失，从而有希望获得一个较高的收益。这也就是俗语中所说的“不要把所有的鸡蛋都放在一个篮子里”的道理。
其实，马科维茨早在他1952年的《证券组合选择》一文中就建立了证券组合理论。他认为，在一定的假设条件下，对存在风险的证券采用一定方式的组合，可以使包括若干种证券的组合的风险低于单独投资其中任何一种证券的风险。所以，投资者通过对证券进行有效的组合，即使组合中的各个证券的单独风险仍然存在，也可以让这个证券组合的总风险降低。
(三) 利用期货工具套期保值
投资者在证券投资过程中面临的主要风险之一就是系统风险。据有关研究表明，我国股票市场系统风险占总风险的比例高达65.7%，是成熟股市的2～3倍，这种风险是无法通过分化投资来加以回避的，只能采取相应的措施降低其影响。要降低证券投资的宏观系统风险，就要对大势有一个正确的判断，以便及时止赢、止损，除此以外在条件许可之时开设国际上常用的方法——即利用金融衍生工具进行套期保值。套期保值最直接的目的在于最大限度地减少价格波动带来的不利后果。
所谓套期保值，就是证券投资者在操作方法上，通过买进或卖出与现货数量相等但交易方向相反的期货合约，以期在未来某一时间通过卖出或买进期货合约，从而补偿因现货市场价格变动所带来的实际损失。
投资者进行证券投资，可以采用股票指数期货和债券利率期货等期货工具规避风险。
以股票指数期货为例。股票指数期货是一种以股票指数为市场交易对象的期货，其所买卖的是标准化的股指期货合约。合约的价格等于既定的系数与成交时的股指的乘积，股指期货交易采用保证金制度，并用现金结算。利用股票现货市场和股指期货市场作相应部位的操作，以使未来在股票现货市场的损失与股指期货市场的收益相互抵消，从而达到规避风险的目的。其具体的做法是:
首先，如果投资者担心卖出股票后股市反而大幅上涨，从而给自己造成损失，那么就可以通过买进一定数量的多头股指期货合约以避免踏空。
其次，对于已经持有股票的投资者，或是计划持有某股票的投资者，预期未来股市将出现下跌行情时候，为避免因股市下跌而造成损失，就卖出一定数量和一定交割期的股指期货合约。这样，一旦股市真的下跌，交易者可以从出售的股指期货合约交易中获利，以弥补由于股市下跌而在股票现货交易中所遭受的损失。
同样的道理，对于债券来说，投资者可以利用债券利率期货进行套期保值，以减少债券投资的风险。
(四) 密切关注国家政策
在系统风险中，国家政策和法律的因素占有很大的部分。证券投资者应该密切关注国家政策和法律的变化，并以此为依据适时调整自身的证券投资方向和策略，从而有针对性地降低系统风险。
（五）尽量减少市场投机行为，真正降低投资风险
现代信用风险度量方法与模型述评 篇10
一、现代信用风险度量方法与模型分析与评价
20世纪80年代以来, 受债务危机的影响, 各国银行普遍重视对信用风险的管理和防范, 新一代金融工程专家利用工程化的思维和数学建模技术, 在传统信用风险度量的基础上提出了一系列成功的信用风险量化模型。
1. 神经网络分析法。
近年来, 神经网络技术在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性。神经网络是从神经心理学和认识科学研究成果出发, 应用数学方法发展起来的一种并行分布模式处理系统, 具有高度并行计算能力、自学能力和容错能力。神经网络的结构由一个输入层、若干个中间隐含层和一个输出层组成。神经网络分析法通过不断学习, 能够从未知模式的大量的复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难, 它是一种自然的非线性建模过程, 毋需分清存在何种非线性关系, 给建模与分析带来极大的方便。该方法用于企业财务状况研究时, 一方面利用其映射能力, 另一方面主要利用其泛化能力, 即在经过一定数量的带噪声的样本的训练之后, 网络可以抽取样本所隐含的特征关系, 并对新情况下的数据进行内插和外推以推断其属性。
神经网络分析方法应用于信用风险评估的优点在于其无严格的假设限制, 且具有处理非线性问题的能力。它能有效解决非正态分布、非线性的信用评估问题, 其结果介于0与1之间, 在信用风险的衡量下, 即为违约概率。神经网络法的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构, 需要人为地去调试, 非常耗费人力与时间, 因此使该模型的应用受到了限制。Altman (1995) 在对神经网络法和判别分析法的比较研究中得出结论认为, 神经网络分析方法在信用风险识别和预测中的应用, 并没有实质性的优于线性判别模型。
2. 衍生工具信用风险的度量方法。
20世纪80年代以来, 作为一种有效的避险工具, 衍生工具因其在金融、投资、套期保值和利率行为中的巨大作用而获得了飞速的发展。然而, 这些旨在规避市场风险应运而生的衍生工具又蕴藏着新的信用风险。研究者相继提出许多其他方法来度量衍生工具的信用风险, 不过主要集中在期权和互换两类衍生工具上, 最具代表性的有下列三种:一是风险敞口等值法, 这种方法是以估测信用风险敞口价值为目标, 考虑了衍生工具的内在价值和时间价值, 并以特殊方法处理的风险系数建立了一系列REE计算模型;二是模拟法, 这种计算机集约型的统计方法采用蒙特卡罗模拟过程, 模拟影响衍生工具价值的关键随机变量的可能路径, 以及交易过程中各时间点或到期时的衍生工具价值, 最终经过反复计算得出一个均值;三是敏感度分析法, 衍生工具交易者通常采用衍生工具价值模型中的一些比较系数来衡量和管理头寸及交易策略的风险, 敏感度分析法就是利用这些比较值通过方案分析或应用风险系数来估测衍生工具价值。
衍生工具信用风险模型的优点是具有较强的严谨性, 该模型力图以数量化的、严谨的逻辑识别信用风险。从缺点和不足来看, 衍生工具信用风险模型的严密的前提假设 (当一个变量发生改变, 则原有的结论需要全部推翻重新进行论证) 限制了它的使用范围。而且, 从大量的实证研究结果来看, 衍生工具信用风险模型没有得到足够的支持。例如, Duffie (1999) 发现简约模型无法解释观测到的不同信用等级横截面之间的信用差期限结构。衍生工具信用风险模型虽然是最新的科学化方法, 但其要发挥作用, 还必须与金融风险管理的理念和主观判断结合起来。
3. 集中风险的评估系统。
前述方法绝大多数是度量单项贷款或投资项目的信用风险, 而很少注重信用集中风险的评估。信用集中风险是所有单一项目信用风险的总和。金融市场的全球化和风险的多样化使人们越来越认识到“不能把鸡蛋放在一个篮子里”的重要性。金融机构和投资者们采用贷款组合、投资组合来达到分散和化解风险的目的。1997年, J.P摩根推出的“信用计量法”和瑞士信贷金融产品的“信用风险法”, 均可以用来评估信用风险敞口亏损分布以及计算用以弥补风险所需的资本。“信用计量法”是以风险值为核心的动态量化风险管理系统, 它集计算机技术、计量经济学、统计学和管理工程系统知识于一体, 从证券组合、贷款组合的角度, 全方位衡量信用风险。该方法应用的范围比较广, 诸如证券、贷款、信用证、贷款承诺、衍生工具、应收账款等领域的信用风险都可用此方法进行估测。“信用计量法”依据与动态信用事件 (信用等级的变迁, 违约等) 相关的基本风险来估测集中信用风险的风险值。集中信用风险值是指在未来一定时间内, 因信用事件引起证券或贷款组合资产价值的潜在变化量。风险管理者依据这一风险值调整头寸和决策以防范损失。“信用风险法”是在信用评级框架下, 计算每一级别或分数下的平均违约率及违约波动, 并将这些因素与风险敞口综合考虑, 从而算出亏损分布与所需资本预测数。
集中风险的评估系统的目的是综合地反映评价对象的风险, 更接近于风险分析的本源目的, 但过多的变量因素又使其陷入浩繁的考察与计量之中, 过于繁密的信息造成“噪音”过大, 这又使结论容易发生偏离。
二、信用风险度量方法与模型的发展趋势与改进方向
1. 信用风险度量方法与模型的发展趋势。
从目前国际金融与财务学界的主流观点来看, 信用风险度量方法与模型的未来发展趋势主要包括以下几个方面: (1) 对信用风险的度量从过去的定性分析转化为定量分析; (2) 从指标化形式向模型化形式的转化, 或二者的结合; (3) 信用风险度量模型涵盖的因素和条件越来越全面。从对单个角度的分析向组合角度进行分析、从账面价值转向市场价值、变量从离散向连续扩展、从单个对象的微观特征扩散到经济环境、从单一的风险度量模式向多样化的和个性化的风险度量模式的转化; (4) 在理论上, 信用风险度量方法与模型开始大量运用现代金融理论的最新研究成果, 比如期权定价理论、资本资产定价理论、资产组合理论等, 并且汲取相关领域的最新研究成果, 比如经济计量学方法、保险精算方法、最优化理论、仿真技术等; (5) 信用风险度量方法与模型越来越需要现代计算机的大容量信息处理技术和网络化技术。
2. 信用风险度量方法与模型在我国的适用性及其改进方向。
对于我国当前的经济与社会发展现实, 现有的信用风险度量方法和模型仍存在是否适用的问题。总体而言, 信用风险度量方法与模型在我国的适用性有如下几个特点: (1) 我国的市场经济环境还不完善, 相关数据缺乏, 而现有的信用风险度量模型大都需要大样本数据, 这使得其在我国适用性不强; (2) 我国企业的违约行为及其原因与西方发达国家有很大的不同。在西方发达国家, 企业违约最主要的原因是企业偿债能力不足造成的, 而我国企业违约的情形复杂, 不仅仅有偿债能力不足的原因, 也有可能是企业道德风险等多方面的原因。
风险度量 篇11
关键词 马尔科夫链蒙特卡洛模拟；贝叶斯估计；改进广义帕累托分布；地质灾害
中图分类号 O213.2 文献标识码 A
The MGPD Model Based on MCMC Simulation
and Its Application in Geological Disaster Risk Measure
OUYANG Difei1，YANG Yang1， GAN Liu2， LI Yingqiu1
（1.School of Mathematics and computing Science， Changsha University of Science
and Technology， Changsha，Hunan 410004，China；
2. School of treasury and finance， Hunan University of Commerce， Changsha， Hunan 410205，China）
Abstract We used Bayesian estimation based on Markov Chain simulation to optimize the meliorated Generalized Pareto Distribution model （MGPD）， and obtained the estimation of the Value at Risk（VaR） and Conditionl Value at Risk（CVaR）. The empirical study and adaptability test of the model were based on geological disasters loss data of Loudi City in Hunan Province. The conclusion shows the optimized model has not only excellent ability in describing the data， but also extensive applicability.
Key words Markov Chain Monte Carlo simulation； Bayesian estimation； meliorated generalized Pareto distribution model； geological disaster
1 引 言
地质灾害是指在地质作用下，地质自然环境恶化，造成人类生命财产损毁或人类赖以生存与发展的资源和环境发生严重破坏的过程或现象.据国土资源部统计，2013年，全国共发生各类地质灾害15403起，造成481人死亡、188人失踪、264人受伤，造成直接经济损失101.5亿元.死亡人数与上年相比，同比增加7.5%.地质灾害风险评估作为一项极具现实意义的重要研究课题和减轻灾害损失的非工程性重要措施，其研究成果已经引起了社会的广泛关注.这其中涉及一系列与统计理论相关的方法，通过对地质灾害风险进行评估及管理来刻画地质灾害风险，对政府及保险机构防范风险、稳定经营、降低破产概率就显得至关重要.
地质灾害风险导致索赔的统计数据数量不多、质量不高，因此在进行风险研究时采用传统的精算方法很难准确预测未来损失和管理风险.极值理论常用于研究随机变量，或一个随机过程的随机性质，最常见的是指在特殊情况下发生极端事件的概率.因此，在分析解决地质灾害风险等随机问题时，极值理论大有用武之地.极值统计中主要有两类模型，一类是区块极值模型（BlockMmaximum Model，简称为BMM），这种模型主要对组最大值建模.另一类是基于广义帕累托（Generalized Pareto）分布的模型（简称GPD模型），它是对观察值中所有超过某一阈值的数据建模.由于GPD模型充分利用了数据中的极值信息，因此针对地质灾害风险导致统计数据数量不多、质量不高的情况，采用GPD模型将更有用[1].
经 济 数 学第 32卷第2期
欧阳迪飞等：基于MCMC模拟的MGPD模型及其在地质灾害风险度量中的应用
以湖南省娄底市地质灾害为例，利用MGPD实证得到了当地的地质灾害损失的在险风险值和条件在险风险值.首先，根据QQ图和经验平均超出函数图对原始数据进行诊断并选取阈值，结果显示样本数据具有厚尾的特征；其次，选择扩展Burr XII分布对这类数据进行描述，并基于MCMC贝叶斯估计确定分布函数中的参数估计值；最后，利用所得到的分布函数检验了模型的适应性以及测算了不同置信水平下的在险风险价值损失、条件在险风险价值损失，并据此说明了研究结论和实际意义.
2 MGPD模型
2.1 扩展Burr XII分布
MGPD模型将所有超出给定充分大阀值的观测值作为观测样本，进而研究观测值的渐进分布.MGPD模型基于扩展Burr XII分布.
4 结 论
首先，MGPD模型能很好地描述地质灾害损失数据，对尾部极值数据的捕获能力较高.其次，基于MCMC模拟的贝叶斯估计对模型的适应性具有较好地改善，能够保证一定程度下的数据波动不会对模型造成明显的干扰.其次，实证得出在99%置信水平下认为未来某一次的地质灾害在险风险损失为197.103万元，显然，为规避巨灾损失，我国势必需要加强对地质灾害的防治与预警力度.
nlc202309031229
地质灾害在中国乃至全世界都是一个无法回避的问题，如何有效地规避地质灾害风险，尽可能的降低地质灾害给国家、政府以及人民带来的影响是一个在很长时间内都需要面对的问题.一方面应该做好地质灾害的预防工作，避免因为相关设施的落后、反应机制的不健全，造成不必要的人员财产损失.另一方面，即在灾害发生之后，如何有效、高效地减轻地质灾害带来的负面影响，于国于民无疑是有重要意义的[10].显然，只有综合考虑这两个方面，才能防患于未然，我国有必要加快地质灾害防治体系的完善，尽可能降低地质灾害给国民经济和人民生活带来的不利影响.
参考文献
[1] 欧阳资生. 地质灾害损失分布拟合与风险度量[J]. 统计研究， 2012， 28（11）： 78-83.
[2] Shao Q， Wong H， Xia J， et al. Models for extremes using the extended threeparameter Burr XII system with application to flood frequency analysis[J]. Hydrological Sciences Journal， 2004， 49（4）： 685-702.
[3] 欧阳资生. 极值估计在金融保险中的应用[M]. 北京：中国经济出版社， 2006： 127-129.
[4] I USTA. Different estimation methods for the parameters of the extended Burr XII distribution[J]. Journal of Applied Statistics， 2013， 40（2）： 397-414.
[5] G MATTHYS， J BEIRLANT. Estimating the extreme value index and high quantiles with exponential regression models[J]. Statistica Sinica， 2003， 13（3）： 853-880.
[6] 刘睿， 詹原瑞， 刘家鹏. 基于贝叶斯MCMC的POT模型——低频高损的操作风险度量[J]. 管理科学， 2007， 20（3）： 76-83.
[7] 李应求， 田琴， 戴志锋. 基于鲁棒均值下半偏差模型的供电公司购电组合策略[J]. 经济数学， 2014， 31（4）： 14-19.
[8] 李应求， 甘柳， 魏民. 一类多险种复合PoissonGeometric过程风险模型研究[J]. 统计与决策， 2010 （7）： 53-55.
[9] 李应求， 刘薇， 陈文锋. 聚类分析视角下地区保险业发展差异研究—基于湖南省各地市的截面数据分析[J]. 时代金融， 2009（1）：117-119.
[10]李应求， 刘朝才， 彭朝晖. 不确定条件下企业的投资规模决策[J]. 运筹学学报， 2008， 12（2）： 121-128.
金融风险度量的指标体系研究 篇12
一、金融系统风险测评视角选择
风险的本质属性在于风险的负面性;风险的负面性是指风险的消极、负面影响。根据以上分析，它主要应包括以下几个方面内容：(1)损失的概率，是指损失发生的可能性;(2)可能损失的数量，是指损失一旦发生，损失的数量或程度有多大;(3)损失的不确定性或易变性，是指在损失域内损失的易变程度。风险负面性三方面的内容，对风险的描述并不是同等重要的。可能损失的数量处于最重要的位置。尽管Fishburn等指出不确定性不是风险的本质属性，但他所指出的不确定性是整个可能结果的不确定性，既包括损失，也包括收益;而这里所说的不确定性是特指损失域内的不确定性或易变性。这种不确定性是风险负面性的重要方面，也是风险的本质属性之一。除风险的负面性外，人们谈论风险时往往是针对一个特定的时间而言的，因为时间区间不同，影响投资者收益的各种因素也不相同，产生损失的可能性及其大小也不同，因此，分析风险时必须明确分析时间和区间。它包括损失的概率、可能损失的数量以及损失的易变性三方面内容，其中可能损失的数量处于最重要的位置。这种风险定义，较全面反映了风险的本质属性，克服以前定义的不足，更强调可能损失的数量在描述风险中的作用，更符合投资者对风险的真实心理感受，因此，基于这种定义的风险计量和风险计量指标的设计，对风险的描述与计量将更为全面、合理，其风险的预测和控制也更为准确和有效。
对于金融系统风险的监管一般是从三个方面：从影响所涉及的因素上看，一般从盈利能力、风险敏感度、流动性、资产质量、资本充足率几个方面考察;从政府集中监管的角度看又分为银行业、保险业、证券业;当然，从影响时期及调控范围的大小又可分为宏观系统、中观系统、微观系统。在综合分析的基础上，我们构筑了“构建金融系统稳健型三维框架图”。
二、金融风险的类型
金融市场风险。
金融市场风险是指由于金融市场因子(如利率、汇率、股价等)的不利波动而导致的金融资产损失的可能性。其中利率风险尤为重要。由于金融机构的资产绝大部分是金融资产，利率波动会直接导致其资产价值的变化，使机构的持续经营能力受到威胁，因此金融机构的风险管理中常把利率风险单独列出。
信用风险。
金融机构的信用风险是指由于借款人或市场交易对手的违约而导致损失的可能性。更一般地，信用风险还包括由于借款人信用评级的降低导致其债务市场价值的下降而引起损失的可能性。信用风险对衍生金融产品和基础金融产品的影响不同。
流动性风险。
金融机构的流动性风险主要包括两种形式：市场/产品流动性风险和现金流/资金风险。前者是指由于市场交易不足而无法按照当前的市场价值进行交易所造成的损失。流动性风险是一种综合性风险，它是其他风险在金融机构整体经营方面的综合体现。例如，市场风险和信用风险的发生不仅直接影响金融机构的资产和收益而导致流动性风险，还可能引发“金融恐慌”而导致整个金融系统的非流动性。
操作风险。
操作风险是指由于金融机构的交易系统不完善、管理失误、控制缺失、诈骗或其他一些人为错误而导致的潜在损失。包括：执行风险，即当交易执行错误或不能执行而导致的较大延迟成本或受到惩罚，以及由于机构后台操作出现的一系列相关问题;由于诈骗和技术问题而导致的风险，诈骗风险是指交易员故意提供错误信息;技术风险是指交易系统的错误操作或崩溃而导致的损失，也包括由于无法预料的自然灾害或关键人员出现事故而造成的损失。风险定价过程中的模型风险，即交易人员或风险管理人员应用了错误的模型，或模型参数选择不当，导致对风险或交易价值的估计错误而造成损失的可能性。操作风险直接与机构的管理系统相关，虽然发生的概率相对较小，但引起的损失可能非常巨大。
法律风险。
法律风险是指当交易对手不具备法律或监管部门授予的交易权利时而导致损失的可能性。法律风险往往与信用风险直接相关。法律风险还包括合规性风险和监管风险———违反国家有关法规如市场操纵、内幕交易等导致的风险。由于各国的法规不同以及对不同类型的金融机构的监管要求不同，因此，不同交易对手的法律风险也存在较大的差异性。
三、金融风险度量指标体系的构建
银行业指标体系的选取主要从银行财务指标来评价银行的风险程度，主要分为四个方面：盈利性、流动性、安全性、营运性。上市银行只有保持良好的盈利性，才能稳定股价吸引投资者。流动性是指商业银行能及时兑现各种资金需求或是回收资金的能力，它对商业银行尤其重要，可以说是银行的生命线。商业银行的安全性是指银行资产、信誉、收入以及其它所有经营发展条件免遭损失的可靠程度，是商业银行经营考虑的首要因素。商业银行的安全性取决于两个方面，即资产的安全性和资本的充足性。商业银行的营运性则体现银行运用本身资本和有效控制成本扩大利润的能力。
证券业指标体系的选取主要从系统风险和非系统风险两方面来看。系统风险即市场风险(价格风险)是最大的风险，也是控制的重点，用不确定性来反映，即方差大小。非系统风险包括市场操作风险、信用风险、法律风险、财务风险。
保险业指标体系的选取主要分为三个方面：流动性、盈利性、经营能力。
从“特征维”出发，参考各类指标划分，综合各种影响因素，依据多指标综合评价体系的原则：全面系统性原则、简明科学性原则、灵活可操作性原则、可测性原则。本着“多指标，可量化，独立性”原则，构建了金融风险测评指标体系。
四、金融风险度量方法的比较研究
传统或经典的金融市场风险度量，就是测量由于市场因子的不利变化而导致的金融资产(证券组合)价值损失的大小。最初的金融市场风险测量方法———名义量法非常简单，名义量法认为进入交易的证券组合都处于风险之中。但现实中只有极少的情况下，整个证券组合才能全部损失，多数情况下只有部分处于风险状态。因此名义量法是一种粗略的估计方法，无法满足日趋复杂和竞争激烈的金融市场管理风险的要求，为此人们引入了更为精确的风险测量方法。
根据经典的市场风险度量的含义———测量由于市场因子的不利变化而导致的证券组合价值损失的大小，市场风险测量可以有两种基本方法：一种是测量市场因子的变化与证券组合价值变化间的关系，如Delta、Beta、久期和凸性等;另一种方法是测量由于市场因子的变化而导致的证券组合收益的波动性———收益偏离平均收益的程度，常用统计学中的标准差表示。
第一种方法实质上是测量证券组合价值对其市场因子的敏感性，所以称为灵敏度方法。灵敏度方法由于简单、直观而在实际中获得广泛应用，针对不同类型的金融资产产生了不同形式的灵敏度，如针对债券等利率性金融产品的久期和凸性，针对股票的Beta，针对衍生金融工具的Delta、Ganmma、Vega等。灵敏度方法在测量市场风险时存在以下主要问题：近似性;对产品类型的高度依赖性;对于复杂金融产品的难理解性;相对性，灵敏度不能回答某一证券组合的风险损失到底是多大，市场因子的变化是随机的。
第二种方法是一种统计方法，反映的是证券收益的波动性，因此称之为波动性方法，用标准差和协方差描述。这种方法“似乎”解决了风险测量问题，可以得到其收益的平均波动。但这种波动性的描述同样没有解决风险度量问题，表现为以下方面：波动性只是描述了收益的不确定性———偏离平均收益的程度;另一方面，波动性也并没有确切指明证券组合的损失到底是多大。由于市场因子的随机性，证券组合的收益变化是一个随机变量，证券组合市场风险的度量，应该通过证券组合收益的概率分布进行描述———一定概率水平(置信度)下的可能损失。这就引入了市场风险度量的Va R方法。
Va R是指一定的概率水平下(置信度)，证券组合在未来特定一段时间内的最大可能损失。Va R描述的是市场正常波动下的最大可能损失，现实中金融市场出现剧烈波动的极端市场情形大量存在，会导致致命的风险。因此引入压力试验和极值方法作为Va R的补充，压力试验的核心在于产生、模拟一些违背Va R模型假设的极端市场情景，并评价这些极端情景对证券组合价值的不利影响;极值方法则采用统计方法，通过描述价值变化的尾部统计特征，给出极端条件下Va R与概率水平的准确描述。Va R方法最大优点在于测量的综合性，可以将不同市场因子、不同市场的风险集成为一个数，较准确测量由不同风险来源及其相互作用的潜在损失，较好适应了金融市场发展的动态性、复杂性和全球整合性趋势。因此，Va R方法在风险测量、监管等领域获得广泛应用，成为金融市场风险测量的主流方法。
参考文献
[1]刘涛.金融稳健指标体系评述[J].西南金融, 2008 (3) .
[2]郭宣辉.浅谈上市公司信息披露制度[J].企业导报, 2009 (4) .