公司再贷款概率

公司再贷款概率（精选3篇）

公司再贷款概率 篇1

0 引言

抵押贷款证券化(Mortgage Securitization)是一种结构化金融产品,它把一组缺乏流动性的抵押贷款按照某种共同的特质集合成一个抵押贷款池,通过结构性重组,将其转变为对未来的现金流有稳定预期的资产组合,通过信用增级(Credit Enhancement)和资产评级后把其收益权转换为可以在金融市场上出售和流通的证券,从而实现融资的技术和过程[1]。证券化的实质是融资者将被证券化的抵押贷款的未来现金流收益权转让给投资者,与股票和一般债券不同,抵押贷款支持证券不是对某一经营实体的利益要求权,而是对特定抵押贷款池所产生的现金流或剩余利益的要求权[2]。为了提高资产支持证券的信用水平,使融资成本降得更低,抵押贷款证券化一般会采用资产组合(Pooling)、破产隔离(Bankruptcy-Remote)和信用增级等技术手段[3]。

影响抵押贷款证券化产品的风险因素主要包括:违约风险,利率风险和提前偿付风险。而在这三者中,产品价格对提前偿付风险的敏感性最高,即提前偿付风险对价格影响最大;且三者中,前两者较好用模型进行模拟(违约风险可用结构模型(Structure Model)和简化模型(Reduced-form Model)度量;利率可用具有均值回复性的CIR模型度量[4],这在国外很多研究中都有相应的模型[5,6,7,8,9,10,11];而后者由于受到多个因素,如:地域差异、贷款基准利率、贷款帐龄、贷款金额、借款人收入水平等多个因素的影响,因此相对来说更难以度量。

本文通过研究国内外的提前偿付率模型及影响因素,采用动态模型分析方法,用地域、季节性、贷款信息、借款人信息等多个变量,设定LOGISTIC回归模型进行建模。并选用一家商业银行个人抵押贷款样本数据,采用基于贷款层次计量提前偿付速度的方法,把提前偿付率的分析从传统单一提前偿付率模型拆分为部分提前偿付率模型和全部提前偿付率模型分析。

1 提前偿付率研究回顾

提前偿付率又称为“提前还本率”或“提前偿付速度”。在抵押贷款中由于提前偿付行为的存在,引起实际贷款池的现金流比预期还本的现金流速度快,造成现金流的不确定性增加。为合理预计抵押贷款证券的现金流量,需要在该资产组合存续期间对提前还款的速度作一些假定,假定的提前还款速度被称为提前偿付率。评价抵押贷款证券时,一般把提前偿付率模型主要分为静态模型和动态模型。本部分主要回顾一些经典的静态模型和动态模型,并同时回顾国内学者关于中国市场提前偿付率模型的文献。

1.1 静态模型回顾

提前偿付率静态模型是根据历史的数据和经验,在市场上形成了一些惯例,以作为对提前偿付率进行量化的标准,包括PSA model、CPR model。这些模型以过去的提前偿还经验所得到的法则,未能有效考虑提前偿还的具体原因,即没有就再融资(Refinancing Effect)、贷款年龄(Seasoning)、季节(Aging or Seasonality)、利率变动等因素对提前偿还率的影响进行分析,也就无法有效评价抵押贷款证券。因此,静态提前清偿模型的解释能力并不高,一般只作为参考用。

1.1.1 固定提前偿付率(Constant Prepayment Rate,CPR)模型

衡量提前偿付的一个常用方法是对抵押组合假设一个提前偿付参数(CPR),它假定资产池中剩余的本金一部分在抵押剩余期限内每月提前偿付。CPR是年提前偿付率,由于实际操作中现金流是按月支付,所以有必要估计月提前偿付率.衡量提前偿付率的最基本指标是单月死亡率SMM(Single Month Mortality),它是计算其他提前偿付率指标的基础。SMM计算式为:

CPR是以年率或复利形式表现的SMM,所以计算CPR的转换公式类似于复利计算公式:

1.1.2 公共证券协会(PSA)提前偿付率模型

在抵押贷款市场上的行业标准是公共证券协会提前偿付模型。它是美国公共证券协会推出的一种预测提前支付风险的模型,因此被称为“公共证券协会(public Securitization association,PSA)模型”。PSA的提前偿付模型的标准值(以100%PSA或100PSA表示)假设一系列的CPR,第一个月为0.2%,以后每月增加0.2%;一直到原始发行期的第30个月;从第31个月开始,CPR就固定为6%不变。已知贷款发放n个月后的CPR是已知情况下,其PSA值为:

在式(3)中,提前偿付的快慢速度可以用PSA的百分比来表示。例如,50PSA表示提前偿付率是PSA标准提前偿付率的一半;150PSA表示提前偿付率是PSA标准提前偿付率的1.5倍;200PSA表示提前偿付率是PSA标准提前偿付率的2倍。

1.2 动态模型回顾

为解决静态模型的不足,针对抵押贷款证券所设计的提前偿还模型设计并采用了动态模型。动态模型是用来预测提前偿付情况的统计性模型,也就是将预期影响提前偿付的各种因素间的统计关系进行模型化,强调了因素的选择和变化对提前偿付行为的影响,具体包括OTS(Office Thrift Supervision)模型、高盛(Goldman Sachs)模型等。采用不同动态模型来计量提前偿付率时,首先是应确定影响提前偿付行为的主要因素,然后确定其函数形式是否线性,如非线性需考虑假设其服从何种分布(LOG-logistic分布、指数分布、WEIBULL分布等),最后确定相应的计量模型。

1.2.1 OTS(Office Thrift Supervision)模型

过去的研究表明:对提前偿付率的影响主要包括季节性(Seasonality)、歇火现象(Burnout)、时间性(Aging)、利率变动等。其中季节性是指抵押贷款的提前偿付表现出一种季节性趋势,该趋势与购房活动、工作流动、就业等因素相关。歇火现象是指提前偿付率与抵押贷款利率相关的同时,还与贷款利率的变动路径相关,这具体依赖于贷款利率的签约方式,即主要依赖固定利率贷款。时间性是指随着贷款年龄地增加,提前偿付率也逐渐提高。利率变动是指由于当前贷款利率与合同利率存在差额而引起的再融资行为,当贷款利率低于合同利率及再融资成本之和时,提前偿付行为会大大增加。这些因素可以通过乘法形式来预计提前偿付率,代表模型为Schwartz和Torous(1989)的OTS模型,它使用利率差、再融资倾向、季节性因素和歇火现象等四个变量来解释相关的因素,并且使用Loglogistic分布作为抵押贷款提前偿付的基本函数。

1.2.2 高盛(Goldman Sachs)模型

高盛(Goldman Sachs)研究人员在后续研究中对提前偿付率模型逐渐运用了一些新因素,如:再融资(Refinance)、重置(Relocation)、承继(Assumption)和部分偿还(Curtailment)。再融资指的是贷款合同利率与市场利率的利差加大会引起提前偿付率上升。重置是指重新购置房产,该因素增加必然引起提前偿付率增加。承继是指在房产交易时售房人的抵押贷款允许由买房人承继,而不是由售房人进行提前偿付,因此承继因素的存在会降低提前偿付率。部分偿还是指该行为在初期占总偿还额的比例很小,随时间推移累积影响会很大,并且会显著提高提前偿付率。该模型的算法是:月提前偿付率=重置-承继+再融资+部分偿还。

1.3 国内模型回顾

与国外的提前偿付历史数据相比,国内的统计数据具有一些不同的特征。程艳琴、韩文秀(2003)[11]验证提前偿付率与其各影响因素之间是一种高度非线性关系,例如:当帐龄小于40个月时,提前偿付率的增长速度很快;当帐龄大于40且小于270个月时,提前偿付率保持不变;当帐龄大于270个月时,提前偿付率的增长速度再次加快;提前偿付率与C/L也是非线性关系,当C/L<1.5时,提前偿付率随着C/L的增加而增加;但是当C/L>1.5时,提前偿付率却保持不变。其中C指抵押贷款息票率,L指目前的长期贷款利率。黄玉霜、周清佳、林哲群(2005)[12]通过分析认为OTS提前清偿模型的提前清偿率会受到三种因素的影响;第一、贷款年龄:随着贷款年龄的增加,提前清偿速度会加快;第二、季节因素:夏季的提前清偿速度较冬季来的快;第三、再融资诱因:若贷款合同利率与市场利率相比较后,贷款合同利率越高,则提前清偿的速度越快。刘展宏(2001)[13]利用台湾土地银行的数据资料,先用因素分析法找出了特征因素,然后再用Logistic回归模型进行分析。经分析表明,影响提前偿付率的主要因素为:住宅价格因素、贷款条件因素、借款人因素、职业因素、教育程度因素、住房特征因素。该六个因素的累计可解释变异为94.8%。经回归分析结果显示,贷款条件因素与提前偿付率成正相关,住宅价格因素、住宅特征因素与提前偿付率成负相关。

2 模型及数据

2.1 提前偿付率模型

提前偿付行为可以细分为部分提前偿付和全部提前偿付。现有学术研究对提前偿付率进行分析时并没有对这两种行为分别进行区割,而是采取统一的提前偿付率算法,其中主要原因有:证券发行人和服务商不会公布具体贷款的客户信息、贷款还款行为和提前偿付行为数据,因而会有信息不全的原因;另外,普遍认为引起部分提前偿付和全部提前偿付的因素上没有差异,也就意味着基本认同部分提前偿付和全部提前偿付的因素是一致的。

本研究根据某银行贷款资产池中的数据进行研究,从5 474份样本中发生了部分提前偿付笔数2 261笔,全部提前偿付笔数为3 213笔,部分提前偿付与全部提前偿付分别占41.3%和58.7%;从金额上看,部分提前偿付与全部提前偿付分别占19%和81%。而在美国发生部分提前偿付的情况很少,所以分析提前偿付率实际上主要是针对全部提前偿付进行的;这一点从实证上可以看出,我国与美国情况确有很大区别。在实际研究过程中同时发现,部分提前偿付与全部提前偿付对影响因素的种类和敏感度是不同的,因此本文采取Logistic Regression模型来分别建立部分提前偿付率和全部提前偿付率模型,用以分别估算提前偿付事件发生的概率,即发生部分提前偿付和全部提前偿付行为的概率;并在计量过程中首先把部分提前偿付和全部提前偿付结果加工为两个二分变量(0-1编码),用它们分别作为因变量进行回归。把两个结果结合处理后最终计算出综合提前偿付率。

2.1.1 部分提前偿付率模型

部分提前偿付率模型采取多个自变量的Logistic Regression模型,公式为:

在式(4)中:ppre是指部分提前偿付率事件;P(ppre)就是指发生部分提前偿付率事件的概率;z1为线性组合模型,即:

在式(5)中:B0是回归截距;X1、X2,…,Xn是n个自变量;B1、B2,…Bn是从数据中计算出的n个自变量回归系数。

2.1.2 全部提前偿付率模型

全部提前偿付率模型也采取多个自变量的Logistic Regression模型,公式为:

在式(6)中:cpre是指全部提前偿付率事件;P(cpre)就是指发生全部提前偿付率事件的概率;z为线性组合模型,即:

在式(7)中:β0是回归截距;X1、X2,…,Xm是m个自变量;β1、β2,…βm是从数据中计算出的m个自变量回归系数。

2.1.3 综合提前偿付率模型

在式(8)中:i表示资产池中第i笔贷款;(ppre_Mean)为部分提前偿付发生时的提前偿付金额占贷款月初余额的比例,通过历史数据来计算的均值;Pi(ppre)是指第i笔贷款发生部分提前偿付的概率;Pi(ppre)*R(ppre_mean)*B0,i就是计算第i笔贷款发生部分提前偿付时的提前偿付金额;Pi(cpre)*B0,i就是计算第i笔贷款发生全部提前偿付时的提前偿付金额;B0,i表示第i笔贷款的月初余额;B1,i表示第i笔贷款的计划还本金额。SMM就是我们最终所求的动态的综合提前偿付率(月)。

2.2 数据说明

2.2.1 提前偿付率数据分析方法的选择

提前偿付率分析依据数据类型可以分成两个层次:对单笔贷款进行分析或对基础资产池进行分析。贷款层次需要通过分析每笔贷款的摊还额和提前偿付情况计算出提前偿付速度,这样做分析计算量大,精确度高,并需要贷款的详细信息。而采用资产池层次的提前偿付分析比较简单,是把整个资产池视同为一笔贷款来计算提前偿付速度,但预测性相对较差。关于抵押住房贷款的数据非常少见,各家银行的贷款数据都被视为商业机密。由于数据的原因,现在学者一般采用了资产池层次的分析方法。而我们得到了国内某家商业银行的相关数据,因此,本文采用了基于贷款层次的分析方法,这也是本文的一个创新点。

2.2.2 数据的选取与整理

本文根据某银行贷款资产池中的数据进行研究,收集并选取了5 474份样本数据及其在连续16个月(2005年12月~2007年3月)的存续状态数据,其中前15个月的数据是作为建模用数据,把最后1个月数据作为验证用数据。这意味着每笔贷款样本数据在未发生全部提前偿付时,应该有16个月的数据。由于获得的数据无法直接使用,首先需要对样本数据进行大量地筛选、加工和整理工作,具体步骤如下:

(1)需要清理在每一期存续期间发生全部清偿行为的数据,避免全部清偿行为的重复统计。

(2)由于贷款数据是月数据,存在极少部分的数据会同时出现两种行为,即部分提前偿付和全部提前偿付同时存在,此类数据产生的原因是月初借款人发生了部分提前偿付,在当月的后续时间内又发生了全部提前偿付,对此类数据就处理为全部提前偿付。

(3)各期数据进行汇总和加工,其中把部分提前偿付金额和全部提前偿付金额加工为部分提前偿付和全部提前偿付0-1编码的两个二分变量,并把它们分别作为因变量。

(4)计算部分提前偿付发生时的提前偿付额度与贷款余额的比例,即公式(8)中所涉及的R(ppre_Mean),是通过历史数据来统计计算的均值,该值为0.313 78(标准差0.021 31)。如图1,可以看出提前偿付额/贷款额的占比基本接近于水平线。

2.2.3 参数说明

(1)月份:贷款数据每期抽取的时间(含年月),只保留月份,主要为了验证是否存在季节性差异。取值范围1-12月。

(2)贷款执行利率:贷款合同执行的利率,以年利率标示。

(3)贷款基准利率/执行利率:贷款基准利率是央行公布的市场贷款利率,用市场利率贷款除以执行利率衡量利率相对变化对提前偿付行为的影响。

(4)贷款帐龄:数据抽取时间距离贷款发放日的时间,以天计算,最终结果换算成以年为单位。

(5)借款人性别:初始值设定男性为1,女性为2。

(6)借款人学历因素:学历设置了研究生及以上、大学本科、大专和专科学校、中专学校、技工学校、高中、初中、小学、文盲或半文盲九类,数据初始设定为10、20、30、40、50、60、70、80、90。

3 Logistic回归分析

本文探讨并选择一般提前还款的影响因素后,利用银行的数据资料,以单变量分析法逐步找出特征因素,然后再利用Logistic回归模型进行实证分析。银行的数据资料中共收集并选取了5 474份样本数据及其在连续16个月(2005年12月~2007年3月)的存续状态数据。本文首先进行单变量Logistic回归分析,根据回归分析的结果先挑选最合适的变量加入模型。然后在该模型的基础上再对后续变量逐一分析,采用逐步递推(Forward)的方法把最合适的变量逐步加入到模型当中,当新加入的变量对模型基本无贡献时,变量筛选的过程也就结束。本文主要参考SAS的Logistic过程输出的c统计量和P_value对变量进行筛选,其中c统计量与受试者工作特征ROC(Receiver Operating Characteristic)曲线下面积的非参数结果等价。(一般用ROC曲线下面积反映模型判断的准确性。它利用好坏情况分布的全部信息来对该Logistic模型区分好坏情况能力进行评价,数值越大,模型区分好坏情况的能力越好。)

3.1 部分提前还款率回归分析

本文用Wald和LR检验模型的整体显著性,从结果可以看出它们的显著性水平“Pr>Chi Sq”为<.0001,理所当然小于设定的显著性水平阀值0.05,所以完全有理由拒绝回归系数为0的原假设。见表1。

由表2,最大似然度的估计值可以看出,截距项和所有自变量的显著性水平“Pr>Chi Sq”都为<.0001,可以说明这些回归系数都比较显著。

(注:多元回归中各变量的自由度:由于LOGISTIC回归中参数估计方法用的是最大似然估计,每个变量的自由度用处不大(SAS结果只列出来),整个模型的自由度为自变量个数-1)。

经过Logistic多变量回归分析结果显示,影响借款人决定部分提前还款住房抵押贷款的选择行为的因素为:贷款帐龄因素、季节性因素、借款人学历因素、借款人年龄因素。其中,借款人学历与部分提前还款呈正相关,借款人年龄、贷款帐龄与部分提前还款呈负相关。

3.1.1 贷款帐龄与部分提前还款的分析

在分析部分提前还款与贷款帐龄的关系过程中,先统计并划分帐龄区间,共分成7个帐龄段,然后进行频数分析结果。

从表3和图2可以看出:部分提前还款主要分布在抵押贷款的前期。这是因为,我国住房抵押贷款的还款方式主要是采取等额本息法,借款人每月还款金额是相同的。而一般借款人收入一般随着工作年限的增加,收入会不断增加,退休后又逐渐降低。当前几年一旦出现收入盈余,就会想到偿还贷款,但由于收入增长速度及预期不同,前期增长速度较慢,收入盈余只能采取部分提前还款;后期增长速度较快,收入盈余逐步采取全部提前还款。

3.1.2 季节性与部分提前还款的分析

从图3可以看出,进行部分提前还款多集中在4月份和9月份,这与中国人收入与消费结构有很大关系,一般大部分企业在农历春节前都会发放年终奖金,加上一年的结余,中国人在年底都会积攒大量盈余资金;但由于年底工作较为繁忙,春节需要比较大的开销,所以部分提前还款大部分发生在春节后的4月份。9月初为中国中小学、大学学生缴纳学费时间,借款人在为其子女复付完学费和预留必要的生活费,一旦有资金盈余进行提前还款的可能性增加。

3.1.3 借款人学历与部分提前还款的分析

我们做了部分提前偿付与借款人学历之间关系的研究。通过对不同的学历做频数分析,可以得到以下结果及结论:学历越高的借款人发生部分提前偿付的可能性越大。一方面,学历越高收入水平相对更高,收入的预期增长速度相对较快,资金盈余的可能性越大,另一方面,学历高的人理财观念更强,一旦有资金盈余,在没有更好的投资理财渠道时,为了避免偿还高额利息成本,从而易于发生提前还款的行为。见表4。

3.1.4 借款人年龄与部分提前还款的分析

在分析部分提前偿付与借款人年龄的关系过程中,先按年龄大小分成7个年龄段,然后进行频数分析结果。结果表明,年龄越小发生部分提前偿付的可能性越大;随着年龄的增加然后递减,在临近退休期间部分提前偿付的可能性增加。见表5。

而全部提前偿付与借款人年龄的关系,与预估结果存在差异。在统计和分析频数后,得到的结果表明借款人年龄与全部提前偿付并没有必然联系。

年轻人在就业初期,一般收入水平较低,但随着收入稳定增长,还款能力逐年增强,如采取等额本息还款方式,那么借款人在收入流大于支出流的情况下,30岁年龄段内,就会有一定的资金节余,从而容易发生部分提前还款现象。随着借款人年龄的增长,结婚生子,各种生活成本增加,发生提前偿付的可能性减小,但是在临近退休期间会对未来持久收入的预期下降,而对后期的消费水平提高的预期也将下降,这期间随着自身收入的增加和支出流的减少,借款人积累了比较多的资金,所以从行为上会采取部分和全部提前还款以提前减轻债务压力。

需要说明的事,借款人相当一部分是采用公积金贷款或商业贷款和公积金贷款的组合贷款方式,在贷款2-7年这个期间由于盈余资金较少只能进行部分提前还款,随着年龄的增加,借款人的偿还能力在增加,但是全部结清发生的可能性却越少,是因为公积金贷款的发放是基于借款人还有还款需求的前提,一旦借款人结清贷款,公积金存款将不再发放,所以在贷款余额很少的情况下,借款人也不愿意结清贷款。

3.2 全部提前偿付率回归分析

同上理,本部分用Wald和LR检验模型的整体显著性,从结果可看出它们的显著性水平“Pr>Chi Sq”为<.0001,理所当然小于设定的显著性水平阀值0.05,所以完全有理由拒绝回归系数为0的原假设。见表6。

从表7最大似然度的估计值可以看出,截距项和所有自变量的显著性水平“Pr>Chi Sq”都<0.05,可以说明这些回归系数都比较显著。

经过Logistic多变量回归分析结果显示,影响借款人决定全部提前还款住房抵押贷款选择行为的因素为:贷款帐龄因素、贷款金额、借款人学历因素、借款人性别和季节性因素。其中,贷款帐龄、贷款金额、借款人学历与全部提前还款呈正相关,贷款帐龄与全部提前还款呈负相关。全部提前还款的原因类似于部分提前还款,不再累述。

(注:多元回归中各变量的自由度:由于LOGISTIC回归中参数估计方法用的是最大似然估计,每个变量的自由度用处不大(SAS结果只列出来),整个模型的自由度为自变量个数-1。)

3.3 综合提前偿付率

通过部分提前偿付和全部提前偿付的Logistic回归结果及相关参数设定,可以分别计算出部分提前偿付额和全部提前偿付额。把上述结果代入公式(8),得到预测的综合提前偿付率SMM为2.615%,与实际值比较,见表8。SMM的计算偏差为0.1135%,偏差率为4.16%,即说明:通过将提前偿付行为细分为部分提前偿付和全部提前偿付,本模型的模拟准确率达到了95%以上,这是一个非常不错的模拟结果。

(注:实际值根据《建元证券》第16期(2007年3月)服务商报告中所提供的数据,可以得出当期的部分提前偿付、全部提前偿付金额,同时可以得到贷款月初余额和本期计划还本额。)

4 结论

本文通过研究国内外的提前偿付率模型及影响因素,选取并采用动态模型分析方法,使用了季节性因素、贷款利率、贷款帐龄、贷款余额、借款人年龄、借款人性别、借款人学历因素等多个变量,设定LOGISTIC回归模型进行建模。同时,选用了某一家商业银行的符合资产证券化筛选特征的5 474份个人抵押贷款样本数据,采用基于贷款层次计量提前偿付速度的方法,对每笔贷款的详细信息进行计算来分析和预测贷款的提前偿付情况。在具体分析时,本文把提前偿付率的分析从传统单一的提前偿付率模型拆分为部分提前偿付率模型和全部提前偿付率模型分析,结合所选用的前15期个人抵押贷款样本数据,通过LOGISTIC回归进行研究。最后选取了最后一期数据作为验证数据集,通过验证得到的预测综合提前偿付率指标与实际提前偿付率指标偏差为0.113 5%,偏差率为4.16%,从结果可以看出该模型有一定的预测能力。

公司再贷款概率 篇2

小额担保贷款

1.1产品介绍

指企业融资用途、还款来源较明确，融资额度低于60万元，无法提供不动产抵押，但却可以提供资信状况良好，拥有一定代偿能力的第三方担保的小额贷款业务。

1.2贷款用途

用于借款人企业正常的生产经营资金周转。

1.3产品特点

（1）无需实物抵押

（2）手续简便；

（3）放款快捷

（4）随借随还

1.4适用对象

适用于缺乏有效抵押担保，但有良好的业务合作伙伴或有担保能力的企业或个人愿意为其提供第三方连带责任担保的自然人和企业

商户助业贷款

3.1产品介绍

指向商贸流通及相关行业的个体工商户和企业主（或实际控制人）以自然人名义发放的，用于解决生产或投资经营活动的资金需求，采取互保、联保、信用的方式，融资额度低于60万元的小额贷款业务。

3.2贷款用途

用于借款人企业正常的生产经营资金周转。

3.3产品特点

（1）无需实物抵押；

（2）手续简便；

（3）、放款快捷

（3）、放款快捷

3.4适用对象

适用于缺乏有效抵押担保，从事合法生产、经营的自然人。

个人房产转按揭贷款

5.1产品介绍

指已经在银行办理个人房产按揭贷款的借款人，在贷款尚未结清时，如有正常地生产经营资金需求，可提出贷款申请，将原贷款结清，撤销原抵押，以原房产抵押或增加其他担保方式办理的贷款业务。办妥最高额抵押登记手续的，可给予客户循环授信额度。

5.2贷款用途

用于借款人合法的融资需求。

5.3产品特点

扩大额度，循环使用；

手续简便，放款快捷；

期限灵活，随借随还。

5.4适用对象

适用于融资目的符合法律规定的、还款来源较明确的自然人。

小额信用贷款

7.1产品介绍

指客户无需提供抵押和担保的情况下，依靠自身信用获得我司贷款的融资服务产品。

7.2贷款用途

用于借款人合法的融资需求。

7.3产品特点

（1）申请门槛更低

（2）贷款额度高

（3）手续简单

（4）授信时间长

7.4适用对象

有正当职业、收入稳定的自然人。

二手房住房贷款

9.1产品介绍

指我司向自然人发放的，用于购买再次交易住房人民币担保贷款。

9.2产品特点

（1）申请门槛更低

（2）贷款额度高

（3）手续简单、快捷

（4）授信时间可达5年

9.3适用对象

具有完全民事行为能力的中华人民共和国公民。

联保贷款

2.1产品介绍

指若干借款人(3户或以上)自愿组成一个联合体，联合体成员之间协商确定用于满足借款人日常经营以及扩大生产规模资金需求的借款额度，联合申请贷款，每个借款人均对其他成员的借款承担连带担保责任，并收取一定的保证金，基于联合体信用发放的一定额度的贷款业务。

2.2贷款用途

用于借款人企业正常的生产经营资金周转。

2.3产品特点

（1）无需实物抵押

（2）手续简便

（3）放款快捷

（4）随借随还

2.4适用对象

主要针对一定区域内，无抵押且信誉较好的自然人和企业客户群体。

快速抵押贷款业务

4.1产品介绍

指客户出现临时资金周转需求时，以不动产抵押需在1-2个工作日获得贷款的融资服务产品。

4.2贷款用途

用于借款人企业正常的生产经营资金周转。

4.3产品特点

（1）手续简便，放款快捷；

（2）期限灵活，随借随还。

4.4适用对象

适用于融资目的符合法律规定的能够提供有效足值物业抵押的自然人或企业。

应收账款质押贷款

6.1产品介绍

是指借款人将所持有的应收账款债权质押，作为还款担保获得期限最长一年的贷款业务。

6.2贷款用途

用于借款人企业正常的生产经营资金周转。

6.3产品特点

（1）手续简便

（2）放款快捷

（3）期限灵活

（3）随借随还

6.4适用对象

核心实力企业和信用程度较高的企事业单位的中小供应商。

自建物业贷款

8.1产品介绍

指我司向借款人发放的，以其自有土地使用权作抵押或提供其他担保方式担保，用于满足其自身建设生产经营所需物业的资金需求的中长期贷款。

8.2贷款用途

满足客户建设生产经营所需物业的资金需求。

8.3产品特点

（1）申请门槛更低

（2）手续简单

（3）授信时间可达2年

8.4适用对象

适用于为满足生产需要购置了土地，但建设固定资产的资金还存在缺口的企业或自然人。

担保公司贷款

8.1产品介绍

指我司向借款人发放的，由具备资格专业担保公司担保，用于满足其生产经营流动资金需求及其他临时短期资金需求的中短期贷款。

8.2贷款用途

满足客户生产经营及投资的中短期资金需求。

8.3产品特点

（1）申请门槛更低

（2）手续简单

（3）授信时间可达2年

8.4适用对象

适用于有融资需求但担保方式无法满足我司要求的企业或自然人。

集体土地租赁权质押贷款

8.1产品介绍

指我司向借款人发放的，以其集体土地租赁权的收益作为质押担保，用于满足其生产经营流动资金需求及其他临时短期资金需求的中短期贷款。

8.2贷款用途

满足客户生产经营及投资的中短期资金需求。

8.3产品特点

（1）申请门槛更低

（2）手续简单

（3）授信时间可达2年

8.4适用对象

公司再贷款概率 篇3

一、Logistic信用风险度量模型基本思想

此模型的基本原理是对已有客户违约和不违约样本进行0-1分类, 根据业务规则, 选取一定指标作为解释变量。取得这些已有先验数据的样本后, 将P设为客户违约概率, (1-P) 为客户不违约的概率。Logistic模型假设因变量发生的概率与其各影响因素间呈现如下的非线性关系:

目前, 西方较常用的测算违约概率的方法还有另外两种:基于信用评级历史资料的信用等级违约概率 (Credit Metrics模型) 和基于期权定价理论的市场价值分析法 (KMV模型) 。同这两种模型相比, Logistic模型的主要优点是它不需要有关变量的限制性统计假设, 方法比较简单, 所需参数较少, 可操作性强。因此这种模型在计算违约概率过程中有着很好的适用性。

二、Logistic模型在小额贷款违约概率中的应用性分析

1、样本的选取

温州地区小额贷款公司的高速扩展给本研究提供了强有力的信息资源, 本研究所需的样本均来自于作为温州地区首批小额贷款试点单位的温州鹿城捷信小额贷款股份有限公司。本文应用到两组数据, 样本数据和测试数据。样本数据是建立小额贷款违约概率预测模型所需的数据, 测试数据是用于检验小额贷款违约概率预测模型的准确性和适用性所需数据。作者共取得贷款公司样本130家, 均来自温州鹿城捷信小额贷款股份有限公司。样本数据100份, 其中88份为正常组, 12份为违约组。测试数据30份, 其中22份为正常组, 8份为违约组。这里需要说明温州鹿城捷信小额贷款股份有限公司对“违约”概念的界定, 当下列一项或多项事件发生时, 相关的债务人即被视作违约:

债务人的贷款逾期90天以上 (含90天)

能判断债务人不可能偿还全部债务 (本金、利息或其他费用)

债务人申请破产或要求债权人提供类似保护

2、解释变量的确定

建立信贷违约概率预测模型的可靠性和准确性在很大程序上依赖于预测分析指标的质量, 选择财务指标应遵循:体现公司偿债能力、反映公司经营成果、可操作性、整体性、可比性等原则, 参考公司资产负债表、损益表和现金流量表, 借鉴了国内外这一领域的前期研究成果、标准普尔公司采用的评级财务指标、并根据本研究的特点初步选择了17个财务比率指标, 如表1所示。从综合分析的角度将财务比率分为长期偿债能力、短期偿债能力、盈利能力、营运能力和发展能力五个方面。

3、变量的选择与临界值的设置

进入回归分析的样本有100家, 这里的100家为训练样本, 或者说为建立Logistic回归模型而选取的建立模型的样本。因变量为0代表样本进去正常组, 1代表样本进入违约组, Logistic回归过程默认以因变量较大取值的概率p (Y=1) 建立模型。在进行Logistic回归分析前, 在100个初始训练样本中, 有88个样本进入正常组, 12个样本进入违约组, 本模型设置的概率分界点为0.5, 当概率大于0.5时, 样本被预测为违约组, 当所得概率小于0.5是, 样本被预测为正常组。

本研究使用R统计分析软件对回归模型进行操作, 并采用正向逐步选择法 (forward stepwise) 对自变量进行筛选, 变量确定依据Wald概率统计结果, 进入和剔除的标准为0.05。其中X10、X6、X3、X15逐步入选, 分别代表销售净利率、流动负债比率、资产负债率、总资产周转率。表2显示了每次引入新变量后的重新拟合结果, 包含了参数的估计值、标准误差 (S.E) 、Sig值, Sig值越小表明该值越重要。

4、模型的回归

从模型的估计的结构来看, 4个解释变量Wald统计量的sig值均小于0.05, 见表3, 说明都显著, 有统计学意义。检验模型的解释变量为连续型变量, 采用Hosmer-Lemeshow检验模型的拟合优度, 其卡方的统计量对应的p值为0.875, 接受原假设, 认为模型拟合较好。模型的Negelierke为0.891, 说明当期模型中的自变量能较好的解释因变量。

最终所得的Logistic回归方程如下:

也可转换为:

其中, 资产负债率 (X3) 和流动负债比率 (X6) 属于偿债能力指标, 销售净利率 (X10) 属于营运能力指标, 总资产周转率 (X15) 代表企业成长能力及公司规模。对于中小企业而言, 由于企业规模较小, 导致外部融资信任值低, 并且经营不稳定, 一旦企业不能及时偿还债务, 或者销售收入不能产生利润, 立即会引发外部融资机构的催讨借款, 从而恶性循环, 引发企业不得不面临破产的情况。这一结论和现实状况相符合。

5、模型的预测效果检验

违约概率预测所用的财务变量数据同样来自温州鹿城捷信小额贷款股份有限公司, 样本数共30个, 其中正常组22个, 违约组8个。预测分类结果见表4, 正常组正确判别率为82%, 违约组正确判别率为87%, 平均准确率为84.5%。犯第二类错误的概率为18%, 犯第一类错误的概率为13%。较有力的说明了Logistic模型有着较好的判别效果。

三、研究结论与启示

本文提出了采用能反映公司信用特征的财务指标作为原始变量, 通过因子分析, 在提取主要因子的基础上, 为小额贷款公司建立Logistic违约概率模型, 从而为小额贷款公司判定借款公司的信用风险程度、降低不良贷款率提供准确率很高的客观依据, 同时也能够为借款公司加强企业内部管理、拜托财务困境提供有价值的参考信息。但是模型在实证过程中也存在一定的不足, 如出于对指标量化的考虑, 本文所选取的自变量均属于财务指标范围, 尚未充分考虑非财务因素 (如行业因素、其他宏观因素) 对贷款企业违约概率的影响与作用。并且样本的数量不宜太少, 这些都是做进一步研究改进时需要考虑的方向。

参考文献

[1]田秋丽.Logistic模型在中小企业信用风险度量中的应用分析[J].中国商贸, 2010 (04) :64-65.