信用风险度量模型（精选10篇）
信用风险度量模型 篇1
区别于传统的信用风险评价方法, 如要素分析法、特征分析法、财务比率分析法, 20世纪80年代末以来, 国际金融与财务界对信用风险的关注日益加强, 信用风险评估方法不断推陈出新, 信用风险度量模型日臻完善。本文从比较研究的角度对现代信用风险度量方法与模型进行综述分析。
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。
从信用风险度量方法和模型的改进方向上来看, 这一领域的研究和应用已从传统的主观判断分析法发展到以多变量判别模型, 再到现代金融工程下的动态计量分析方法, 已经向科学的纵深发展。而目前我国信用风险的分析主要是以单一投资项目、贷款和证券为主, 衍生工具、表外资产的信用风险以及信用集中风险的评估尚属空白, 更没有集多种技术于一体的动态量化的信用风险管理技术。随着我国经济体制的改革深入、市场机制的建立与完善以及资本市场、银行业的迅速发展, 现行的信用风险评估体制与方法已不能满足经济改革与发展的需要。因此, 我国在信用风险度量方法的发展上, 应博采众长、引入科学方法来确定有效指标, 并建立准确的定量模型来解决信用评估问题。
信用风险度量模型 篇2
CreditPortfolioView模型。20世纪90年代末麦肯锡公司研发的CreditPortfolioView模型运用蒙特卡洛模拟技术和计量经济学相结合分析贷款组合的信用风险。将宏观经济因素纳入模型，建立起宏观经济变量与信用风险的联系。CreditPortfolioView模型通过逐步加入宏观变量冲击来模拟转移概率的变化，该模型根据现实宏观经济数据通过蒙特卡洛模拟得出贷款违约率，并不依赖历史数据，历史数据只是对那些非违约的转移概率进行计算。CreditPortfolioView模型采纳的VAR方法具有较强的前瞻性，可视为对基本信用计量方法的补充，并克服了一般模型不同时期转移概率一成不变的假设。同时具有违约概率模型和盯市模型的双重功能，该模型最重要的创新在于运用宏观经济因素的变动来计量信用风险的变化。
不同模型的基本要素比较：
压力测试流程
对商业银行房地产贷款进行压力测试时，首先选择风险因子，哪些风险因子会触发银行的信贷资产发生损失。接着设计压力情景，情景的设定要严峻于正常状况，极端却有可能发生，通常采用历史情景和专家设计两种情景设定方式，通过构建风险传导模型，得出压力测试的结果。然后分析银行近期的经营状况，是否能够承受假设的极端情景下造成的损失。最后根据评估的结果，银行可以结合对未来宏观经济变化的预期判断提前制定相应的防御措施。
实证分析
1、被解释变量：房地产不良贷款率替代违约率
2、解释变量：消费者价格指数（CPI）、国内生产总值（GDP）、3-5年期贷款利率（R）、股票价格指数（INDEX）、广义货币供应量（M2）、固定资产投资（INVEST）、城市人均季度总收入（IPH）、国房景气指数（NHBI）及消费者信心指数（CCI）这9个宏观经济变量。选取季度数据进行实证分析。其中，商业银行不良贷款率数据来自银监会网站，其他数据来自Wind数据库和国家统计局数据库。
3、数据调整：
（1）价格调整。在所选取的9个经济变量中，有4个是名义变量∶国内生产总值、广义货币供应量、城市居民可支配收入、固定资产投资额，它们会因为物价水平的变动而受到影响。因此在进行回归分析前，要对这些名义变量进行价格调整，排除价格因素对这些指标的影响。本文以2003年4季度为基期，计算各期的CPI数值，用各期相应的CPI数值去除国内生产总值、广义货币供应量、固定资产投资额、城市人均季度总收入的名义值得到各变量的实际值。
（2）季节调整。一般情况下，经济指标的季度和月度数据包含4种变动要素，分别是季节变动要素、长期趋势要素、不规则要素和循环要素。自然条件、社会制度与风俗等因素都会造成经济时间序列的周期变动，因此受季节变动要素影响所产生的这种周期性变化在经济分析中称为季节波动。对于时间序列，季节性因素会导致统计数据不能客观反映经济变化规律，因而在经济统计分析中除掉季节波动因素的影响，需要对季度数据和月度数据进行季节调整。本文用SPSS19.0对国内生产总值和固定资产投资额等进行季节调整。
（3）多重共线性分析：
在存在多重共线性的情况下，当一个变量发生变化时，另一个变量也会随之发生变化，很难衡量每一个解释变量对总体 R2的贡献，因此有必要采取一定策略对解释变量引入回归方程加以筛选。本文使用 SPSS 19.0软件，采用向后筛选策略对解释变量进行筛选以剔除变量的多重性。
上述分析结果表明，应该重新建立回归方程，这里采用向后筛选策略让SPSS19.0软件自动完成解释变量的筛选，观测每一步检验的变化情况，同时进行强影响点探测与残差分析，分析结果如表5.2。
第五个P值都小于0.05，适用。
4、模型检验
（1）拟合优度
（2）回归方程显著性检验
（3）回归系数显著性检验
（4）残差检验
5、模型建立
6、压力测试（核心）
基于参数模型的EVaR风险度量 篇3
关键词 EVaR；CARE模型；GARCH类模型；SV模型
中图分类号F224.7 文献标识码A
1引言
在现代金融理论中，风险的定义、分析和管理的理论方法占据着重要的地位.风险度量和风险管理已成为各大商业银行，投资银行，机构投资者乃至个人投资者管理资产的一个必备工具.在众多风险度量方法中，在险价值VaR （Value At Risk）最早由J. P. Morgan提出的一种风险度量方法，该方法以“简单实用，适用广泛”的特点广受欢迎，并且迅速成为风险分析中的一种主要方法.VaR的计算一般有三种方法：一是参数方法，应用ARCH和SV模型来描述随机波动率，进而求得VaR的估计；二是非参数方法，包括蒙特卡洛模拟法和历史数据模拟法；三是半参数方法.
为评价风险度量方法，Artzner等提出了风险度量的一致性公理[1].若某种风险度量满足平移不变性、单调性、次可加性以及正齐次性这四个条件，则称该风险度量为一致性风险度量.只有一致性风险度量才能充当投资组合管理工具.而VaR风险度量不满足次可加性，从而不是一致性风险度量，用VaR进行风险度量时，投资组合的风险不一定小于各单个资产的风险之和，这就违背了风险分散化的投资准则.
为了克服VaR风险度量的上述缺陷，Rockafeller和Uryasev提出了条件在险价值CVaR（Conditional Value At Risk）风险度量方法[2].Acerbi和Tasche的研究指出CVaR是一个一致性风险度量[3].
不论VaR还是CVaR模型，均属于基于分位数（quantile）的风险度量，度量的是资产分布在下尾部的极值所造成的风险，都只与资产收益的尾部特征有关，而没有涉及收益的整个分布情况.Kuan等指出expectile在分布形式上比quantile更有全局的依赖性，VaR的计算只与收益分布的尾部取值的大小以及取相应值的概率有关，从而改变一个分布的上尾形状并不会改变VaR的取值大小，但它却影响所有的expectile[4].基于expectile以上的优点，Kuan等提出了一个基于expectile的风险度量测度EVaR（Expectilebased Value at risk） [4].EVaR风险度量比VaR对极值变化的反应更加敏感，并且对资产收益的整个分布都是敏感的.另外，Rossi和Harvey的研究表明，当谨慎性水平小于0.5时，EVaR是一致风险度量[5].因而EVaR是比VaR具备更优良性质的一种风险度量.最近，Fabian 和Thomas[6]以及姚宏伟[7]基于expectile提出了一些新的模型.
Kuan等提出了两类条件自回归expectile （Conditional Autoregressive Expectile， CARE）模型来计算EVaR[4]，基于Newey和Powell提出的非对称最小二乘（ALS）方法[8]来计算每一类模型，并做了两类模型比较的理论研究，给出了模型选择的判别方法.
但Kuan等提出的CARE模型[4]并没有考虑异方差的情形，而金融数据很容易碰到异方差的情形，所以该模型在应用于金融数据时并不太合适.本文基于GARCH类和SV波动率模型研究EVaR风险度量的计算方法，即EVaR计算的参数模型方法，并基于模拟学生t分布时间序列数据，给出EVaR样本外预测的失败率检验方法：Kupiec失败率检验和动态分位数DQ检验法，与采用CARE模型的EVaR计算方法进行对比评价，并将这些EVaR计算模型应用到国内外股票市场指数收益数据进行风险估计，以评价各类模型在估计和预测不同股票市场EVaR风险的适用程度.
2 EVaR定义及计算模型
2.1EVaR的定义
最大化此条件似然函数即得出了参数的估计，进而利用式（4）递推得到波动率的估计值.类似地可以得到EGARCH模型的估计.
3. 2SV模型的参数估计
SV模型的参数估计方法有伪极大似然QML （Quasi Maximum Likelihood）， 广义矩估计GMM （Generalized Method of Moments）和马尔可夫链蒙特卡洛MCMC （Markov Chain Monte Carlo）方法等.本文采用伪极大似然方法QML进行估计.
4 基于模拟数据的EVaR分析
首先生成两组服从不同自由度的学生t分布的模拟数据，然后分别用CARE， GARCH， EGARCH和SV模型建模，并进行模型估计，然后计算EVaR进行风险分析.为检验模型优劣，给出了EVaR预测的两种返回检验方法，进行评价研究.
4.1数据准备
由于金融资产收益的分布具有尖峰厚尾特性，本文采用自由度分别为3和5的学生t分布来生成模拟时间序列数据，各自生成的序列长度为700.如图1所示.
nlc202309032001
4.2EVaR的计算
分别用CARE， GARCH， EGARCH和SV模型来计算服从学生t（3）和t（5）分布的模拟数据在谨慎性水平为1%下的EVaR.对于每个估计模型，用模拟数据的前500个数据来得到模型的参数估计，然后向后滚动预测得到200个EVaR的值.
4.2.1基于CARE模型的EVaR计算
采用Kuan等的方法 [4]，表1和表2分别列出了用CARE1模型和CARE2模型计算两组服从学生t分布模拟数据的EVaR所得的参数估计及相应的标准差.表1和表2中的倒数第二行给出模型计算EVaR的失败率大小，即预测的EVaR大于相应模拟数据数值的次数在总体中所占的比例.表1和表2中的最后一行列出了学生t分布在谨慎性水平为1%下的EVaR对应的VaR的显著性水平大小，从表1和表2中可以看出，服从t（3）分布的模拟数据比t（5）分布模拟数据模型计算的失败率更接近于理论水平.
4.2.2基于GARCH类和SV模型的EVaR估计
由模型选择的AIC和BIC准则，对于模拟数据，最终确定可以用GARCH（1，1）和EGARCH（1，1）模型来建模，为了客观地与其他EVaR计算模型的结果相比较，假定波动率的新息序列服从标准正态分布.表3列出GARCH（1，1）模型估计两条模拟时间序列的相关统计量，从表3中数值可以看出系数β1非常显著，说明模拟数据的ARCH效应明显存在，且GARCH模型预测EVaR的失败率比CARE模型更为接近理论失败率.
EGARCH（1，1）的波动率过程可表示为
从表4的结果可知，EGARCH的杠杆系数γ1的估计值都不为零，所以模型的杠杆效应是显著存在的，EGARCH模型预测EVaR的失败率与GARCH模型预测EVaR的失败率是相同的.
表5给出了采用SVNormal模型估计服从学生t分布模拟数据的有关统计量.模型估计参数在5%显著性水平下基本都显著，且样本外预测EVaR的失败率与理论失败率都比较接近.
4..3EVaR的返回检验（Back Testing）
为对选用模型进行评价比较，下面给出EVaR风险度量的返回检验方法.对于服从已知分布的模拟数据而言，每个谨慎性水平下的EVaR都对应于某一置信水平下的VaR，因而可以将VaR返回检验方法移植到EVaR风险度量中，形成EVaR的返回检验方法.本文将目前最常用的VaR返回检验方法：Kupiec失败率检验法[11]和Engel和Managenelli的动态分位数（Dynamic Quantile， DQ）回归检验法[12]移植得到EVaR的返回检验.
表6列出上面四种模型的预测EVaR的Kupiec失败率检验结果，表中的P值表示拒绝原假设H0的最小的显著性水平，P值越大，表明EVaR计算的准确度越高.从表6容易得出，在99%置信水平下Kupiec失败率检验拒绝了t（5）分布的模拟数据基于CARE2模型的EVaR预测，在95%置信水平下Kupiec失败率检验拒绝了t（5）模拟数据基于CARE1模型的EVaR预测，但在95%置信水平下Kupiec失败率检验均接受了基于GARCH（1，1），EGARCH（1，1）和SVNormal模型的EVaR预测.因而对于服从自由度分别为3和5的学生t分布的模拟时间序列数据EVaR预测而言，GARCH类和SV模型比CARE模型更有优势.
表7列出了各模型预测EVaR的DQ检验统计量及其对应的P值.由表7可知，在95%的置信水平下，DQ检验接受了CARE1，GARCH（1，1）以及EGARCH（1，1）模型的t（3）模拟数据EVaR的预测，在99%的置信水平下，DQ检验还接受了EGARCH（1，1）模型的t（5）模拟时间序列EVaR的预测，但检验均拒绝了CARE2， SVNormal模型对两个模拟时间序列的EVaR的预测.从DQ检验的结果可得出，对于本文中服从t（3）和t（5）分布的模拟数据，基于GARCH类模型的EVaR预测优于基于CARE模型的EVaR预测.
以上检验结果表明，对于具有尖峰厚尾特征的模拟数据，基于参数模型的 EVaR风险度量，GARCH类和SV模型略优于CARE模型.考虑到实际中金融资产收益具有尖峰厚尾特性，采用GARCH类和SV模型来估计和预测资产收益的EVaR度量是较好的选择.
5 基于EVaR的实证分析
5.1数据
选取2004年1月5日到2009年12月30日的上证综指（SH），深圳成指（SZ），香港恒生指数（HZ），日经225指数（Nikkei）以及纳斯达克指数（Nasdaq）数据，数据来源于大智慧证券分析软件.为了便于分析的统一性，选取其中五个股指数据都有发布的日期，并将2004年1月5日到2007年12月28日之间的886个数据作为模型估计的样本内数据，将2008年1月2日到2009年12月30日之间的442个数据作为预测EVaR的样本外数据.
考虑如下日对数收益率：
图2为各股指的日收盘价随时间的变化，从图中很容易观察到国内股指的波动性比美国、日本等成熟资本市场的股指的波动性要大，特别是在2008年、2009年全球金融危机时期，这表明国内股市的风险在这期间比成熟资本市场股市的风险要更大.另一方面，恒生指数的走势与大陆股市股指的走势越来越具有一致性，日收益的相关性很高，因而它们的风险也应具有一定的相似性.
图3刻画了各股指对数收益率随时间的变化图.可以看出，各股指收益率的波动幅度在2008年金融危机后都明显增强，这段时间股指的波动率更大.从收益率变动图还可以看出，不论是国内股指收益率还是国外股指收益率都呈现出一定的“波动率聚集”现象.
表8给出了各股指日对数收益率的描述统计量，由表可得，各股指对数收益率分布的JarqueBera正态性检验的P值均为0，均在99%的置信水平下显著，因而所有股指的收益率序列都拒绝了正态分布的原假设.上证指数和深圳成指收益率序列的方差比日经指数以及纳斯达克指数收益率序列的方差要大，这说明国内股票市场比国外股票市场的波动更为剧烈，风险更大，尽管它们的峰度系数比国外市场的峰度系数小，但所有股指收益率序列的峰度均大于3，都呈现出尖峰的特征.此外，各收益率序列的偏度系数均小于0，表现出左偏性.
nlc202309032001
表8最后一行给出了各股指收益率序列的单位根检验的结果，表明各收益率序列均为平稳的时间序列，因而可以对它们直接进行分析和建模.
为进一步研究收益率序列的性质，本文对收益率及其一阶滞后项序列的回归的残差序列进行了ARCH效应检验，残差序列的滞后阶数分别取1阶，2阶和3阶.从表9的检验结果来看，所有股指的收益率序列在滞后1～3阶的ARCHLM检验的P值均小于0.01，即在99%的的置信水平下均拒绝原假设，因而各股指收益率序列都存在显著的高阶ARCH效应，波动率序列表现出较强的序列相关性.
5.2基于CARE模型的各股指收益率序列的
EVaR计算
首先估计谨慎性水平为1%条件下的各股指收益率序列的CARE模型，然后再计算样本内的EVaR，最后滚动预测样本外每天股指收益的EVaR.表10给出了各股指收益率序列的CARE1模型的参数估计，括号内给出了各参数估计所对应的标准差，用来确定模型阶数的显著性水平为10%，深证成指以及日经指数所确定的滞后阶数为3，而上证指数，恒生指数以及纳斯达克指数所确定的滞后阶数为4，每个模型的常数项估计值均为负，并且在99%的置信水平下均是显著的.同样地，表11给出了各股指收益率序列的CARE2模型的参数估计及其对应的标准差，除了纳斯达克指数外，其余4个股指收益率序列采用CARE2模型估计的最后两个参数在90%的置信水平下是显著的，5个模型的滞后阶数均为5.
为了更好地比较CARE1和CARE2两类模型EVaR估计的效果，表10和表11的最后两行分别给出了两类模型估计EVaR的样本内和样本外的失败率，在谨慎性水平为1%的条件下，样本内估计EVaR的失败率大部分位于3%-4%之间，而样本外预测EVaR的失败率全部大于10%，这说明在样本外预测EVaR时，CARE模型低估了EVaR的大小，因而CARE模型不适宜用来预测金融危机时期的股指EVaR.另一方面，日经指数和纳斯达克指数的样本外失败率明显大于国内和香港市场股指的样本外失败率，这表明CARE模型更适合用于预测国内和香港市场的股指风险.
5.3基于GARCH类和SV模型的各股指收
益序列的EVaR计算
表12列出了用GARCH（1，1）模型来估计5个股指收益率序列的有关统计量.首先由各收益率序列的偏自相关函数来确定AR模型的阶，除了Nasdaq指数收益率序列建模的AR项的阶数为1外，其余股指收益建模的AR项的阶数均为0，并且所有股指的收益率序列GARCH模型的参数估计在5%的显著性水平下均是显著的.
各模型的样本内EVaR估计的失败率均在4%至5%之间，而各模型的样本外EVaR预测的失败率比CARE1，CARE2模型的样本外EVaR预测的失败率都要低，这说明GARCH模型的样本外EVaR预测效果比CARE类模型的样本外EVaR预测效果好.
从图3中各股指收益率序列图可看出，前期正负收益对当期收益波动影响大小是不同的，因而采用EGARCH（1，1）模型对各股指收益率序列进行建模.表13给出了5个EGARCH（1，1）模型估计的有关统计量，各模型的新息取自自由度为10的学生t分布，其 1%下侧expectile为-2.在95%的置信水平下，从样本内残差的LjungBox检验结果可知，除了上证综指收益率序列的新息存在一定的相关性，其他的几个股指收益率序列的新息均没有自相关性存在，上证指数，深证成指以及恒生指数的收益率序列的样本内新息序列拒绝了服从自由度为10的学生t分布的原假设，日经225指数以及纳斯达克指数的收益率序列的样本外序列新息拒绝了服从自由度为10的学生t分布的原假设.5个EGARCH（1，1）模型的EVaR估计的样本内失败率均小于对应的GARCH（1，1）模型的失败率，而样本外失败率并无很明显的变化.
综合以上基于CARE1，CARE2，GARCH，EGACH，SV等5种模型的EVaR预测结果，比较得到的5个股指样本外EVaR预测的均值可知，在金融危机期间，国内股市和香港股市的风险明显高于美国纳斯达克指数和日本日经225指数，其中美国纳斯达克指数的风险是最低的.
6 结论
针对EVaR风险度量，本文提出了基于GARCH类和SV波动率模型的EVaR的计算方法，即EVaR计算的参数模型方法，给出了服从学生t分布模拟时间序列数据的EVaR样本外预测的失败率检验方法，对5个模型进行了比较评价，最后选取国内外5个股票市场指数数据进行了EVaR风险对比分析实证研究.
从模拟时间序列数据的EVaR样本外预测失败率检验结果来看，在99%的置信水平下，Kupiec失败率检验接受了大部分的模型，但DQ检验拒绝了两类CARE模型以及SV模型，因而GARCH类模型对于服从学生t分布的模拟数据的EVaR预测表现最好，这说明用波动率模型来进行EVaR估计和预测是可行的.
实证研究结果表明，在金融危机期间，基于CARE模型计算的EVaR低估了市场的实际风险，而基于GARCH类模型和SV模型预测的EVaR更接近于市场实际风险.对于上证综指，深圳成指以及恒生指数的EVaR预测，EGARCH模型要比SV模型更合理，对于日经225指数以及纳斯达克指数的EVaR预测，SV模型要比EGARCH模型更合理.今后可以考虑将单个资产收益的EVaR计算推广到投资组合收益的EVaR，进而考虑将EVaR风险度量应用到更多的金融领域，如期货市场，债券市场等.
参考文献
[1]P ARTZNER， F DELBAEN， J M EBER，et al. Coherent measure of risk [J]. Mathematical Finance. 1999， 9（3）： 203-228.
[2]T ROCKAFELLAR， S URYASEV. Optimization of conditional valueatrisk [J]. Journal of Risk. 2000， 2（3）： 21-42.
nlc202309032001
[3]C ACERBI， D TASCHE. On the coherence of expected shortfall [J]. Journal of Banking & Finance. 2002， 26（7）：1487-1503.
[4]C M KUAN， J H YEH， Y C HSU. Assessing value at risk with CARE， the conditional autoregressive expectile models [J]. Journal of Econometrics. 2009， 150（2）： 261-270.[5]G D ROSSI， A HARVEY. Quantiles， expectiles and splines [J]， Journal of Econometrics. 2009， 152（2）： 179-185.
[6]F SOBOTKA， T KNEIB. Geoadditive expectile regression [J]. Computational Statistics and Data Analysis. 2012， 56： 755-767.
[7]姚宏伟. 基于Expectile的线性异方差模型[D].合肥： 中国科技大学数学科学学院， 2011.
[8]W K NEWEY， J L POWELL. Asymmetric least squares estimation and testing [J]. Econometrica. 1987， 55（4）：819-847.
[9]Q YAO， H TONG. Asymmetric least squares regression estimation： A nonparametric approach [J]. Journal of Nonparametric Statistics. 1996， 6（2/3）：273-292.
[10]D BELSON. Conditional heteroskedasticity in asset returns： a new approach [J]. Econometrica. 1991， 59（2）： 347-370.
[11]P H KUPIEC. Techniques for verifying the accuracy of measurement models [J]. Journal of Derivatives. 1995， 3（2）： 73-84.
[12]R F ENGEL， S MANAGENELLI. CAViaR： Conditional autoregressive value at risk by regressionon quantiles [J]. Journal of Business and Economic Statitics， 2004， 22（4）：367-381.
信用风险度量模型 篇4
1 传统信用风险度量方法
传统信用风险度量常用的有6C信用评价法和Z值违约预测模型。6C法是指由专家根据借款人的品德、能力、资本、抵押品、经营环境和事业的连续性等六个因素评价其信用程度和综合还款能, 以决定是否发放贷款的方法。Z值模型是Altman (1968) 提出, 他采用多变量分析法, 对企业破产进行判别分析。
2KMV模型
该模型由美国KMV公司 (1993) 论提出, 其理论基础是期权定价理论该模型可归入盯市模型。KMV模型引用默顿模型定义的违约距离, 假如违约距离小于零, 表明公司破产, 产生违约债务。根据预期违约率与违约距离对应的关系, 可求出预期违约率。
KMV模型适用于成熟市场中的上市公司信用风险度量。针对我国证券市场多年的飞速发展, KMV模型可以在一些上市公司中应用。但面对我国经济发展实情——公司违约或破产的历史统计资料的不足, 该模型尚不能全面应用实施。
3Credit Metrics模型
该模型由美国J.P.摩根公司等 (1997) 提出, 亦可归类为盯市模型, 主要依赖于历史平均违约率以及信用评级迁移矩阵。以历史数据为基础, 建立信用等级和债务人公司资产价值之间的联系, 确定资产组合中贷款质量联合迁移行为, 然后常用蒙特卡罗模拟质量迁移下的资产组合市场价值变化, 估计组合的违约损失分布。
Credit Metrics模型依赖于有效的信用资产的历史数据, 而我国银行业不仅严重缺乏科学的内部评级和完整的历史数据, 而且缺乏权威、一致的外部信用评级, 因而, Credit Metrics模型在我国的应用有很大局限性。对此, 我国应尽快建立全面和统一的信用数据库, 积极发展和完善银行内部评级及外部评级, 国内商业银行可借鉴该方法并在信用风险度量上应用, 从而科学、快捷地度量银行内部的经济资本。
4 Credit Risk+模型
模型是由瑞士信贷金融公司 (CSFP, 1997) 提出的一种违约模型, 模型假设单笔贷款违约概率很小, 由泊松分布来估计资产组合中的违约数目。该模型将具有共同违约损失特质的贷款进行分组, 获得损失分布的概率函数, 从而确定贷款组合整体的未来损失分布, 最终得到贷款组合的预期损失和非预期损失。
该模型运用联合概率方法来解决单个债务人违约与银行整体客户违约的概率关系问题, 我国商业银行可以借鉴此方法来获取多项贷款组合的联合违约概率分布及损失分布, 从而便于计算资产组合VaR。而且该模型所要求的数据相对较少, 对于信用历史数据缺乏的我国银行业提供了一条可行之道。
5 Credit Portfolio View模型
信贷组合模型 ( Credit Portfolio View) 由麦肯锡公司 (1998) 建立的。该模型充分地考虑了宏观经济环境对信用等级迁移的影响, 其将信用等级迁移矩阵与经济增长率等宏观经济变量之间的关系模型化, 通过模拟迁移矩阵来获取损失分布。
该模型可适用于测算单个债务人的VaR和资产组合的VaR。该模型以经济周期、失业率、利率、汇率、产业因素等数据为前提, 在我国完整获取和精确计量这些数据存在很大难度, 直接在实践中运用存在较大风险。
6 RCM信用风险模型
Marquez (2005) 首次将Herfindahl-Hirschman Index集中度度量手段引入信用风险度量, 将违约概率、风险集中度、损失分布和资本充足率结合起来, 构建了风险集中度量RCM模型 (Risk Concentration Measurement) 。该模型的贷款组合风险特征对参数变化的敏感性较强, 能够在有限贷款组合信息下得到实施, 对银行信用风险管理和监管当局都有重要借鉴价值。
RCM模型有效地融合了风险集中度、信用风险损失和资本充足率等变量, 为信用风险度量提供了一种新的理念和分析框架。与其他主要模型相比, RCM模型具有事前度量风险集中度、所需数据较少、可精确调整资本比率的测度和控制手段等显著优点。RCM模型对我国商业银行, 及监管机构具有可行的借鉴意义。
参考文献
[1]Altman, E.I., Saunders, A.Credit Risk Measurement:Devel-opments over the Last20Years[J].Journal of Banking and Fi-nance, 1998 (21) :1721-1742.
[2]Javier Marquez Diez-Canedo, .A.Simplified Credit Risk Model for Supervisory Purposes in Emerging Markets., An Investiga-ting the Relationship between the Financial and Real Economy[R].BIS Papers2005 (22) :328-360.
[3]梁琪.商业银行信贷风险度量研究[M].北京:中国金融出版社, 2005.
信用风险度量模型 篇5
关键词： 财务失败 主成分分析 Logit 模型
中图分类号:F830 文献标识码:A
文章编号:1004-4914(2007)11-238-02
一、 研究背景及意义
随着我国证券市场的日益规范化,根据在客观、公允基础上披露的上市公司的财务报告 ,通过构造合理的预测模型,获得对那些财务状况出现严重恶化的上市公司的预警信号,对于 有关方面毋庸置疑具有现实意义，通过这样的预警,借贷者(银行)可以避免贷款的高风险;投 资者可以在股票价格下跌前获得财务风险的警示，为了避免财务数据之间高度的线性相关， 我们采取主成分分析法对样本数据进行处理，我们采用前m个主成分的累积贡献率不低于85% 的标准确定主成分个数。
二、 样本采集和数据预处理
１．样本采集：选取一定数量的“财务失败”企业和与之相对应的同样数量的”非财务 失败”企业作为研究总样本,将总样本随机分为两组,一组为估计样本组,另一组为测试样本 组。估计样本组的数据用于构建预测模型,而测试样本组的数据则用于检验预测模型的有效 程度。在本文研究中，我们把上市公司ＳＴ企业作为财务失败企业。我们随机选取了深沪两 市28家ST公司及与之相对应的28家非ST公司共56家企业作为研究样本（注１），其中随即选 取１４家ＳＴ企业和１４家非ＳＴ企业作为估计样本组，用于建立模型，测试样本组亦为２ ８家(１４家ST公司和１４家非ST公司)，用于检验模型。研究样本见表1：
样本选自上海证券交易所（ｗｗｗ．ｓｓｅ．ｃｏｍ．ｃｎ）深圳证券 交易所（ｗｗｗ．ｓｓｅ．ｏｒｇ．ｃｎ）．本文所选取的ＳＴ公司均为２００６年被特别 处理的公司，其所选取的财务数据年份为20０５、20０４、20０３年。
２．财务比率的选择：现代财务管理理论认为:企业的财务状况主要取决于企业的盈利 能力、偿债能力、营运能力和成长能力。因而，我们选取了上述4个方面的财务指标：
（１）盈利性指标：ｘ１、每股收益，ｘ２、主营业务利润率，ｘ３、净资产收益率，ｘ ４、资产收益率，ｘ５、净利润率；
（２）成长性指标：ｘ６、净资产增长率，ｘ７、总资产增长率，ｘ８、主营业务收入增 长率，ｘ９、营业利润增长率；
（３）流动性与偿债能力指标：ｘ１０、流动性比率，ｘ１１、速动比率，ｘ１２、现金 流动负债比率，ｘ１３、股东权益比率，ｘ１４、现金负债比率，ｘ１５、产权比率， ｘ１６、资产负债率；
（４）营运能力指标：ｘ１７、存货周转率，ｘ１８、应收账款，ｘ１９、资产周转率， ｘ２０、固定资产周转率。
为了分析上述财务比率能否有效区别ST公司与非ST公司,下面笔者就２８家样本企业分 别对上述２０个财务比率运用ＳＰＳＳ软件进行单变量T检验(检验结果略)。
三、主成分分析
结果如下：
Extraction Method: Principal Component Analysis.
根据主成分分析结果，我们可以发现前六个主成分提取了原变量89%的信息，因而我们 提取前六个主成分代替１６个财务指标，为了对所取得的这６个主成分进行经济解释,需要 得到１６个原始财务比率对６个主成分的因子负荷量(即各主成分与各原始财务比率的相关 系数),因子负荷矩阵见表3：
我们可以看到主成分Z1与X4.X7.X8.X9的相关系数较高。我们将主成分Z1定义为成长性 指标。主成分Z2与X19的相关系数较高，因而被定义为营运能力指标。主成分Z3与X3的相关 系数最高，为0.642907，所以被定义为盈利能力指标。主成分Z4与X13.X16的相关系数最高 ，分别为-0.7893.0.78946，被定义为流动性与偿债能力指标。主成分Z5与X15.X16的相关 系数最高，分别为0.456229、0.35753，被定义为流动性与偿债能力指标。主成分Z6与X18的 相关系数最高，为0.73173，被定义为营运能力指标。
四、 Ｌｏｇｉｔ判别模型
下面我们 将Z1，Z2，Z3，Z4，Z5，Z6代入到Logit模型，
Z1=0.108 * X1 + 0.171 * X2 + 0.097*X3+0.458*X4+0.459*X7+0.442*X8+0.460*X9+0. 143*X10+0.150*X12+0.065*X13+0.145*X14+0.095*X15-0.066*X16+0.19*X18+0.02*X19+0.06 3*X20
Z2=0.228* X1 + 0.290 * X2 + 0.260 *X3-0.163*X4-0.163*X7-0.162*X8-0.161*X9+0.236* X10+0.336*X12+0.237*X13+0.339*X14+0.262*X15-0.238*X16+0.1*X18+0.37 * X19+0.283*X 20
Z3=0.221* X1 + 0.273 * X2 + 0.427*X3-0.01*X4-0.012*X7-0.03*X8+0.18*X9-0.418*X10- 0.394*X12-0.079*X13-0.339*X14+0.424*X15-0.076*X16-0.022*X18+0.107 * X19+0.210*X2 0
Z4=-0.069* X1 + 0.192* X2 -0.153*X3-0.022*X4-0.021*X7+0.074*X8-0.002*X9-0.054*X1 0+0.152*X12-0.562*X13+0.168*X14-0.154*X15+0.562*X16-0.006*X18+0.377 * X19+0.276* X20
Z5=.195* X1 -.325* X2 +.410*X3-0.002*X4-0.003*X7-0.070*X8-0.017*X9+0.264*X10+0.1 52*X12-0.324*X13+0.124*X14+0.413*X15+0.324*X16-0.059*X18-0.217 * X19-0.379*X20
Z6=.220* X1 -.368* X2 +.463*X3-0.002*X4-0.002*X7-0.004*X8-0.079*X9-0.020*X10+0.2 99*X12-0.324*X13+0.170*X14-0.366*X15+0.140*X16+0.067*X18-0.245* X19-0.428*X20
经SPSS运算得到：
我们将上市公司的财务数据带入到该公式，如果计算得到的结果大于50%，则该上市公 司违约风险较高，如果计算结果小于50%，则该公司是低风险企业。
模型的检验：我们挑选15家ST企业和15家非ST企业破产前一年（2005年）的财务数据作 为检测样本，对模型进行检测，结果如下：
五、研究结论
第一，本文首先对上市公司的财务数据进行了独立样本ｔ检验，剔除了缺乏显著性的指 标，用余下的１６个指标根据累计贡献率提取了６个主成分，解决多重共线性问题。其次， 用因子负荷矩阵除以特征值的平方根就得到了原始数据的系数，我们据此可计算出相应的主 成分值。然后，将主成分值代入到Ｌｏｇｉｔ模型，得到了Ｌｏｇｉｔ模型的参数值。并用 检测样本对已建立的模型进行预测。
第二，主成分分析方法可以有效解决企业财务数据多重共线性的问题，并且其累积贡献 率 达到８９％，较好的保留了原始数据信息，将其引入到模型中，使模型的判别能力加强。
第三，Ｌｏｇｉｔ模型对于上市公司的预测能力较强，对于特别处理前一年的企业的预 测准确率高达９３％，对于非ＳＴ企业的预测准确率高达８５．７２％，因而，在实践中可 以运用．
参考文献：
1．张爱民，祝春山，许丹健．上市公司财务失败的主成分预测模型及其实证研究［J］．金 融研究,2001(3)
2．李志辉，李萌．我国商业银行信用风险识别模型及其实证研究［J］．经济科学,2005(5)
信用风险度量模型 篇6
关键词：现代信用风险度量模型,发展缓慢,评析
风险管理是商业银行管理的核心之一。近年来, 随着金融工程理论的发展, 国际银行业在风险管理领域取得了突破性进展, 在实践中创立了许多识别和量化风险的模型和技术, 逐步建立起对银行风险从识别、衡量、评价到控制管理的一整套体系。如何将现代风险量化模型和管理技术与中国的具体情况相结合, 建立适合我国国情的信用风险管理技术和体系, 对于加强国有商业银行的信用风险管理具有重大的理论和现实意义。
一、信用风险度量技术在我国发展缓慢的原因
1990年后, 国外信用风险度量技术突飞猛进。但是到目前, 我国的信用风险体系还没有建立完善。究其原因, 就得从我国的实际情况开始分析:
1、破产结构性增加。
我国没有个人破产制度, 新的企业破产法也只实行了一年, 实际的破产案例也没有多少。事实上, 国有企业有政府的维护, 不在乎破产的危险, 即使破产损失的也是国有资产, 与己无关。大型国有银行也不怕破产, 一旦出现危机, 他们知道政府一定不会坐视不管, 必然要注资进行不良资产剥离, 有恃无恐。在这样的情形之下, 只会产生对企业或者银行无视破产的激励, 这就无法引起各种机构对信用风险的重视。
2、非中介化。
非中介化能给机构提供更多的信息, 但是由于各大银行各自为政, 信息依然是闭塞的。不久之前虽然成立了征信系统, 但是刚刚开始运行的系统能提供多大的帮助还有待观察。至少在目前为止, 信息不对称十分严重已经在业界达到共识。
3、信用价差更具竞争性、抵押品价值
波动、表外衍生品信用风险管理的需求和基于风险的监管资本要求。这也是信用风险模型发展的原动力, 因为这类波动带来的将是不可估量的收益或者亏损, 对银行来说正是“生死之地, 存亡之道, 不可不察也。”但是, 基于我国金融体系的市场化程度很低, 就算银行对此给予了足够的重视, 也没有足够的金融工具可以做避险。由于国家严格控制利率汇率以及强制外汇结算, 在货币市场和债券市场, 机构的操作空间太小, 处于被动地位, 无法有效规避风险。在证券市场中, 目前有部分上市公司实现全流通 (我国股市第一家能实现全流通的三一重工, 实现的日期是2008年的6月17日) , 在股权改革之前很多企业价值与股价脱节, 不能予以正常估值。即使有很多上市公司已经实现全流通, 但是由于市场有效性非常差, 也不能真实反映其价值。并且二级市场政策风险巨大, 股价波动剧烈, 却没有相应的股指期货。而在现已运行多年的期货市场中, 不正常的大额交易扰乱市场也时有发生。
可以看出, 在我国, 无论是监管环节还是市场本身都是极不成熟的。这些都是信用风险度量技术在我国发展缓慢的原因。
二、对各模型的具体评析
(1) KMV (EDF) 模型
KMV模型基本原理是:企业所有者相当于持有违约或不违约的选择权, 债务到期时, 若企业资产的市场价值超出其负债价值, 企业愿意还债, 将剩余部分留作利润;如果企业资产价值小于负债水平, 出售全部资产也不能完全偿债, 企业会选择违约, 将公司资产转交给债权人。理论依据是:Merton资产价值理论, 信用风险由债务人资产价值驱动。
这个模型在我国并不适用。首先, 它就把企业当作一个理性经济人, 但在现实中, 由于我国法制体制不健全, 企业违约受到制裁不够严重, 极易产生道德风险。而且在追偿时, 法院即使判债权人胜诉, 在执行过程中也会异常艰难, 有时打官司的费用甚至超过债务本身, 这也使得许多机构不愿意打官司, 无疑是激励了道德风险。企业不仅会在资不抵债时违约, 即使有盈利也敢于违约。
其次, 在技术上, 利用期权定价方法求解公司资产价值和波动性, 是缺乏有效方法检验精确性的。在实际中, 之前也提到, 我国上市公司并没有实现全流通, 甚至在股权改革之前, 股价与公司价值之间是脱节的。而近年, 热钱涌入, 流动性泛滥, 引发股市大起大落, 居然与企业本身业绩关联不大。在这种机制的背景下, 股市沦为上市公司的圈钱工具, 并不能反映公司的实际价值。另外, 对于非上市公司来说, 股票无法在二级市场上流通, 公司的市场价值更是难以确定。
最后, 模型只假定公司债务结构静态不变, 对不同类型的债务缺乏细分。我们知道, 我国幅员辽阔, 很多大型集团公司分公司会分布在好几个省区, 旗下业务也是五花八门。模型只是把债务和资产作比较, 没有注意到, 不同笔的债务是用作不同的业务发展, 并不是说, 借给一个集团公司的所有债务都是同一情形, 可能有的业务成功盈利能够还债, 而有的业务就血本无归。因此, 在实际操作中, 应该是把不同债务区别对待。
(2) 信用度量术模型
基本原理:计算信用风险的VAR值 (即在给定的置信区间上、给定时段内, 信贷资产可能发生的最大价值损失) , 通过预测借款人信用等级的变动, 得出信用等级转移概率矩阵。假定借款人一年后有8种可能的信用状态, 即从AAA级到D级 (违约) , 则一年后借款人由初始信用等级转移到各种可能等级的概率称为信用等级转移概率, ∑转移概率=1。 (假定前提:同一信用等级内债务人的资信状况相同, 即具有相同的转移概率;实际信用等级转移概率等于历史平均转移概率)
贷款估值部分没有什么问题, 采用折现率=1+无风险利率+信用风险价差, 以及估值通用的折现公式是合适的。
不过, 除去这个模型在技术层面上的局限性之外, 此模型在我国的实用性也并不强。从国外使用的矩阵中我们看到, 无论是A/K还是标普, 都采用了十几年间的数据, 穆迪更是采用了五十多年的数据。而我们知道, 这种类型的统计样本太小是不行的。
从最初的债券发行至今已有二十余年, 样本容量似乎是足够了, 但是样本的“质量”不能不令人质疑 (主要原因是我国债券种类单一) 。把国债排除在外之后, 最先发行债券的都是国企, 直到近几年发债券的企业也以国企居多。由于投资人一致预计, 大型国企有国家在背后支撑, 不会让这些控制经济命脉的国企倒闭, 给投资人的信号就相当于, 买国企债券和买国债一样有保障。市场上的主要债券和国债几乎属于同一个级别, 数据没有多样性, 有效性就很难保证了。我国为了维护市场的稳定, 在债券发行方面审查十分严格, 信用不好的企业难以取得发行权。不过, 如同编制假财务报表的上市公司一样, 一些公司行贿政府官员得到资金支持, 最终无力偿付的案子也不是没有。这样一时天堂一时地狱的资信状况, 不能不令人担忧。如果一定要从历史数据来解析我国债券的情况, 只能说:AAA级债券总是AAA级, D级债券总是D级 (该还的总能还, 不还的总不还) 。另外, 加上政策性因素, 投机因素, 利率因素, 经济周期等影响, 这样的数据得出的结论很难令人信服。
(3) 宏观模拟方法:麦肯锡模型
麦肯锡模型的基本思路是:研究信用等级转移概率与宏观因素间的关系, 直接将转移概率与宏观因素之间的关系模型化, 利用调整后的信用等级转移矩阵 (附有宏观因素条件的转移矩阵) 求出对经济周期敏感的VAR值。麦肯锡模型的隐含假定:转移概率在商业周期不同阶段之间是稳定的。
此模型考虑了总体经济环境对转移概率的影响, 希望将宏观因素纳入模型中, 修正信用度量术的偏差。但是在技术上, 模型对转移矩阵的调整过程是否优越还有待验证。在应用上, 模型需要有国家甚至各行业的违约数据作为基础, 正如上面提到的, 在我国目前能找到的这些数据, 无论是信用等级转移概率矩阵还是宏观数据, 都是很难得到有价值的结论的。因此笔者认为这个模型也不适合我国国情。 (4) CSFP信用风险附加法
C S F P信用风险附加法的基本思路是:违约率的不确定性和违约损失的不确定性都很显著, 应按风险暴露大小将贷款组合划分成若干频段, 以降低不精确的程度。其后, 将各频段的损失分布加总, 可得到贷款组合的损失分布。
对违约率不确定性的描述借鉴财产火险理论, 每处房屋遭遇火灾可视作独立事件, 且其概率很小, 假定每笔贷款的违约概率较小, 且贷款违约事件相互独立, 贷款组合违约概率 (组合中发生违约事件的次数) 的分布近似于泊松分布。对违约损失不确定性的描述仍借用火险理论, 房屋失火的损毁程度可能会有很大区别, 贷款的违约损失程度同样很不确定。由于逐笔度量损失程度较困难, 可按贷款的风险暴露将信贷组合划分为若干频段 (次级组合) 。
笔者认为这个模型比较适合我国目前的情况。信用度量术将违约率视为离散变量, 信用风险附加法将违约率视为连续变量, 只考虑违约事件, 要估计的变量少, 数据要求较简单。
模型缺点是忽略信用等级变化, 但是我国的信用等级评级起的作用并不是很大, 忽略信用等级对模型预测影响也不是很大。因为我国市场化程度并不高, 属于比较封闭的经济体, 主要的波动是来自于政府的宏观调控政策。这种波动是系统性风险, 一旦调控产生危机, 最受影响的还是大型国企, 这好似政府又必须出面解决, 如此反复。可以看出在我国这种基本国情的影响之下, 发生的违约是几乎都是离散的。违约次数服从泊松分布的假定可能与我国贷款违约事件相互独立实际情况反而比较吻合。而且用这个模型可以忽略掉很多无法估测的政策性因素, 简化了不利于建模又影响不大的因素, 使模型的实用性得到提高。对于风险损失, 鉴于可能存在的道德风险和政府行政干预, 贷款的违约损失程度很不确定。很多企业由于地方保护主义的存在, 即使业绩不佳也很能得到从银行资金, 且敢于制造虚假账目, 一旦东窗事发, 几乎是血本无归。利用精算的方法建模, 风险损失全部计算在内, 更能吻合我国的实际情况。
(5) 死亡率模型
死亡率模型的基本思想是:借鉴保险精算确定寿险保费的思想, 对各信用等级债券和贷款死亡率及损失率作专门研究。
模型第一步就是利用历史违约数据, 估计债券 (贷款) 寿命周期内每一年的边际死亡率MMR。关于这一点的评述之前已经强调多次了, 这一项工作需要大量的有效的数据流。而在我国先阶段的资料数据中, 历史违约数据的有效性是令人质疑的, 需要大规模的包括各等级的债权工具的历史观测值样本这一条件也难以满足 (我国大多数银行还处在收集数据建模阶段) 。作为模型根基的基础数据都失效, 由此都出的其他结论就难以令人信服。因此笔者认为这个模型在我国也不适用。
三、总结
综上所述, 基于我国目前脆弱的金融体系, 不成熟的市场, 尚待健全的法制体系以及计划控制占主导的经济形势来看, 数据的不可得性以及无效性, 是制约一些优秀的信用风险模型在我国得到应用的主要原因。笔者认为CSFP信用风险附加法比较适合我国, 并不是认为这个模型完美无缺其他模型漏洞百出, 而是此模型的理论和原理更接近于我国的实际情况。
相信随着我国金融市场的发展, 相关制度不断完善, 我国也会开发出新的更个先进更实用的信用风险模型。
参考文献
[1]、郭敏.现代信用度量模型比较与实用性分析[J].北方经济, 2006 (16)
[2]、郝金洪.现代信用风险度量模型与我国商业银行信用风险管理[J].特区经济, 2005 (12)
[3]、耿华丹.现代信用风险度量模型评析[J].商业时代, 2005 (18)
信用风险度量模型 篇7
在西方发达国家, 度量信用风险的模型和方法已经由传统模型阶段发展到了创新模型阶段, 信用风险度量的创新模型是指应用创新的金融理论、统计技术、数学方法以及计算机数据库等科学技术, 能判别出借款人精确的信用等级, 或者是借款人的预期违约率或损失率。随着我国金融业的不断开放, 国内银行将面临更激烈的竞争, 因此, 了解和借鉴国外的信用风险度量模型, 改善信用风险管理制度, 对于缩小与国外银行的差距, 控制我国商业银行的信用风险, 具有重要的现实意义。
一、国外商业银行信用风险度量传统方法
商业银行信用风险度量的传统方法有很多, 它们都是银行长期经营管理实践的经验总结, 主要以定性分析为主。
第一, 专家方法。专家方法是由银行的信贷管理人员根据自己的专业技能、经验、判断做出信贷决策的方法。专家方法有很多种, 其中最有代表性的是信贷的“5c”方法。专家对贷款人的品德 (character) 、资本 (capital) 、偿付能力 (capacity) 、抵押品 (collateral) 和经济周期 (cycle conditions) 进行分析, 然后做出是否贷款的决定。
除了以“5C”来概括信用风险分析的要素以外, 还有“5W”、“5P”法。
“5W”即借款人类别 (who) 、借款用途 (why) 、还款期限 (when) 、担保物 (what) 、如何还款 (how) 。
“5P”指个人因素 (person) 、用途因素 (purpose) 、偿还因素 (payment) 、保障因素 (protection) 和前景因素 (perspective) 。
该方法的优点是简便易行, 易于操作。其缺点是可靠性难以得到保证, 也难以在银行内部得到良好的复制, 因为专家系统的有效运转高度依赖于专家的个人素质和经验;此外, 也难以确定各影响因素的优先次序及权重, 而且针对相似的借款人, 不同的专家可能运用不同的标准, 得出不同的结论。
第二, 信用评级方法。信用评级即对公司就某一债务或相关责任在债务工具的有效期内及时偿付的意愿及相对能力的评判。最早的信用评级方法是美国货币监理署 (OCC) 开发的, 它将现有贷款组合归入5类, 其中4类为低质量级别的, 1类为高质量级别的。具体的贷款级别见表1:
第三, 信用评分方法。信用评分方法是将反映借款人经济状况或影响信用状况的若干指标赋予一定的权重, 用特定的方法计算出综合分值或违约概率值, 将其与基准值相比来预测其信用风险的高低, 并据此决定是否给予贷款以及贷款的条件。
信用评分方法中, 由Altman于1968年提出的Z值模型最具有代表性, 他采用多变量分析法对66家美国上市制造公司的经营状况进行了判别研究, 并建立了由5个参数 (财务指标) 组成的z值模型, 对美国制造企业的破产进行了判别分析。
Z计分模型的判别函数如下:
Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5
X1= (期末流动资产-期末流动负债) /期末总资产
X2=期末留存收益/期末总资产
X3=息税前利润/期末总资产
X4=期末股东权益的市场价值/期末总负债
X5=本期销售收入/总资产
Altman教授通过对Z分数模型的长期研究提出了判断企业破产的临界值 (z-score) 。研究发现, Z值越低, 该企业遭受财务失败的可能性就越大;Z值越高, 该企业遭受财务失败的可能性就越小。Altman对66家企业进行分析测算, 其准确程度达95%左右。根据Altman的样本, Z值大于3.3的基本无违约风险, 小于1.81的违约风险极大。
为了给非上市公司评分, Altman (1995) 修改了Z值模型, 计算X4时用账面价值代替市场价值, 得到Z'计分模型:
Z'=0.717X1+0.847X2+3.107X3+0.420X4+0.998X5
Z'的临界值为1.23。
对于非制造业企业, Z'计分模型修改为:
Z'=6.56X1+3.62X2+6.72X3+1.05X4
1977年, Altman、Haldeman和Narayanan对原始的Z计分模型进行了拓展, 建立了主要针对大型公司的7变量ZETA模型。
Z及Z'模型、ZETA模型都是线性模型, 但是各个Xi之间可能是非线性关系, 此外, 采用的财务数据通常以账面价值为准, 时效性及可靠性较差, 削弱了模型的预测效力。
为了解决上述问题, Ohlson (1980) 假设判别参数服从对数线性分布, 以财务比率作为输入变量, 运用LOGIT回归方法对企业违约预测进行了研究。线性概率模型、LOGIT模型、PROBIT模型和判别分析模型已被广泛应用于信用风险理论研究和实际应用。随着计算机技术的发展, 许多非参数、非线性模型得以开发, 如神经网络在信用违约预测方面得到了充分研究。
Odom (1990) 首先运用神经网络技术进行企业违约预测研究, 同类研究的其他代表性文献还包括Brniv等, Mood's公司的违约率预测主要依赖神经网络模型。
这些以Z值模型为代表的信用评分模型都属于简单的定量模型, 评分的依据是公司的历史资料, 在公司的经营环境和经验状况是按当前的趋势稳定发展时有较高的预测效力;但是一旦公司经营环境发生变化, 预测效力就会降低。
二、国外现代信用风险度量模型基本指标解析
根据《巴塞尔协议Ⅱ》的规定, 商业银行信用风险的度量指标, 主要有六个, 它们分别是违约概率 (Probability of default, PD) 、违约损失率 (Loss given default, LGD) 、违约风险敞口 (Exposure at default, EAD) 、信用在险价值 (Credit Value at Risk, CVa R) 、预期损失 (expected loss, EL) 以及非预期损失 (unexpected loss, UL) 。现对以上六个指标的内涵及适用性作出分析:
第一, 违约概率 (PD) 。即特定时间段内借款人违约的可能性, 是贷款发放前银行的预先估计。巴塞尔银行监管委员会认为, 如果银行认为借款人不可能全部偿还对银行的债务, 银行对清算抵押品 (如果有抵押品) 的行为没有追索权, 就被认为是违约。同一借款人在不同时间段的违约概率会发生变化, 一般而言, 期限越长, 违约的可能性越大。
第二, 违约损失率 (LGD) 。即违约发生时风险暴露的损失程度, 即预期损失占风险敞口总额的比例。预期损失由三部分构成:即损失的本金、不良贷款的持有成本 (如损失的利息收入) 和清偿成本。违约损失率的对立面就是贷款清偿率, 学术界的研究和国际银行业的内部经验证明, 贷款清偿率的分布是较为典型的双峰分布, 因此, 取贷款清偿率或违约损失率的平均数不具有统计意义。一般认为, 决定贷款清偿率高低的主要因素包括是否有抵押及该笔贷款的还款顺序, 另外, 也受到宏观经济运行状况以及借款人所处行业的密切影响。
第三, 违约风险敞口 (EAD) 。即债务人违约导致的可能承受风险的信贷业务余额。按照巴塞尔银行监管委员会的监管规则, 所有风险敞口均按扣除专项准备和特别准备金后的净值计算。对于表内业务而言, 风险敞口就等于名义贷款额。
第四, 信用在险价值 (CVa R) 。即资产组合在一个目标时间段内, 给定的置信水平下, 由信用风险引起的可能的最大损失。其优点在于用统一的尺度度量各种不同信用资产的信用风险状况, 使得对各种不同信用资产和业务部门的信用风险进行比较成为可能;其缺点是假设未来与历史存在惊人的相似性, 这显然不符合现实。
第五, 预期损失 (EL) 与非预期损失 (UL) 。预期损失是信用风险损失分布的数学期望值, 是商业银行在信贷活动中已经预计到将会发生的损失。银行可以提前在事前提取损失准备金进行抵补, 或者是在贷款定价中将预期损失列入成本予以考虑。
非预期损失是指由于经济波动等原因造成的信用风险损失偏离预期损失的程度。非预期损失一般用资本来弥补, 是商业银行配置经济资本的基础。
从上述分析可知, PD、LGD、EL不能反映损失的波动性, 而CVa R和UL可以反映损失的波动性。
此外, PD、LGD适合于度量单个资产的信用风险, 而EL、UL、CVa R不但可以度量单个资产的信用风险, 也可以度量资产组合的信用风险。
PD、LGD、CVa R适用于金融机构日常的信用风险度量和管理, 而EL、UL适用于经济资本的配置和监管资本的计算。
上述几个指标间存在着密切的关系:
当置信度给定时:
三、国外现代信用风险度量模型
近二十年来, 现代金融理论的发展和新的信用工具的创新, 给开发新的信用风险计量模型提供了可能。与过去的信用管理相对滞后和难以适应市场变化的特点相比, 新一代金融工程专家将建模技术和分析方法应用到这一领域, 在传统信用评级的基础上提出了一批信用风险模型。现代信用风险度量模型主要有KMV模型、Credit Metrics模型、麦肯锡模型和CSFP信用风险附加计量模型等四类。
第一, 计量PD的模型。具体如下:
KMV公司的Credit Monitor模型。KMV模型是估计借款企业违约概率的方法。首先, 它利用Black-Scholes期权定价公式, 根据企业资产的市场价值、资产价值的波动性、到期时间、无风险借贷利率及负债的账面价值估计出企业股权的市场价值及其波动性, 再根据公司的负债计算出公司的违约实施点 (default exercise point, 为企业1年以下短期债务的价值加上未清偿长期债务帐面价值的一半) , 然后计算借款人的违约距离, 最后根据企业的违约距离与预期违约率 (EDF) 之间的对应关系, 求出企业的预期违约率。
麦肯锡公司的Credit Portfolio View模型。麦肯锡模型则在Credit Metrics的基础上, 对周期性因素进行了处理, 将评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量之间的关系模型化, 并通过蒙地卡罗模拟技术模拟周期性因素的“冲击”来测定评级转移概率的变化。麦肯锡模型可以看成是对Credit Metrics的补充, 它克服了Credit Metrics中不同时期的评级转移矩阵固定不变的缺点。
第二, 计量LGD的LOSSCALC模型。LGD的确定非常困难, 原因在于破产过程的复杂性, KMV公司的LOSSCALC模型根据违约资产的LGD历史数据, 应用统计回归分析和模拟方法建立起预测模型, 然后将相关经济变量的数据输入预测模型中, 得出债务的LGD预测值。该模型利用美国过去20多年1800多个违约观测数据, 覆盖了各个行业中900多个违约上市和非上市企业, 对美国债券、贷款和优先股LGD建立了立即违约LGD和两年后违约LGD两种版本的预测模型。该模型对LGD的解释变量包括四大类, 即项目、公司、行业和宏观经济因子, 它对LGD的预测效果优于传统历史数据平均值法。
第三, 计量CVa R的模型。具体包括:
Credit Metrics模型。Credit Metrics模型是由J.P.摩根公司等1997年开发出的模型, 运用VAR框架, 对贷款和非交易资产进行估价和风险计算。该方法是基于借款人的信用评级、次年评级发生变化的概率 (评级转移矩阵) 、违约贷款的回收率、债券市场上的信用风险价差计算出贷款的市场价值及其波动性, 进而得出个别贷款和贷款组合的VAR值。
CSFP信用风险附加计量模型。CSFP信用风险附加计量模型与作为盯市模型 (MTM) 的Credit Metrics不同, 它是一个违约模型 (DM) , 它不把信用评级的升降和与此相关的信用价差变化视为一笔贷款的VAR (信用风险) 的一部分, 而只看作是市场风险, 它在任何时期只考虑违约和不违约这两种事件状态, 计量预期到和未预期到的损失, 而不象在Credit Metrics中度量预期到的价值和未预期到的价值变化。
在CSFP信用风险附加计量模型中, 违约概率不再是离散的, 而被模型化为具有一定概率分布的连续变量。每一笔贷款被视作小概率违约事件, 并且每笔贷款的违约概率都独立于其它贷款, 这样, 贷款组合违约概率的分布接近泊松分布。CSFP信用风险附加计量模型考虑违约概率的不确定性和损失大小的不确定性, 并将损失的严重性和贷款的风险暴露数量划分频段, 计量违约概率和损失大小可以得出不同频段损失的分布, 对所有频段的损失加总即为贷款组合的损失分布。
四、国内商业银行信用风险度量的实践与研究进展
从商业银行风险管理实践来看, 我国目前仍处在对信用风险进行定性分析及管理阶段。在1998年以前, 我国是采用“一逾两呆”的贷款分类方法来度量银行信用风险, 即将贷款分为正常、逾期、呆滞、呆账四类。这种分类方法非常简单, 但是对信贷资产质量的识别滞后, 不能随时跟踪, 此外, 过期一天就算不良贷款, 不符合国际惯例的标准 (一般过期90天才划分为不良贷款) 。1998年, 中国人民银行制定了《贷款分类指导原则》, 根据风险, 贷款被分为正常、关注、次级、可疑、损失5类。但由于缺乏具体的操作指标, 实施比较困难。所以, 目前一部分银行实施五级分类法, 一部分银行实行“一逾两呆”的老贷款分类办法。
从国内已出版的或已发表的有关商业银行信用风险度量的著作和论文来看, 主要是引进或介绍国外各种现代信用风险度量模型以及实证检验。宋秋萍 (2000) 直接采用Z值计分模型对我国6家公司进行预测分析。王海斌等运用了Z值法对新疆23家上市公司进行了实证分析, 结果发现与实际情况相差较大。方洪全、曾勇以银行实际贷款数据样本为分析对象, 运用多元统计技术建立起4变量的线性判别模型。陈晓和陈治鸿 (2000) 采用ST和非ST工司财务数据运用LOGIT模型对上市公司进行了预测, 判别准确率为86.5%。王春峰 (1999) 研究了神经网络在商业银行信用风险评估中的应用, 结论是神经网络的误判率为18.18%, 而判别法的误判率为25.45%。任若恩对常用的几种现代信用风险度量模型进行比较研究。石晓军对信用风险度量和组合管理的理论基础与模型的研究。吴世农在分析Credit Metrics技术基础上, 提出了信用风险动态测量方法。梁琪利用期权定价方法对企业预测违约概率进行了研究, 并分析了信用风险度量管理与宏观经济环境的关系。
综上所述, 在我国运用现代信用风险模型度量信用风险尚缺乏足够的前提条件, 比如运用模型进行计量时面临着数据库的制约、技术专家的匮乏等。
所以, 现阶段, 我国商业银行的信用风险管理应以传统方法为主, 建立完善的信用风险管理制度和健全的组织架构, 运用有关传统模型度量信用风险, 分析信用风险产生的原因, 控制不良贷款率, 此外, 可根据数据库建设的进展及时采用现代化的信用风险管理模型计量信用风险, 加强对商业银行信用风险管理人员的培训, 实现信用风险管理和控制手段的不断更新。
参考文献
[1]Edward I A Financial Ratios, Discrimiant Analysis and the Prediction of Corporate Bankruptcy Journal of Finance, 1968, 23 (4) :589—609[1]Edward I A Financial Ratios, Discrimiant Analysis and the Prediction of Corporate Bankruptcy Journal of Finance, 1968, 23 (4) :589—609
[2]Altman E I, Thomas, P Evaluation of a Company as a Going Concern Journal of Accountancy, 1974 (6) :63-70[2]Altman E I, Thomas, P Evaluation of a Company as a Going Concern Journal of Accountancy, 1974 (6) :63-70
[3]安东尼:《桑德斯信用风险度量——风险估价的新方法与其它范式》, 机械工业出版社2001年版。[3]安东尼:《桑德斯信用风险度量——风险估价的新方法与其它范式》, 机械工业出版社2001年版。
[4]宋秋萍:《开展财务预警分析, 增强经营者忧患意识》, 《生产力研究》2000年第2期。[4]宋秋萍:《开展财务预警分析, 增强经营者忧患意识》, 《生产力研究》2000年第2期。
[5]王海斌、俞军:《运用“Z计分法”对新疆上市公司经营风险的实证分析》, 《新疆财经》2004年第1期。[5]王海斌、俞军:《运用“Z计分法”对新疆上市公司经营风险的实证分析》, 《新疆财经》2004年第1期。
[6]方洪全、曾勇:《运用多元判别法评估企业信用风险的实例》, 《预测》2004年第4期。[6]方洪全、曾勇:《运用多元判别法评估企业信用风险的实例》, 《预测》2004年第4期。
信用风险度量模型 篇8
Credit Metrics模型 (一下简称CM模型) 强调组合价值的变化不仅要受到资产违约的影响, 而且资产等级的变化也对其价值产生影响, 是一种动态的信用风险的度量。该模型主要方法是以历史数据为依据确定信用等级矩阵和违约时的资产回收率, 并以此为基础确定未来该信用资产组合的价值变化, 并通过基于VAR方法来计算整个组合的风险暴露, 该模型包括了以下6个方面的技术环节: (1) 设定风险期长度。通常将风险期间设为1年; (2) 设定信用评级系统。每个债务人在年初都被赋予一个信用评级; (3) 设定信用评级转移矩阵。转移矩阵给出了债务人在风险期从当前评级状态转移到其他所有评级状态的概率或可能性; (4) 设定信贷利差溢价。信贷利差溢价等于当前债券价格与相同期限无风险利率之间的差额; (5) 设定债券之间的违约损失率。模型假设不同借款人以及同一借款人不同类贷款的的违约回收率的相关性为零; (6) 计算贷款的VAR值。
二、C M模型在我国银行贷款信用风险度量中的应用分析
1. 数据说明。
(1) 以中国银行某支行的单笔教育贷款为例, 具体数据见表1:
(2) 鉴于相关数据不完善, 本文所用模型参数为J.P.摩根在1997年4月2日公布的CM模型技术文件中的数据。
(3) 该行发放的绝大部分贷款都是按季结息, 但是技术文件是按年公布的远期零收益曲线, 按季结算不能简单地除以四, 所以本例只按年近似的计算贷款的VAR值。
(4) 模型计算的贷款的风险期应该与会计年度相一致, 而本例贷款的起始期并不与会计年度吻合, 而本例中由于是单笔贷款, 按照贷款原本的起始期计算VAR值。
2. 计算过程。
(1) 确立信用等级转移矩阵。由技术文可知年初A等级的资产在年末转移到其他等级的概率见表2:
资料来源:CM模型技术文件, April 2, 1997
(2) 确立时间段, 为2007年4月1日~2008年4月1日。
(3) 确立远期定价模型。为了估计贷款在一年后的风险值, 需要将贷款在存续期所产生的现金流以一定的折现率折算到年初, 折现率为基准收益曲线加信用风险溢价。本文所采用的远期零收益曲线为CM模型技术文件中公布的数据, 见表3:
如果一年后贷款上升为A A A级, 其折现率则为表3中的第一行, 一年后的信贷资产价格为:
资料来源:同表2
如果对每一级别根据表3的折现率重复同样的计算, 可以得到一年后不同级别贷款的价值;本例中高级未担保贷款的清偿率根据CM模型技术文件约为51.13%, 每一级别和发生违约的一年后远期价值计算结果见表4:
(4) 计算该笔贷款的期望和标准差。假设该笔A级贷款的价值V服从正态分布, 设贷款的均值为μ, 标准差为σ, 则:
(5) 计算该笔贷款的Va R值。在正态分布下, 该项资产的最大可能损失, 即VAR值, 为标准差的倍数:99%置信度的Va R=2.33×29.52=68.78 (万元) ;95%置信度的Va R=1.65×29.52=48.71 (万元)
在贷款价值为正态分布的假设条件下, 该笔贷款有1%的可能性在第三年的损失超过69万元, 有5%的可能性在第二年的损失超过49万元。
三、Credit Metrics模型在银行贷款信用风险度量中的改进建议
目前我国学者对利用该模型度量银行信用风险的研究还处在探索阶段, 而在实际应用中会遇到诸多与该技术文件不符之处, 因此在介绍和引进该模型的同时, 一方面要继续规范和完善实施细节, 另一方面要尽快在我国建立专业、权威、独立和统一的评级机构, 大力发展金融市场, 加快利率市场化进程。
参考文献
[1]朱霞:基于VAR方法的市场风险和信用风险的度量[J].统计与决策, 2008 (03)
信用风险度量模型 篇9
关键词：信用风险,KMV模型,违约距离,制造业上市公司
信用风险是商业银行面临的最主要的风险。所谓信用风险, 又称违约风险, 是指交易对手未能履行约定契约中规定的义务而带来的经济损失的风险。我国商业银行信用风险度量还处于以定性分析为主, 逐步转向定量、定性分析相结合的过渡阶段。
上市公司定期财务报告反映的是公司的历史状况, 而证券市场上股票价格又准确地反映了公司的未来发展趋势, 因此信用风险度量的准确方法应该是综合利用这两种数据资源。有研究表明, KMV模型综合了上市公司财务数据和股票市场表现的预期信息, 是最适合我国商业银行的信用风险度量模型, 此外, 不同行业的违约距离也存在显著差异。
我国是制造大国, 制造业是国民经济的支柱, 本文选取制造业类上市公司作为研究样本, 通过对KMV模型进行修正, 建立适合我国制造业上市公司的行业KMV模型, 以达到提高我国银行或者机构投资者信用风险管理水平的目的。
一、KMV模型简介
1. KMV模型原理。
KMV模型是由KMV公司创立并商品化的信用风险度量模型, 又称为预期违约率模型, 即EDF模型。KMV模型的基本思想来源于Merton (1974) 的期权定价理论和风险中性的思想, 是在BSM期权定价理论基础上发展起来的现代信用风险度量模型。该模型将公司的股权看作买入一份欧式看涨期权, 期权的执行价格是公司的债务面值, 公司资产的市场价值为标的资产。在公司负债期限内, 公司资产的市场价值在不断波动, 并在某一时点, 资产的波动符合一定的统计分布;在公司负债到期时, 如果公司资产的市场价值高于公司负债, 则所有者选择支付负债, 不违约;否则, 选择违约。在实际商业活动中, 有时候资产价值接近于负债时, 公司不会违约, 因为还没有到期的长期负债可以使公司有一定的喘息调整机会, KMV公司认为违约点的负债应该是总体负债和流动负债之间的某一点。
2. KMV模型计算过程。
(1) 公司资产价值和资产波动率。KMV模型是以BSM期权定价理论为基础的, 通过相关代换可以得到KMV模型计算公式:
式中:VE:公司股权价值, VA:公司资产价值, D:违约触发点, r:无风险利率, σE:股价波动率, σA:资产波动率, T:债务期限, N (·) 是标准正态分布函数。
VA和σA是未知量, 通过公式 (1) 和 (2) 可以求得。
(2) 违约距离DD。KMV公司通过观察大量企业违约样本后发现, 当企业资产价值降到短期债务 (STD) 和长期债务 (LTD) 之间的某一点时公司会发生违约, 这点被称为违约触发点DPT, KMV公司认为违约发生最频繁的点是在DPT=STD+1/2*LTD处, 违约距离计算公式为:
其中:E (VAT) 是公司未来T时刻资产的期望值, σA是资产价值波动的标准差。
(3) 期望违约率EDF。违约率EDF理论算法是:EDF=1-N (DD) 。KMV公司采用的是经验EDF值。由于我国还没有建立起经验违约距离的数据库, 而理论EDF是基于公司资产符合正态分布这一假设, 但目前学术界对这一假设争论较大, 所以本文不对EDF进行研究分析。
二、样本选取及KMV模型相关参数修正
1. 样本选取。
截至2010年8月, 我国制造业类上市公司有1255家, 是国民经济的支柱, 其中有144家被ST (包括ST, *ST, PT, S) 处理, 占总数的11.47%。可见制造业行业信用风险较高。在证监会划分的制造业大类中, 又有10个细分行业种类, 本文为了减少细分行业和上市公司资产规模不同的影响, 按照以下原则选取样本:
(1) 从制造业上市公司选取15家ST和15家相对应的非ST公司, 共30个样本。每对样本均选自同一细分行业类别。
(2) 选取的配对样本总资产规模相近。
(3) 样本在2007年底前完成股份制改革, 无流通股和非流通股并存的问题。
在2010年被ST处理的上市公司, 一般是前两年即2008年和2009年财务状况中出现过亏损。当公司亏损时, 上市公司的信用状况就已经发生恶化, 所以本文将上市公司被ST处理时的样本视为信用状况差的样本, 非ST公司视为信用正常。为了验证修正后模型的预测能力, 本文选取的预测时间点是2008年初, 来预测未来一年公司的信用状况。
2. KMV模型参数修正。
(1) 股权价值。目前我国股票市场还不够完善, 时有投机恶意炒作的行为发生, 导致股票价格出现较大的波动, 本文尽量避免这种波动给股权价值计算带来的影响, 使用模型观察日期前10个交易日股票收盘价的平均值乘以公司在观察日期当日的流通股股数来计算股权价值。
(2) 股权价值波动率。假设股票价格服从对数正态分布, 通过股票收益的日波动率来计算股权价值年波动率, 二者的关系是:σE=n×σ'E, 式中σ'E=ln (Si/Si-1) , Si表示第i个交易日股票价格, n是年上市交易天数, σE和σ'E分别表示股票的年波动率和日波动率。
理论年交易天数是250天, 实际在本文样本中, 各只股票2007年的交易天数在100~249之间不等, 由上式可以看出交易天数n对σE有显著的正向影响, 本文以实际发生制为原则, 取所有样本的交易天数为200天, 不足200天的, 用2006年的交易数据, 多于200天的, 采用最后200个交易日的数据。
(3) 债务期限是一年, 即T=1;无风险利率r采用2008年初中国人民银行的一年期定期存款利息率, r2008=4.14%。
(4) 违约点选取和违约距离计算。我国资本市场还处于发展时期, 各行业生产经营对资金的需求不同, 负债特征也有差异, 本文选用DPT=STD+βLTD, β分别取0.25、0.5、0.75、1.0得到对应DPT1、DPT2、DPT3、DPT4。违约距离反映了公司资产价值期望值到违约点之间的距离, 国内学者通过实证研究发现, 它基于资产价值服从对数正态分布的假设:
式中, μ表示资产连续回报率, 是最适合我国国情的违约距离的计算方式。本文参照此公式进行计算。
(5) 公司资产增长率。资产增长率等于资产回报率减去公司红利及利息的支付。我国上市公司多采用送股、转增股本的股利分配方式, 这样不会影响公司的负债、所有者权益和资产的总额。所以公司红利及利息支付不会对资产增长率产生显著影响。本文使用资产回报率代替资产增长率。
三、实证研究
1. 样本数据计算。
根据KMV模型计算公式和相关参数设定, 使用Matlab软件对公式 (1) 和 (2) 进行编程迭代计算出样本公司在不同违约点下的资产价值和资产价值波动率, 再根据公式 (3) 计算不同违约点下的违约距离DD1, DD2, DD3, DD4。计算结果见表1:
注:股票价格信息来源于RESSET金融数据库。
2. 实证结果分析。
(1) 修正后模型可以从整体上将两类上市公司甄别开。对DD1, DD2、DD3和DD4进行独立样本t检验 (见表2) , 显著性水平α=0.1, 四种违约距离的检验统计量的相伴概率 (p值) 分别是0.108, 0.073, 0.061和0.050, 其中0.108>0.1, DD1没有通过检验, 不显著, 以此类推DD4显著性最好, 而且DD4两组样本违约距离平均值差距最大, 为0.612。
可见, 模型可以从整体上识别两类上市公司的信用状况, 但是要应用于我国资本市场, 还需要根据不同行业的特征对模型进行应用修正。将短期负债加上长期负债作为制造业上市公司的违约点时, 模型可以更好的识别两类上市公司的信用变化状况, 在公司经营状况出现恶化前将其甄别出来。这一结论和KMV公司认为违约发生最频繁的点是在“DPT=STD+1/2*LTD”处的结论有一定差异。究其原因, 研究发现我国制造业上市公司具有债务期限偏短、对长期负债利用明显不足、短期负债比重偏大的特征, 所以当公司资产价值降到负债总额的时候, 公司的信用状况就会变差。而选取DPT=STD+LTD, 可以更加准确得出制造业上市公司的信用状况, 提前将被ST处理的上市公司甄别出, 达到信用预警的目的。
(2) 修改后的模型具有一定的个体信用风险预测能力, 可以提供信用风险预警。本文用ROC曲线来说明模型对个体信用风险的识别能力, ROC曲线可以反映模型在某一临界点识别被评价对象信用风险状况的能力。
这里首先将样本的违约距离分为“DD<2, 2~2.5, …, DD>5”7个区间, 分别在每个区间内对样本进行排除, 横轴表示判断过程中, 被排除正常样本数占正常样本总体的累积百分比, 纵轴表示被排除ST处理的样本数占ST处理样本总数的累积百分比, 见下图:
从ROC曲线图, 我们可以看出, 通过不同违约点计算得到的违约距离都具有一定的信用风险预测能力, 其中DD4的准确度最好, DD1最差。这个结论和上文t检验得出的结论一致, 说明模型的修改有效, 选取样本长短期负债总和作为制造业行业的违约点时, 模型可以在样本被ST处理前两年就预测出样本违约风险变大, 样本经营状况可能出现恶化, 为商业银行的信用风险管理提供重要参考。
(3) 模型计算得出的公司市场价值都不同程度高于公司股票价值和报表披露的公司总资产。KMV模型是一个全面动态的模型, 在计算公司市值的过程中, 兼顾公司资产的现时价值和公司未来发展的前景。
“壳”资源价值对公司市值的估计影响很大, 尤其对于被ST公司。这也是在我国证券市场有时出现部分公司已严重亏损, 但是股价依然走高这种怪现象的重要原因。KMV模型充分考虑到了这种“壳”资源的价值, 所以模型计算得到的公司市场价值较高。这也为我们提供了一个新的角度来估量上市公司的资产价值。
四、结论
本文以商业银行信用风险度量KMV模型为基础, 通过对股权价值波动率的计算方法进行修正, 并使用公司资产回报率来表示公司资产价值增长率。最后通过对选取不同违约点, 并对根据不同违约点计算得到的违约距离进行检验, 来构建一个可以准确度量制造业上市公司信用风险的制造业行业KMV模型。
实证表明, 对于制造业来说, 当违约点是公司短期债务加上长期债务时, 模型可以在公司被ST处理前两年识别出公司信用状况变坏的企业。修改后的模型具有很强的预测能力, 可以提前识别上市公司信用状况的变化情况, 进而达到信用预警的目的。
研究同时发现KMV模型可以挖掘出我国上市公司具有的“壳”资源这一隐性资产的价值, 为上市公司资产价值估算提供重要的参考。
KMV模型是动态的模型, 综合利用上市公司的财务数据和股票信息, 具有客观性、公正性和动态性的特征, 可以及时反映上市公司信用状况的变化情况, 适合应用于我国商业银行的信用风险管理。其还可以为商业银行、机构投资者等提供最准确的上市公司信用风险评价信息, 最大限度化解信用风险, 成为我国商业银行实现收益最大化的重要参考。
参考文献
[1].Merton.On the Price of Corporate Rate:the RiskStructure of the Interest Rates.Journal of Finance, 1974;29
[2].Black Fisher, Scholes Myron.The Pricing of Options andCorporate Liabilities.Journal of Political Economy, 1973
[3].Ozge Gokbayrak, Lee Chua.Validating the PublicEDFTM Model During The Credit Crisis in Asia and Europe.Moody's Analytics, 2009;11
[4].黄荣, 何有世.商业银行信用风险度量模型研究.首都经济贸易大学学报, 2009;5
[5].刘博.基于KMV模型对中国上市公司的信用风险进行度量的实证分析.科学技术与工程, 2010;3
[6].李钰, 朱卫兵.KMV模型在我国实务化.财经科学, 2009;3
[7].鲁炜等.KMV模型关系函数推测及其在我国股市的验证.运筹与管理, 2003;3
信用风险度量模型 篇10
1. KMV模型基本原理介绍。
现代信用风险管理模型的重要特征是利用期权定价理论对信用风险进行度量。KMV模型是美国KMV公司 (现已被信用评级机构穆迪投资服务公司收购) 于1993年推出的一种计量信用风险的方法。该模型以Black-Scholes (1973) 、Merton (1974) 以及Hull和White (1995) 的期权定价理论为依据, 其核心分析工具是预期违约频率 (EDF) 。同时, 该模型认为信用风险的产生源于公司资产价值与其负债大小的相对关系。
2. KMV模型假定。具体包括以下三个:
(1) 假设公司股票价值是一个随机过程, 允许卖空, 证券交易连续, 无套利机会, 无交易费用和税收, 且无风险利率在债务到期前均保持不变。
(2) 假设公司市场价值服从布朗 (Brown) 运动, 借款公司资产价值服从正态分布。
(3) 假设借款公司资产价值小于其债务价值时, 违约;反之, 不违约。
3. KMV模型研究方法。
KMV模型中公司所有者相当于购买了一项违约或不违约的选择权。贷款到期时, 借款公司在利息贴现基础上向银行偿还数额为D的风险贷款, 此时借款公司资产的市场价值为V。在贷款到期日, 若资产价值大于负债即V>D时, 借款公司有动力偿还贷款, 股东则行使该看涨期权, 即偿还债务, 公司股票价值为公司资产和债券面值之间的差值。此时, 银行会得到一个位于图1上部的固定贷款收益, 利息和本金都能够得到全部偿还;反之, 若资产价值小于负债即V
二、实证分析
1. 模型假设。
假设1:公司股票价格服从对数正态分布。
假设2:利率采用我国一年期定期存款利率。我国的银行机制决定了银行存款相对风险较低, 因此可将存款利率视为无风险收益率。
假设3:将上市公司资产价值增长率假设为零。
2. 样本及参数的选取。
(1) 样本的确定。虽然农业类上市公司在上市公司中占比较小, 但我国是一个农业大国, 因此对农业类上市公司的信用风险加以研究很有必要。截至2010年9月, 沪深证券交易所农业类 (农林牧渔业) 上市公司仅有43家。本文将上市公司中的ST公司定义为违约公司, 非ST公司定义为非违约公司。本文选取2010年9月沪深证券交易所所有农业类ST公司:*ST九发和ST昌鱼;同时, 在农业类上市公司中选取与ST公司相配对的业绩相对较好的公司:万向德农和好当家。本文选择配对公司的标准:与配对的ST公司在同一交易所上市、上市时间相近和平均资产规模相近。本文将研究样本的事件窗设定为4年, 即2006~2009年, 相关数据来自大智慧软件和各公司年报。
(2) 由股票市场上数据计算上市公司股权的市场价值E及其波动率σE。本文选取的样本数据自2006年开始, 因此求上市公司股权市场价值时需考虑非流通股的市场价值。上市公司股权的市场价值E=流通股股数×收盘价+ (总股本-流通股股数) ×每股净资产。
假设股票价格服从对数正态分布, 则本文股权市场价值波动率的计算采用历史波动率模型, 即股票日收益率为μi=ln (Pi/Pi-1) , 其中Pi表示第i天的股票收盘价格。股票收益率日标准差为, 其中μ表示收益率的均值。则股票收益率年标准差σE=σ'Eτ, 其中:τ为240日 (一般地, 我国证券市场每周交易五天, 除去节假日, 每年交易日数近似为240日) ;σE即为公司股权市场价值的年波动率。
(3) 上市公司违约点DPT和债务期限T的确定。本文不考虑公司具体的债务结构, 采用经验计算公式:公司违约点 (DPT) =流动负债 (STD) +50%长期负债 (LTD) 。同时, 债务期限设为一年, 即T=1。
(4) 无风险利率r的确定。本文采取中国人民银行制定的一年期定期存款利率来估计r。
3. KMV模型运用中最为关键的两步。
(1) 公司资产价值V及其波动率σV的计算。对于上市公司, 我们无法直接观察到其资产的市场价值及其波动率, 但是可以直接观察到其股权的市场价值及其波动率。因此, 可以通过Black-Scholes期权定价公式来反推上市公司的资产价值及其波动率。其具体表达式如下:
其中:N () 为累计标准正态分布函数;E为股权的市场价值;σE为股权市场价值的波动率;D为负债的账面价值;r为无风险收益率;T是债务偿还期, 一般为一年;对式 (1) 和式 (2) 运用迭代技术可求得公司资产价值V和资产价值的波动率σV。本文采用Matlab中的fsolve命令求解, 名为KMVfun的m文件如下:
命令如下:
其中:normcdf () 为标准正态分布变量的累计概率分布函数;log () 为自然对数。
(2) 违约距离DD和期望违约率EDF的计算。在KMV模型中, 违约风险是指企业资产价值小于违约点的概率。该模型认为决定一家公司违约的因素有资产的市场价值、资产风险即资产价值的不确定性和公司的负债水平。
KMV公司通过观察大量公司的违约现象, 发现公司资产价值达到其流动债务与全部债务之间的某一点时, 就会发生违约, 这一点被称为违约触发点DPT。违约距离DD是资产的均值与违约触发点之间的差额包含的标准差的个数, 即资产未来价值的期望值;DPT为违约触发点;σV为公司资产价值波动的标准差。本文的计算结果如图2、图3所示。。式中:DD为违约距离;E (VT) 为公司
违约距离是一个标准化指标, 因而不同公司可根据该指标进行相互比较。该值越大, 说明借款公司到期偿还债务的可能性越大, 发生违约的概率就越小, 即该公司信用风险越小;反之越大。并且, 从表1中各种统计量可以发现, 非ST公司DD的各种统计量普遍比ST公司的对应统计量大, 更印证了违约距离可作为评价公司信用风险的一个重要指标。
期望违约率EDF的计算有理论EDF算法和经验EDF算法。经验EDF算法需要庞大的数据库做基础, 而我国存在数据库不健全的弊端, 所以经验EDF算法在我国不适用。理论EDF算法:EDF=N (-DD) =1-N (DD) 。式中:N () 为标准正态分布函数。依据本文样本求得的EDF值如表2所示。
4. 结果分析。
实证分析表明, 好当家和万向德农的违约距离明显大于ST昌鱼和*ST九发, 与实际情况相符。两家ST公司均在2008年6月被ST。从图2、图3可以看出, ST昌鱼在被ST前两年有7个主要月份在2左右及以下, *ST九发在被ST前两年有6个主要月份在2左右及以下, 而好当家和万向德农基本上都在2以上。即ST类上市公司的违约距离较小, 表明公司违约的可能性较大;反之, 非ST类上市公司的违约距离较大, 表明公司违约的可能性较小。可以看出, KMV模型能够较好地区分上市公司的违约情况。另外, 从违约概率上看, ST类公司的违约概率明显大于非ST类公司, 再次证实了违约距离DD和期望违约率EDF的适用性。
三、小结
本文通过对四家有代表性的农业类上市公司连续4年的信用风险的实证分析, 发现在我国现行条件下违约距离和违约概率可以作为银行监控农业类上市公司贷款的风险预警指标。但由于我国目前股票市场的不成熟、不规范, 有些变量在一段时间内有可能受许多非理性因素的干扰。农业类上市公司是一些银行的主要贷款对象, 银行对这些公司的信用风险进行及时、精确的度量能更好地促进对上市公司的深度了解, 因此需要对KMV模型进一步改进, 以更加准确地度量我国上市公司的信用风险。
参考文献
[1].吴青.信用风险的度量与控制.北京:对外经济贸易大学出版社, 2008
[2].夏红芳.农业类非上市公司违约风险动态评价.农业经济问题, 2009;9