信用违约概率（共4篇）
信用违约概率 篇1
银行风险中最主要的是信用风险, 其中现代信用风险度量方法主要是就企业信用违约概率 (PD) 的测度和评估, 这是信用风险评估模型中的主要输入变量之一, 也是巴塞尔新资本协议内部评级法 (IRB) 的关键内容。近十几年来, 西方商业银行探索运用现代金融理论和数学工具定量评估信用风险, 开发出几种测量信用违约率的模型。第一种是以信用评级的历史资料为基础开发的信用违约概率测量模型, 第二种是基于期权定价理论的基数违约率测算模型, 第三种是基于保险精算违约概率的测度模型。
1 现代企业信用违约概率测试模型综述
1.1 以信用评级历史资料为基础的信用违约概率测量模型
这类测量模型是评级公司和商业银行以自身评级体系长期积累的历史资料为基础, 从而计算出各类信用等级历史违约率的平均值。不同的平均值体现了不同信用等级企业的违约率, 从而可以估算出具体企业在未来的违约概率。其中以Creditmetrics模型和信贷组合 (Credit Portoflio View) 模型最有代表。
CerditMetrics模型利用信用评级每年所评信用级别估计出信用级别转移概率, 并在此基础上利用不同等级下贷款的远期利率折现出贷款现值。然后假设贷款的市场价值呈正态分布, 计算该贷款在不同置信水平下的VAR值。再结合企业违约后的损失率即可得出贷款的预期损失。Cer ditMetrics模型简单, 便于计算, 通过对数据库中众多企业过去的评级历史数据就能简单估算出不同信用等级的各类企业的漂移概率和信用违约率。但这种方法对企业信用等级漂移概率矩阵的前提假设不符合现实情况, 导致缺点也很明显。比如现实中信用等级漂移概率矩阵的稳定性受行业、国家和商业周期的影响巨大, 相同信用级别漂移概率矩阵内企业其实际违约概率会相差很大等。
信贷组合 (Credit Portoflio View) 模型是麦肯锡公司提出的一种多因子风险测度模型, 它将企业的违约概率看成一些宏观经济变量, 如利率、失业率、国民收入增长率等的函数, 通过蒙特卡罗模拟技术模拟周期性因素的冲击来估计一个国家某个行业内公司的违约概率和信用转移概率变化情况, 进而评估信用风险。这种模型将宏观经济因素与违约概率以及信用级别转移概率联系了起来, 考虑了宏观经济环境, 是Creditmetrics模型的扩展与补充。但另一方面, 它也存在一些缺陷, 如对数据的要求, 如对一些商业周期的主观判断等。
1.2 以期权定价理论为基础的“基数”信用违约概率测量模型
“基数”模型中最主要的是KMV模型。这是由风险管理公司———KMV开发的一种信用风险测算模型。它以期权定价理论为基础, 通过对上市公司股价波动的分析来预测股权公开交易公司的违约概率。其基本思想是:当企业资产的市场价值小于它将要偿还的负债 (违约点) 时, 企业就发生信用违约。因为在有限责任公司制下, 资不抵债的企业所有人不会用企业资产以外的资源来偿还借款。于是理论上可以利用公司股票市值、股价波动率、借贷时限、负债的账面价值以及无风险利率五个变量, 借助BlackScholes期权定价公式得出公司资产价值A和波动率A, 将公司长期和短期负债按一定比例组合形成公司的违约点DPT。然后计算特定公司的违约距离DD (公司资产价值偏离违约点的概率分布) , 结合公司数据库中海量公司数据统计得出的经验违约率 (EDF) , 找出二者之间的映射关系。最后通过构建这样的函数关系建立数据库来估计企业的预期违约率 (EDF) 。
KMV模型的优势有三点:第一, KMV模型基本数据来源于股票市场的实时数据, 而对于企业过去财报记录的历史数据却需求不多。这使得KMV方法能够根据企业实时数据及时反映企业当前的信用状况, 从而对违约率的预测能力更准确。第二, KMV模型的理论基础是现代公司财务理论和期权理论。通过企业资产负债率和企业市场价值得出企业的资产价值, 这样计算得出的预期违约概率具有较强的说服力。第三, KMV模型对数据的要求也不苛刻, 利用公开的公司财务数据和股票市场股票价值变化就可以计算得出预期违约率, 这适用于大部分的上市公司。尽管如此, KMV模型也有一些缺陷。首先, KMV模型只针对上市公司预期违约率的评估, 对于非上市公司却不能直接运用, 其应用范围有一定局限。其次, KMV模型假设企业资产价值呈正态分布, 这样的假设与现实不符, 得出的预期违约率可能与实际的情况相差很大, 影响了模型的准确性。
1.3 基于保险精算违约概率的测度模型
信用风险附加法 (CreditRisk+) 模型是信贷苏黎世金融集团 (Credit Suisse Financial Products) 于1997年提出的一种信用VaR模型。它假设贷款组合中单项贷款的违约概率分布服从泊松分布 (任何时间段发生违约的概率相同且相互独立) , 只考虑违约风险, 将保险精算学用于贷款组合损失的概率分布计算中, 然后将贷款组合分解成具有相同风险暴露的各组, 计算出各组的违约概率和损失大小, 从而得出不同组的损失分布, 最后将所有分组的损失加总即为贷款组合的损失分布。
该模型优点是不需要运用复杂的模拟技术, 需要的输入变量较少, 只需要具体贷款的违约率和违约损失率 (LGD) , 对于利率的期限结构和信用等级漂移概率等信息要求很少。因此, 该模型的计算量小, 速度也快, 而且对贷款组合的损失概率分布容易形成闭型解。CreditRisk+模型的缺陷是违约概率依赖于一些随机变量, 而模型本身却并未对信用违约率的变化与这些随机变量的关系有更多分析。
2 KMV模型适用于中国现状及其发展
总结对各种违约概率测度模型的优劣, 我们认为KWV理论上应该可以很好地适用于中国情况。首先, KMV模型不要求有效市场假设, 即使在像中国这样新兴的弱有效市场。其次, KMV模型仅以企业的实时股票数据为基础, 结合企业资产负债率等有限的财务数据, 这在一定程度上克服了依赖历史数据导致的滞后的局限性, 同时模型也能及时反映股票市场的信息, 便于数据更新, 以及建立动态模型。第三, KMV模型有着较强的理论支撑, 是基于现代公司理财和期权理论的“结构性模型”, 并将公司股权看作是对公司资产的一种看涨期权。
现代违约概率测度和预测理论中, KMV模型不要求有效市场假设, 同时对数据的要求仅涉及一些公开的公司股价和基本财务数据。这些先天性的优势使它更适用于中国这样的新兴市场, 因此在国内对于现代违约概率的研究主要着重于KMV模型。主要有:鲁炜等人利用中国股市数据, 初步运用期权理论得出了适应中国市场的σA和σE的关系函数;易丹辉、吴建民将研究样本扩大到沪深30家公司, 提出应根据中国实际情况对KMV模型进行修正, 如违约点的选取等;马若微以沪深所有上市公司为研究对象, 认为KMV模型对中国上市公司财务预警具有明显优势;孙小琰、沈悦将KMV模型对我国流通股和流通受限股的实际情况作了修正, 并用修正后的模型对部分样本公司进行了实证检验, 认为KMV模型适用于中国证券市场;刘博通过比较KMV模型中不同假设下不同违约距离公式找出了适合中国证券市场的违约距离修正公式。
参考文献
[1]鲁炜, 赵恒衍, 刘冀云.KMV模型关系函数推测及其在中国股市的验证[J].运筹与管理, 2003, (06) .
[2]易丹辉, 吴建民.上市公司信用风险计量研究[J].统计与信息论坛, 2004, (11) .
[3]马若微.KMV模型运用于中国上市公司财务困境预警的实证检验[J].数理统计与管理, 2006, (9) :593-601.
[4]孙小琰, 沈悦.基于KMV模型的我国上市公司价值评估实证研究[J].管理工程学报, 2008, (22) :102-108.
[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[J].科学技术与工程, 2010, (3) :843-847.
信用违约概率 篇2
信用风险的研究一直是金融与风险研究领域中的难点, 即便是在西方发达的国家, 信用风险的准确度量和有效的管理依然是最具有挑战性的课题之一, 同时也是有丰厚回报的, 尤其是对于以信贷为主要业务的商业银行和银行监管结构来说, 更是如此。从60年代起, 美欧等国的学者就已经对信用风险进行了大量有价值的研究, 许多研究成果已经广为银行业、金融机构和政府监管所采纳。虽然Crouhy (2000) 指出对信用风险的度量一直是艺术性大于科学性, 但是信用风险的定量研究仍然十分重要, 并且信用风险度量的艺术性成分依赖于信用风险度量的科学性成分, 即信用风险的计量。具体的, 信用风险的计量主要包括4个要素:违约概率、违约损失率、违约风险暴露和有效期限, 其中, 违约概率的计量研究处于基础地位。
国外信用风险违约概率的计量模型研究众多, 影响较大的有Altman (1968) 利用多元判别分析模型建立的Z计分模型, Ohlson (1980) 建立的Logit二元选择模型, Merton (1974) 基于Black-Scholes的期权定价原理建立的结构式模型, Jarrow和Turnbull (1995) 基于违约事件是随机发生假设下建立的简化式模型。考虑到信用风险违约概率与财务变量之间的非线性关系特征, 利用神经网络模型对信用风险违约概率进行计量得到了重视, Tam和Kiang (1992) 和Altman、Marco和Varetto (1995) 采用神经网络模型对公司的违约风险进行计量研究。Desai、Crook和Overstreet (1996) 建立了神经网络信用评分模型, 并发现该模型在一些国家的实证研究中取得了较好的效果。
国内学者对于信用风险违约概率的计量模型在我国的适用性方面进行了大量的研究卢世春和欧阳植 (1999) 运用聚类分析和判别分析方法对1992～1995年我国296家上市公司数据进行分析, 建立了一个银行单项贷款的违约率模型。方洪全和曾勇 (2004) 建立了信用风险4个风险等级水平的线性判别函数模型和Logit回归函数模型。石晓军、肖远文和任若恩 (2005) 通过实证比较15种典型的样本配比——临界点的情景, 发现1∶3的样本配比与临界点为0.647的Logit回归违约率模型比较适合我国的情况。林杰新、罗伟其和庞素琳 (2005) 建立了Bayes判别违约率模型。石晓军、肖远文和任若恩 (2006) 建立了边界Logit回归违约率模型。王春峰、万海晖和张维 (1999) 实证研究发现神经网络违约率模型比判别分析违约率模型具有更高的预测精度和更强的鲁棒性。于立勇 (2003) 也建立了基于神经网络的信用风险违约率模型。上述研究对我国信用风险违约概率的计量起到了巨大的推进作用, 但是由于样本公司选择的不同, 对于不同研究所选择的不同计量模型的功效缺乏一个可靠的比较和评价。
因此, 本文通过分别建立信用风险违约概率计量的因子得分模型、多元典型判别模型、贝叶斯判别模型、Logit回归模型和神经网络模型, 对这些模型的样本内外预测功效进行比较和评价, 这对于我国信用风险违约概率计量模型的研究具有一定的现实意义。
1 公司样本与财务指标选择
通过查询我国沪深两市所有上市公司年报, 可得到每年被ST或*ST的上市公司名称, 其中有些公司是摘帽后又被ST或*ST的, 同时可获得从未被ST或*ST的上市公司933家。本文所用数据均来自于锐思数据库。以2006年披露的 (即2005年报) 新被ST或*ST的63家上市公司为例 (见表1) , 其中, 深市有32家, 沪市有31家, 有“-”的为第二次被ST或*ST;ST东北高 (600003) 因管理层纠纷而被ST, ST中农 (600313) 、S*ST天发 (000670) 、ST宇航 (000738) 因摘帽不足2年又被ST或*ST, ST科龙 (000921) 、*ST天华 (600745) 因摘帽不足3年又被ST或*ST, *ST三元 (600645) 和 *ST中房 (600890) 因财务指标数据不全, 以上8家公司被剔除, 剩余55家上市公司构成非健康公司组。这些非健康公司所属的行业分布如下:农、林、牧、渔业公司6家, 采掘业公司1家, 制造业公司24家, 交通运输、仓储业公司1家, 信息技术业公司10家, 批发和零售贸易公司5家, 房地产业公司1家, 传播与文化产业公司1家, 综合类公司6家。
从未被ST或*ST的933家健康上市公司, 进行分行业随机抽样, 行业内抽取的健康公司数目是非健康公司的5倍, 由于制造业中健康公司数目较多, 多抽取了19家公司, 最后, 得到健康公司组265家公司, 非健康公司组55家公司, 总样本320家公司。
因为非健康公司组在2006年被ST或*ST, 表示了这些公司2003～2005年很差的公司财务状况, 所以, 为了避免虚假的判别能力, 不能选取这些年度的财务指标作为分析对象。我们选取2003年公布的 (即2002年年报披露) 样本公司七大类28个财务指标作为分析指标 (见表2) 。
对于28个财务指标, 我们先进行初步的筛选。 (1) 用柯尔莫哥诺夫——斯米尔诺夫统计量分别判断非健康公司组和健康公司组的财务指标是否服从正态分布。结果发现非健康公司组中, 流动比率、速动比率、资产负债率、产权比率、销售毛利率、主营业务利润率、总资产现金回收率、主营业务收入现金含量、股东权益比率、存货周转率、总负债/总资产市值12个指标服从正态分布, 健康公司组中, 资产负债率、总资产现金回收率、股东权益比率3个指标服从正态分布。 (2) 对于满足正态分布假设的资产负债率、总资产现金回收率、股东权益比率3个指标采用独立样本t检验, 对其他指标采用柯尔莫哥诺夫——斯米尔诺夫Z统计量, 来检验两组公司财务指标的均值相等性, 检验结果发现除流动比率、速动比率、销售毛利率、资本收益率、主营业务利润率、强制性现金支付比率6个指标外, 剩余22个指标的均值均显著不同。
对剩余的22个指标进行相关性分析, 发现EBIT/资产总额、销售净利率、资产净利率、净资产收益率、营业利润率、销售现金比率、总资产现金回收率、净利润增长率、利润总额增长率、存货周转率指标之间相关性较强。资产净利率、净资产收益率和EBIT/资产总额之间几乎完全正相关, 资产负债率和股东权益比率几乎完全负相关。因此, 再剔除资产净利率、净资产收益率和股东权益比率3个指标后, 得到用于建模分析的19个财务指标。
2 信用风险违约概率计量模型的实证比较
2.1 因子得分违约率计量模型
主成分分析通过提取自变量的信息, 可剔除多重共线性影响。因子分析可以看作是对主成份分析的推广和扩展, 它把具有错综复杂关系的变量综合为数量较少的几个因子, 根据不同因子可以对变量进行分类, 还可以由不同个体的因子得分来对样本进行分类。变量相关性检验表明适合进行因子分析。经计算, 得到初始相关矩阵特征值和正交旋转后相关矩阵特征值, 以及可以累计解释矩阵方差的比重, 当提取7个公因子后, 方差累计解释程度达到了75.76%, 提供了较多的信息量。为了使因子得分更加显著的表现出和原始变量相关关系, 对初始因子载荷进行方差最大正交旋转, 得到正交旋转后的因子载荷矩阵 (见表3) 。7个公因子分别反映了企业的盈利能力、短期偿债能力、长期偿债能力、现金流入能力 (流动性水平) 、未来经营发展能力、管理效率 (经营水平) 和投资者对企业的市场价值认知程度。
根据上述7个公因子, 计算出每个个体以各因子方差贡献为权重的加权因子总得分, 即为因子得分违约率模型。但是健康组和非健康组公司的因子得分序列描述性统计量表明二者没有显著的区别, 存在着很大的重叠性, 因此该模型不具备区分健康公司和非健康公司的能力。
2.2 典型判别和贝叶斯判别违约率计量模型
判别分析最初是由Fisher于1936年提出的, 20世纪50年代出现了贝叶斯判别, 证明了费希尔判别的合理性, 一般把这两种判别分析合称为Fisher判别分析。其中, 判别分析的因变量是定类或定序变量, 以此把样本划分为不同的组类。判别分析的目的在于建立一种线性组合使得用最优化的模型来概括分类之间的差异, 可以根据已知样本的分类情况来判断未知待判样本的归属问题, 具体的按判别准则不同可以分为典型判别分析和贝叶斯判别分析。
由于财务指标间较强的相关性, 这里采取逐步进入剔出的方法, 其中进入判别函数的最小F值为3.84, 剔出判别函数的最大F值为2.71, 结果表明总资产现金回收率、产权比率、股票市值/总负债、主营业务收入现金含量、营业利润率和利润总额增长率6个变量进入判别函数。经过计算, 得到非标准化典型判别函数如下:
F=1.853+0.729*产权比率-2.535*营业利润率-4.571*总资产现金回收率-2.33*主营业务收入现金含量+0.093*利润总额增长率+0.17*股票市值/总负债 (1)
典型判别函数下, 健康公司组和非健康公司组的重心值分别是-0.213和1.029, 那么临界值为0.408, 若公司的判别函数值小于0.408, 该公司属于健康公司, 否则为非健康公司。对样本内320家公司应用典型判别函数进行判别分析, 这里假定待检验公司健康或非健康的先验概率相等, 得到错判和判对结果见表4Theofanis (1987) 给出的最优临界分数值计算公式P=ln (q1c2/2q2c1) , q1和q2分别是个体是不健康公司和健康公司的先验概率, c1和c2分别是犯第一类错误和第二类错误的成本, 即分别指判错一个健康公司和判错一个非健康公司的成本, q1和q2可由上市公司中实际情况求得, 由总样本数据可知其大致为5∶95, 这里我们这里认为第二类错误是第一类错误成本的50倍, 那么我们得到临界值概率约为0.3。以0.3为临界值, 那么可得到新的错判和判对结果见表7。
由表7可知, 预测准确率得到了明显的提高, 尤其是对非健康公司预测的准确率得到了明显的提高。
2.4 神经网络违约率计量模型
20世纪90年代, 神经网络开始用于信用风险识别和预测。神经网络对数据的分布要求不严格, 也不需要详细表述自变量与因变量之间的函数关系, 这使神经网络模型成为一种有效的信用分析方法。我们利用神经网络中使用最广泛的BP神经网络, 也称误差逆传播网络来建模。典型的BP神经网络结构是由输入层、隐含层和输出层三层前馈网络构成, 各层间有非线性输入输出关系, 一般可选Sigmoid函数③。这里, 我们建立神经网络违约率计量模型的输入节点数为5, 隐含层节点数为6, 输出节点数为1。所选取的5个变量指标为产权比率、营业利润率、总资产现金回收率、利润总额增长率、股票市值/总负债。对样本全部个体进行10万次模拟训练, 得到学习过的BP神经网络, 并对样本内320家公司进行检验, 若分别以0.5和0.3作为非健康和健康公司的判别临界值, 得到错判和判对结果表8和表9。
由表8和表9可知, 应用BP神经网络构建的违约率计量模型要显著优于前面所构建的其他模型, 具有较好的预警能力。
3 结 论
本文基于我国上市公司数据, 通过对建立的因子得分、多元典型判别、贝叶斯判别、Logit回归和神经网络多个信用风险违约概率计量模型进行实证比较分析, 得到如下结论:因子得分模型不适合信用风险违约概率的计量, 多元判别函数和Logit回归模型虽然能够一定程度上反映样本内信用风险违约情况, 但是由于其线性模型特征, 其反映的效果不如神经网络模型, 神经网络模型能够比较准确地反映样本内信用风险违约情况, 因此神经网络模型是上述模型中最优的信用风险违约概率计量模型。
摘要：基于我国上市公司数据, 本文通过建立因子得分、多元典型判别、贝叶斯判别、Logit回归和神经网络多个信用风险违约概率计量模型, 实证比较各模型的功效。发现神经网络模型能够比较准确地反映样本内信用风险违约情况, 是上述模型中最优的信用风险违约概率计量模型。
信用违约概率 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.
关于信用违约互换的研究 篇4
信用违约互换(Credit Default Swap, CDS)又称为信贷违约掉期,也叫贷款违约保险,是目前全球交易最为广泛的场外信用衍生品。ISDA(国际互换和衍生品协会)于1998年创立了标准化的信用违约互换合约。在信用违约互换交易中,其中希望规避信用风险的一方称为信用保护购买方而另一方即愿意承担信用风险,向风险规避方提供信用保护的一方称为信用保护出售方,违约互换购买者将定期向违约互换出售者支付一定费用(称为信用违约互换点差),而一旦出现信用类事件(主要指债券主体无法偿付),违约互换购买者将有权利将债券以面值递送给违约互换出售者,从而有效规避信用风险。合约保护的对象可以是单个资产,也可以是一篮子资产。信用违约互换费用一般是按季度支付的,支付金额为参考资产价值的一定比例[1]。
信用违约互换最显著的特点就是能够剥离信用风险,这也是设计这项金融衍生品的最初目的。CDS不仅能剥离风险,还能使其具有可交易性,从而获得流动性。传统的信用风险管理手段,如担保等,由于不可交易性使其不具有流动性。CDS在经历了十多年的探索和实践之后,CDS以令世人震惊的速度发展起来,并在始于2007年的这次全球金融危机中作为投机工具大量出现,被认为是酿成和加剧本轮危机的“祸首”之一。
2 信用违约互换的发展[2]
CDS扮演了一个信用风险的再保险角色,而这也正是信用违约互换合约的本质原理。信用违约互换在产生的初期曾引起了理论界和金融业的争议,其最初的发展也受到了一定的制约。1993年,信孚银行和瑞士信贷银行金融产品部为了防止其向日本金融界的贷款遭受损失,开始出售一种偿还价值取决于具体违约事件的互换合约的新品种,作为银行自身的保护措施。投资者也可从合约中获得收益。但当贷款不能偿还时,投资者必须向银行赔款。当时信用违约互换被称为最新的奇异型产品,由于该产品交易是否能完成受到质疑,标准普尔公司也拒绝对信用违约互换等信用衍生品评级。可以说CDS在最初的几年中发展并不顺利。但在1997—1998年的亚太金融危机时期,CDS可以转移风险从而避险的功能开始斩露头角,它使银行在金融危机中得到保护。金融危机后,金融机构和投资者重新评价了CDS抵御信用风险的重要性,纷纷开始使用该产品规避信用风险,由此信用违约互换及信用衍生品市场得到了爆炸性的增长。2001—2002年连续爆发的安然门事件和世界通讯公司危机再次使CDS声名鹊起,花旗、摩根大通等大银行正是因为运用了CDS等衍生产品转移风险才使自己避免损失。之后CDS愈演愈烈,根据国际互换和衍生品协会(ISDA)的统计,仅2007年一年,CDS名义总额就增长81%,从2006年的34万亿美元暴涨到62万亿美元,远远超过世界51万亿美元的股市规模。但是始于2007年的金融危机给信用违约互换市场造成了巨大冲击,信用违约互换市场出现了巨大的动荡,其名义总额从高点回落至2008年底的38.56万亿美元。CDS涉及金融投机的各种领域,在本轮金融危机中兴风作浪,造成大型金融机构的重大亏损甚至破产。CDS作为金融界的“大规模杀伤性武器”正在逐步释放它的巨大的破坏性能量。
3 信用违约互换交易的危险性
1)具有较高的杠杆性。信用保护买方只需支付少量保费,最多可以获得等于名义金额的赔偿(参考品发行人破产时),一旦参考品信用等级出现微小变化,CDS保费价格就会剧烈波动。例如,在各种国债CDS中,名义金额居首位的西班牙国债CDS,其保护价格在2007年9月初仅为47基点,意味着价值1 000万美元的西班牙10年期国债的保费仅4.7万美元,杠杆倍数超过200倍,而到了十月份,该价格曾最高达到112基点,信用保护的卖方若在此时平仓,将遭致巨大亏损。
2)由于信用保护的买方并不需要真正持有作为参考的信用工具(常见的有按揭贷款、按揭支持证券、各国国债及公司债或者债券组合、债券指数),因此,特定信用工具可能同时在多起交易中被当作CDS的参考,有可能极大的放大风险敞口总额,在发生危机时,市场往往恐慌性的高估涉险金额。
3)由于场外市场缺乏充分的信息披露和监管,交易者并不清楚自己的交易对手卷入了多少此类交易。因此,在危机期间,每起信用事件的发生都会引起市场参与者的相互猜疑,担心自己的交易对手因此倒下从而使自己的敞口头寸失去着落。
4 金融危机中CDS市场动荡的原因
自美国金融危机爆发以来,美国金融市场各子市场都经历了大幅动荡,覆巢之下无完卵,信用违约互换市场也是在劫难逃,特别是2008年9月雷曼兄弟破产和美国国际集团被接管更是在信用违约互换市场掀起一场狂风暴雨,鉴于信用违约互换市场庞大的名义数额,信用违约互换市场的动荡开始引起世界的关注和忧虑。信用违约互换本是金融机构的信用避险工具,何以酿成威胁金融市场稳定的定时炸弹呢?其原因主要是以下几方面[3]:
1)信用违约互换广泛应用于资产支持证券。信用违约互换市场在发展初期交易主要集中于市政债券和公司债券,大多数买方持有参考资产,进行信用违约互换交易的主要目的是套期保值对冲风险,而且市场参与者有限,相互之间比较了解交易对手的情况,信用违约互换市场运转良好,确实起到了分散风险的功能。2001年之后,随着美联储的低利率政策催生美国房地产市场强劲发展,次级抵押贷款和以次级抵押贷款为基础资产的资产支持证券大量涌入金融市场,信用违约互换交易开始扩展到这些结构性金融产品,而次级抵押贷款市场是个新兴市场,没有经历一个完整经济周期,并且该市场处于经济上行期间发展起来,其历史违约数据很难用于预测未来违约情况,造成违约率低估,相应地以次级抵押贷款为支撑的资产支持证券定价偏高,而信用违约互换与此类资产支持证券挂钩,自然形成了一荣俱荣,一损俱损的局面。
2)信用违约互换与资产证券化的结合,使得各种风险交织在一起。信用违约互换与资产证券化相结合,也就是合成资产证券化。利用这种机制,金融机构无需把信贷资产转移出资产负债表外,只要把所需要的某些信贷资产同SPV签订一个信用违约互换,SPV(特定目的机构或特定目的受托人)以信用违约互换定期支付的费用作为抵押资产发行资产支持证券,同时将收到的现金流投资高信用等级的证券,如果未发生信用事件,SPV将信用违约互换费用和投资获得的本息作为支付各系列债券的本息,如果发生信用事件,则SPV卖掉高质量的资产赔偿信用保护买方的信用损失,而这部分损失由合成型资产支持证券投资者承担。上述两种方式的多次组合衍生会产生许多问题,对一笔信贷资产或债券,通过合成资产证券化生成多档证券,同时持有这些证券的金融机构又可以与其它信用保护卖方签订信用违约互换,把信用风险转移给其它机构,而这些机构利用信用违约互换费用又可进行下一次的合成型资产证券化。在经过上述过程辗转反复衍生大量证券的同时,也使得风险转移复杂化,投资者难以辨认自己所承担的风险大小,而且衍生出的许多证券可能都成为信用违约互换的参考资产。在这种状况下,信用违约互换的命运已完全与次级抵押贷款及相关的资产支持证券联系在一起。从而,美国房地产市场、次级抵押贷款市场及资产支持证券市场的任何风吹草动都不可避免地影响信用违约互换市场。
3)信用违约互换双向风险具有循环扩散效应。信用违约互换除了参考资产的信用风险,还有交易对手的信用风险,也就是信用事件发生后信用保护卖方无力偿付赔偿款,而参考资产的信用风险与交易对手的信用风险会通过信用违约互换产生一系列的循环扩散连锁反应。信用违约互换的参与者主要是银行、金融公司、保险公司,这些机构本身还发行大量的公司债券,并且金融保险公司还承保大量的债券,当此类机构参与信用违约互换交易因参考资产(如CDO产品)产生重大损失的时候,自身偿付能力的下降危及所发行的公司债券,而这些公司债券很可能又是其它信用违约互换所指向的参考资产,这又会进一步损及这些机构的资本金和偿付能力。如果这些金融机构偿付能力出现问题,如交易对手的信用风险问题,又会危及自身发行债券被信用违约互换作为参考资产的信用风险问题,两者交互作用会使问题进一步不断恶化,并且会迅速波及其它市场。美国金融危机中的贝尔斯登、雷曼、美国国际集国都因深陷信用违约互换交易而不能自拔,它们涉及了大量的资产支持证券产品,由于在该块业务的巨额亏损引发公司破产或接管,不仅触发交易对手的信用风险,并且由于它们将公司债券又作为信用违约互换交易参考资产,从而引起新一轮的信用违约事件的发生,引发整个金融市场的混乱。
4)信用违约互换投机过度及监管空白,信用违约互换被开发出来的初衷是为了降低债权人的信贷风险,但随着信用违约互换市场的发展,越来越多的投资者开始利用信用违约互换进行投机和套利交易。信用违约互换的部分合约被多次转手,许多信用违约互换参与者实际并不拥有参考资产,参与交易的目的不是套期保值,而是基于投机和套利目的。
金融危机中信用违约互换市场的剧烈动荡促使美国金融监局反思对信用违约互换的态度,意识到对信用违约互换市场的放任自由无益于市场的长远发展,对信用违约互换市场的整顿与监管大致形成共识,但在实际操作中如何执行,依然还存在分歧,目前主要有以下几种思路:
1)设立信用违约互换交易所,进行场内交易。美国国会、财政部、证券交易委员会提出设立信用违约互换交易所,实行标准化的信用违约互换合约,规范信用违约互换交易,从而便于持续性的监管。
2)定义信用违约互换为保险合同,进行资本管制。美国纽约保险监管机构正在考虑对保险公司使用信用违约互换实行某些限制,例如禁止保险公司从事非套期保值信用违约互换的交易,避免风险过度集中于保险公司。
3)设立中央清算所,统一清算。美国联邦储备委员会正在推动面向信用违约互换的中央清算机构,统一清算,从而有利于避免信用违约互换交易对手的破产对整个信用违约互换市场的巨大冲击,有利于稳定整个金融体系。
4)对信用违约互换交易的卖方进行资本充足率的监管。为了防止信用违约互换合约过于投机,对信用违约互换合约卖方也进行类似于银行机构的资本充足率监管,从而在一定程度上起到抑止投机交易的作用,又由于资本储备的要求,相当于增强了信用违约互换合约卖方的清偿能力,弱化了交易的信用风险。
5 CDS的国外研究现状
Norden and Weber[4]利用跨期3年的58家跨国公司的日数据,对单只股票收益、债券基差和信用违约互换基差之间的关系进行研究。他们发现有39家公司的单只股票收益显著地领先其信用违约互换基差,而有5家公司的信用违约互换基差领先单只股票收益。并且信用违约互换市场对股票市场的反应比债券市场的更大。信用违约互换市场比债券市场更好地发挥价格发现功能。
Bystrom利用欧洲市场上依行业分类的信用违约互换指数作为样本,研究发现,当股票价格上升的时期信用违约互换基差降低;并且,股票价格反映公司信息要比信用违约互换价格反映得早。进一步研究还表明,股票市场的波动率显著地与信用违约互换市场相关联,并且这种关联性反映在当股票市场波动率增加时,信用违约互换基差增加。
Lei Meng和Owainap Gwilym[5]通过对1997年6月至2005年3月这一期间内72家银行和846家公司的大量交易数据进行深入的实证分析,系统性地揭示出信用违约互换交易的数据特征,他们总结了信用违约互换交易在不同发展时期表现出的不同的交易特征,使人们对于信用违约互换市场的发展演进过程有了一个清晰地了解。
Bemdt and Ostrovnaya[4]对信用违约互换在期权与股票市场上的价格发现功能进行了研究。结果表明,信用违约互换市场上表现出来的信息在几天以内就可以被期权市场所吸收。同时,研究也发现,市场信息可以显著地从信用违约互换市场和期权市场传递到股票市场,从而导致信用市场与期权市场上逆向的事件发生。
Sanjiv,Paul and Sarin[6]第一次尝试性地把会计变量加入到KMV模型中,并用2002年到2005年的2 860个信用价差的数据验证了模型,证实了会计信息对市场信息有一定的补充作用。
APergis and Lake在均值和波动性方面研究了股票市场与信用违约互换市场之间的联系。
Joan O’Connell[7]阐述了始于2007年的全球金融和经济危机,以及由其导致的宏观经济政策变化。
6 CDS的国内研究现状
赵欣颜和李兆军[8]论述了信用违约互换的原理与功能,并对银行业提出信用风险管理的建议。
史永东和赵永刚[9]在对国际信用衍生产品的发展和运作机理等方面进行了详细的分析,评价了信用衍生产品在次贷危机中的影响,并提出相关政策建议。
翟晨曦[10]立足人民币市场,以信用类债券作为参考债务设计单一名字债券信用违约互换,并以Jarrow-Turnbull模型为基础,结合中国信用类债券市场现实情况提出具体假设,采用国债、央票、掉期等多种曲线分别作为无风险收益率曲线,测算AAA至A-各信用评级债券的CDS价格,在测算分析基础上提出基础债务、监管、法律、信用等关键问题的思考。
冯睿,张亚斌[4]在分析信用违约互换运作机制的基础上找出其自身的缺陷和引发金融危机的原因,提出应客观看待信用违约互换的作用和风险,并为我国商业银行开展信用违约互换交易提供借鉴。
顾凌云,余津津[2]分析了CDS的性质与功能变异性,并从这个角度提出了相关风险防治的建议。
7 小结
作为一种套期保值工具而产生的CDS,通过近几年来在西方金融市场中的实践,已变异成为投机性强甚至带有危险性的金融工具。目前全球监管机构已经开始反思CDS市场的不透明性与过度发展,预计未来将会建立一个专门针对信用衍生产品的清算中心,同时各国政府也会加强对CDS市场的监管。我国虽未正式引进这项新工具,但在全球金融一体化的进程中接触和运用这类业务长期来看是不可避免的。因此,我们需要借鉴西方的经验教训,进行制度设计,做好防范金融风险的工作。
摘要：作为一种套期保值工具而产生的CDS,通过近几年来在西方金融市场中的实践,已变异成为投机性强甚至带有危险性的金融工具。文章对信用违约互换产生的背景、发展以及其危害进行了阐述,并介绍了CDS的国内外研究现状。以此说明中国在引进CDS中一定要多加注意,防范金融风险。
关键词：信用违约互换,信用保护购买方,信用保护出售方
参考文献
[1]巩勋洲,张明.透视CDS:功能、市场与危机[J].国际经济评论,2009(1):45-49.
[2]顾凌云,余津津.信用违约互换的变异分析及其风险防治[J].金融与经济,2010(3):44-47.
[3]陈斌.美国信用违约互换市场动荡的机理与启示[J].金融市场,2010(1):56-59.
[4]冯睿,张亚斌.信用违约互换与商业银行风险控制[D].长沙:湖南大学,2009.
[5]LEI MENG,OWAI NAP GWILVM.The Characteristics andEvolution of Credit Default Swap Trading[J].Ysgol Rheolae-th a Busnes School of Management and Business,2006(3):1-32.
[6]SANJI V R DAS,PAUL H,ATULYA S.Accounting-basedversus market-based cross-sectional models of CDS spreads[J].Journal of Banking&Finance,2008(11):1-36.
[7]JOAN O’CONNELL.The 2007 crisis and countercyclicalpolicy[J].Economics and Finance,2010(27):148-160.
[8]赵欣颜,李兆军.信用衍生产品的功能研究[J].金融与保险,2008(4):90-91.
[9]史永东,赵永刚.信用衍生品的国际发展机理研究[J].财经问题研究,2008(10):54-60.