我国商行信用危机模型的国际对比及改进

导语：我国商行信用危机模型的国际对比及改进一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

一、问题的提出

现代商业银行信用风险管理已由传统的信用风险识别和违约评估发展到现代信用风险模型化阶段，由国际活跃的银行和金融机构创建和广泛应用并被巴赛尔银行业监管委员会(下称委员会)建议使用的现代信用风险模型主要有JP.Morgan(1997)的CreditMetrics、KMV(1993)的EDF(creditmoni-tor)、CSFP(1997)的CreditRisk、Mckinsey(1998)的CreditPortfolioView等模型。2004年6月公布的巴塞尔新资本协议(下称新协议)所推出的信用风险内部评级法(IRB)也是基于上述模型的适用性考虑后的折中产物。

国外对现代信用风险模型的有效性验证研究结果显示，上述模型均是有效的信用风险量化技术，并且在对不同的信用资产风险度量中具有自己独特的优势。委员会于2004年6月推出新协议提倡使用IRB管理信用风险，并推荐使用上述模型进行内部评级，可见现代信用风险模型已经在国外得到了广泛的认可和使用。

目前，我国商业银行信用风险管理水平离新协议的要求还有相当大的差距，仍停留在传统的贷款风险度衡量阶段，但银监会表示，我国商业银行应积极过渡到以IRB为代表的现代信用风险模型管理阶段。国内理论界和银行业已对IRB和现代信用风险模型进行了理论研究，并探讨了在我国的适用性和模型选择，但存在的主要缺陷是没能遵循路径依赖的原则，忽视了在我国商业银行现有信用风险管理模型的基础上的改进路径选择，从而提高了改进成本。本文将弥补既有研究的这一缺陷，在细致考察我国商业银行现有的信用风险管理模型的贷款风险度方法存在的不足和缺陷的基础上，将其与现代信用风险管理模型进行比较分析，从而寻找改进和构建我国商业银行信用风险管理模型的路径选择。

二、我国商业银行信用

风险管理模型：贷款风险度方法

多年来，我国商业银行的信用风险管理方法主要以定性分析与经验分析为主，定量分析和各种财务工具的运用处于次要位置。目前这种局面己经有了改进，我国商业银行初步建立起由客户信用评级法和贷款风险分类法所构成的两维评级体系为基础的贷款风险度方法。

(一)贷款风险度方法框架

目前，我国商业银行的信用风险评估管理主要采用贷款风险度方法。所谓贷款风险是指发生贷款本息损失的不确定性，其主要影响因素有：贷款对象、贷款方式、贷款期限和贷款形态。在实践中，即将交易对手企业客户划分为不同的信用等级，确定相应的风险权数，即企业客户信用等级风险系数T；再给出贷款方式的风险权数，得到贷款方式风险系数S。于是，单笔贷款风险度X可表示为：

贷款风险度X＝TS由上式，贷款风险度的本质是取值在0-1之间用概率表示的贷款风险程度。上式表明，X是贷款风险的量化指标，X越大，表明此项贷款面临的风险越大。实际工作中往往通过统计结果来确定贷款最佳风险度X(一般为0.4)和临界风险度X(一般为0.6)。X以下的贷款质量处于良好状态，超过X就视为高风险区。

贷款发放后就参与了企业生产资金的周转过程，也就具备了增值或亏损的可能性。人民银行的《贷款通则》规定：银行已发放的贷款资产可划分为：正常、关注、次级、可疑和损失五类，据此可确定不同贷款形态的风险系数P；再考虑不同期限贷款面临不同的风险损失，可确定贷款期限风险转换系数p，于是，在最终贷款审查和评估时，有：

贷款资产风险度L＝单笔贷款风险度贷款形态风险系数贷款期限风险转换系数＝XPQ＝TSPQ单项贷款风险权重资产=单项贷款金额该笔贷款资产风险度，即：RWA＝AL＝ATSPQ全部贷款资产风险度＝贷款风险权重资产/贷款余额，即：

(二)我国银行业贷款风险度方法的总体判断分析

通过与国际银行业采用的现代信用风险管理模型和新协议的1RB法比较，可得出以下判断：

1、贷款风险度方法实际上低估了信用风险

贷款风险度的计算公式是根据概率论中全概率法则建立的，该法则的假设前提是各因素都应是独立无关的；然而，贷款风险度L的影响因素T,S、P均是与企业相关的内部因素，三者的含义和评估标准有重复的地方。所以贷款风险度方法并不符合严格的条件概率定义，在实际应用中低估了信用风险。因此，可以将S和P纳入，评价中去，将信用等级风险系数定义成严格意义下的条件违约概率。

2、评估方法简单化，主观性较强

贷款风险度方法以信用评级为基础。目前，我国商业银行的内部信用评级普遍采用打分法，这种方法的最大弊端是评级的基础是过去的财务数据，与风险预测的关联度不大。客户信用等级风险系数和贷款方式风险系数指标和权重的确定缺乏客观依据，难以反映评级对象未来的真实偿债能力。因此贷款风险度方法实际上是建立在主观因素过强的信用评级基础上的经验公式，无严格的理论基础和证明，很难有说服力。

3、无严格的理论基础，其科学性和准确性没有很强的说服力

可见，贷款风险度方法只是一个近似的加权平均，并不严格符合概率论的意义，从而，贷款风险度的计算公式所依据原理的科学性值得怀疑，其评估的准确性不能高。而国际高级信用风险模型则大都使用了联合概率分布和概率母函数的办法解决单个债务人的违约与银行整体客户违约的概率关系问题，以严格的理论为基础，其准确程度明显高于贷款风险度方法，并且可以推导包括多项贷款或其他银行业务的资产组合联合违约概率分布及损失分布，便于商业银行进行组合多样化管理。因而，我国在信用风险的评估方法中应引入严格的理论推导，以严格的理论为指导才能够保证信用风险度量及管理的准确性和有效性。

4、缺乏贷款组合风险管理功能

贷款风险度方法中仅考虑单项贷款的风险，没有考虑贷款组合和贷款集中度，缺乏贷款组合风险管理功能。事实上，集中于某一行业的贷款违约很有可能造成银行破产，贷款组合可以降低单项贷款带来的风险；好的风险评估模型应该关注银行现有客户的分布和组合贷款风险，便于商业银行进行组合多样化管理；并且由于贷款风险度方法不能推导出PD以及LGD分布，缺乏进行组合风险VaR分析的基础，从而无法进行VaR分析。

5、评估结果不全面，且呈现静态性和波动性

贷款风险度方法仅给出贷款风险的PD测量，而没有给出LGD估计值。而在实际工作中需要对LGD进行估计。因此使得贷款风险度评估结果不全面。而且由于贷款风险度方法中所使用的指标考察期均较长，评估结果时效性差，难于应对瞬间变化的金融市场。

贷款风险度作为信用风险的评估标准本身具有波动性，即贷款风险度对信用风险的反应不固定而时大时小，具体表现为：贷款风险度对信用得分差距原本较大的贷款企业，其评估结果却一视同仁；而有时信用得分差距微小的贷款企业，其评估结果却差异很大。贷款风险度指标对信用风险的度量只是一种粗略的度量，对于相差很大的贷款企业可能做出正确判断，而对相差不大的方案，该指标很有可能会掩盖企业间的风险差异，使银行做出错误的决策。形成波动性的根源在于贷款风险度自身的离散性与风险的不确定性和随机性之间的矛盾(于立勇，2002)。

三、现代信用风险内部模型的分类

银行内部信用风险计量是通过对客户和债项类型风险特征的评估确定银行可能遭受的损失，进而估计经济资本(EC)。IRB法需要估计和确定的主要变量有违约概率(PD)、违约损失率(LGD)、风险暴露(EAD)、期限(M)、预期损失(EL)、意外损失(UL)和风险价值(VaR)。其中，PD、LGD、EAD、M是IRB的主要输入数据，而EL、UL和VaR是主要输出结果。新协议对信用风险资本金的确定借鉴了市场风险中计算资本金的VaR方法，而且定义VaR就是EL与UL之和。用VaR方法计算资本金时需要确定信贷资产未来价值或损失的概率密度函数(PDF)，从不同的角度考察信用风险度量模型和用不同的方法计算相关参数，就会对模型产生不同的分类，通常有如下分类方式：

1、依据模型的演绎或归纳方法

演绎模型(TopdownModels)用单个统计数据对信用风险进行分组，也就是说将许多不同来源的风险视做同质风险加总到组合的整体风险中，不考虑个别交易特征。这种方法对于所含信用笔数很多的零售信用组合比较合适，但对于公司贷款或国家贷款组合而言，就不太合适了。即使零售资产组合，演绎模型也可能隐藏着来自行业的或地理位置的特别风险。

归纳模型(Bottom-upModels)解释了每一种资产/贷款的特征。此种方法非常类似于对具有市场VaR系统特征的头寸进行结构分解。它适用于公司信用资产组合和资本市场组合。归纳模型对于采取纠正措施也是最有用的，因为可以按照其风险结构进行反向操作来修正风险曲线。

当今的信用风险模型中归纳方法占主导地位。只有CSFP的CreditRisk是对假设为同质的资产在整个等级的层次进行分析，可以被认为是topdown方法。

2、依据建模原理与分析方法

对于PD、等级转移矩阵和信用质量相关性的计算，主要有三种方法。

其一是经济计量模型方法，该方法对PD计算的根据是，PD与当前的宏观经济状况、行业和公司所处的地理位置等有关，环境的差异或宏观经济因素的变化影响了公司的资产价值，因而影响了公司的信用质量，进而使公司之间的信用质量表现出相关性。经济计量方法适用于简化式模型；其二是基于精算的方法，其基本方法是只考虑KMV的预期违约概率(EDF)有关计算，假定违约遵从随机泊松过程，应用客户的历史违约率数据预测具有类似特征的客户的EDF，在此基础上再估计相关参数，比如等级转移矩阵和相关系数。基于精算方法的参数估计具有后顾性(backwardlooking)；其三是基于Merton期权模型的方法，把公司违约或信用质量的变化与公司资产的价值、股权、债务联系起来进行考虑。该方法利用可获得的关于公司的债务、权益的历史价值和当前市场价值以及权益价值的历史波动性估计公司资产价值的大小、变化率和波动性。进而通过期权模型确定公司的EDF和违约相关性。基于权益的方法具有前瞻性(forward-looking)。

CreditMetrics依据评级的历史数据统计和股权分析；KMV依据期权定价原理；CPV依据宏观经济因素调整的模拟分析；CreditRisk则依据保险精算的寿险和财险思想。

3、依据模型对风险的定义方式分类

违约模式(DefaultmodeModels，DM)与盯市模式(Market-toMarketModels，MM)是银行业内普遍使用的两大类信用风险模型，其分类原则是基于对资产价值和信用损失估计方式的不同考虑。所谓信用损失是指信贷资产组合当前价值与某给定时期末的未来价值的差，当前价值往往是已知的，而未来价值是不确定的但是有一概率分布。DM模型只考虑违约与不违约两种信用状态，即只把完全的违约视为信用事件。因此，资产组合的市场价值的任何变化或信用评级的任何变动都是无关的；而MM考虑资产组合市场价值的变化和包括违约在内的信用等级的变化，公平市场价值为模型提供了对风险更好的估计。在此意义下，MM模型是DM模型的一种推广。

CreditMetrics属于MM模型；CreditRisk和KMV本质上属于DM模型，但KMV公司目前正准备提供MM版本；CPV既可被当作MM使用，也可被用做DM。

4、依据违约事件的条件概率分类

条件概率模型(ConditionalModels)中包含了宏观经济因素变动对PD的影响。即此类模型考虑了经济衰退期PD会上升。

无条件概率模型(UnconditionalModels)具有固定的PD，并且因此往往关注的是贷款者或特定因素信息。但某些环境因素的改变也允许用改变模型参数的方法来实现。

CreditMetrics是基于违约历史资料统计的结果，没有反映宏观经济因素，因此属于无条件测度；CPV、KMV以及CreditRisk分别融入了宏观经济因素以及市场价格等信息，因此属于条件测度。

5、依据违约事件的结构化和简化设定分类

这种划分的根据主要是出于对违约相关或信用等级转移相关性确定方法的考虑。在同一行业和地区的客户之间，由于信用事件(违约、信用等级转移、违约时的损失率、信用价差、风险暴露等)的变化是非独立的，即存在着相关性，在估计信用损失确定资本金时应考虑相关性。但是，实际应用中由于数据及模拟技术的限制，通常只考虑不同客户之间违约或等级转移的相关性，而其它信用事件之间的相关性不予考虑。对相关性的估计，委员会选择了两类模型，即结构化模型(structuralmodel)与简化式模型(reduced-formmodd)。结构模型试图通过假定金融产品或经济单位的微观经济特征来解释单个客户的违约或信用质量的变化，比如资产价值和负债之间的比例关系可能决定了客户的信用质量。那些用于决定客户风险等级变化(包含违约)的随机变量称为等级转移风险因素(Migrationriskfac-tor)，在结构模型中，就是要估计或确定客户问等级转移风险因素的相关性。而简化模型则不同，它不是试图解释违约或信用等级的转移，而是选择一种统计方法并建立适当的因素模型来刻画违约或信用等级的转移现象。在简化模型中，特别假定了客户的EDF或转移矩阵与可以观察到的宏观经济活动指标或不可以观察到的随机风险因素之间存在一种函数关系，简化模型认为正是单个客户的财务状况对公共因素或相关背景因素的依赖才引起了客户之间违约率的相关性和信用等级转移之间的相关性。

CreditMetrics、KMV属于结构模型；CreditRisk与CPV属于简化模型。

6、依据违约的驱动因素分类

CreditMetrics和KMV的违约驱动因素为企业资产价值及波动性；CPV的驱动因素为宏观经济因素；CreditRisk的违约驱动因素则为违约风险平均水平及其波动性。

7、依据违约概率测度的离散性与连续性

由于金融产品的价值要受到其信用质量的影响，而对信用质量的描述变量有连续与离散之分，因此依据对金融工具信用质量变化方式的不同刻画，对金融工具在给定期限末的价值或损失的估计就有了两种可以选择的方法：一是，信用质量按离散的信用等级变化(信用评级)进行刻画，基于此的估值模型称为离散估值模型；二是，信用质量通过违约概率或违约概率密度函数按连续的方式进行刻画，基于此的估值模型称为连续型估值模型。

在以上几种模型中，CreditMetrics、CPV属于离散测度，而KMV、CreditRisk则属于连续变量测度。

四、贷款风险度方法与

现代信用风险模型的比较

从提高我国银行业信用风险管理的前瞻性角度思考问题，可行的方法是以现代信用风险管理模型为参考，改进我国现行的贷款风险度方法。将其方法与CreditMetrics、KMV、CPV、CreditRisk进行比较分析，主要特征比较如表1所示

。从比较中可以发现，与我国贷款奉献度方法在诸多特征最为接近的是CreditMetrics模型，因此，我国银行业在对此深入研究的基础上对我国现行信用风险管理模型做一改进，使其逐步向现代信用风险管理模型靠近，并满足IRB要求。

五、我国银行业现代信用风险

管理模型的改进方向及其选择

现代信用风险管理模型均具有不同的比较优势，从而也各具有不同的适用性，即：CreditMetrics和KMV适用于对公司和大的私人客户的信用风险度量；CreditRisk适用于对零售客户的信用风险度量，CPV适用于对宏观经济因素变化敏感的投资级债务人或债项如房地产贷款的信用风险度量。而我国银行业具有不同的类型和业务范围，可以选择较为适合的模型来改进自身的信用风险管理。

KMV主要用于分析发债公司的信用状况和资本市场的信用风险，其中一个基本条件是需要大量的股票市场的有效数据，适用范围受到了限制，特别适用于上市公司的信用风险评估，对非上市公司的EDF进行计算时，需要借助很多会计资料，同时还要通过对比分析手段最终得出企业的EDF，因而，计算过程复杂且结果未必准确。但由于我国股票市场历史较短，上市公司信息质量不高，股权分割等因素导致上市公司的股票价格时常背离公司的实际，进而影响对上市公司价值的准确估计，即使通过上市公司股票价格来估价公司价值，其差异也非常大：模型假定借款企业资产价值呈正态分布是不合乎实际的；模型不能够对长期债务的不同类型进行分辨。但随着我国资本市场的不断完善，资本市场作为重要的资源配置场所作用的日益增大，KMV在我国的应用条件会逐渐具备，而且随着上市公司数量的不断增加，其应用范围也会逐渐增加，并在未来的信用风险管理中发挥重要作用。

CPV和CreditRisk都涉及到宏观和行业因素。CPV是从宏观经济的角度来分析借款人的信用等级的迁移，而信用登记迁移概率在不同时期受到GDP增长率、经济周期、失业率、汇率、产业等多因素的影响。该模型的应用是以上述数据均正确为前提。由于此类数据的完整获取和精确计量在我国尚有一定的难度，再加上从方法论上看，从宏观因素的个数及其经济含意与信用等级迁移的具体函数关系尚缺乏稳定性和风险性，我国的信用风险量化处于起步阶段，还没有建立完善的数据库，因此在使用上述模型时缺乏基础条件，但随着我国宏观经济数据的不断完善，可以成为我国银行业信用风险管理的重要参考模型。

CreditMetrics适合于对各类贷款资产信用风险的分析和预测，其适用的基本条件是金融机构的内部评级体系或外部评级机构的评级结果。但由于我国信用评级制度不健全，银行内部评级制度尚处于发展阶段，外部评级机构的信用评级也是刚开始，还没有形成长期的企业评级数据库，在此情况下，该模型的应用空间受到很大限制。但我国的信用体系建设已经得到政府的高度重视，企业信用信息征集、评价机制正在不断完善，银行内部评级和外部评级机构也在不断发展，随着各项条件的具备，该模型在我国的应用前景广阔，可以作为一种基础性的信用风险管理模型

相比之下，CreditMetrics具有两个优点：一是所计算出的Vail可以较为准确地反映不同信用等级和不同时期的贷款在未来可能发生的价值损失；二是以VaR来确定最低的风险资本量可以有效地保证银行在遭受信用风险损失的情况下能够继续生存下来。因此，CreditMetrics可较好地用于我国商业银行对信用风险进行量化和管理。

国外在应用CreditMetrics评估贷款的VaR时，关于借款人信用评级的转移概率可以从外部信用评级公司中获取。但是，在我国，现在还没有信用评级比较客观、真实的外部信用评级公司，因此商业银行在应用CreditMetrics时遇到了困难：比如没有现成的企业信用等级转换概率和不同信用等级企业RR数据资料。

因此，现代信用风险度量技术对我国都有一定的借鉴意义，尤其是。KMV和CreditMetrics。由于我国目前的现实性，它们的直接应用还存在一定的局限性，但随着我国经济体制改革和市场化进程的不断发展，上述模型在提高我国银行业信用风险管理水平和增强核心竞争力方面必将发挥积极作用。因此，在今后的一段时间内，努力创新各种条件，为各类信用风险量化分析技术奠定应用的基础，是我国信用体系建设的当务之急和重要方向。