银行信用风险新思路研究论文

导语：银行信用风险新思路研究论文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。

内容摘要:本文通过对我国银行业信用风险度量的现状分析,提出了应用蒙特卡洛模拟技术进行银行信用风险度量的新思路。笔者在借鉴国外信用风险度量模型建模思想的基础上,采用银行不良贷款率作为反映信用风险的指标,应用时间序列模型,尝试采用蒙特卡洛模拟实现对不良贷款率的信用价值计算。

关键词:信用风险蒙特卡洛模拟银行不良贷款率

信用风险是银行面临的最重要也是最棘手的风险,如何对信用风险进行度量,以提高信用风险管理水平,是全世界银行界面临的难题,更是我国银行业加入WTO之后的最大难题。我国各商业银行在长期发展过程中建立了自己的一套风险管理方法,主要强调的是贷款投向的政策性、合法性、贷款运行的安全性以及“审贷分离”原则等。而在风险识别和度量方面不精确,定量分析不足,缺乏风险管理的量化手段。银行在信用风险度量方面关注的仅是某一笔贷款的信用风险,并没有从组合管理的角度对信用风险进行度量与管理。

目前,国际上常用的度量信用风险高级模型主要有四个,分别为:由美国J•P•Morgan公司开发的CreditMetrics模型,该模型的基础是在给定的时间段内估计贷款及债券产品资产组合将来价值变化的分布状况;以计算预期违约概率而见长的KMV模型,对所有股权公开交易的主要公司和银行的违约可能性做出预测并实时更新;由瑞士信贷银行金融产品部(CSFP)开发的CreditRisk+模型,采用保险精算学的分析框架来推导信贷组合的损失分布,模型具有非常规整的数学形式;麦肯锡公司开发研制的CreditPortfolioView模型,提出了联系宏观经济变量和违约及转移概率的方法。

在目前条件下,我国的商业银行还不可能建立类似于CreditMetrics模型的高级银行内部风险度量模型。由于高级信用风险模型的建立需要进行大量的风险因子数据,例如违约概率、违约回收率等,这些参数的估计是以历史经验数据为基础的。而我国商业银行目前都不能提供此类数据,也没有统一可信的外部评级机构提供相关数据。所以,目前我国商业银行要想利用现有模型或建立自己的高级信用风险度量模型,并利用这些模型对信用风险进行管理的条件还未成熟,还需等待数据的积累和内部体制的建立。

蒙特卡洛模拟在银行信用风险度量模型中的应用

蒙特卡洛(MonteCarlo)模拟方法又名随机模拟法或统计试验法,其解决问题的基本思想是首先构造与描述该类问题有相似性的概率分布模型,使分布模型的某些特征(如随机事件或随机变量的均值等)与问题的解答联系起来,然后通过对分布模型进行随机模拟或抽样实验来计算这些特征的统计值,最后给出所求解的近似值。这种方法具有思想新颖、直观性强、简便易行的优点,由于计算机的普及而在许多领域得到了广泛的应用。

蒙特卡洛模拟技术作为一种计算方法,在对银行信用风险度量模型中的应用可归纳为三个方面,对应模型实施的三个阶段:首先,产生风险因子的随机估计,作为模型的输入变量。其次,模拟组合损失的分布与计算VaR(信用风险价值),作为模型的输出。基于蒙特卡洛模拟则可以进一步估计资产的价值分布,计算VaR,其输出结果可应用于经济资本计算、业绩评估、限额设定以及风险对冲等,也可以由蒙特卡洛模拟生成宏观经济变量的取值,来模拟宏观经济状态,进而得到调整后的违约概率。最后,用蒙特卡洛模拟检验由参数化方法得到的模型的有效性。

由于信用评级制度不完备、各种历史数据的缺乏等原因,我国目前尚不具备建立和实施高级信用风险度量模型的客观条件。本文选择了一个可行的切入点来展开研究,由于蒙特卡洛模拟方法不需要大量的历史数据,且灵活而强有力,因此本文从蒙特卡洛模拟这一计算方法的角度对信用风险度量问题展开研究。

度量银行不良贷款率的VaR实证研究

本文认为在一定的置信水平下,商业银行一年中贷款这一金融资产组合在未来特定的一段时间内(一年)的最大可能损失,可以用一年后的不良贷款率在这一置信水平下的最大可能值来衡量。根据不良贷款率在一定置信水平下的最大可能值就可以估计合理的信贷风险准备金和经济资本。本文的实证内容是用蒙特卡洛模拟方法计算市场正常波动情形下,商业银行在未来(下一年末)不良贷款率的最大可能值,即在给定置信水平下计算不良贷款率的VaR,并分析关键变量选取不同的随机过程时是如何影响VaR的。

(一)模型的设定

本文假定银行的信用风险管理水平较高,贷款业务分散,未集中于某一行业或特定关系客户,这样不良贷款率就只反映了宏观经济状态所带来的系统性风险。因此,当期的不良贷款率可以表示为上期的不良贷款率与宏观市场因子共同作用的结果。基于以上假定,由以下单变量时间序列模型来计算当期不良贷款率:

过程①指市场因子rt遵循白噪声过程。白噪声过程是个稳定过程,其隐含的意思是各期市场因子均不相关,适用于表示模型无法解释的纯随机波动。过程②指市场因子rt遵循一阶自回归过程。rt除了受当期随机扰动的影响,还受自身的滞后量rt-1的影响。过程③指市场因子rt遵循一般自回归移动平均过程ARMA(1,1)。rt除了受当期随机扰动和自身滞后量的影响,还受到上一期的随机扰动εt-1的影响。

确定模拟的步骤为:选择(1)式的三个随机过程中的一个,并挑选参数;根据随机过程,产生相应的随机数——宏观市场因子;根据第2步中随机市场因子,由(2)式计算当期的不良贷款率;重复第2、3步尽可能多次,如5000次,得到一系列当期不良贷款率的数值,从大到小排序,就可以找出给定置信水平下的VaR。

(二)模型参数的选取

本文选择贷款风险分类法中对不良贷款的定义,以中国民生银行股份有限公司2004年年度报告中公布的2002年以来的各年末的不良贷款率为依据进行数据模拟。由于缺乏足够多的历史数据和经验有效的计量经济模型,模型的参数只能靠定性(考虑参数的经济意义和统计特性)和试算的方法来选取。

1.时间段的选取。本文以季度为时间段进行模拟运算,即每次模拟以上一年末的不良贷款率为初始值,模拟四次得到本年末的不良贷款率。

2.白噪声εt的标准差σ的选取。VaR是衡量市场正常波动情况下的风险状况,且所选择的时间段仅为一个季度,所以宏观市场因子的波动幅度不宜过大。当rt=εt时,用水晶球(CrytalBall)软件对σ取不同值时的ert进行了5000次模拟试算,得到其取值范围。根据试算,本文确定σ取0.05。因为σ取0.05时,一个季度中不良贷款率变化的幅度在20%左右,是可以接受的结果。

3.AR(1)过程中系数的选取。与白噪声过程相比,当04.ARMA(1,1)过程中系数b的选取。由于ert对b的取值并不敏感,特别是当b取值在0到1时,ert的取值范围几乎没有什么变化。考虑到b的经济意义,它反映上期的非预期波动对市场因子的影响持续到了本期,故影响能力应该并不大,所以b取0.2。

(三)模拟结果与比较

确定参数取值后,(1)式模型的3个过程可以表述为:

本文分别用三种随机过程,并分别以2002年末和2003年末的不良贷款率为初始值,对2003年末和2004年末的不良贷款率进行蒙特卡洛模拟计算。模拟次数取5000次,置信水平取99%和95%。通过概率密度分布图和预测结果来看,三种过程都符合对模拟结果的要求。

第一,三种过程模拟出的不良贷款率的均值都在不同程度上大于实际值,这一点具有现实意义,体现了谨慎性的原则。因为作为用来评价银行信用风险的模型,若它得到的风险度量指标的均值小于实际值的话,就等于直接高估了银行资产的价值,对预期损失估计不足。

第二,VaR的模拟结果也都大于实际值,这更是必须的条件。如果只是对预期损失估计不足,准备金提取不够,如果连VaR都估计不足,银行将大大放松对风险的控制和管理,当风险真正成为损失,银行的准备金和经济资本将肯定不够弥补,严重的话将导致银行破产。

第三,三个过程所得到的不良贷款率的概率密度分布均右偏,体现了信用风险的基本特征即信用风险具有收益和损失不对称的风险特征。宏观市场因子的波动只对收益产生有限的正面影响,却对收益有相当的系统性负面影响,不良贷款率较大的情况出现的概率比正态分布时要大。

第四,三种过程的结果又有一定的差别,体现了本文选择三种随机过程来进行模拟的初衷,即分析蒙特卡洛模拟方法中关键变量随机过程选择的重要影响。

(四)预测值

以2004年末的不良贷款率(1.31%)为初始值,分别用三种随机过程模拟5000次得到2005年末不良贷款率的预测值如表1。即2005年末该银行的不良贷款率有95%的可能性小于1.5393(白噪声)、2.0751(一阶自回归)、2.2252(一般自回归移动平均);有99%的可能性小于1.6634(白噪声)、2.5595(一阶自回归)、2.7647(一般自回归移动平均)。

加强我国商业银行信用风险度量的措施

从以上现状分析与实证研究中可以看出,目前在我国商业银行实施信用风险度量的高级模型尚有很多困难和阻碍。我国要不断改善金融市场的内外部环境,逐步地提高商业银行的信用风险度量与管理水平。目前可考虑以下措施:

完善我国资本市场,发展独立的信用评估中介机构,以增强市场信号的力度和透明度。优化风险管理制度,这是提高信用风险度量技术水平的内部基础,以保证风险水平符合管理层制定的目标和策略,提高风险收益比。以多种方法进行数据准备,并大力发展数据库技术,建立信用风险评估的数据基础。选择适当范围先引入量化分析,分步评估技术和管理水平,从而最终实现整个信用风险管理体系的科学化、标准化和制度化。