(风险管理)商业银行信用风险管理

7/7(风险管理)商业银行信用风险管理银行信用风险管理

一、比较分析现代信用风险度量模型的异同点及应用时注意事项。（一）模型概述

1.信用监测模型（CreditMonitorModel）

1993年，KMV公司利用布莱克—斯科尔斯－莫顿模型（BSMModel）提出了著名的信用监测模型（CreditMonitorModel），并经Longstaff和Schwarz（1995）、Dsa（1995）和Zhou（1997）对此作了进一步的发展，现已基本成熟并成为当今世界最为著名的信用风险度量模型之一。

由于该模型是在BSM基础上建立起来的，因而有满足BSM模型的基本假设，即公司股票价格是个随机过程、允许卖空、没有交易费用和税收、证券可分性、不存在套利机会、证券交易的连续性、无风险利率在借款人还清债务前保持不变。KMV模型认为上市公司持有的资产分布及其资本结构特征决定了借款人的信用质量特征，并且借款人资本结构只有所有者权益、短期债务、长期债务和可转化的优先股。当借款人资产价值小于违约点就可能违约，并认为违约点在数量上是短期债务与半倍的长期债务之和。由于假设上市公司市场价值服从布朗运动，并且借款人资产收益服从正态分布，这样可以应用到期权理论求出预期违约率，因为银行发放贷款所获得的收益与卖出一份借款人企业资产的看跌期权是同构的，因而还可以计算贷款的价差。显然，该模型是用解析式来计算违约率的，它不像信用度量术和死亡模型是用统计的方法得出来的。

该模型的主要优势在于：它拥有强大的理论基础，即现代公司理财和期权理论的“结构性模型”；它采用的主要是股票市场的数据，因此，数据和结果更新很快，具有前瞻性；由于该模型将股权视为企业资产的看涨期权，所以它可以用于任何公开招股公司。然而，该模型也存在缺点：假设比较苛刻，尤其是资产收益分布实际上存在“肥尾”（fat-tailedness）现象，并不满足正态分布假设；对于非上市公司，不得不采用历史财务数据，数据的时效性大打折扣；没有根据借款人信用品质、担保情况、可转换性等区分长期债券；它是违约式（Default-Mode,DM）模型，对企业的杠杆比率捕捉钝化，具有静态性；不能处理非线性产品，如期权、外币掉期。

2.信用度量术（CreditMetrics）

1997年，J.P.摩根联合当时世界一流银行和KMV公司共同开发出信用度量术（CreditMetrics），采用二阶段法度量信用风险，此后，A.Nyfeler（2000）、LawreceR.Forest和KpmecpeatMarwick（2000），DavidJones和JohnMingo（2001）对此作了进一步解释和拓展，现已基本成熟并成为当今世界最为著名的信用风险度量模型之一。

该模型计算起来比较复杂，也有很多假设：债券未来市场价值和风险完全由其远期利率分布曲线决定（相同信用等级的远期利率分布曲线是相同的），在模型中，唯一的变量是信用等级；信用等级是离散的，在同一级别的债券具有相同的迁移矩阵和违约率，迁移概率遵循马尔可夫过程（MarkovProcess），同

时迁移概率具有稳定性，且实际违约率等于历史违约率；风险期限是固定的，一般为一年；不同债务人的信用等级的联合分布是用两者资产回报率联合分布来估计的，资产回报率的联合分布又用所有者权益收益率的联合分布来代替；每个信用等级对应一条零息票收益率曲线（相同信用等级的零息票收益率曲线是相同的）；违约的含义不仅指债务人到期没有偿还债务，还可指债务人信用等级的下降所导致的债券市场价值下跌，并且违约事件发生在债务到期。

该模型要应用到利率期限结构理论，并利用大量历史统计数据，以计算不同年限跨度的信用等级迁移矩阵和违约率。因此，该模型考虑到债务人信用品质变化所带来的未来损失。该模型的组合方法有正态分布假设下的解析法和蒙特卡罗模拟法，通过均值、标准差、分位数、边际贡献等参数表达组合风险的特征。在资产价值服从正态分布下，可以根据信用等级迁移矩阵求出未来资产价值和方差，这样就可以求出在一定置信水平下的资产最大损失。如采用蒙特卡罗模拟法，就得利用VaR方法计算债券可能的最不利的变化，即向较差信用等级迁移的可能性，用此方法来计算在一定置信水平下债券最大可能的损失。一般而言，蒙特卡罗模拟法相对正态分布假设下的解析法计算的准确度高。

该模型的主要优势在于：对组合价值的分布有正态分布假定下的解析方法和蒙特卡罗模拟法（MonteCarloSimulation），在一定程度上避免了资产收益率正态性硬性假设，可以用资产价值分布和百分位求出资产损失；对“违约”的概念进行了拓展，认为违约也包括债务人信用等级恶化；它是一种盯市（Market-to-Market，MTM）信用风险度量模型，能将债务价值的高端和低端考虑到；该模型适用范围非常广泛，包括传统的商业贷款、信用证和承付书、固定收益证券、贸易融资和应收账款等商业合同，而其高级版的信用风险度量术还能够处理掉期合同、期货合同及其他衍生产品；该模型提出了边际风险贡献的概念，很好地刻画新增一笔债券/贷款的风险和收益及其取舍方法。该模型存在劣势是：大量证据表明信用等级迁移概率并不遵循马尔可夫过程，而是跨时自相关的；信用等级迁移矩阵未必是稳定的，它受到行业、国家因素、周期因素等影响。

3.死亡模型（MortalityModel）

1997年，EwardI.Altman和Suggitt，Kishore开发出债券的边际和累计死亡率表，俗称死亡率模型。

该模型认为各债券违约相互独立，即不存在相关效应和连锁反应，相同信用等级的债券违约情况相同，而不同债券类型的违约下的损失率不同且相互独立，但同一债券类型的违约下的损失率基本相同，这些与信用度量术有相同之处，但两种模型在处理上有明显不同。

事实上，该模型是用历史数据统计不同信用等级下债券的边际死亡率和累计死亡率，同时，也可以统计出不同信用等级下的LGD，所以该方法比较容易理解，但应用也存在较大难度，主要是对数据量要求很大，许多单个商业银行无法提供如此大的数据库，如对有7个信用等级的债券的损失进行比较精确测算，则样本要达到7万多个，这对一般商业银行是不可能的。

该模型的主要优势：比较容易利用死亡率表来计算单个债券和债券组合的

预期损失及其波动率，特别是计算债券组合很方便；死亡模型是从大量样本中统计出来的一个模型，所以采用的参数比较少。该模型主要劣势：没有考虑不同债券的相关性对计算结果的影响；没有考虑宏观经济环境对死亡率的影响，因而需要时时更新死亡率表；数据更新和计算量很大；不能处理非线性产品，如期权、外币掉期。

4.信用风险附加法（CreditRisk+Model）

信用风险附加法是瑞士波士顿第一银行产品部（CreditSuisseFinancialProducts,CSFP）在1997年源于保险精算学思想开发的。

该方法与信用度量术不同，它将价差风险看做市场风险而不是信用风险的部分，结果是，在任何时期，只有违约和不违约两种状态予以考虑，并且假定在不重叠的时间段内违约人数相互独立，服从泊松分布，与公司的资本结构无关。由于该方法将贷款损失分为若干频段，而每一频段违约率均值是相同的，这样可以计算在一定置信水平下的任何一个频段贷款损失，每个频段损失加总就是总的损失，所以这个方法的采用变量很少，处理能力很强。

该模型的主要优势体现在：易于求出债券及其组合的损失概率和边际风险分布；模型集中于违约分析，所需估计变量很少，只需要违约和风险暴露的分布即可；该模型处理能力很强，可以处理数万个不同地区、不同部门、不同时限等不同类型的风险暴露；根据组合价值的损失分布函数可以直接计算组合的预期损失和非预期损失的值，比较简便。该模型的劣势在于：与KMV模型一样，只将违约风险纳入模型，没有考虑市场风险，而且认为违约风险与资本结构无关；没有考虑信用等级迁移，因而任意债权人的债务价值是固定不变的，它不依赖于债务发行人信用品质和远期利率的变化与波动。尽管违约概率受到一些随机因素的影响，但风险暴露并不受这些因素的影响；每一频段违约率均值的方差并不完全相同，否则会低估违约率；不能处理非线性金融产品，如期权、外币掉期。

5.信贷组合观点（CreditPortfolioView）

1998年，麦肯锡（McKinsey）公司Saunders和Wilson等人利用基本动力学的原理，从宏观经济环境的角度来分析借款人的信用等级迁移，建立了信贷组合观点，有时也称麦肯锡模型。

该模型突破了信用度量术模型的假设，认为迁移概率在不同借款人类型之间，以及不同商业周期之间不是稳定的，而应受到诸如国别、经济周期、失业率、GDP增长速度、长期利率水平、外汇汇率、政府支出、总储蓄率、产业等因素的影响，并认为这些宏观变量服从二阶自相关过程。一般而言，迁移概率在商业周期期间会变动较大，而在衰退期间的变动会比在扩张期间更大。该模型有两种方式处理周期性因素及其影响，一是将过去的样本期间划分为衰退年份和非衰退年份，并且计算两个单独的历史上的迁移矩阵，即一个衰退矩阵和一个非衰退矩阵，以得到两种分开的VaR计算结果；二是直接将迁移概率与宏观因素之间的关系模型化，并且，如果模型是拟合的，就通过制造宏观上的对于模型的“冲击”来模拟迁移概率的跨时演变。显然，该方法将无论是系统的还是非系统的宏观因素纳入模型中，以对迁移概率进行调整，因此，它实际上是

对信用度量术的补充和深化。

该模型的优势在于：较为充分地考虑了宏观经济环境对信用等级迁移的影响，而不是无条件用历史上违约率的平均值来代替；信用等级迁移概率具有盯市性，因而它与信用度量术结合起来可以提高信用风险度量的准确性；它清晰地给出了实际的离散的损失分布模型，这个损失分布依赖于子组合中信用头寸的个数和大小；它既可以适用单个债务人，也可以适用于群体债务人，如零售组合。劣势主要是：模型的数据依赖于一国很多宏观经济数据，因而数据处理与计算较为繁杂；不能处理非线性产品，如期权、外币掉期。

（二）模型异同分析比较

不同的模型具有各自不同的特点，现从如下几个方面进行比较：

1.风险的定义

一般说来，信用风险度量模型可以分为两类：盯住信用等级变化对贷款理论市值影响的盯住市场模型（ＭＴＭ）以及不考虑信用等级的变化、只考虑违约概率的违约模型（DM）。ＭＴＭ模型在界定信用风险的范畴时，既考虑了信用等级的变化，也考虑了违约，并由此来计算贷款价值的损失和收益以及贷款的信用风险。而ＤＭ模型偏重于预测违约损失，只考虑两种状态：违约和不违约，不考虑信用等级的变化。

很明显，KMV仅着重于违约预测，属于DM模型。Credit?鄄Metrics是一种多状态的模型，能够较为精确地计量信用风险的变化和损失值，属于MTM模型。麦肯锡模型既可以被看作MTM模型，也可以被看作DM模型。CreditRisk+是DM模型，没有考虑信用等级与相关性。死亡率模型是DM模型。

2.风险的影响因素

MTM模型假定企业的资产价值和资产价值的波动性是违约风险的主要影响因素，而DM模型假定的是违约率平均水平及其波动性，即平均违约率是违约风险的主要影响因素。

在KMV法中，公司的资产价值服从正态分布，预期违约率（EDF）随着新信息被纳入股票价格而发生变化。股票价格的变化以及股票价格的波动性成为KMV中预期违约率变化的基础。在CreditMetrics中，违约概率以及信用等级的变化被模型化为基于历史数据的信用转移矩阵，不考虑市场风险，违约率被视为离散变量。在麦肯锡模型中，将宏观因素纳入到模型，违约率考虑了经济周期的影响，因而，风险的波动受总体经济环境的影响。在CreditRisk+里，违约率被视为连续变量，并且违约次数服从泊松分布，没有考虑市场风险，而且违约风险与资本结构无关。在死亡率模型中，风险的测定与判断只是基于历史上的各因素对风险的影响情况，没有考虑宏观经济环境对死亡率的影响。

3.数据依据基础

不同模型所依据的数据基础不同。KMV模型以股票市场数据为基础，包含

比较多的市场信息。CreditMetrics采用历史数据，也就是“向后看”的方法。麦肯锡模型数据在一定程度上运用了历史值，但它同时又考虑了宏观的因素，对商业周期也予以考虑，对当期受到的冲击也很敏感，因此能够在一定程度上修正CreditMetrics的偏差。CreditRisk+中数据要求简单，需要输入的数据少，基于历史数据确定某频段的平均违约率。死亡率模型是简单的依靠历史数据预测违约损失，采用的参数比较少，但若要保证测算的精度，需要大规模的包括各等级的债权工具的历史观测值样本。

4.回收率

损失的分布和VaR值的计算不仅取决于违约的概率，也取决于损失的严重程度或给定违约概率下的违约损失(LGD)。KMV法的简单模型中回收率被看作是常数，该模型新近的发展中允许回收率服从beta分布。CreditMetrics中，当贷款市值服从正态分布时，估计的回收率的标准差可以用于VaR的计算；当贷款市值为实际分布时，可以利用转移概率矩阵和对应的贷款价值表近似计算不同置信度下的VaR值和回收率。显然，回收率是可变的。麦肯锡模型是在CreditMetrics的基础上对转移概率矩阵进行了调整。如果它是用于计算对经济周期敏感的VaR值，那么，回收率是可变的；如果它是用于计算周期影响下的违约损失率，那么，回收率为常数。CreditRisk+中可按风险暴露将信贷组合划分为若干频段，在每个频段中信贷组合的回收率可视为常数。死亡率模型为DM模型，回收率采用历史统计数据的平均值，为常数。

5.模型的使用条件

各个模型由于理论假设、模型设计和数据基础的不同而具有不同的使用条件。KMV模型要求有大量的上市企业，股票市场要发达、有效，股票的交易价格能够反映企业资产的市场价值情况，还要有相当长时间的股价变动历史数据和企业信用状况的历史数据。该模型不能用于非上市公司。CreditMetrics模型要求有较为完善的内、外部信用评级体系和积累的大量历史数据，从而能够建立信用等级转移概率矩阵。另外，它还要求无风险利率是固定不变的。麦肯锡模型根据低信用等级的企业受宏观经济环境影响较大的理论建立，一般适合对低信用等级的企业贷款的信用风险进行度量。CreditRisk+能对多笔相互独立的中小债务进行管理，处理能力很强。它不考虑市场风险，不能处理非线性的金融产品。对于死亡率模型，由于要保证测算的精度，需要大规模的包括各等级的债权工具的历史观测值样本。

6．模型的适用对象

CreditMetrics模型和KMV模型适用于公司和大客户信用风险的度量，CreditRisk+模型适用于银行对零售客户的信用风险度量，而CreditPortfolioView模型适用于对宏观经济因素变化敏感的投机级债务人的信用风险度量。

我们引用一个表格做一个说明：

信用风险模型的关键特征比较

*以上表格出自《现代信用风险度量模型比较分析》金志博王红娟

（三）信用风险模型在我国应用中存在的问题及建议

1、数据缺乏

由于信用制度不健全、信用体系尚未建立，所以有关公司历史违约数据和规范债券评级统计数据严重缺乏，很难把违约距离转化成实际违约率。同时，

利率尚未市场化等为转移矩阵的建立以及信用价差的确定造成了困难。

2、一些参数的稳定性假设问题

由我国现阶段相关机制不健全，资产收益的相关度不稳定，使得信用计量模型对资产组合的分析难以恰当反映组合风险的未来状况，使得模型对未来风险的预测能力有较大的影响。

3、肥尾问题

我国证券市场股价不仅波动幅度大，而且极端值出现的概率并不算小，因此资产收益的非正态性问题也即肥尾问题应该受到重视。由以上分析可知，目前各种模型在我国的应用缺乏必要的条件，总体环境还不成熟，但也必须看到该理论技术所体现的现代金融市场条件下的基本信用风险管理思想和理念是值得学习和借鉴的。针对我国存在的问题，提出以下建议：一是尽快建立企业违约数据库，为银行直接的信贷决策提供参考，同时也为科学量化的信用风险管理建立基础。二是普及和发展信用管理中介服务行业，进一步完善信用评级制度，这是信用风险管理的必要前提。三是积极发展和完善证券市场，提高市场信息的透明度以及信息效率，以平抑证券市场的过度投机，削减异常波动性，为银行信用风险管理提供良好的金融环境。

（四）对信用风险度量模型的综合评价

根据对违约定义的不同，可将以上模型分为盯市模型（MTM）与违约模型（DM），MTM模型和DM模型是银行业普遍使用的两大类信用风险度量模型。盯市模型是以资产市场价值变化为基础计算VaR的模型；而违约模型是集中于预测违约损失，它只考虑了两种情形：违约和不违约。盯市模型相对违约模型的一个显著差异是前者它包括了价差风险，因为它除了考虑违约与不违约两种信用状态以外，还要考虑到信用质量的变化，比如信用等级的升降或下降，在此意义下MTM模型是DM模型的一种推广。据此分析，信用度量术是个典型的MTM模型；死亡模型、信用风险附加法、贷款分析系统和信用监测模型本质是DM模型，但高级版的信用监测模型也是MTM模型；而信贷组合观点既是MTM模型，也是DM模型。由于MTM模型计算的贷款损失能时时更新，更有利于银行进行风险管理，也是银行风险管理追求的目标，因而在实际应用中更受欢迎。

以上信用风险度量模型的一个重要差别是违约概率的波动性。在信用监测模型中，违约率随着借款人股票市价变化而变化；在信用度量术和死亡率模型中，违约概率是基于历史数据统计出来的固定的、离散的值；在信用风险附加法中，每笔贷款的违约率是可变的，违约率均值被模型化为一个有着伽马分布（Gammadistribution）的变量；在信贷组合观点中，违约概率是一套正态分布的受到宏观因素冲击的一个对数函数；贷款分析系统的违约率受利率或者借款人资产价值变化而变化。事实上，借款人违约行为是个复杂的过程，不仅受到企业自身的影响，也受到市场和国家宏观经济政策的影响，因而可变的违约率更符合实际情况。

损失的分布和VaR的计算不仅取决于违约的概率，而且也取决于损失的严

重程度或违约下的损失率。经验证据表明违约严重程度和贷款回收情况随时间演变而有相当大的波动性，进而，将变化的回收率（回收率在数量上是1与LGD之差）包括进去有可能增加VaR或未预期的损失率。信用监测模型假设回收率为一个常数，但高级版的信用监测模型允许回收率遵循贝塔分布（Betadistribution）；在信用度量术模型和死亡模