中国人民大学 周虹 风险管理4(A)

风险管理 第四讲信用风险管理一信用风险管理概述二信用风险分析与衡量的方法体系三信用风险量化模型一信用风险管理概述1、信用风险的概念2、信用风险管理策略和工具的发展1、信用风险的概念信用风险是指债务人或交易对手未能履行金融工具的义务或者信用质量发生变化，影响金融工具的价值，从而给债权人或金融工具持有人带来损失的风险。违约风险(DefaultRisk)信用事件风险(CreditEventRisk)或信用等级变化风险(CreditMigratingRisk)交易对手风险（CounterPartyRisk）特定风险(SpecificRisk)：由特定的违约事件或其他信用事件而引发的市场风险贷款人：违约风险(DefaultRisk)，资产的重新估价风险债券持有者：信用事件风险(CreditEventRisk)或信用等级变化风险(CreditMigratingRisk)衍生工具和股票等的交易：交易对手风险（CounterPartyRisk），结算风险信用能力因素：受借款人资本金、投资的资产质量盈利能力以及行业和宏观经济因素的影响信用意愿因素：受政策、体制、法律和道德等因素的影响信息不对称与委托代理问题使得对信用风险状况及其变化的了解更加困难信用风险的来源（一）信用风险的概率分布为非正态分布

-信用风险的概率分布向左倾斜,并在右侧出现肥尾现象，使得难以对信用风险进行正态分布的假设,从而加大了信用风险统计分析的难度。（二）道德风险在信用风险的形成中起重要作用 -道德风险是信用风险的一个重要原因（三）信息不对称使得对信用风险状况及其变化的了解更加困难信用风险的特征分析（四）信用风险具有明显的非系统性风险的特征

-多样化投资分散非系统性风险的风险管理原则更适用于信用风险管理（五）信用风险的观察数据少,且不易获取（六）信用风险的构成要素分析以违约为中心

-对信用风险的描述和量化仍然以违约为中心，主要包括违约概率（ProbabilityofDefault,PD）、违约损失率（LossGivenDefault,LGD）和违约时的风险暴露（ExposureatDefault,EAD）

损失的概率分布（PDFofLoss）FrequencyFrequencyNormal,bell-shapeddistributionActualdistribution(Loanloss)(Loanvalue)0NodefaultMaximumLoss0MaximumvalueFattailExpectedlossExpectedvalue信用风险分析和量化技术的发展传统方法： -专家系统、信用打分模型和内部评级方法现代信用风险计量技术：-Creditmetics模型-CreditPortfolioView模型-KMVCreditMonitor

-KMVPortfolioManager模型-CreditRisk+模型2、信用风险管理策略和工具的发展（一）主要以信用风险的构成要素为分析对象 -信用风险的构成要素包括违约率(PD)、违约损失率(LGD)、预期损失（EL）、非预期损失（UL）以及违约相关度等。（二）基于市场价值（三）动态分析成为为主流 -现代的信用风险管理由关注违约转变为关注信用质量和等级的变化，灵敏反映市场变化和信用质量的动态的信用量化分析成为现代信用风险计量分析的重要特征。（四）信息来源多样化 -企业、评级机构（以及其他信息咨询机构）、债券市场和股票市场成为现代信用分析的四大信息来源。（五）采用更多和更加复杂的数理统计和其它科学分析工具现代信用风险计量技术与传统计量方法的不同特征：（一）新的信用风险管理工具和手段 -传统的信用产品与工具主要有贷款、公司债券，担保、抵押、备用信用证等 -现代信用风险管理工具与手段：信用互换和信用关联票据等信用衍生产品，贷款销售和资产证券化CDO等更加复杂的结构性融资产品（二）现代风险管理策略 -市场化的信用对冲

（三）传统贷款多样化管理上升到现代信用组合管理（四）从基于客户和产品的信用风险管理发展到基于市场的管理信用风险管理策略二信用风险分析与衡量的方法体系1、专家系统2、信用打分模型3、内部评级（一）基本方法专家系统（ExpertSystem）是依赖高级信贷人员和信贷专家自身的专业知识技能和丰富的经验，运用各种专业性分析工具，在分析评价各种关键要素基础上依据主观判断来综合评定信用风险的分析系统。专家系统在分析信用风险时主要考虑两方面因素：一是与借款人有关的因素；二是与市场有关的因素。1、专家系统1.与借款人有关的因素：

(1)声誉（Reputation）

(2)杠杆（Leverage）

(3)收益波动性（VolatilityofEarnings）。

(4)抵押（Collateral）2.与市场有关的因素

(1)经济周期（BusinessCycle）

(2)宏观经济政策（Macro-EconomyPolicy）

(3)利率水平（LevelofInterestRates）

5Cs系统应用最为广泛除5Cs系统外，使用也较为广泛的专家系统还包括对企业信用进行分析的5Ps系统与针对银行等金融机构的骆驼（CAMEL）分析系统。(二)典型系统品德（Character）资本（Capital）还款能力（Capacity）抵押（Collateral）经营环境（Condition）5Cs5Ps系统(二)典型系统个人因素(PersonalFactor)资金用途因素

(Purpose-Factor)还款来源因素(PaymentFactor)保障因素(ProtectionFactor)企业前景因素(PerspectiveFactor)5Ps(二)典型系统CAMEL系统

资本充足率

(CapitalAdequacy)资产质量(AssetsQuality)管理能力(Management)盈利性(Earning)流动性(Liquidity)CAMEL该系统主要依赖信贷专家的经验和判断作为信用分析和决策的基础主观性很强，对信用风险的评估缺乏一致性。基于专家实践，缺乏系统的理论支持较为客观的现代信用风险计量方法和银行统一的内部信用评级与专家系统相结合，能够获得取长补短的效果，使得传统的专家系统在银行信用风险分析中发挥更加积极的作用（三）特点与主要问题2、信用打分模型（CreditScoringModels）信用打分模型是一种传统的信用风险量化模型，它用可观察到的债务人特征变量计算出一个数值（即打分）来代表债务人的违约概率或者将贷款人归类于不同的违约风险类别。信用打分模型的关键在于关键变量的选择和各自权重的确定。目前，应用较为广泛的模型有线性概率模型（LinearProbabilityModel）、Logit模型和线性辨别分析模型（LinearDiscriminantModel）。运用信用打分模型进行信用风险分析的基本过程首先根据经验或相关性分析确定特定债务人或头寸暴露的违约风险主要与哪些经济或财务因素有关，模拟出特定形式的函数关系式；然后根据历史数据进行回归分析，得出各相关因素的权重以体现其对于借款人违约作用的大小；最后将潜在借款人相关因素的数值代入函数关系式计算出一个数值，根据该数值的大小衡量潜在借款人的信用风险水平，从而决定贷款与否。线性概率模型使用贷款偿付情况历史数据来分析影响信用风险的主要因素及其重要性该模型将以往贷款划分成违约与非违约两组，违约时令Zi=1，非违约时令Zi=0。然后使用Zi数值与所使用的各种财务比率的历史数据进行线性回归，得出每一种财务比率在回归方程中所占的比重，即权数。Zi=ΣβiXij+eβi表示第j个变量Xij在拟合回归方程中的作用，即该变量所适用的权数，e表示误差项。在做信用风险分析时，可以将潜在借款人可观测到的Xij的数值代入该回归方程，从而计算出一个介于0—1的Zi数值，这就代表该借款人的违约概率。该模型具有一个重要缺陷，即有时根据回归方程计算的违约概率会超过1，克服这一缺陷的方法是采用Logit模型。（一）线性概率模型（LinearProbabilityModel）该模型将借款人分为高风险与低风险两种，利用数理统计中的辨别分析技术选择所使用的比率XijAltman的Z计分模型1968年提出：Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5X1=（流动资产-流动负债）/总资产X2=留存收益/总资产X3=息税前利润/总资产X4=股票市场价值/债务账面价值X5=销售额/总资产（二）线性辨别模型(LinearDiscriminantModel)Z作为违约风险的指标，Z值越高，违约概率越低。结论：1.检验在0.001水平上显著2.通过计算，借款人违约的临界值为：Z=2.675若Z<2.675，则被划为违约组若Z≧2.675，则被划为非违约组若1.81<Z<2.99，则被认为是在灰色区域内，判断失误的可能性较大。原因是原始样本存在错误分类或两类的重叠产生的。Altman提出了判断企业破产的临界值：若Z低于1.81，则企业存在很大的破产风险，应被归为高违约风险等级要特别注意的是…该研究的公司样本是以制造业为主，而且资产规模介于70万美元至2590万美元之间，预测期间为一年，若预测期间改为二年，则Z-Score低于2.675时，预测该公司会破产的准确度将降低为72%，当预测期间拉长到5年时，预测该公司会破产的准确度将降低到只剩36%。另外，上述的公式与判断标准并不表示一定适用于非制造业或资产规模较大的公司。检验结果，准确性程度1、仅考虑2个极端情况（违约与没有违约），对于负债重整、或是虽然发生违约但是回收率很高的情况就没有做另外较详细的分类。2、权数未必一直是固定的，必须经常调整。3、并未考虑景气循环效应因子的影响。4、公司违约与否与风险特性的关系实际上可能是非线性的。5、缺乏经济理论支持，也就是为什么就这几个财务变量值得考虑，难道其它因素(例如公司治理变量)就没有预测能力吗6、对市场的变化不够灵敏（运用的会计资料更新太慢）。7、无法计算投资组合的信用风险，因为Z-Score模型主要是针对个别资产的信用风险进行评估，对整个投资组合的信用风险无法衡量。

Z-Score模型的限制与缺点1977年，Altman与Hardeman、Narayanan又提出了第二代Z计分模型依据在信用分析中的广泛使用的变量，首先选出了27个变量。这些变量可划分为获利能力度量指标、保障率与其它杠杆收益度量指标、流动能力度量指标、资本化比率度量指标、收益变动性指标等等。对公司的财务报表数据所进行的最重要的调整就是对租赁资本数据的调整，这也是运用这个模型对财务报告所作的唯一重大的调整。公司资产、负债需要再加上租赁资本总额，同时负债还要加上利息成本。当然对一些其它因素也需要进行相应的调整，如公积金、资产负债表的少数股权、不能合并的子公司收入,商誉和无形资产以及资本化的研究和开发成本等因素主要用于公共或私有的非金融类公司，其适应范围更宽，对违约概率的计算更精确。

ZETA信用风险分析模型ZETA模型将模型考察指标由五个增加到七个，分别为：X1：资产收益率指标X2：收益稳定性指标X3：偿债能力指标X4：盈利积累能力指标X5：流动性指标X6：资本化程度指标X7：规模指标ZETA新模型在破产前5年即可有效地划分出将要破产的公司，其中破产前1年的准确度大于90%，破产前5年的准确度大于70%。新模型不仅适用于制造业，而且同样有效地适用于零售业。ZETA评分模型改进的几个方面如下：扩大了选择范围并进一步接近现实；所选变量较前稳定；在其样本的开发和统计技术方面都有大的改进；比Z评分模型更为准确有效（特别是在破产之前，预测年限越长，则预测准确性就越高）。ZETA评分模型的优点1.两个模型都依赖于财务报表的帐面数据，而忽视日益重要的各项资本市场指标，这就必然削弱预测结果的可靠性和及时性；2.由于模型缺乏对违约和违约风险的系统认识，理论基础比较薄弱，从而难以令人信服；3.两个模型都假设在解释变量中存在着线性关系，而现实的经济现象是非线性的，因而也削弱了预测结果的准确程度，使得违约模型不能精确地描述经济现实；4.两个模型都无法计量企业的表外信用风险，另外对某些特定行业的企业如公用企业、财务公司、新公司以及资源企业也不适用，因而它们的使用范围受到较大限制。ZETA评分模型和Z评分模型存在的问题欧特曼教授于1977年在JournalofBanking&Finance发表了另一篇论文(ZetaAnalysis:ANewModeltoIdentifyBankruptcyRiskofCorporations)，与Z-Score模型不同的是，ZETA信用风险模型加入大资产规模的样本(制造业平均资产规模在1亿，非制造业则低于2千万)，并将非制造业(零售)纳入，相同的是都以历史财务报表的资料为基础，建立27个财务变量，再透过统计方法推导出7个指标变量，分别是….总资产报酬率(EBIT÷总资产)、5~10年资产报酬率估计的标准误(代表盈余稳定性)、利息保障倍数(EBIT÷利息费用)、累积获利能力(保留盈余÷总资产)、流动比率(流动资产÷流动负债)、普通股市价比率(普通股市价总值÷总资本)、总资产等。另外，ZETA信用风险模型还考虑到财报准则的修正与财报附注项目(租赁资本化、其他负债与其他资产以净值计算、以合并报表的资料进行分析、剔除商誉与无形资产、将研发费用与利息资本化部分视为费用处理)。整体来说，ZETA信用风险模型用来判断破产公司的概念，和之前的Z-Score模型的精神类似，都是以财务报表的内容来分析公司的信用风险。无论是ZETA或Z-Score都适用于破产发生前1年的样本，ZETA预估会破产的公司，精确度高达96.2%，预估不会破产的公司，精确度则为89.7%，Z-Score则为93.9%与97%，但ZETA在分析上，可将精确性拉长到2～5年之前，ZETA在前5年预估破产公司的准确度还可达到69.8%，不会破产公司的精确度可达到82.1%，但Z-Score就降到只剩36％，欧特曼教授表示，可能是因为ZETA模型中，样本抽取更符合当时状况，也包括更多不同产业公司，而Z-Score只使用了制造业的样本，在加入非制造业样本后才使得准确度降低。Z-Score模型的修正：Z’-Score：将X4中的普通股权益市值修正为普通股权益的账面价值后，发现变量X4的系数会降低，但是模型可靠度也会稍微降低，且临界分数必须修正至1.23Z-Score模型的修正：Z』-Score：加入非制造业公司的样本后，沿用Z’-Score的方式，X4变量使用普通股权益的账面价值，为了极小化产业效应，并将销售÷总资产这个变量(X5)剔除，新的Z-ScoreModel成为Z』=6.56(X1)+3.26(X2)+6.72(X3)+1.05(X4)，这个新模型对于资产融资较为频繁的产业特别有用(例如租赁资本化)。欧特曼教授于2000年发表了另一篇论文(PREDICTINGFINANCIALDISTRESSOFCOMPANIES:REVISITINGTHEZ-SCOREANDZETAMODELS)，在该文中将样本资料更新到1999年，该研究中他将样本群依照时间分为1969~1975年、1976~1995年、1997~1999年等三类，若使用Z-Score的原始公式及2.675的临界分数，预估公司会破产的准确度将介于82%~94%，因此他建议使用者将临界分数由2.675降低到1.81会较为适合首先，信用打分模型仅仅考虑借款人行为的两个极端例子：违约与不违约或高违约与低违约其次，信用打分模型是建立在对历史数据而非金融市场数据的模拟的基础上的，因此是一种向后看（BackwardLooking）的模型再次，信用打分模型忽略了一些重要的但又难以量化的因素最后，信用打分模型对借款人历史数据的要求相当高（三）信用打分模型存在的问题（一）内部评级的概念内部评级（InternalRatings）是指金融机构内部通过定量因素和定性因素的综合分析,对其自身的交易对手、债务人或交易项目自身用一个高度简化的等级符号来反映被评级对象的风险特征。内部评级所反映的被评级对象的风风险特征主要是借款者的违约概率(PD)和交易工具的违约损失率(LGD)。金融机构的内部评级体系既包括评级体系的设计,即等级设置、等级标准和等级所反映的风险特征等，又包括评级方法、手段和过程,即定量方法和专家分析的结合、所要考虑的风险因素和评级及复议过程的激励和控制等。3、内部评级外部评级内部评级相同点对债务人和信用产品的信用风险的评估其评估结果都反映了债务人违约概率(PD)和信用产品的违约损失率(LGD)，考虑类似的风险因素，对债务人的财务状况、现金流量、产业特点、交易特征和主权风险等方面进行定性和定量相结合的分析，强调专家判断的重要性承认细节化的、机械化的指导原则和程序的局限性。

不同点服务的对象：为资本市场投资者提供独立公正的信息服务为保障其评级结果的准确性和公正性，其评级结构和含义的具有稳定性和明确性外部评级机构愿意公布其评级的过程、方法和等级的含义目的在于应用于自身的经营和风险管理，故内部评级的风险和收益是内化的，评级的做法也是私有化的评级的准确性、等级结构和含义的稳定性和明确性、评级的过程、方法和等级的含义都在一定程度上可以根据金融机构的需要和收益成本情况进行调整金融机构内部评级体系结构设计包括等级的设置、等级的风险和损失内涵、债务人评级和交易评级等方面1．评级维度评级维度是指对评级对象及其风险特征的选择，主要包括债务人评级（ObligorRating）和债项交易评级(FacilitiesRating)两个方面的内容。2．等级的设置美国的银行监管体系要求将问题头寸分为关注（SpecialMention(OAEM)）、次级（Substandard）、可疑（Doubtful）、损失（Loss）四个等级

（二）内部评级体系的结构1．风险报告2．风险定价3．确定准备金水平4．经济资本分配5．公司治理与激励6．资产组合管理（三）内部评级在金融机构风险管理体系中的作用三信用风险量化模型1、CreditMetrics模型2、信用风险量化面临的主要问题和挑战2、CreditMetrics模型CreditMetrics模型是J.P.摩根1997年开发出的用于量化信用风险的风险管理产品（一）CreditMetrics模型的基本思想（二）CreditMetrics模型的基本方法（一）CreditMetrics模型的基本思想认为信用风险可以说直接源自企业信用等级的变化，并假定信用评级是有效的CreditMetrics模型的基本方法是信用等级变化分析。CreditMetrics模型的一个基本特点就是从资产组合而并不是单一资产的角度来看待信用风险。

信用工具信用等级变化的概率分布（一般由信用评级公司提供）信用工具在各信用等级上的市场价值信用工具市场价值在不同信用风险状态下的概率分布信用工具其市场价值变化的相关系数信息整个投资组合的市场价值的概率分布信用组合在一定的置信水平下的VaR值。（二）CreditMetrics模型的基本方法1．确定组合中每种信用工具当前的信用等级。2．确定每种信用工具在既定的风险期限内（如一年）由当前信用等级变化到所有其他信用等级的概率，并由此得出转换矩阵（TransitionMatrix），即所有不同信用等级的信用工具在风险期限内变化（转换）到其他信用等级或维持原级别的概率矩阵。这一矩阵通常由专业的信用评级公司给出。3.确定每种信用工具期末在所有信用等级上的市场价值（并由此得出由于信用等级变化而导致的信用工具价值的变化）。结