信用评级内容及方法介绍.ppt

1、信用评级,信用风险及度量,信用风险：债务人不能履行还本付息的契约义务而给债权人带来潜在损失的大小。 信用风险构成：一是债务的违约，二是债务违约后给债权人带来的损失。 信用风险量化指标：预期损失率,信用风险,预期损失率=违约概率*违约损失率。 违约概率（PD：Probability Default) : 在未来给定时期内发生违约的可能性。影响因素主要来自于发债主体的信用基本面，如宏观经济和其所在行业的变化、发债主体的管理、经营和财务情况等； 违约违约损失率（LGD：Loss Given Default)： 违约发生后，未偿金额发生损失的比例。理论上，违约损失率=100%-回收率；影响因素主要来自

2、于债务的条款、以及债务人之间的优先次序等,评级要素及其含义,(一）评级等级：用符号表示受评机构或债务的信用质量。不同评级机构会有不同的等级体系。 主体评级和债项评级 主体评级是对发行主体的整体信用状况的评价，评级结果揭示的是债务发行方的基本信用级别； 债项评级是针对特定债券进行的评级，揭示的是该特定债券的信用级别。 在信用评级实践中，两者不完全一致。债券由于有专门的偿债措施保障，比如设定第三方担保；偿债基金等从而降低债券持有者的违约损失率，虽然这些措施并不能降低违约发生的概率，因此其债项级别一般高于发行人的主体级别。,信用评级符号和定义,长期债务（偿还期限为一年以上的债务）信用等级的符号和定义

3、,注：除 AAA 级和 CCC 级以下（不含 CCC 级）等级外，每一个信用等级可用“+”、“-”符号进行微调，表示信用质量略高或略低于本等级。,信用评级符号和定义,短期债务（偿还期限为一年或不足一年的债务）的评级符号和定义： A-1级：为最高级短期债券，其还本付息能力最强，安全性最高。A-2级：还本付息能力较强，安全性较高。A-3级：还本付息能力一般，安全性易受不良环境变化的影响。B级：还本付息能力较低，有一定的违约风险。C级：还本付息能力很低，违约风险较高。D级：不能按期还本付息。每一个信用等级均不进行微调。,不同机构等级符号的意义,穆迪：反映了债务违约概率和违约损失率 标普：侧重反映债务

4、违约概率 国内：侧重反映债务违约概率,信用等级符号,中长期等级符号体系是对不同信用风险的一种相对排序。一般而言，信用等级高的债务比信用等级低的债务违约率和预期损失率要低，但并不代表等级高的债务在任何时点比等级低的债务债务违约率和预期损失率都低，信用风险都小。,信用等级符号,中长期等级符号系统反映的是不同档次的信用风险，并不是特指一年、或者一段确定时间的信用风险。也就是说，不同等级对应的违约率和预期损失率并不局限于特定的时间段，等级符号不代表一年、两年或者十年等具体年限的信用风险大小。,国内债市的评级分类,国内债市评级分类同国际债市类似。主要区别为国内债市评级中增加了一项“超AAA”级（AAA+

5、）评级。目前10 家发债实体具有“超AAA”评级，其债券发行利率通常只较政策性银行债略高，且被视为拥有政府有力支撑的债券。 10家发债实体分别是： 铁道部；中石油； 中海油； 中石化； 中国电信； 中国联通； 中国移动； 国家电网；南方电网； 中国神华。,评级要素及其含义,（二）评级展望： 1、定义：对长期信用评级变化趋势做出标示。通常投资级的评级展望期限为6个月到2年；投机级的评级展望期限为6个月到1年。 2、类型与含义：以标普为例：（1）正面：表示信用等级可能提升；（2）负面：表示信用等级可能降低；（3）稳定：表示信用等级不太可能改变；（4）发展中（developing）：表示信用等级可能

6、提升或降低； （5）无意义：表示没有意见。,评级要素及其含义,3、评级展望vs信用等级 与信用等级不同，评级展望关注的是可能会引起信用等级变化的趋势和风险因素，如宏观经济趋势、企业经营状况的变化等，但这些因素尚未能完全明确地评估，还不足以推动信用等级调整。因此，在确定评级展望时，要根据这些因素对企业未来信用状况产生的影响，对企业信用等级的变化进行预判。 正面或负面的评级展望，并不意味着之后必然会进行信用等级的变化或是列入评级观察名单。同样，信用等级的变化也可能出现在评级展望为稳定的情况下。标普通常在给予发行人信用等级的评级展望为正面或负面时，认为至少有30%的可能会进行信用等级的调整。,评级要

7、素及其含义,（三）评级观察 定义：评估主体、债项的长短期信用等级在3个月内（特殊情况可能超过90天）可能的变化和发展方向。评级观察主要关注的是特定事件或者短期趋势对于信用等级的影响，如企业的兼并、重组、再融资，选民公投，行业内新的监管政策或运营环境的重大变化，证券化资产的恶化，等等；或者评级资料的更新，如评级机构获得了新的数据与信息，并且这些事件、数据或信息对评级对象的主体或债项的信用质量产生影响。,（三）评级观察,类型与含义（以标普为例）： 正面：表示信用等级可能提升； 负面：表示信用等级可能降低； 发展中：表示信用等级可能提升或降低或不变 评级观察vs 信用等级 列入评级观察名单，并不意味

8、着信用等级一定会发生变化；同样，信用等级的调整也不一定必须先列入评级观察。标普认为，列入评级观察名单的信用等级至少有50%的可能性会在90天以内发生变化。,国内评级状况,按未偿债券分析，AAA级债券占比最大59%；其次是AA级占36%；按发行者数量分析， AA级占75%，而AAA仅占12%。这表明AAA级发行者的债券发行量远超其他评级发行者的发债量。,国内评级状况,发债规模位于前十的发行实体均为AAA级国有企业或国有银行，它们的发债总量约占在岸市场未偿信用债发行总量的总量近四分之一。,国内主要的信用评级机构,中国国内债券市场约有10家 评级机构，其中最有影响力的3家是中诚信证券、联合信用评级和

9、大公国际资信评估，近年它们的总计市场份额超过80%。10家机构分别为：联合信用评级；中诚信证券；大公国际资信评估；上海新世纪；东方金诚；上海远东资信； 鹏元资信； 债市监管机构中国人民银行、中国证券监督委员会、国家发展和改革委员、中国保险监督管理委员会分别有各自认可的评级机构。 以上部分机构中与国际三大评级机构有着紧密的关联，但信用分析独立进行。例如，联合信用评级的49%股权由惠誉（Fitch）持有；中诚信证券的49%股权由穆迪（Moodys）持有；上海新世纪与标普（S&P）签署了合作协议。,国内公募债券信用事件风险状况,2014年之前，中国债券市场从来没有出现过违约。 2014年第一季度民企

10、打破公募债券市场的刚兑：上海超日太阳能科技股份有限公司无法按时支付息票。全年发生信用风险事件的发债主体共有5家，涉及债项6项，实质违约债项1项。 2015年国企打破刚兑：当年4月，“11天威MTN2”无法按时支付利息。全年发生信用风险事件的发债主体共有18家，涉及债项29项，实质违约债项15项。,国内公募债券信用事件风险状况,发生信用风险事件的企业以民营企业为主。14例民营企业，5例地方国企，4例央企子公司。 光伏、钢铁、机械设备制造等行业发生的信用风险事件相对较多。 截止2015年末35个债项的处置结果： 10项虽尚未到期，但后续偿付压力依然较大。 9项通过政府协调、股权融资、资产重组、转让

11、资产等方式全额如期兑付； 16项到期没有全额兑付本息，发生实质违约。截至2015年末，除“11超日债”、“12中富01”已完成全额兑付，其余14项仍处于资产重组、筹资兑付阶段；,21,评级方法,内评模型建设情况,F,22,评级流程,内评模型开发流程如下图所示，经过数据收集和准备，将进行数据转换步骤,内评模型建设情况,F,23,7类定量指标,7类定量指标从不同方面考量企业信用风险，通过财务报表相关科目，计算7类指标,内评模型建设情况,F,24,对指标数据进行Logistic转换,定量指标与违约概率之间的关系是非线性的； 例如，客户A的杠杆率是客户B的两倍，不代表客户A的违约风险就是B的两倍；,将

12、数据的原始值转换至0,1 区间 ；,正常观测的原始数值比较集中，运用Logistic转换以将数值拉开，方便处理； 将数值限制在0,1 区间 之内，有去除飞值的作用,Logistic转换的原因,Logistic转换的好处,内评模型建设情况,F,25,对指标数据进行Logistic转换,示例,内评模型建设情况,F,26,定性因子,定性因子需满足：经济含义合理，档次划分清晰，打分依据明确，评级标准客观，评价过程具有操作性。,内评模型建设情况,F,27,定性因子的WOE转换,加入一个定性指标有n个等级，那么我们可以构造n-1个虚拟变量； 虚拟变量不方便在多因素分析中使用； 将选项变为定性得分，以进行定

13、性建模,WOE转换的原因,WOE转换公式,gi 为该等级内的好客户； bi 为该等级内的坏客户； G 为样本中的好客户总数； B 为样本中的坏客户总数；,每个等级对应一个WoE, 令定性因素得到量化； 方便在多因素分析中使用；,内评模型建设情况,F,28,定性和定量转换指标的标准化,用以下公式将指标转化为均值为0标准差为50的正态分布；,假如各个指标的方差不统一，对于方差较大的指标，回归模型所估计的权重会偏小，令使用者误认为这些指标的重要性低； 数据标准化确保了各个指标权重的可比性, 并可以让使用者更容易解释回归分析的结果；,数据标准化的原因,数据标准化的公式,内评模型建设情况,F,29,标准化后指标的单因素分析：建模用指标短清单,数据处理： 缺失值：将缺失值比例高于阈值的变量删除，缺失值用均值或中位数替代； 异常值：一般用一定的百分位对异常值进行替换。,内评模型建设情况,F,30,对指标短清单进行逻辑回归：指标权重和定量、定性模型,内评模型建设情况,F,31,最终模型得分：定量+定性得分加权,