信用风险度量的方法评析

信用风险度量是指运用各种主客观方法去识别与信用风险评价对象相关的信用状况的信息，并对其信用品质做出定性或定量的合理分析与评估。信用风险的识别和度量是信用风险管理的关键环节。纵观信用风险度量技术发展的历史进程，它经历了从抽象的定性分析到合理的定量分析的过程，并随着诸如资产组合管理理论、博弈论、数理统计方法、期权定价理论等现代金融管理工具的发展以及计算机技术的成熟，信用风险度量方法的发展有了突破性的进展。

信用风险度量方法的发展大致经历以下几个阶段：专家分析方法、信用评分模型、神经网络方法以及现代信用风险度量模型。本书把专家分析法归于定性分析，而把后三种方法归于定量分析。定性分析方法像是一个主要依赖于训练有素的专家的主观判断的专家系统，而定量分析方法更多依赖于客观的数学模型，然而数学模型的选择与构建也带有主观性。在定量分析法长足发展的今天，传统方法依然很重要，一方面目前仍然有许多金融机构在继续使用传统方法，另一方面现代信用风险度量模型的构建也借鉴了传统方法中的好的思想和观念。在评价一个主体的信用风险时，应该把定性分析方法和定量分析方法有机地结合起来。

一、信用风险度量的定性分析方法

定性分析法的代表是专家分析法，它指银行以借款人的各种信息所反映出来的基本特征为基础，依赖于专家的主观判断或定性分析衡量企业贷款信用风险的方法。专家分析法需要考虑的因素有很多，最常见的是“5C”法。

“5C”法指银行根据专家对借款企业的资信品质（character）、偿付能力（capacity）、资本实力（capital）、担保抵押品价值（collateral）和当时所处的经济环境（conditions）或商业周期等因素的综合评估所做出的信用评价来决定是否发放贷款的方法。其中资信品质（character）主要是对企业声誉，还款记录的一种考量；偿付能力（capacity）是考察企业的经营状况和还款能力；资本实力（capital）主要考察所有者权益和杠杆比率等指标，这些指标有助于对企业违约的可能性进行判断；担保抵押品价值（collateral）是指一旦借款人发生违约，银行将对借款人提供的担保抵押品进行追索，抵押品价值越高，银行所面临的违约风险暴露就越低；经济环境（conditions）或商业周期是对借款企业信用风险评估的一个重要因素，一方面宏观经济环境会直接影响借款企业的违约可能性，一般地，在经济繁荣期违约率降低，在经济下行期违约率增加。另一方面宏观经济环境的变化也会影响到担保抵押品价值，从而对银行所面临的信用风险造成影响。

与“5C”法类似的还有：“5W”法，包括借款人（who）、借款用途（why）、还款期限（when）、担保物（what）以及如何还款（how）；“5P”法，包括个人因素（personal）、借款目的（purpose）、偿还因素（payment）、保障因素（protection）和前景（perspective）；“LAPP”法，包括流动性（liquidity）、活动性（activity）、盈利（profitability）和潜力（potentialities）；“CAMEL”法，包括资本（capital）、资产质量（asset）、管理水平（management）、盈利水平（earnings）和流动性（liquidity），其英文单词的第一个字母组合在一起就是“CAMEL”，正好是“骆驼”的英文单词，所以该评级方法也称为“骆驼评级法”。

无论是“5C”法、“5W”法、“5P”法、“LAPP”法还是“CAMEL”法，它们的基本思想是一致的，也都是对每一个要素进行逐一考察，最终得到借款企业的信用状况评价进而作为银行是否发放贷款以及贷款标准等的依据。在专家分析法中，专家的专业知识、主观判断以及各个因素权重的设定起到了关键作用，在商业银行信用风险管理初期很长一段时间内该方法都得到了行之有效的应用，目前也仍然有很多银行在其信贷决策过程中将专家分析方法作为使用方法之一。专家分析法的主要缺陷表现在，一方面是方法的主观性，由于对专家分析系统中使用的评定指标，不同专家可能对同一借款人使用不同的权重，或者同一专家对不同借款人使用不同的权重，从而导致在同一个银行内部，信用评定结果的非一致性和放贷决定的困难性。二是人为因素的主观性，这是因为专家制度所依靠的是具有专业知识的信贷专家，专家的素质高低及经验多少将直接影响该方法的使用效果，有的专家在做出判断的时候容易受感情或外界因素的干扰，做出偏差较大的分析，或者倾向于对自己所熟悉的行业或地域做出好的评价，从而在一定程度上加剧了银行在贷款方面过度集中的问题，使银行面临更大的风险。由于专家分析法的种种不足，使得人们去寻找更为客观，更为有效的诸如定量分析的信用风险度量方法，以提高银行信用风险评估的能力和准确性。

传统的定性方法还有最早由美国货币监理署（Office of the Controller of Currency，OCC）开发的信用评级法。这一方法将贷款分为五类：正常贷款（pass／performing assets）、特别关注级贷款（other assets especially mentioned）、次级贷款（substandard assets）、可疑贷款（doubtful assets）和损失级贷款（loss assets）。由于这种分类方法显得较为粗糙，所以现在国际上一些金融机构把贷款分级划分得更细，把贷款级别分为AAA、AA、A、BBB、BB、B、CCC、CC、C、D　10个级别，信用评级法实际上是对资产组合的信用状况进行评价，并针对不同级别的贷款规定不同的损失准备金比例。目前，我国大多数商业银行正在实行的就是贷款分类方法如表2-2所示：

表2-2我国商业银行的贷款分类法

资料来源：中国银行监督管理委员会公报，2006年第7期．

二、信用风险度量的定量分析及模型

（一）信用评分模型

信用评分法是指把与公司违约相关的各种信息中筛选出能够提供较多信息的变量（如财务比率等）作为解释变量，以违约率或相关参数作为被解释变量，根据公司样本值和历史数据运用数理方法建立多元统计模型，然后将模型输出变量的结果与基准值相比较，进而评价银行所面临的贷款企业信用风险的方法。模型的建立标准是使得判别函数对观测样本值分类时的错判率最小。运用此类模型来预测违约事件发生的可能性，尽早识别信用危机信号，一方面能够让经营者在危机的萌芽阶段采取有效措施改善企业经营管理以防范危机的出现，另一方面也提供给金融机构做出信贷决策的参考依据。根据模型构建方法的不同，信用评分法主要可分为多元判别分析模型（multivariate discriminant analysis，MDA）、Logit模型和Porbit模型等。

1．多元判别分析模型

多元判别分析法通常是根据已有的观测样本值，从众多能够反映评价对象信用状况的指标中筛选出能提供较多信息的变量，构建判别模型和法则，使得模型对观测样本分类的错判率最小，进而对评价对象信用质量所属类别进行分类。判别函数的表达式一般为：

其中Z为与信用质量相关的分值，Xj是信息变量，βj为系数值，α是常数项。多元判别分析的典型代表是Altman的Z评分模型（Z-Score Model）［10］和Altman的ZETA信用风险模型（ZETA Credit Risk Model）［11］。

Altman在1968年建立的Z评分模型是首先从公司财务报表中选出一组最能反映借款人财务状况，对贷款的信用质量影响最大的财务比率，进而对这些财务比率赋予不同的权重，设计出一个能最大程度地区分贷款信用风险程度的多元判别模型，最后计算出贷款的信用风险判别分值Z，将Z值与临界值相对比得知借款企业的财务状况或潜在的信用危机。一般来说，Z值越大，说明贷款的信用资质越好，Z值越小，银行所面临的信用风险就越大。

模型最初的样本来自美国66家上市公司，将样本分为两组。一组是33家从1946－1965年申请破产的企业，另一组是33家1946－1966年仍在正常经营的企业。之所以选择上市公司，是因为上市公司的相关财务数据可以在公开资本市场上较容易地获得。在分组的基础上，收集所有公司的资产负债表和损益表的相关资料，整理出22个被认为对信用评价有用的指标，然后从22个指标中又筛选出其中5个对预测贷款信用风险最有用的指标作为解释变量，根据样本观测数据，分析变量之间的相互依存关系，最终建立的判别方程式为：

Z＝1．2　X1＋1．4　X2＋3．3　X3＋0．6Z4＋1．0X5

其中5个变量分别为：X1为营运资金／总资产，X1越大说明企业资产的流动性越强，财务状况越理想；X2为留存收益／总资产，X2越大说明企业在一定时期内的筹资和再投资功能越强，从而竞争力越强；X3为利息和税收前收益／总资产，它考察的是在不考虑税收和利率因素时企业的盈利能力；X4为权益价值／总负债账面价值，X4越大说明投资者对企业的发展前景越乐观，企业越有投资价值；X5为销售额／总资产，它反映了企业经营获得销售收入的能力。

根据对所收集企业样本观测数据的统计分析，模型得出一个经验性的临界数据值，Z＝1．81和Z＝2．99。当Z＞2．99时，说明企业的经营状况较好，贷款信用质量较高；当Z≤2．99时说明企业存在潜在的财务危机或违约风险；当Z＜1．81时，说明企业可能已经濒临破产。事实上，当1．81＜Z≤2．99时，企业存在一定的财务危机和违约的可能性但不能妄下评论。评分值落在该区域时，需要对企业的各项指标做更详细的考察以判断其真实的信用状况，因此这个中间区域也称为灰色区域。另外，Altman（1998）通过检验还发现Z评分模型预测的准确性会随着时间的延长逐渐降低，在企业破产前一年预测的准确率为93．9%，破产前两年的准确率为71．9%，破产前三年的准确率不到百分之五十为48．3%，而破产前四年和五年的准确率更低，分别为28．6%和36．0%［12］。因此，在运用Z评分模型估计企业信用风险时必须注意其时效性。

Altman（1977）对原始的Z评分模型进行修改并推出了第二代信用评分模型ZETA信用风险模型。模型的解释变量由原来的5个增加到7个，模型的表达式为

ZETA＝aX1＋bX2＋c X3＋dX4＋e X5＋f X6＋gX7

a，b，c，d，e，f，g为常系数，7个变量分别为：X1为利息和税收前收益／总资产，即资产收益率；X2为企业资产收益率在五年或十年中变化的标准差，是刻画收益稳定性的指标；X3为利息和税收前收益／总利息支付，X3越大企业的债务偿付能力越好；X4为留存收益／总资产；X5为流动资产／流动负债比率；X6为借款企业普通股5年的平均市值／长

Xi为影响贷款信用质量的指标变量，εi为随机扰动项，εi～N（0，1）。进一步，假设Yi＝1的概率为pi，Yi＝0的概率为1－pi，于是

E（Yi）＝0×（1－pi）＋1×pi＝pi，

同时有

E（Yi）＝E（αi＋βiXi＋εi）＝αi＋βiXi，

因此，pi＝αi＋βiXi，线性概率模型的不足之处在于计算出来的违约概率估计值pi可能落在［0，1］之外，从而与定义不相符。

Logit模型假设违约概率服从累计Logistic分布，一般形式为：期资本总额，反映企业的资本化程度；X7为企业总资产的对数。新模型无论是在变量的选择上还是在样本数据的挖掘和数理统计方法的应用上都比原有模型有了很大改进，更重要的是ZETA评分模型比Z评分模型在预测企业破产违约概率的准确性上有了很大提高。ZETA模型在企业破产前一年预测的准确率为96．2%，破产前两年的准确率为84．9%，破产前三年的准确率为74．5%，破产前四年和五年的准确率分别为68．1%和69．8%。

由于Z评分模型和ZETA信用风险模型具有较强的操作性和较好的预测准确性，它们一经推出便得到了许多国家和地区的推广使用并且取得了显著效果，成为预测企业违约或破产的重要方法之一。然而，模型的不足在于：

1）两个模型都依赖于财务报表的账面数据，会计数据是离散而非连续的，因此难以及时发现评价对象信用状况的快速变化。

2）模型假设解释变量存在着线性关系，而现实经济中有很多现象是非线性的，所以在一定程度上无法准确地预测企业的信用状况。

3）模型无法计量企业的表外信用风险，另外对一些特定行业的企业也不适用，因而他们的使用范围受到一定限制。

2．Logit模型

Ohlson较早将Logit模型应用于财务与信用风险分析领域，Logit模型采用一系列财务比率作为解释变量并根据样本数据使用最大似然估计法估计出各参数值，经过数学推导对借款企业破产或违约的概率进行预测，并以此对借款企业的信用风险进行评估［13］。Logit模型是在线性概率模型（linear probability model，LPM）的基础上发展而来的，线性概率模型的一般形式为：

Yi＝αi＋βXi＋εi

其中Yi的含义为，

其中Yi＝αi＋βXi＋εi，由于有关系式ln　［P／（1－P）］＝Yi，所以非线性Logit模型可以通过关系式转换成线性模型Yi＝αi＋βiXi＋εi，经过非线性转换Logit模型可以确保违约概率估计值P落在［0，1］上，从而克服了线性概率模型的不足。

3．Porbit模型

Probit模型与Logit模型思路很相似，只是两者假定违约概率服从的分布有所不同，Logit模型假定违约概率服从累积Logistic分布，Probit模型则假定违约概率服从累积标准正态分布，模型一般形式为：

其中为所选的第i个财务指标，βi为第i个指标的系数，α为常数项，模型计算出来的P值在［0，1］上取值。由于Probit模型的转换过程较为复杂，因此相比较而言Logit模型的应用更为广泛。

（二）神经网络模型

神经网络模型是一种模拟人脑神经系统的结构进行信息处理的数学模型，模型中的大量节点（或称神经元）之间相互连接构成网络，即称为“神经网络”模型。模型具有类似人脑功能的若干基本特征和大规模并行处理、自学习、自组织、自适应能力，能独立处理复杂的非线性问题。神经网络模型主要由输入层、隐含层和输出层三个组成部分构成。输入层为神经网络提供外部信息输入，隐含层从输入层或其他隐含层接收输入信号并为输出层提供输入信息，输出层则从各隐含层接收输入并产生输出，如图2-4所示描述了具有n个输入项和两个隐含层的神经网络系统。

图2-4　神经网络系统

其中输入层输入信息为X1，X2，…，Xn，每个隐含层包括多个神经元。

神经网络模型用于对借款企业的信用风险的评估包括学习和预测两个过程。首先将已知信用状况企业的样本数据中能够给企业的信用资质提供较多信息的指标值（如财务比率）输入模型，其中每一个输入项都有相应的权重，权重的初始值通常由历史数据和经验分析确定。接下来，每一个隐含层根据所输入的信息和权重数据进行加工运算，然后将运算结果传输给其他隐含层，信息通过各个隐含层交互分析进行整合处理，最后得到输出结果。如果输出结果相比较实际情况的误差较大，则需要对权重进行调整并开始新一轮的计算，经过这样一个反复循环，当误差减小到可以接受的范围时，即完成了神经网络的自学习过程。最后输入待估企业的相关样本数据，让调整好了的神经网络输出可以衡量企业信用状况指标值从而实现了神经网络模型对信用风险的预测。

Dutta，Shekhar首次将神经网络模型用于债券的信用评级，并探讨了自变量的个数及网络构架对信用等级分辨能力的影响，研究结果表明模型的预测准确率在76%～82%［14］。Trippi，Turban探讨了神经网络在消费信贷、家庭抵押及银行信用风险方面的应用［15］。国内学者王春峰［16］、杨保安、季海［17］等也对神经网络模型在银行信用风险评估中的应用进行了探讨。虽然多数研究表明神经网络模型优于传统的判别方法，但Altman的工作得出神经网络方法在信用风险识别和预测中的应用，并没有实质性的优于线性判别模型的结论［18］。

模型精度的提高可以通过增加隐含层个数或者通过增加隐含层中的神经元个数来实现，成本的增加是这类改变会使得网络变得更加复杂，增加了调整权数的学习时间，一般来说，认为增加隐含层的神经元个数更具有可操控性。神经网络模型避免了选择适当模型和函数形式的困难，通过模拟人脑神经系统的结构进行不断的自学习，从未知模式的复杂数据中发现规律，为处理复杂的非线性关系问题提供了强有力的工具。同时由于很大程度上是通过自学习过程来确定输入信息的权重，而不完全依赖于经验分析从而减少了模型构建的主观因素。但同时，要得到一个好的神经网络模型，需要耗费大量的人力和时间。

（三）现代信用风险度量模型

20世纪70年代以来，银行债务危机和破产现象时有发生，人们开始对之前所采用的信用评价模型产生怀疑，之后国际银行业纷纷加强了对信用风险的量化管理研究。迄今为止，著名的中介机构和金融机构向外界公布的，比较有影响力的现代信用风险度量模型有四个：由J．P．Morgan公司和美国银行、瑞士银行等机构合作于1997年推出的CreditMetrics模型、由KMV公司开发的KMV信用风险度量模型、由瑞士信贷银行金融产品部（CSFP）于1997年开发的CreditRisk＋精算模型以及由麦肯锡公司研发的宏观经济因素Credit Portfolio View模型。

CreditMetrics模型属于盯市模型，模型假设资产组合价值的变化不仅受到债务人违约的影响，同时还受到债务人信用等级转移概率的影响。信用等级转移概率矩阵是该模型的核心基础，也就是需要考察在给定时间内（通常为1年），贷款企业发生违约的概率和从一个信用等级转移到另一个信用等级的可能性，这些数据的获得都采用历史平均数来计算。最后通过模拟资产在信用等级变迁情形下的价值分布来计算单笔贷款或贷款组合的信用风险价值，即在险价值VaR，回答了在给定置信度下“如果明天是个坏日子，那么在贷款和贷款组合上的损失是多少？”的问题。

KMV模型是以Merton模型和期权定价模型为基础建立起来的违约预测模型，它是典型的违约式模型，认为企业违约与公司的资产结构有直接关系。KMV通过对几百个公司样本数据的统计观察得到，当公司资产价值下降到介于负债总值和短期债务值之间时，违约发生。模型设定违约点DPT为短期债务STD加长期债务LTD的一半，即DPT＝STD＋1／2LTD，违约距离DD设定为一年内公司资产价值期望值与违约点DPT之间的距离，这通常表示为资产收益的标准差。进一步地，KMV通过大样本企业违约的历史数据建立起违约距离DD与违约概率之间的映射关系，从而从违约距离DD判断实际违约概率，KMV模型称此概率为预期违约概率EDF。由于模型的计算需要大量的数据输入，所以KMV模型比较适用于对上市公司的信用风险评估，对于非上市公司，往往需要借助于相关的会计资料或其他能反映借款企业信用指标的信息来替代模型中的有关变量，同时还要通过对比分析手段最终得出该企业的预期违约频率，这个过程比较复杂而且计算出的预期违约频率还未必准确。

CreditRisk＋模型是以保险精算方法为基础的模型，与KMV方法一样是违约式模型，模型考虑违约风险但对引发违约的原因不作任何假设，视违约事件为纯粹的外生事件。并假设贷款的违约概率服从泊松分布，最终得到整个资产组合的损失分布。

Credit Portfolio View模型是由麦肯锡公司推出的一个多因素模型，模型的基本观点是违约概率和信用等级转移概率均与宏观经济环境相联系。宏观经济因素采用诸如失业率、GDP增长率、长期利率水平、外汇汇率、政府支出以及总储蓄率等经济指标来描述。不同的行业和部门如金融业、建筑业、服务业、农业等对商业周期的反应会有所不同，同时不同级别的投资人也对商业周期的反应不一样，如投资级债务人的违约概率更为稳定，投机级债务人的违约概率变动较大。模型的基本思路是，首先运用经济计量模型模拟宏观经济状态，再通过一个可以保证取值落在0～1的指数变换将该经济状态转换成特定国家或行业的违约概率和转移概率，最后根据类似于CreditMetrics模型的方法估计整个资产组合的损失分布及风险价值。在第四章将对四个模型的相关内容进行更为详细地讨论。