国外银行信用风险度量与管理研究进展

1.3.1　国外银行信用风险度量与管理研究进展

随着商业银行发展的各个历史时期经营条件的变化，商业银行信用风险度量方法是在不断变化和完善的。传统方法主要用于控制贷款生成之前的风险，一般比较侧重于定性分析，包括“专家分析法”、“评级法”、“信用评分法”等。但这些分析方法存在着很大的局限性，其缺陷主要表现在两个方面：①人为因素所带来的风险。专家的培训需要耗费时间和资金，是一个昂贵系统，且不可避免地带有相当的主观性。②提供给专家的财务报表是过去的，不能真正揭示公司所面临的信用风险。财务指标较多，排序困难，对借款人的强比率和弱比率之间怎样进行综合分析也无能为力，对每一级别的定性描述含糊不清［4，5］。

基于传统分析法的不足，现代信用风险度量与管理模型以经济金融理论的创新性发展（如信息经济学、期权定价理论、套利定价理论、资本资产定价理论等）为基础，依靠大量数学工具、计算机技术，建立了大规模数据容量的风险模型，对信用风险的数量描述越来越真实和精确，从而大大提高了各银行的风险管理效率。按照对违约预测方法研究思路的不同，模型可分为两大类：

第一类为计量统计研究方法，通过借款企业的历史样本数据搜寻出违约与公司特征变量间的关系模型。Beaver（1967）运用财务数据对企业违约进行了研究，通过对样本的分析得到破产企业与正常企业单个财务比率的违约门槛值，并利用财务指标门槛值进行企业破产判别［6，7］。美国学者Altman（1968）以Beaver的研究为基础，运用Bayes的判别思想，假设采集的数据样本服从正态分布和数据间的协方差相等，运用线性判别技术建立起用于判别企业是否破产（或违约）的著名的Z值模型及改进模型［8，9］。Ohlson（1980）假设判别参数服从对数线性分布，以财务比率作为输入变量，运用LOGIT回归方法对企业违约预测进行了研究。线性概率模型、LOGIT模型、PROBIT模型和判别分析模型已被广泛用于信用风险理论研究管理经营实践，是银行进行贷款违约预测的标准。但由于经济变量固有的非线性以及线性判别模型、LOGIT模型不能反映企业价值的动态变化，因此，一些先进的计量经济方法被用于信用风险预测建模，如存活分析、灾难理论、递归分类算法等。随着计算技术的发展，针对统计或经济计量方法存在的不足，许多非参数、非线性模型得以开发，如神经网络在信用违约预测方面得到了充分研究。Odom（1990）首先运用神经网络技术进行企业违约预测研究，同类研究的其他代表性文献还包括Barniv等，Moods公司的违约率预测主要依赖神经网络模型；Vellido（1999）和Wong（1997）分别对神经网络商业管理中的应用进行了讨论，Dimitras（1996）和Zhang（1999）对神经网络模型的预测能力进行了研究，Tam（1991）和Kiang（1992）等对多元判别、神经网络和线性回归模型进行了比较研究，但所得结论各有差异；Lee（1996）提出了隐含层的网络模型，Back（1996）就神经网络与遗传算法进行了分析，Piramuthu（2007）就神经网络模型的优化进行了论述，Martinelli（2006）对决策树和神经网络模型进行了对比研究，Chen（2007）则提出了具有概率特性的神经网络模型。随着新技术的不断出现，更先进的数理技术则被应用到信用风险违约预测的研究中，如模糊算法、数学规划、专家系统、机器学习理论等。理论研究的重点是如何有效挖掘样本信息，提高模型对风险的预测精度［10～17］。

第二类为结构化研究方法，计算时需要公司资产价值数据，建立起利率和公司特征变量间的动态变化模型。结构化方法以四种分析模型为代表，第一种模型是基于期权定价技术的风险计量模型，是由Black＆Scholes（1973）和Merton（1974）最早提出，并由Longstaff＆Schwartz（1995）进行了拓展，因此又称作Merton-Black-Cox-Longstaff-Schwartz模型［18～20］。本模型假设公司市场价值变化遵循几何布朗运动，企业违约与否决定于企业的市场价值，如果贷款到期时企业市场价值高于其债务，企业有动力还款，当企业市场价值小于其债务时，企业有违约选择权。模型设计中将公司股权看作是以公司资产为标的的看涨期权，债权类似于卖出一个卖权，期权的执行价格为公司债务的面值，期限即为公司债务的期限。代表性的研究还包括文献［21～23］，典型模型为组合管理系统（portfolio manager system）。第二种模型是Jarrow＆Turnbull（1995）提出的违约风险统计模型［24］，是将违约率作为连续的单点运动描述，又考虑了违约率的波动性，每一信用等级的时变风险函数根据信用价差进行估计。瑞士信贷银行运用该思路开发了信用风险附加模型（credit-risk+）。该思路假设在某个时间段里资产组合中的违约事件的次数用泊松分布描述，每个违约事件相互独立，通过引入概率母函数计算出违约行为的概率分布，资产组合的信用暴露由单项资产的风险暴露、违约率均值、违约率标准差和风险损失百分比确定。第三种模型是Wilson提出的离散时间动态宏观模拟模型［25］，这种方法是以历史宏观经济变量数据及平均违约率时间序列数据，对不同国家和行业板块构建成的一个多因素模型，典型模型为信贷组合审查系统（credit portfolio view system）。第四种模型是在险价值模型，是利用企业信用等级、评级迁移矩阵、违约贷款损失率、风险价差和收益率计算出企业价值及波动性。J.P.摩根公司的Credit-Metrics就以资产信用等级的变迁为变量来表征企业价值分布，从而进行企业违约与否判断［26］。Crouhy（1998）对结构化模型进行了阐述［27］。

在结构化模型的研究中，要预测借款人违约概率、借款人信用等级迁移给信用风险损失带来的影响，已成为现代信用风险模型研究中的重要内容。现代信用风险评估模型在充分挖掘样本数据，建立动态的风险判别模型或信用等级转移概率模型方面进展迅速。目前，对信用等级迁移研究的成果分为三类：第一类是由Altman和 kao利用1971—1989年期间标准普尔的评级数据，考察债券从发行时起之后至多10年期的信用等级迁移情况［28］；第二类是穆迪公司及一些学者对信用等级迁移的讨论，他们研究的债券从某个确定时期开始，而不管债券已发行的实际年限；第三类是标准普尔对信用等级迁移考察后所得的报告，分析的债券静态池中既包括新发行的债券，又包括已发行多年的债券。以上三类研究均得到不同期限的信用等级迁移矩阵，其中，对信用等级转移概率的估计方法概括为两种：一种是历史等级列表法，即通过对历史若干年期被连续评级的信用等级进行时间序列统计列表，然后根据一个等级转为另一个等级的频数给出相应的转移概率，信用计量模型（credit-model）和信贷组合审查系统（credit portfolio view system）采用此方法；另一种方法是公司资产价值法，通过对公司资产价值设定一系列不同的阈值区间，然后根据各公司资产价值在规定时间内变化状况及债务本身的资质来考察债务的信用等级变化，并通过公司预期的违约概率来计算转移概率，如信用监控模型（credit-monitor model）采用此方法。信用计量模型（credit-metrics）、信贷组合审查系统（credit portfolio view system）和信用监控模型（credit-monitor model）也是巴塞尔协议推荐使用的信用风险评估模型。