现代信用风险度量模型对比分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇现代信用风险度量模型对比分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要:金融危机的爆发以及《巴塞尔新资本协议》的正式实施,为银行业进行信用风险管理提出新的挑战。对国际上信用风险管理实践中应用最为广泛的现代信用风险度量模型进行了分析比较,提出我国商业银行应用信用风险模型中的问题,并给出相关建议。

关键词:信用风险;度量模型

中图分类号:F830.5文献标识码:A文章编号:16723198(2009)21015002

当前,金融危机使全球经济陷入衰退,如何有效的防范金融风险是银行业面临的重大课题。对于信用风险,新巴塞尔协议要求银行建立自己的基于内部评级的信用风险度量模型。本文就基于内部评级法(IRB)的国际上信用风险管理实践中应用最为广泛的KMV、Credit Metrics、Credit Risk+、Credit Portfolio View四个模型进行了分析比较,提出我国商业银行应用信用风险模型中的问题,并提出相关建议。

1 现代信用风险度量模型

1.1 KMV模型

1993年,KMV公司提出了著名的信用监测模型(Credit Monitor Model),后经进一步扩展成了一种违约预测模型。KMV模型将股权视为企业资产的看涨期权,以股票的市场数据为基础,利用默顿的期权定价理论,估计企业资产的当前市值和波动率,再根据公司的负债计算出公司的违约点,然后计算借款人的违约距离,最后根据企业的违约距离与预期违约率之间的对应关系,求出企业的预期违约率。

《巴塞尔新资本协议》中推荐使用KMV模型进行内部评级,可见其已经在国外得到了广泛的认可和使用。KMV模型的优点在于:(1)根据企业的资产市值估计信用风险波动状况,将市场信息纳入违约概率;(2)模型是一种动态模型,可以随时根据企业股票的市价来更新模型的输入数据,反映信用风险水平的变化;(3)模型是一种“向前看”的模型,在一定程度上克服了依赖历史数据“向后看”的数理统计模型的缺陷。KMV的缺点是:(1)无法确定是否必须使用估计技术来获得企业的资产价值、企业资产收益率的期望值和波动性等数据,估计的准确率不能确定。(2)假定利率是事先确定的,限制了将KMV模型应用于期限长的贷款(1年以上)和其它利率敏感性工具。(3)隐含地假定当风险债券的到期日趋向于零时,信用风险利差亦趋向于零,但实证研究否定这一结论。(4)使用历史数据来确定预期违约率,其隐含的假设是经济状况是静止的,此假设不合情理。

1.2 Credit Metrics模型

Credit Metrics模型也被称为信用度量术。该模型是基于借款人的信用评级、次年评级发生变化的概率(评级转移矩阵)、违约贷款的回收率、债券市场上的信用风险价差,计算出贷款的市场价值及其波动性,进而得出个别贷款和贷款组合的VaR值。它不仅能够识别传统的诸如贷款、债券等投资工具的信用风险,还可以用于掉期、互换等金融衍生工具的风险识别。该模型的优点是:(1)违约概念进行了拓展,认为违约也包括债务人信用等级的恶化;(2)该模型的应用非常广泛,包括传统的贷款、固定收益证券、贸易融资和应收账款等商业合同,而且其高级版还能够处理掉期合同、期货合同以及其他衍生工具;(3)在对债务价值的分布有正态分布假设下解析方法和蒙特卡罗模拟法,在一定程度上避免了资产收益率正态性的硬性假设。Credit Metrics模型的缺点在于:(1)大量证据表明信用等级迁移概率并不遵循马尔可夫过程,而是跨时期相关的;(2)模型中违约率直接取自历史数据平均值,但实证研究表明,违约率与宏观经济状况有直接关系,不是固定不变的;(3)没有考虑市场风险。市场和经济状况的改变,如利率、股指、汇率、失业率的变化等,可能导致违约或者信用等级的变动;(4)模型通过股权回报关系来估计资产回报关系,而这可能影响估计的精确性。

1.3 Credit Risk+模型

Credit Risk+模型是应用保险经济学中的保险精算方法来计算债务组合的损失分布,重点研究期望损失和非期望损失。在Credit Risk+信用风险附加计量模型中,每一笔贷款被视作小概率违约事件,并且每笔贷款的违约概率都独立于其它贷款,这样,贷款组合违约概率的分布接近泊松分布。 模型的优点:(1)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;(2)模型集中于违约分析,所需要估计变量很少,只需要违约率、违约波动率和损失的严重性;(3)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,比较简便。模型的缺点:(1)模型对于输入因子――单个债务人的违约率没有详细阐述;(2)忽略了信用等级变化,因而认为任意债权人的债务价值是固定不变的;(3)将风险暴露划出频段并凑成整数,这影响了计算结果的精确性。

1.4 Credit Portfolio View模型

Credit Portfolio View模型是由McKinsey公司于1998年开发出的一个多因素信用风险度量模型。该模型在 Credit Metrics的基础上,对周期性因素进行了处理,将评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量之间的关系模型化,并通过蒙地卡罗模拟技术模拟周期性因素的“冲击”来测定评级转移概率的变化。模型的优点:Credit Portfolio view模型克服了Credit Metrics模型由于假定不同时期的信用等级转换概率是静态的和固定的而引起的很多偏差。模型的缺点:(1)实施这一模型需要可靠的数据,而每一个国家、每一行业的违约信息往往较难获得;(2)模型使用经调整后的信用等级迁移概率矩阵的特殊程序,而调整则基于银行信贷部门积累的经验和信贷周期的主观判断。

2 四大模型的比较

(1)模型对风险的界定。Credit Metrics主要是从市场盯市角度界定风险,Credit Risk+模型或KMV模型本质上是违约模式模型,Credit Portfolio View模型既可以被当作盯市模式模型使用又可以当作违约模式模型使用。

(2)风险来源。Credit Metrics和KMV模型以Merton理论为分析基础,一家企业的资产价值和资产价值的波动性是违约风险的关键驱动因素。在Credit Portfolio View中,驱动因素是一些宏观因素,而Credit Risk+中则是违约率及其波动性。然而,如果以多因素模型的方式来分析,四种模型都可以看作是有相同的根源,模型中风险驱动因素和相关性在一定程度上可以被看作是与宏观因素相联系的。

(3)信用事件的波动率。在Credit Metrics中,违约概率和信用等级转换概率被模型化为基于历史数据的固定的或离散的值;在KMV模型中,股票价格的变化以及股票价格的波动性成为预测违约率的基础;在Credit Portfolio View模型中,违约概率是一套呈正态分布的宏观因素和冲击的一个对数函数;在Credit Risk+模型中,每笔贷款违约的概率被看作是可变的。

(4)回收率。贷款等信用资产的损失分布和VaR的计算不仅仅取决于违约的概率,而且也取决于损失的严重程度或给定违约下的损失率(LGD)。在Credit Metrics模型中,估计的回收率的标准差被纳入了VaR的计算;在KMV模型中,回收率被看作是一个常数;Credit Portfolio View模型中回收率的估计是通过蒙特卡罗模拟法进行的;在Credit Risk+模型中,损失的严重程度被凑成整数并进行分组,从而得到次级的贷款组合,然后将任何次级贷款组合的损失的严重程度视为一个常数。

(5)数量方法。Credit Metrics模型对单项贷款的VAR的计算可通过解析方法实现,但对大规模的贷款组合则往往通过模拟技术求解;Credit Portfolio View模型也采用模拟技术解;Credit Risk+模型能够生成关于损失的概率密度函数的逻辑分析解;KMV模型通过解析技术实现风险评价。

(6)模型的适用对象。Credit Metrics模型和KMV模型适用于公司和大客户信用风险的度量,Credit Risk+模型适用于银行对零售客户的信用风险度量,而Credit Portfolio View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。

信用等级转移法Credit MetricsCredit Portfolio ViewKMVCredit Risk+

风险定义市场价值市场价值违约损失违约损失

信用事件降级/违约降级/违约连续的违约率违约

风险驱动因素资产价值宏观因素资产价值逾期违约率

信用等级转换概率不变受宏观因素影响EDF的单个期限结构-资产定价过程推断N/A

信用事件的相关度标准多变量正态分布(权益因子模型)宏观因素的条件违约概率函数标准多变量正态资产收益率(资产因子模型)一般风险因子的条件违约概率函数

回复率随机(分布)随机(经验分布)随机(分布)违约既定下的损失

数字方法模拟/分析模拟分析/模拟 分析

3 信用风险模型在我国应用中存在的问题及建议

虽然以上各种模型具有很多优点,并在国外银行业中得到较好应用,但用这些模型来进行信用风险管理对我国银行等金融机构来说是一个巨大挑战。

3.1 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。

3.2 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。

3.3 肥尾问题

如果没有对资产收益的正态性假定,那么构造理论上的KMV模型非常困难。但直接观察市场可以看出,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:(1)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。(2)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。(3)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,从而为银行信用风险管理提供良好的金融环境。

参考文献

[1]曹道胜,何明升.商业银行信用风险模型的比较及其借鉴[J].金融研究,2006,(10).

[2]朱小宗,张宗益.现代信用风险度量模型剖析与综合比较分析[J].财经研究,2004,(9).

[3]春,孙林岩.现代信用风险模型特征比较研究[J].当代经济科学,2004,(3).

[4]梁世栋,郭人人,李勇,等.信用风险模型比较分析[J].中国管理科学,2002,(2).