商業(yè)銀行信用風險度量方法演進及借鑒

田衛(wèi)國

[摘要]自巴塞爾協議規(guī)定用于確定風險資本充足率的內部模型必須是以VaR為基礎的模型以來，VaR已成為目前最為流行的風險管理模型，此模型的引進和應用對改進我國商業(yè)銀行信用管理有借鑒意義。本文回顧了傳統(tǒng)的信用風險管理模型，著重對市場上基于VaR的三種主要信用風險度量和管理方法：CreditMetrics模型、KMV模型、CreditRisk+模型進行比較分析，闡述了它們的基本原理與相應優(yōu)缺點。

[關鍵詞]商業(yè)銀行；信用風險度量；VaR

[DOI] 10.13939/j.cnki.zgsc.2015.08.017

在現代金融體系中，商業(yè)銀行作為金融和交易的主要金融中介，一個國家經濟狀況的晴雨表，在減少經濟風險和不穩(wěn)定因素，保證國民經濟順暢運行方面發(fā)揮著舉足輕重的作用。商業(yè)銀行在運營中本身承擔著各種類型的風險，包括信用風險、利率風險、流動性風險、管理風險、資本風險和政策風險等。其中，信用風險是金融市場中最古老也是最重要的風險形式之一。它是現代社會經濟實體、投資者和消費者所面臨的重大問題。

1988年巴塞爾協議提出信用風險的權數管理方式。在該風險管理方式下，銀行有效的定量信用風險定量管理技術有：專家系統(tǒng)，評分方法，評級方法。20世紀90年代以后，金融機構資產狀況日益多樣化，如信用衍生產品興起，使信用風險管理更加復雜，金融機構迫切需要更有效的定量工具來輔助進行信用風險管理。此時，商業(yè)銀行開始發(fā)展內部模型，采用VaR等方法對其資產市場風險進行管理。1996年巴塞爾協議修正案，正式許可金融機構可選擇內部模型度量其面臨的市場風險。在此推動下，用于信用風險度量的新方法也開始興起。它們與以往的度量方法相比，更多應用現代金融理論和數理統(tǒng)計方法。

總的來講，信用風險評價方法越來越體現出從定性到定量、從簡單到復雜、從個別資產信用評價到資產組合信用風險評價的趨勢。

1 傳統(tǒng)信用風險度量模型

1.1 專家系統(tǒng)

專家系統(tǒng)最大特征是銀行信貸的決策權是由該機構中具有豐富經驗的信貸官掌握，主要依賴于他們的主觀分析或定性分析方法衡量企業(yè)貸款的信用風險，并做出是否貸款的決定。在專家系統(tǒng)制度下，實施信用風險分析時，商業(yè)銀行要遵循5C原則，即通過衡量借款人的品格（Character）、能力（Capacity）、資本（Capital）、擔保（Collateral）、環(huán)境（Conditions），判斷其信用風險程度并決定是否給予貸款。專家系統(tǒng)中，專門信用分析員隨著機構的擴大越來越多，導致成本居高不下；另外，信貸官自身的偏好使其實施的效果很不穩(wěn)定。因而，專家系統(tǒng)只能作為一種輔助性的信用風險度量分析方法。

1.2 Z評分模型和ZETA評分模型

Edward I. Altman于1968年提出了著名的Z評分模型（Z-score model），1997年他又提出了修正擴展后的第二代ZETA評分模型（ZETA credit risk model）。Altman的評分模型是一種多變量的分辨模型，根據數理統(tǒng)計中的辨別分析技術，對銀行過去的貸款進行統(tǒng)計分析，將反映借款人經濟狀況或影響借款人信用狀況的若干指標賦予一定權重，然后對所得Z（ZETA）值進行分析并將其與基準值相比來決定是否給予貸款以及貸款定價。Altman的評分模型本身存在一些缺陷，如只考慮了違約與不違約兩種極端情況，而忽略中間各種可能情形；缺乏足夠的經濟理由解釋賦予各變量的權重等。

1.3 非線性區(qū)別模型與神經網絡分析系統(tǒng)

非線性區(qū)別模型與神經網絡分析系統(tǒng)等的應用使信用評分模型得以拓展。Altman Marco和Varreto在對意大利公司財務危機預測中應用了神經網絡分析法，Coats及Fant等采用神經網絡分析法分別對美國公司和銀行財務危機進行預測，取得了一定的效果。王春峰等也應用神經網絡等方法對我國商業(yè)銀行進行了信用風險評價。然而神經網絡的最大缺點是其工作的隨機性較強。因為要得到一個較好的神經網絡結構，需要人為地去調試，非常耗費人力與時間，而并沒有實質性的優(yōu)于線性區(qū)別模型。

2 現代信用風險度量模型

2.1 期限結構模型

期限結構模型的基本思想是通過有風險企業(yè)債券與無風險債券之間的利差的分析推測借款人的信用風險。

2.2 死亡率模型

死亡率模型（Mortality Model）是通過分析某一信用級別的債券或貸款的歷史違約情況來測度具有同一級別的金融工具的信用風險程度。這種方法以貸款或債券的組合以及它們在歷史上的違約經歷為基礎，開發(fā)出一張表格，用該表來對信用資產的邊際死亡率（Marginal Mortality Rate，MMR）和累計死亡率（Cumulative Mortality Rate，CMR）進行預測。將MMR、CMR與違約損失率結合起來，人們便可以獲得預期損失的估計值。目前這類模型用來分析貸款違約情況的主要困難是缺乏必要的歷史記錄材料。

2.3 RAROC模型

RAROC（Risk-Adjusted Return On Capital）模型的主導思想是通過計算單位貸款風險的收益率并與基準相比來決定是否發(fā)放貸款以及貸款定價。其基本表達式為：RAROC = 貸款收益/風險資本

其中分子反映了某項貸款一年的預期收益，包括利差收益、手續(xù)費等并扣除預期損失及運營成本等。分母則是對不可預期的損失或風險資本的度量。如果計算得到某項貸款的RAROC大于臨界風險收益率，則可以發(fā)放該項貸款，否則應拒絕。

2.4 基于VaR的現代新興信用風險度量模型

VaR（Value at Risk）是在正常的市場條件和給定的置信水平（通常是95%或99%）上，某一投資組合預期可能發(fā)生的最大損失。

目前國際上基于VaR的信用風險評估模型主要有如下幾種：（1）J. P. Morgan的CreditMetrics模型；（2）KMV公司的KMV模型；（3）CSFP（Credit Suisse Financial Products）的CreditRisk+模型。下面對這三種新興信用風險度量和管理方法進行分析比較。

2.4.1 Credit Metrics模型

1997年，以J. P. Morgan代表的幾家著名的金融機構聯合推出了CreditMetrics模型，該模型將借款者的信用等級與風險資產的預期價值聯系起來，對資產組合的信用風險進行量化和分析，目前已成為最具國際代表性的內部風險管理模型。

在CreditMetrics模型中，給定投資組合（已知組合中資產類別以及它們之間的組成比例），可以得出一定期限后（通常一年）的組合價值分布曲線，進而用該曲線計算投資組合VaR值。計算組合價值分布曲線有分析方法和模擬方法兩種。以下用一個簡單例子來說明分析方法計算組合價值分布的過程。這里假定債券投資組合中僅含有一種BBB等級債券。計算中需要的違約率和轉移矩陣由信用評級機構提供，它們是通過對歷史數據求平均值獲得的。假定下一年BBB債券等級變動概率見表1（限于篇幅，該表僅取信用轉移矩陣的一部分）。

從表1可以看出，債券下一年保持BBB等級概率為86.93%。信用等級變化后，債券價值將采用相應等級債券利率期限結構進行折現。如果信用等級下降（上升），信用利差高（低），債券價值將下降（上升）。本例中設BBB等級債券利率期限結構見表2。

同理，我們對債券期末變動到其他等級的情況，也分別進行估價，可得表3。

從數據中，可得出一年后債券價值分布曲線，然后可求出該投資組合在一定置信度下的VaR值。投資組合中只有一種債券的例子是最簡單的，現實投資組合往往很復雜，含有多種債券（或其他有信用風險的金融工具），用分析方法將很難求解，常采用模擬方法。模擬方法首先根據信用轉移矩陣確定信用等級發(fā)生變化的臨界資產收益率；然后假定公司資產價值收益率服從正態(tài)分布，模擬產生相當數量的資產收益率，結合臨界收益率決定每次模擬信用等級變動情況，分別計算投資組合價值；最后得到投資組合價值分布的模擬曲線，根據該曲線可以計算VaR值。

Credit Metrics模型還考慮了投資組合中不同債務人資產之間的相關性。為求不同債務人資產之間的相關度，該方法先構造不同國家產業(yè)之間的相關度模型，使用各個國家證券市場的綜合指數和行業(yè)指數來進行分析。然后根據每個債務人在國家和產業(yè)中的參與程度，分配權重。運用指數相關度和權數一道就可以計算債務人之間的相關度了。Credit Metrics模型是第一個公開提供的用于投資組合信用風險度量的方法。J. P. Morgan還發(fā)布了基于此方法的Credit Manange模型工具來進行投資組合信用風險的管理，形成了一套非常完整的信用風險度量和管理框架。但該方法中有以下問題需要進一步討論：第一，模型中違約率直接取自歷史數據平均值，但實證研究表明，違約率與宏觀經濟狀況有直接關系，不是固定不變的，在經濟高速增長階段，違約率較低；而在經濟衰退時期，違約率則很高。第二，模型假定資產收益服從正態(tài)分布，它是進行模擬的基礎，但資產收益的實際分布有待進一步研究。第三，模型中假定企業(yè)資產收益之間的相關度等于公司證券收益之間的相關度，該假設有待進一步驗證，模型計算結果對于這一假定的敏感性很高。第四，模型中假定無風險利率是固定不變的，影響投資組合價值的只有各種信用事件，市場風險對于投資組合價值沒有影響。以下兩個模型也同樣假設沒有市場風險。

2.4.2 KMV模型

Credit Metrics模型中，認為同一信用等級公司違約概率相同，不同信用等級公司違約概率是歷史數據平均值，這兩個假設對于計算結果的精度影響較大。KMV公司提出的模型不使用信用評級機構提供的統(tǒng)計數據來確定違約概率。它對每一公司分別使用默頓的違約證券估價模型來確定其實際違約概率，模型中違約率是公司資本結構、資產收益波動率和公司當前資產價值的函數。該方法定義了期望違約頻率EDF（Expected Default Frequency）概念，每一公司有自己獨特的EDF。模型認為EDF值充分反映了公司信用利差、信用等級等市場信息。計算EDF分為三個階段：首先估計公司資產價值和公司資產波動率；其次計算違約距離DD（Distance to Default），它是用指數形式表示的違約風險值；最后使用KMV違約數據庫將DD轉化為EDF。以下具體說明EDF計算過程。

PV為債券現值，LGD為違約時的損失，Ci為現金流，Qi是累積風險中性EDF，對EDF進行修正后得到。式中第一項為無風險部分現值，第二項為信用風險部分現值。KMV模型不對整個投資組合價值進行模擬計算，而是用分析方法求解投資組合價值分布。KMV模型假定充分分散化的投資組合，其損失分布是反正態(tài)分布，從而求得一定置信度下的損失值La。

與Credit Metrics模型相比，KMV模型度量方法包含更多市場信息，因而認為能更好預測未來。該模型需要進一步研究的問題有：（1）期權定價方法可求解公司資產價值和波動率，但缺乏有效方法對它們的精確性進行檢驗。（2）為了能使用期權定價公式，分析時假定公司債務結構是靜態(tài)不變的。（3）模型離不開資產收益正態(tài)分布假設，否則就不能求出理論EDF值。

2.4.3 基于精算方法的Credit Risk+模型

CreditRisk+模型使用保險精算的計算框架來導出投資組合損失。該方法只對違約風險進行建模，而不考慮信用等級變化。

由于每一次違約損失額不一樣，對于整個投資組合來說，損失分布將不再遵循泊松分布。為求得損失分布，CreditRisk+模型先將投資組合中每筆貸款風險暴露按大小分組，組內貸款暴露相同，因此，每組損失分布將遵循泊松分布，然后將各組損失匯總，就得到整個投資組合的損失分布。

CreditRisk+模型還分析了投資組合多期情形下的損失分布和違約率隨機變化下的損失分布。該方法明顯優(yōu)點是數據需求少，主要輸入數據僅為貸款違約率、違約率波動率和風險暴露，但主要不足有：第一，由于忽略了信用等級變化，因而每筆貸款信用風險暴露在計算期間內固定不變，這與實際情況不夠符合。第二，分組時，對每筆貸款暴露進行近似，從而將高估投資組合損失的方差。第三，違約率波動率不能直接獲得，需要用結構模型從其它市場數據中獲得。

2.4.4 結 論

以上比較了當前國際金融界三種最知名的信用風險度量方法，分析了它們的基本原理和相應優(yōu)缺點。歸納起來，CreditMetrics模型的信用風險基于一定時間內某一信用等級資產向其他信用等級資產轉化的概率；KMV模型認為違約的過程是內生的，并且與其公司的資本結構有關；CreditRisk+模型認為對貸款或債券的違約是外生的泊松過程，3種對違約概率的不同估計，造成了模型的差別。近年來，信用風險度量方法發(fā)展很快，又有不少知名公司進入這一領域，引起業(yè)界注意。如1998年，麥肯錫公司提出Credit Portfolio View方法，它不使用歷史數據，違約概率基于當前經濟狀況；2000年4月，穆迪公司提出Risk Calc方法，該模型也使用了默頓的期權理論，并用統(tǒng)計方法分析歷史數據。將來，隨著信用風險度量方法進一步成熟，它們在金融機構信用風險管理中將發(fā)揮越來越大的作用。

參考文獻：

[1]李志輝.現代信用風險量化度量和管理研究[M].北京：中國金融出版社，2001.

[2]王曼怡.金融企業(yè)信用風險管理[M].北京：中國經濟出版社，2003.

[3]王春峰.商業(yè)銀行信用風險評估及其實證研究[J].管理科學學報，1998（1）：68-72.

[4]張瀛.信用風險管理的發(fā)展及主要新方法[J].系統(tǒng)工程理論方法應用，2004，13（4）：324-329.

[5]李毅敏.商業(yè)銀行信用風險測量方法的演進及借鑒[J].華南金融研究，2002，17（5）：33-36.

[6]程鵬等.信用風險度量和管理方法研究[J].管理工程學報，2002 （1）：70-73.

[7] 張赟格，趙林海.信用風險度量模型綜述[J].中國市場，2014（4）.