我国商业银行信用风险识别模型及其cxuj

单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,南开大学经济学院金融学系,李志辉 教授,2006年9月18日,现代商业银行信用风险度量和管理研究,主要内容：,商业银行信用风险度量和管理的重要性,商业银行信用风险度量和管理的方法和模型,我国商业银行信用风险识别模型及其实证研究,现代商业银行信用风险的量化度量和管理研究对我国的启示,信用风险的概念和成因,信用风险是商业银行面临的最重要的风险,信用风险的过度集中问题威胁着我国商业银行的生存和发展,新巴塞尔协议的出台对商业银行的信用风险管理提出了更高的要求,一、商业银行信用风险度量和管理的重要性,一、商业银行信用风险度量和管理的重要性,信用风险是指由于借款人或市场交易对手违约而导致损失的可能性；,更为一般地说，信用风险还包括由于借款人的信用评级的变动和履约能力的变化导致其债务的市场价值变动而引起的损失可能性。,信用风险根源于信用活动和交易对手遭受损失的不确定性。,（一）信用风险的概念和成因,一、商业银行信用风险度量和管理的重要性,McKinsey,公司的研究表明，以银行实际的风险资本配置为参考，信用风险占银行总体风险暴露的60，而市场风险和操作风险则仅各占20。,对信用风险管理不善会给商业银行带来灾难性的影响（如上世纪90年代以来西方几大商业银行倒闭案 ）,商业银行信用风险的度量和管理还会影响到社会经济实际部门的正常运行和货币政策、财政政策的有效实施。,（二）,信用风险是商业银行面临的最重要的风险,一、商业银行信用风险度量和管理的重要性,根据正式的公开数据，按照“一逾两呆”口径，2001年，四大国有商业银行的不良贷款为18000亿元，不良率为25.37，按照“五级分类”口径的不良率为31.1，远高于东南亚国家银行1997年金融危机时的不良率。,2002年以来，监管机构和各商业银行逐渐加大风险控制和不良贷款处置力度，强化不良贷款监管，贷款不良率有下降。,（三）,信用风险的过度集中问题威胁着我国商业银行的生存和发展,一、商业银行信用风险度量和管理的重要性,2004年，主要商业银行不良贷款余额17176亿元，比年初减少3946亿元；不良贷款率为132，比年初下降46个百分点。这是不良贷款继2002年、2003年后的连续第三年“双降”。,但是如果考虑到不良贷款剥离和核销因素，情况并非如此乐观。2004年中行建行处置不良贷款合计为4364亿元，超过了2004年不良贷款减少的3946亿元。也即不良贷款余额反而增加了418亿元。,（三）,信用风险的过度集中问题威胁着我国商业银行的生存和发展,（三）,信用风险的过度集中问题威胁着我国商业银行的生存和发展,不考虑核销额的不良贷款规模,考虑核销额的不良贷款规模,一、商业银行信用风险度量和管理的重要性,2003年4月，巴塞尔委员会颁布了新巴塞尔协议第三次征求意见稿，第三次征求意见稿基本上接近于终稿，以此为基础的新协议将于今年第四季度定稿，并于2006年底在成员国付诸实施。,新协议对现行资本协议的风险计量方法进行了修改，规定银行可以使用标准法和内部评级法度量信用风险，同时建议实力较强的银行使用内部评级法。,（四）,新巴塞尔协议的出台对商业银行的信用风险管理提出了更高的要求,一、商业银行信用风险度量和管理的重要性,相对于资本监管来说，新巴塞尔协议在很大程度上更注重信用风险的管理，对商业银行信用风险的评估与控制提出了更高、更严格的要求。,我国已于1996年加入了巴塞尔成员国的行列，尽管银监会宣布2006年我国暂不执行新协议，中国银行业必须尽快将信用风险度量和管理的相关研究提上议事日程，积极借鉴新协议的有关内容，提高我国商业银行的信用风险管理水平。,（四）,新巴塞尔协议的出台对商业银行的信用风险管理提出了更高的要求,古典信用风险度量和管理方法,现代信用风险度量和管理模型,以风险调整为核心的绩效度量方法,二、商业银行信用风险度量和管理的 方法和模型,二、商业银行信用风险度量和管理的 方法和模型,（一）,古典信用风险度量和管理方法,古典信用风险度量方法I：专家制度,古典信用风险度量方法II: Z评分模 型和ZETA评分模型,（一）古典信用风险度量和管理方法,（1）专家制度的主要内容：,专家制度是一种最古老的信用风险分析方法，它是商业银行在长期的信贷活动中所形成的一种行之有效的信用风险分析和管理制度。,在该制度下，各商业银行对贷款申请人进行信用分析涉及的内容大多集中在借款人的“5C”上，即品德与声望（Character）、资格与能力（Capacity）、资金实力(Capital or Cash)、担保（Collateral）、经营条件或商业周期（Condition）。,1.古典信用风险度量方法I：专家制度,表2.1 银行在信用分析中经常使用的财务比率指标,1.古典信用风险度量方法I：专家制度,（一）古典信用风险度量和管理方法,（2）专家制度的缺陷和不足,需要相当数量的专门信用分析人员；,实施的效果很不稳定；,与银行在经营管理中的官僚主义方式紧密相联，大大降低了银行应对市场变化的能力；,加剧了银行在贷款组合方面过度集中的问题，使银行面临着更大的风险；,在对借款人进行信用分析时，难以确定共同要遵循的标准，造成信用评估的主观性、随意性和不一致性。,（一）古典信用风险度量和管理方法,Z评分模型（Z-score model）是美国纽约大学斯特商学院教授爱德华阿尔特曼（Edward I. Altman）在1968年提出的。1977年他又对该模型进行了修正和扩展，建立了第二代模型ZETA模型（ZETA credit risk model）。,Z评分模型的主要内容,第二代Z评分模型ZETA信用风险模型,Z评分模型和ZETA模型的缺陷,2.古典信用风险度量方法II：Z评分模型 和ZETA评分模型,（一）古典信用风险度量和管理方法,2.古典信用风险度量方法II：Z评分模型 和ZETA评分模型,（1）Z评分模型的主要内容,阿尔特曼的Z评分模型是一种多变量的分辨模型，他是根据数理统计中的辨别分析技术，对银行过去的贷款案例进行统计分析，选择一部分最能够反映借款人的财务状况，对贷款质量影响最大、最具预测或分析价值的比率，设计出一个能最大程度地区分贷款风险度的数学模型（也称之为判断函数），对贷款申请人进行信用风险及资信评估。,（一）古典信用风险度量和管理方法,2.古典信用风险度量方法II：Z评分模型 和ZETA评分模型,（1）Z评分模型的主要内容,阿尔特曼确立的分辨函数为：,Z=0.012（X1）+0.014（X2）+0.033（X3）+0.006（X4）+0.999（X5）,或：,Z=1.2（X1）+1.4（X2）+3.3（X3）+0.6（X4）+0.999（X5）,X1：流动资金/总资产（WC/TA）,X2：留存收益/总资产（RE/TA）,X3：息前、税前收益/总资产（EBIT/TA）,X4：股权市值/总负债帐面值（MVE/TL）,X5：销售收入/总资产（S/TA）,（一）古典信用风险度量和管理方法,2.古典信用风险度量方法II：Z评分模型 和ZETA评分模型,（1）Z评分模型的主要内容,这两个公式是相等的，只不过权重的表达形式不同，前者用的是小数，后者用的是百分比，第五个比率是用倍数来表示的，其相关系数不变。,阿尔特曼经过统计分析和计算最后确定了借款人违约的临界值Z,0,=2.675，如果Z2.675，借款被划入违约组；反之，如果Z2.675，则借款人被划为非违约组。当1.81Z2.99，阿尔特曼发现此时的判断失误较大，称该重叠区域为“未知区”（Zone of Ignorance）或称“灰色区域”(gray area)。,（一）古典信用风险度量和管理方法,2.古典信用风险度量方法II：Z评分模型 和ZETA评分模型,（2）第二代Z评分模型ZETA信用风险模型,ZETA信用风险模型（ZETA Credit Risk Model）是继Z模型后的第二代信用评分模型 ，变量由原始模型的五个增加到了7个，适应范围更宽，对不良借款人的辨认精度也大大提高。我们可以将ZETA模型写成下列式子：,ZETA=,ax,1,+bx,2,+cx,3,+dx,4,+ex,5,+fx,6,+gx,7,模型中的a、b、c、d、e、f、g 分别是ZETA模型中七变量各自的系数。模型中的七变量分别是：资产收益率、收益稳定性指标、债务偿付能力指标、累计盈利能力指标、流动性指标、资本化程度的指标和规模指标。,（一）古典信用风险度量和管理方法,2.古典信用风险度量方法II：Z评分模型 和ZETA评分模型,表2.2 ZETA模型与Z评分模型分辩准确性之比较,（一）古典信用风险度量和管理方法,2.古典信用风险度量方法II：Z评分模型 和ZETA评分模型,（3）Z评分模型和ZETA模型的缺陷,依赖于财务报表账面数据，忽视日益重要的各项资本市场指标，这就必然削弱模型预测结果的可靠性和及时性；,缺乏对违约和违约风险的系统认识，理论基础比较薄弱；,模型假设在解释变量中存在着线性关系，而现实的经济现象是非线性的；,两个模型都无法计量企业的表外信用风险，另外对某些特定行业的企业如公用企业、财务公司、新公司以及资源企业也不适用，因而它们的使用范围受到较大限制。,二、商业银行信用风险度量和管理的 方法和模型,期权推理分析法(Option-theoretic approach)：KMV模型,受险价值法(VaR based Approach)：J.P.摩根的信用度量制模型（CreditMetrics）,麦肯锡模型信用组合观点模型(Mckinseys CreditPortfolioView),瑞士信贷银行的CreditRisk+模型,现代信用风险度量模型方法的比较,（二）现代,信用风险度量和管理模型,（二）现代信用风险度量和管理模型,1.期权推理分析法 ：KMV模型,期权推理分析法(Option-theoretic approach)是指利用期权定价理论对风险债券和贷款的信用风险进行度量的方法，其中最典型的就是位于美国旧金山市的KMV公司创立的违约预测模型信用监测模型(Credit Monitor Model)。,贷款和期权的关系,KMV信用监测模型（Credit Monitor model）,KMV信用监测模型的优劣分析,（二）现代信用风险度量和管理模型,1.期权推理分析法 ：KMV模型,（1）贷款和期权的关系,默顿米勒在1974年就曾指出，一笔银行贷款的损益可以看作是与以借款企业资产为标的所卖出的一笔卖权等值的，也即图2.1与图2.2中的损益是等值的。,A,2,资产价值,B,A,1,0,损益额($),损益额($),+,O,x,股票价格（S）,-,图,2.1,放款银行贷款损益图,图,2.2,股票卖权的卖方损益图,1.期权推理分析法 ：KMV模型,（二）现代信用风险度量和管理模型,（2）KMV信用监测模型,KMV 公司建立的信用监测模型的目的在于为了解决银行贷款的信用风险问题。该模型使用了两个关系：,其一，企业股权市值与它的资产市值之间的结构性关系；,其二，企业资产市值波动程度和企业股权市值的变动程度之间关系。,通过这两个关系模型，便可以求出市场上无法直接观测到的两个变量：企业资产市值及其波动程度。一旦所有涉及的变量值被算出，信用监测模型便可以测算出借款企业的预期违约频率(EDF)。,1.期权推理分析法 ：KMV模型,（二）现代信用风险度量和管理模型,（2）KMV信用监测模型,股权市值与资产市值之间的结构性关系,企业股权市值与它的资产市值之间的结构性关系是由前面提到的贷款与期权的关系决定的。,图2.3 企业股权作为期权买权的损益情况,1.期权推理分析法 ：KMV模型,（二）现代信用风险度量和管理模型,（2）KMV信用监测模型,借款企业股东的股权市值头寸看作是持有一份以企业资产市值为标的的买权,。 正象古典布莱克,-,斯可尔斯,-,默顿模型中股票卖权定价的五变量一样，企业股权可由下式来估价出：,其中，A资产市值 B违约执行点,r短期利率 ,A,该企业的资产市值的波动性,股票买权的到期日或贷款期限(或违约期限)。,r B 都可以从市场上直接观察到，A和,A,的获得需要借助第二个关系。,（2.1）,1.期权推理分析法 ：KMV模型,（二）现代信用风险度量和管理模型,股权市值的波动性,E,与它的资产市值波动性,A,的关系,（2）KMV信用监测模型,股权市值的波动性可以在市场上直接观察到，将公式（2.1）和（2.2）联立在一起，通过连续的迭代，便可以最终求出A值和,A,值。,如果借款企业的资产市值呈现正态分布的话，我们知道违约的概率。,（2.2）,（2.3）,1.期权推理分析法 ：KMV模型,（二）现代信用风险度量和管理模型,（2）KMV信用监测模型,以上我们所推导和计算出的只是借款企业理论预期违约频率，它与现实生活中实际所发生的预期违约频率之间存在着很大差异。,因此，KMV公司就利用其自身优势建立起了一个全球范围企业和企业违约信息数据库，计算出了各类信用等级企业经验预期违约频率，从而产生了以这种经验预期违约频率为基础的信用分值来。,图,2.4,理论预期违约频率的计算,（二）现代信用风险度量和管理模型,（2）KMV信用监测模型,1.期权推理分析法 ：KMV模型,图2.5 KMV模型图示,（二）现代信用风险度量和管理模型,（3）KMV信用监测模型的优劣分析,1.期权推理分析法 ：KMV模型,与传统的以会计资料为基础的信用评分模型和信用评级机构的信用评级相比，KMV的信用检测模型具有更强的违约预测能力。,图2.6 对IBM公司所做的KMV预期违约频率和信用评级机构对其所做的信用评级结果,图2.7 对泰国银行所做的KMV预期违约频率和信用评级机构对其所做的信用评级结果,（3）KMV信用监测模型的优劣分析,（二）现代信用风险度量和管理模型,1.期权推理分析法 ：KMV模型,模型的使用范围受到了限制 ，不适用于非上市公司；,在现实中，并非所有借款企业都符合模型中资产价值呈正态分布的假定；,该模型不能够对长期债务的不同类型进行分辨；,该模型基本上属于一种静态模型，但实际情况并非如此。,2.受险价值法：J.P.摩根的信用度量制模型,（二）现代信用风险度量和管理模型,信用度量制模型Creditmetrics 是J.P.摩根于1997年推出的以VaR方法为基础的信用风险度量模型。,受险价值方法（VaR）,信用度量制模型（Creditmetrics）,受险价值方法与最低风险资本要求,信用度量制模型引起若干争议的技术问题,KMV模型与信用度量制模型的比较,（二）现代信用风险度量和管理模型,2.受险价值法：J.P.摩根的信用度量制模型,（1）受险价值方法（VaR）,图2.8,一支交易股票的受险价值,（二）现代信用风险度量和管理模型,2.受险价值法：J.P.摩根的信用度量制模型,（2）信用度量制模型（Creditmetrics）,为了说明信用度量制方法，考虑一笔贷款，计算其受险价值量并讨论相关的技术问题。,假设一笔5年期固定利率贷款，年贷款利率为6，贷款总额为100（百万美元）。借款企业信用等级为BBB级。,2.受险价值法：J.P.摩根的信用度量制模型,（2）信用度量制模型（Creditmetrics）,借款企业信用等级转换的概率,2.受险价值法：J.P.摩根的信用度量制模型,（2）信用度量制模型（Creditmetrics）,对信用等级变动后的贷款市值估价,2.受险价值法：J.P.摩根的信用度量制模型,计算受险价值量,（二）现代信用风险度量和管理模型,2.受险价值法：J.P.摩根的信用度量制模型,（3）受险价值方法与最低风险资本要求,监管资本：国际清算银行对商业银行所规定的以风险资 产为基础的8%资本要求,经济资本：贷款的受险价值为经济资本(Economic Capital),利用信用度量制方法所计算出的贷款受险价值量可以较为准确地反映不同信用等级和不同期限的贷款在未来可能发生的价值损失量。因此，较之于监管资本，经济资本可以更有效地保证银行在遭受信用风险损失的情况下能够继续生存下来。,（二）现代信用风险度量和管理模型,2.受险价值法：J.P.摩根的信用度量制模型,（4）信用度量制模型引起若干争议的技术问题,关于信用等级的转换问题,关于贷款的估价问题,（二）现代信用风险度量和管理模型,2.受险价值法：J.P.摩根的信用度量制模型,（5） KMV模型与信用度量制模型的比较,相同点：,都是目前国际金融界最流行的信用风险管理模型。,两者都帮助银行和其它金融机构在进行贷款等授信业 务时衡量授信对象的信用状况，分析所面临的信用风 险，防止集中授信，进而为实现投资分散化和具体的 授信决策提供了量化的更加科学的依据，对以主观性 和艺术性为特征的传统信用分析方法提供了很好的补 充。,（二）现代信用风险度量和管理模型,2.受险价值法：J.P.摩根的信用度量制模型,（5） KMV模型与信用度量制模型的比较,差异：,KMV模型对企业信用风险的衡量指标EDF主要来自于 对该企业股票市场价格变化的有关数据的分析，而信 用度量制模型模型对企业信用风险的衡量来自于对该 企业信用等级转换及其概率的历史数据的分析。这是 两个模型最根本的区别之一。,KMV模型被认为是一种动态模型，可以及时反映信用 风险水平的变化；信用度量制模型在相当长的一段时 间内保持静态特征，这有可能使得该模型的分析结果 不能及时反映企业信用状况的变化。,（二）现代信用风险度量和管理模型,2.受险价值法：J.P.摩根的信用度量制模型,（5） KMV模型与信用度量制模型的比较,差异：,KMV模型是一种向前看(forward-Looking)的方法，其 EDF指标中包含了市场投资者对该企业信用状况未来 发展趋势的判断。信用度量制模型采用的是依赖信用 状况变化历史数据的向后看(Backward-Looking)的 方法。,KMV模型与信用度量制模型所选择的信用损失计量方 法不同。,KMV模型与CreditMetrics模型对贷款的估价方法不同。,3. 麦肯锡模型信用组合观点模型,（二）现代信用风险度量和管理模型,信用组合观点模型CreditPortfolioView是多因素模 型，它在宏观经济因素（如失业率、GDP增长率、 长期利率水平、汇率、政府支出及总储蓄率）一定 的情况下，模拟了违约的联合有条件的分布及每个 国家不同行业各种级别客户的转移概率。,该模型在计算信用资产的在险价值量时，将各种影 响违约概率以及相关联的信用等级转换概率的宏观 因素纳入体系。克服了信用度量制方法由于假定不 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，被视为信用度量制方法的重要补充。,3. 麦肯锡模型信用组合观点模型,（二）现代信用风险度量和管理模型,模型中解决和处理经济周期性因素及其影响 的方法是直接将信用等级转换概率与宏观因 素之间的关系模型化，如果模型是拟合的， 就可以通过制造宏观上的对于模型的“冲击” 来模拟信用等级转换概率的跨时演变状况。,模型中违约概率以logit模型方式表现。,4.瑞士信贷银行的CreditRisk+模型,（二）现代信用风险度量和管理模型,CreditRisk+模型是运用保险学框架推导债券或贷款资产组合损失分布的模型。,CreditRisk+模型的基本假设,CreditRisk+模型框架,CreditRisk+基本模型的拓展,4.瑞士信贷银行的CreditRisk+模型,（二）现代信用风险度量和管理模型,（1）CreditRisk+模型的基本假设,只考虑违约风险，不考虑降级风险；,违约风险与资本结构无关；,对一笔贷款业务，给定时间的违约概率与其他时 间的违约概率相同；,对于大量债务人，任何一个特定债务人的违约概 率都很小，且特定时间内发生的违约数目与其他 时间内发生违约数目相互独立。,4.瑞士信贷银行的CreditRisk+模型,（二）现代信用风险度量和管理模型,（2）CreditRisk+模型框架,违约事件频率（用标准泊松分布近似违约事件的分布）,损失的严重程度（交易对手发生损失等于债务人借款 数量减去清偿数目）,资产组合的违约损失分布,4.瑞士信贷银行的CreditRisk+模型,（二）现代信用风险度量和管理模型,（3）CreditRisk+基本模型的拓展,CreditRisk+还可以在单变量基础上进行拓展：,模型可以拓展为多期模型；,违约率的变化源于许多“背景”因素，每个因素代表一 个活动部门。每个因素k由随机变量X,k,代表，它是部 门k的违约数目，假设服从Gamma分布。每个债务人 违约率均值是背景因素X的线性函数，这些因素之间 假设是相互独立的。,（二）现代信用风险度量和管理模型,5. 现代信用风险度量模型方法的比较,二、商业银行信用风险度量和管理的 方法和模型,（三）,以风险调整为核心的绩效度量方法,RAPM度量指标的计算方法以 RARORAC指标为例,RAPM度量指标的比较,（三）以风险调整为核心的绩效度量方法,20世纪70年代,末，美国信孚银行首次提出了风险调整资本配置观念,风险调整绩效度量方法（,RAPM,）与传统的主要以股本收益率（,ROE,）为中心的绩效度量和资本分配模式的最大区别在于：将银行收益与其所承担的特定风险直接挂钩，更明确地考虑到风险对商业银行的巨大影响。,该方法可以帮助业务管理者进行投资决策，制定不同层次上的长期战略计划；该方法还能对新引入的交易工具进行有效定价，从而实现具有更高增值潜力的投资。,1.,RAPM,度量指标的计算方法,以RORAC为例,（三）以风险调整为核心的绩效度量方法,RAPM方法通常有四个度量指标，它们是：,ROC,（return on capital）,资本收益,RORAC,（return on risk-adjusted capital）,风险调整资本的收益,RAROC,（risk-adjusted return on capital）,资本的风险调整收益,RARORAC,（risk-adjusted return on risk-adjusted capital）,风险调整资本的风险调整收益,1.,RAPM,度量指标的计算方法,以RORAC为例,（三）以风险调整为核心的绩效度量方法,RAPM的四个绩效度量指标基本形式类似，都是由风险调整的或未被调整的收益除以必要监管资本或经济资本得来的，只是风险调整的位置各不相同。下面以RARORAC指标为例详细介绍RAPM度量指标的量化方法。,（2.4）,RARORAC的分子是收益项，包含收入信息、广义的“费用”、业务部门之间的转移价格以及银行从事各种类型业务活动的预期损失。,（三）以风险调整为核心的绩效度量方法,1.,RAPM,度量指标的计算方法,以RORAC为例,RARORAC的分母是银行为了维持其信用等级而必须保有的与其承担的风险相匹配的资本缓冲额，也称为风险资本或者经济资本。,下图是对分子、分母中各项的详细说明。,资料来源,：,Michael K. Ong ., 1999,Internal Credit Risk Models, Risk Books, pp222.,RARORAC的,图2.9 RARORAC的分子,预期损失是指银行的正常经营过程中能够预期到的损失 额，银行通常会为缓冲这部分损失而设置贷款损失准备金。,单笔贷款的预期损失(,EL,)可以根据下式计算:,ELAELGDPD (2.5),AE=OS+COMUGD (2.6),AE：调整的风险暴露 LGD：既定违约损失率,PD：违约概率 COM：贷款承诺,OS：未清偿贷款 UGD：既定违约提用比例,（三）以风险调整为核心的绩效度量方法,1.,RAPM,度量指标的计算方法,以RORAC为例,（三）以风险调整为核心的绩效度量方法,1.,RAPM,度量指标的计算方法,以RORAC为例,违约概率可以使用信用评级机构以历史数据为基础编制的 估计数据，也可直接利用以信用风险度量模型为基础计算 得出（如KMV公司基于企业价值模型的信用监控系统）的 预期违约频率EDF数据。,既定违约损失率LGD是指在违约事件中，银行损失占全部 风险暴露的比例。LGD主要取决于银行资产担保的程度， 在数值上等于1减去收复率（收复率是指一旦负债人违约， 银行有可能从债务人那里获得补救的那部分损失占全部风 险暴露的比率）。,资产组合的预期损失即为单笔资产预期损失的加权平均和。,资料来源,：Michael K. Ong ., 1999,Internal Credit Risk Models, Risk Books, pp223.,RARORAC,的,图2.10 RARORAC的分母,非预期损失是指与预期损失相关联的经估算的资产价值潜在损失的波动性，银行通过保有资本金以缓解非预期损失对日常经营活动的冲击。,1.,RAPM,度量指标的计算方法,以RORAC为例,（三）以风险调整为核心的绩效度量方法,单笔贷款的非预期损失可以根据下式计算：,若违约是两状态事件，则违约概率即EDF的方差为：,违约是一个多状态过程，则需考虑信用等级转换概率，此时非预期损失的表达式会复杂得多。,（2.8）,（2.7）,（三）以风险调整为核心的绩效度量方法,1.,RAPM,度量指标的计算方法,以RORAC为例,资产组合的非预期损失与预期损失不同，它不等于其所包含的各单个风险资产的非预期损失的线形总和，包含N个资产的资产组合的非预期损失为：,其中，,联合违约概率,P,(,D,i,D,j,)=,EDF,i,+,EDF,j,P,(,D,i,+,D,j,),，,P,(,D,i,+,D,j,),表示至少有一个债务人违约的概率。,（2.10）,（2.9）,2.,RAPM,度量指标的比较,（三）以风险调整为核心的绩效度量方法,尽管RAPM方法的四个常用度量指标（ROC、RORAC、RAROC和RARORAC）在形式上十分类似，但是在对资本收益进行比较时，采用不同的指标会得出不同甚至相反的结果。,银行只有选择恰当的RAPM指标才能做出正确的绩效评价，才能在业务部门层次、客户层次以及交易层次等各个层次上都进行有效的资本分配。,下表是对四种RAPM度量指标的详细比较，这些度量指标的复杂程度从ROC到RARORAC依次增加。,表2.7 RAPM度量指标的比较,（三）以风险调整为核心的绩效度量方法,标准计算方法,涵义,优点,局限性,ROC,资本收益,调整的收益/必要监管资本,度量与监管资本相关的收益率,简单直观易于实施,无法度量交易风险,RORAC,风险调整资本的收益,调整的收益/经济资本,度量与经济（风险）资本相关的收益率,计算资本需求时同时考虑了资产及非资产风险,倾向于持有低风险资产,RAROC,资本的风险调整收益,风险调整的收益/必要监管资本,将监管资本需求和市场风险成本相结合,综合考虑了风险和监管成本,监管资本只能对风险进行有限划分，影响了指标的准确性,RARORAC,风险调整资本的风险调整收益,风险调整的收益/经济资本,资本缓冲额根据商业银行要求和市场风险进行调整所得出的纯粹的经济资本收益率,可用于不同等级资产的风险决策,忽略,了业务的监管成本,资料来源：Sanjeev Punjabi, Many happy returns,Risk, June 1998, pp 71-76.,银行在选择RAPM指标时，要将指标与其所从事的各项业务相结合。,计算ROC时未进行任何风险调整，该指标鼓励投资者去 承担风险以获取更高的收益。这种不充分的定价标准会 导致高风险资本需求的增大，而高质量的资产则因其相 对较低的收益而被避之门外。,RORAC相对于ROC的优势在于其使用了经济资本的概 念， 一般来说，风险和收益都相对较低的交易会具有 校高的RORAC值，这也正是该指标得到广泛青睐的原 因。偏好高“缓冲”资本的机构会据此选择那些吸引力较 低的交易，构建信用质量很高但收益较低的资产组合。,（三）以风险调整为核心的绩效度量方法,2.,RAPM,度量指标的比较,RAROC指标的使用机构会倾向于持有更多的能对市 场风险进行弥补的资产，以对优化使用现有的监管资 本。该指标具有很高的实用性和有效性，因为它试图 实现市场监管限制下的风险调整收益最大化。,RARORAC技术以风险原理和坚实的经济理论为基 础，该指标能够做到以最小的经济资本获得最大的风 险调整收益，但是要达到最好的效果，最好结合其他 一些目标，如收益和获利目标。使用该指标时需要对 风险进行精确的判定和调整以及精湛的理论基础、完 备的风险度量和跟踪系统。,（三）以风险调整为核心的绩效度量方法,2.,RAPM,度量指标的比较,三、我国商业银行信用风险识别模型及其实证研究,商业银行信用风险识别模型构造,样本采集和数据处理,我国商业银行信用风险识别模型实证研究,研究结论,(一),商业银行信用风险识别模型构造,三、我国商业银行信用风险识别模型及其实证研究,主成分分析（Principal Components Analysis）,线性判别模型（Linear Discriminant Analysis）,Logit 模型,BP神经网络模型（Back-propagation neural Networks）,1.主成分分析（P,rincipal Components Analysis,）,主成分分析法是数据降维的传统方法，在20世纪30年代 Hotelling(1933)提出计算主成分的迭代算法后得以广泛 应用。该方法是从相关矩阵内部依赖关系的研究出发， 把一些具有错综复杂关系的变量归结为少数几个综合因 子的多变量统计分析方法。,我国上市公司的财务数据具有高维性（指标多）的特点， 在进行各类判别分析之前，引入主成分分析法能够在财 务比率众多的情况下，实现变量的降维，最大限度减少 变量中所含信息的丢失。,(一)商业银行信用风险识别模型构造,主成分分析法的基本思路是：,从,p,个原始财务指标中提取,m,个相互独立主成份，每个主成份都是原来多个指标的线性组合。提取的主成份根据特征值大小排序，特征值最大的主成份对原始财务指标的解释力度最大，如果特征值小于1，表示该主成份的解释力度还不如直接引入一个原变量的解释力度大。如果,m,（,m,p,）个主成份可以解释大部分原始财务指标的方差或者提取主成份的累计贡献率达到80%以上，那么,m,维主成份空间就能够最大限度地保留原始,p,维财务指标空间的信息。,1.主成分分析（P,rincipal Components Analysis,）,(一)商业银行信用风险识别模型构造,(一)商业银行信用风险识别模型构造,1.主成分分析（P,rincipal Components Analysis,）,主成份分析的具体步骤如下：,原始数据标准化,计算相关系数矩阵（协方差矩阵）,计算特征值和特征向量,计算主成份贡献率和累计贡献率,选择主成份个数,(一)商业银行信用风险识别模型构造,2.线性判别模型（Linear Discriminant Analysis）,以主成份Y,1,，Y,2,，Y,m,为基础我们可以利用Fisher判别方法拟合最优的信用风险线性判别模型。,其中Z是判别值，Y,jt,是t期的主成份判别指标，b,j,是判别系数，b,0,是常数项，t是样本时间期限,。,（3.1）,(一)商业银行信用风险识别模型构造,2.线性判别模型（Linear Discriminant Analysis）,图3.1 Fisher判别方法示意图,(一)商业银行信用风险识别模型构造,2.线性判别模型（Linear Discriminant Analysis）,Fisher判别方法的基本思想是投影，如图3.1所示，对于本次研究中引入的,m,维上市公司财务指标（主成份），在原始变量,X,1,和,X,2,的方向上，高信用风险组A和低信用风险组B的观测值都有很大程度的重叠，难以区分清楚。但是如果以,X,1,为横坐标，,X,2,为纵坐标，并设法在此平面内找到一个,Y,轴，使得当,X,1,X,2,屏幕上的散点投影到,Y,轴上时两组观测值的重叠程度最小。使两组观测值的投影尽可能分开，就相当于使组间差异（即组间离差平方和,SSG,）尽可能大的同时又使组内差异（即组内离差平方和,SSE,）尽可能小，即，,(一)商业银行信用风险识别模型构造,2.线性判别模型（Linear Discriminant Analysis）,其中，,Y是均值向量，Y,i,表示组,i,的均值向量，,S,i,是,i,组样本协方差矩阵，,i,1，2，,g,，由于本次研究只将样本分为两组，所以,g,2。,（3.2）,(一)商业银行信用风险识别模型构造,2.线性判别模型（Linear Discriminant Analysis）,本次检验中使用的阈值是根据“完全对称分类原则”确定的，即阈值M的计算公式为,其中Z,1,和Z,2,分别表示两类样本重心在空间的坐标位置，若将预测样本数据带入判别函数得出的Z值大于或等于M，则判定为高风险企业，否则判定为低风险企业。,（3.3）,(一)商业银行信用风险识别模型构造,3.Logit模型,利用线性判别模型计算得出的Z值只是一个抽象的概念，只能用于判别而无法从直觉上解释，Logit模型解决了这个问题。引入样本企业财务指标后，我们可以通过Logit模型计算其在一段时间内违约的概率，如果得出的概率大于设定的分割点，则认为该公司具有高信用风险。Logit模型采用最大似然估计法进行参数估计，不要求样本数据呈正态分布，这与现实中企业财务指标的真实情况相吻合。,(一)商业银行信用风险识别模型构造,3.Logit模型,假设企业违约概率为P，则1P为企业如期归还贷款的概率，定义,P（，）,可得，,模型（3.6）即为Logistic回归模型。,（3.4）,（3.5）,（3.6）,(一)商业银行信用风险识别模型构造,3.Logit模型,设违约的高风险企业样本为Y,1,A,，Y,2,A,，Y,h,A,，不违约的低风险企业样本为Y,1,B,，Y,2,B,，Y,l,B,，则似然函数为：,取对数似然函数（,LnL,）的最大化，就可以得到式（3.6）中的估计参数,a,0,，,a,1,，,a,m,。,与线性判别模型不同，Logit模型没有理论上的阈值，阈值完全需要根据研究目标来选择。此次研究选择0.5为为阈值，即通过Logit模型计算出公司的违约概率大于或等于0.5，则将公司判定为高风险企业，否则判定为低风险企业。,（3.7）,(一)商业银行信用风险识别模型构造,4. BP神经网络（Back-propagation neural Networks）,神经网络是近年来兴起的现代智能分析技术，作为研究复杂问题的有力工具，它能够很好地解决判别分析、Logit模型等传统分类方法不能解决的信用风险与财务指标之间关系非线性、财务指标呈厚尾分布等问题，在模型识别与分类、预测、自动控制等方面具有其他方法无法比拟的优越性。在信用风险识别研究中，最为常用的网络是BP神经网络、RBF神经网络和概率神经网络，本次将BP神经网络对我国商业银行的信用风险进行识别研究。,(一)商业银行信用风险识别模型构造,4. BP神经网络（Back-propagation neural Networks）,人工神经元网络是根据真实人脑神经网络的结构和功能，模拟思维过程和学习方法的人工智能系统。,基本思路是：一组输入通过一个转换函数进行数 学转换产生一个输出。在学习和训练的过程中， 权重被不断调整以使理想输出（正确的预测）和 实际输出（模型产生的预测）之间的差异最小。,一个神经网络模型包括：模型的类型（前向反馈 还是后向反馈）、隐含层的个数、每个隐含层的 神经元个数和更改权重的学习规则。,基于BP神经网络的企业信用评估模型如图3.2所示。这是一个有n个输入、2个输出含M个隐层的多层前馈神经网络。,图3.2 基于前馈神经网络的企业信用评估模型,(一)商业银行信用风险识别模型构造,4. BP神经网络（Back-propagation neural Networks）,图3.2中，第i个隐层的神经元个数为N，W,1,为nN,1,阶权值矩阵，W,i,（2iM）为N,i1,N,i,阶权值矩阵，W,M1,为N,M,2阶权值矩阵。,输入信号X（x,1,，x,2,，x,n,）,T,是企业的相关数据，可以为银行对企业的评估数据。评估数据经过加权之后传播到隐层的神经元，各隐层神经元经过变换函数和加权之后再输出信息传播到输出结点，最后给出输出结果。,(一)商业银行信用风险识别模型构造,4. BP神经网络,（Back-propagation neural Networks）,(二),样本采集和数据处理,三、我国商业银行信用风险识别模型及其实证研究,样本企业与财务指标的采集,a. 样本企业选择,b. 财务指标选择,c,.,样本数据的分组确定,数据的处理与分析,(二) 样本采集和数据处理,1.样本企业与财务指标的采集,a. 样本企业的选择：,从我国某国有商业银行信贷管理信息系统中选取1999、2000、2001年三年在该行都有贷款且财务报表（资产负债表、利润表和现金流量表）齐全的上市公司客户，分别计算这些企业的贷款不良率，以此衡量商业银行信用风险的高低，符合条件的共195家企业，为保证样本容量足够大，我们将每家上市公司每年的财务数据作为一个样本，因此最后得到的样本企业为585家（1953585）。,(二) 样本采集和数据处理,1.样本企业与财务指标的采集,b. 财务指标的选择：共选取用于基础分析的财务指标50个,全面反映盈利能力、流动性和偿还能力、资产管理 效率、成长性、资本结构状况、资本市场表现等财 务特征,既有反映企业静态指标，也有反映财务状况变化的 动态指标,引入现金流量指标,引入企业资本市场数据,(二) 样本采集和数据处理,1.样本企业与财务指标的采集,b. 财务指标的选择：,指标分类,财 务 指 标,流动性与偿还能力指标,流动比率，速动比率，营运资本，期末速动资产，利息保障倍数，资产短期负债率,盈利能力指标（含动态指标）,资产利润率，资产报酬率，息税前利润，净资产报酬率，销售净利润率，销售毛利率，主营业务利润率，营运资本总资产比，营运资本主营业务收入比，盈利波动率,资本结构与财务杠杆指标,资产负债比率，产权比率，负债股本账面值比,资产管理效率指标,总资产周转率，存货周转率，应收账款周转率，其他应收款周转率，股东权益周转率，固定资产周转率，平均负债成本率,成长性指标（含动态指标）,盈利增长指数，LOG（固定资产总额），总资产增长率，主营业务收入增长率，留成利润比，平均资产，平均股东权益，留存收益，留存收益总资产比，平均负债总额，净资产增长率,资本市场表现指标,股本市值负债比, 流通股市值负债比, 股本帐面值市值比, 每股收益, 每股净资产,现金流量指标,现金流量比率，现金流量财务费用比，主营业务收入现金流量占比，筹资活动净流入与负债比率, 每股现金流量,资产质量指标,主营业务收入占比，销售现金实现率，资本化率,(二) 样本采集和数据处理,1.样本企业与财务指标的采集,c. 样本数据的分组确定：,训练样本和预测样本的划分：,将1999年和2000年的样本作为训练样本，用于模型系数和阈值的估计；2001年的样本作为预测样本，用于检验模型的预测能力。,低风险企业和高风险企业的划分：,以不良率5%作为分界线将每组的样本企业分为两类，将不良率低于5%的企业称为低风险企业，不良率不低于5%的企业作为高风险企业。,(二) 样本采集和数据处理,2.数据的处理与分析,a. 单一财务指标独立样本t检验,对样本企业（高风险企业和低风险企业）的财务指标进行独立t检验的目的在于检验财务指标在不同类别企业之间的差异性，在两类企业之间具有显著差异的财务指标具有统计意义、与信用风险的相关性强，是进一步分析的重点。,根据SPSS软件对全部指标进行独立样本t检验的结果,在两类企业之间有显著差异的财务指标共33个.,(二) 样本采集和数据处理,2.数据的处理与分析,a. 单一财务指标独立样本t检验,这些指标为：营运资本、资产利润率、资产报酬率、息税前利润、净资产报酬率、平均股东权益、期末速冻资产、营运资本主营业务收入比、现金流量比率、利息保障倍数、总资产周转率、存货周转率、应收账款周转率、其他应收账款周转率、股东权益周转率、固定资产周转率、盈利增长指数、log（固定资产）、总资产增长率、留成利润比、留存利润总资产比、资产负债率、产权比率、留存收益、盈利波动率、资产短期负债率、净资产增长率、主营业务收入现金流量占比、筹资活动净流入现金与负债比率、每股现金流量、每股收益、每股净资产、股本账面市值比。,(二) 样本采集和数据处理,2.数据的处理与分析,b. 主成份分析,基于独立样本t检验选出的33个财务指标，可通过主成份分析法提取指标主成份，以在尽可能保留财务指标信息的前提下，简化模型检验过程。,根据主成份累计贡献率大于80%的标准，在对测试样本进行标准化处理后，模型从33个主成份中提取了12个 ，同时采用方差最大化正交旋转法，便于对主成份找到合理的经济解释。,(三),我国商业银行信用风险识别模型实证研究,三、我国商业银行信用风险识别模型及其实证研究,我国商业银行信用风险线性判别模型研究,我国商业银行信用风险Logit模型研究,我国商业银行信用风险BP神经网络模型研究,线性判别模型、Logit模型和BP神经网络模型预测结果比较,(三)我国商业银行信用风险识别模型实证研究,1. 我国商业银行信用风险线性判别模型研究,a. 模型参数：,将高风险企业定义为1，低风险企业定义为0，引入12个主成份以337个训练样本为基础运用SPSS软件建立线性判别模型，得出的信用风险线性判别模型为：,Z,0.563 Y,1,0.488Y,10,0.420Y,4,0.411Y,9,0.406Y,7,各主成份进入模型的顺序依次为Y,1,、Y,7,、Y,10,、Y,9,和Y,4,。根据主成份负荷矩阵和因子得分系数矩阵显示的主成份与原始财务比率的相关关系，以上指标可分别被定义为盈利性指标、流动性与偿还能力指标、资本结构与财务杠杆指标、成长性指标、资产管理效率指标。,（3.8）,(三)我国商业银行信用风险识别模型实证研究,1. 我国商业银行信用风险线性判别模型研究,a. 模型参数：,根据以上Fisher判别函数分别对两组样本数据进行计算，高风险样本和低风险样本的平均Z值分别为0.225和-0.367，训练样本中，高风险样本和低风险样本个数分别为209个和128个，则信用风险线性判别模型的阈值为：,也即，将企业财务指标带入判别方程后，如果计算得出的Z值大于0，则该企业被判定为高风险企业，违约可能性大；如果计算得出的Z值小于0，则该企业被判定为低风险企业，违约可能性小。,（3.9）,(三)我国商业银行信用风险识别模型实证研究,1. 我国商业银行信用风险线性判别模型研究,b. 模型的准确性：,分组,判定值,合计,0,1,普通方法,数目,0,150,59,209,1,55,73,128,%,0,71.8,28.2,100.0,1,43.0,57.0,100.0,Bootstrap检验方法,数目,0,144,65,209,1,58,70,128,%,0,68.9,31.1,100.0,1,45.3,54.7,100.0,表3.1 Fisher线性判定,模型对训练样本的判定结果,(三)我国商业银行信用风险识别模型实证研究,1. 我国商业银行信用风险线性判别模型研究,b. 模型的准确性：,使用普通方法对Fisher线性判别模型的判定效果进行验证，模型的准确率为66.2%，其中对低风险企业判别的准确率71.8%，对高风险企业判别的准确率为57%。,使用Bootstrap检验方法对Fisher线性判别模型的判定效果进行验证，模型的准确率略低于普通方法的判定效果，总准确率为63.5%，其中对低风险企业判别的准确率68.9%，对高风险企业判别的准确率为53.7%。,模型对低风险企业判定的准确率仍然高于高风险企业。,(三)我国商业银行信用风险识别模型实证研究,1. 我国商业银行信用风险线性判别模型研究,b. 模型的准确性：,在统计学中，误判分为两类：第一类错误（拒真）和第二类错误（纳伪）。这里，,第一类错误,是指将高信用风险企业误判为低信用风险企业的错误。,第二类错误,是指将低风险企业误判为高信用风险企业的错误。,第一类错误的误判代价要高得多，因为第二类错误只会使商业银行损失一定的投资收益，而第一类错误会使商业银行因无法收回贷款而面临重大的经营危机。,上述Fisher线性判别模型对高风险企业判定的准确率低于低风险企业，这也就意味着第一类错误率高于第二类错误率。,(三)我国商业银行信用风险识别模型实证研究,1. 我国商业银行信用风险线性判别模型研究,c. 模型检验：,表3.2 Fisher线性判定模型对测试样本的预测结果,采用Fisher线性判别模型预测样本企业的信用风险状况，模型预测的准确率为60.6%，略低于训练样本判定的准确率。模型对预测样本判定的第一类错误低于第二类错误，其中第一类误判率为32.4%，第二类误判率为41.5%，判别模型不够稳定。,(三)我国商业银行信用风险识别模型实证研究,2. 我国商业银行信用风险Logit模型研究,a. 模型参数：,各主成份进入模型的顺序依次为Y,1,，Y,7,，Y,10,，Y,4,，Y,6,，Y,9,，依次被定义为盈利性指标、流动性与偿还能力指标、