资源描述
,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,*,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,*,*,*,单击此处编辑母版标题样式,信用计量模型（Creditmetrics）,Creditmetrics（“信用计量,模型,”）是由J.P 摩根公司联合美国银行、KMV公司、瑞士联合银行等金融机构于1997年推出的信用风险定量模型。,它是在1994年推出的计量市场风险的Riskmetrics（“风险计量,模型,”）基础上提出的，旨在提供一个可对银行贷款等非交易资产的信用风险进行计量的VaR框架。,Creditmetrics,试图回答的问题：,“如果下一年是个坏年份，那么，在我的贷款或贷款组合上会损失掉多少？”,信用计量模型（Creditmetrics）Creditme,1,Creditmetrics基本假设,信用评级有效。信用状况可由借款人的信用等级表示；,借款人的信用等级变化可能有不同的方向和概率,例如，上一年,AAA的,借,款人有90的可能转变为AA级。,把所有的可能列出，形成的“,信用,评级转移矩阵”。,Creditmetrics基本假设,2,Creditmetrics基本假设,贷款的价值由信用等级（价差）决定,由期初的信用等级得到贷款的初始价值；,由评级转移矩阵估计期末贷款的价值；,由二者的差额就可以计算,VaR。,Creditmetrics基本假设,3,计量模型需要的数据,需要利用的数据：,借款人当前的信用评级数据,信用等级在一年内可能改变的概率,违约贷款的回收率,债券的（到期）收益率,注：以上这些资料可以公开得到,计量模型需要的数据需要利用的数据：,4,步骤1 估计信用转移矩阵,根据历史资料得到，期初信用级别为AAA的,借款人,，1年后的信用等级,转换,的概率如下,AAA,AAA,，,90.81,AA,，,8.33,A,，,0.68,BBB,，,0.06,BB,，,0.12,CCC,，,0,D,，,0,步骤1 估计信用转移矩阵根据历史资料得到，期初信用级别,5,A,AAA,，,0.09,AA,，,2.27,A,，,91.05,BBB,，,5.52,BB,，,0.74,CCC,，,0.01,D,，,0.06,注意：,A,级别借款人有,0.06,的概率在下一年度转移到,D,级，即,A,级债券仍有违约的可能。,AAAA，0.09AA，2.27A，91.05BBB，,6,构建信用转移矩阵,以上给出了AAA和A级,借款人,的转移概率，同样可以得到其他级别，如AA、BBB、C等信用级别的转移概率。,将债券所有级别的转移概率列表，就形成了所谓的“信用,级别,转移矩阵”。,构建信用转移矩阵以上给出了AAA和A级借款人的转移概率，同样,7,示例：信用转移矩阵,示例：信用转移矩阵,8,步骤2 估计违约回收率,由于ACCC,借款人有违约的可能，故需要考虑违约时，贷款的回收率。,企业破产清算顺序直接关系回收率的大小。,有担保债高于无担保债,优先高于次级，次级高于初级,步骤2 估计违约回收率,9,违约回收率统计表,例：,BBB,级贷款在下一年违约概率为,0.18,若它是优先无担保贷款，则其一旦违约，,100,元可回收,51.13,元。,违约回收率统计表例：BBB级贷款在下一年违约概率为0.18,10,步骤3,贷款,估值,由于贷款信用级别上升（下降）到新的级别，因此，需要估计每个级别下的市值。,估计市值采取的方法是贴现法,利用市场数据得到，不同级别贷款的利率期限结构（,Term-structure）,步骤3 贷款估值,11,每个信用级别的贴现率(%),每个信用级别的贴现率(%),12,例 子,假设BBB级,贷款,的,金额为,100,（百万美元）,，,固定年,利率为6,，期限5年。,若第1年末，该,借款人,信用等级由BBB,上,升至A 级，则,贷款,在第1年末的市值可以根据上表得到,以上计算的是,BBB,贷款转移到,A,级后的市值。若该债券转移到其它信用等级，可以同理类推计算其它市值,例 子假设BBB级贷款的金额为100（百万美元），固定年利率,13,BBB级债券一年后可能的市值（包含面值）,BBB级债券一年后可能的市值（包含面值）,14,步骤4 计算信用风险,BBB,级贷款的价值分布，例如若转移到,AAA,，则价值为,109.37,，概率为,0.02,，其他情况可以类似地计算出。,步骤4 计算信用风险BBB级贷款的价值分布，例如若转移,15,估计,贷款,市值的均值和标准差,由,贷款,价值的分布，容易得到其价值的均值和方差,均值=107.09（百万美元）,方差=8.94777,估计贷款市值的均值和标准差,16,BBB,贷款,持有1年、99的VaR,由贷款市值的概率分布可知,大于,98.10美元的概率为98.53,大于83.64美元的概率为99.7,BBB贷款持有1年、99的VaR由贷款市值的概率分布可知,17,利用线性插值法可以计算99%概率下的市值，设该值为,X,（X83.64）（99%98.53%）,=（98.10X）（99.7%99%）,X=92.29（百万美元）,VaR,R,107.09-92.29=14.80(,百万,美元),即：,我们可以以99的概率确信，该,贷款,在1年内的,损失不超过14.80美元。,利用线性插值法可以计算99%概率下的市值，设该值为X,18,对Creditmetrics模型的评述,优点：,动态性：适用于计量由借款人资信变化而引起资产组合价值变动的风险。,可预见性：不仅包括违约事件，还包括借款人信用评级的升降；不仅能评估预期损失，还能估计,VaR,，这对于银行特别具有意义。,缺点：,对信用评级的高度依赖，一般地，信用评级只是对企业群体的评估，而非个性化，所以，对个别企业评估不准确；,信用评级主要是依靠历史上的财务数据，是一种“向后看”的方法。,对Creditmetrics模型的评述优点：,19,Creditmetrics模型与KMV模型的比较,1、KMV模型对企业信用风险的衡量指标主要来自于对该,企业股票市场价格变化,的有关数据的分析，而creditmetrics模型对企业信用风险的衡量来自于对该,企业信用评级变化,及其概率的历史数据的分析。这是两者最根本的区别之一。,2、KMV模型可以随时根据该企业股票市场价格的变化来更新模型的输入数据，得出及时反映市场预期和企业信用状况变化的新的edf值。因此，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。,creditmetrics采用的企业信用评级，无论是内部评级还是外部评级，都不可能象股票市场价格一样是动态变化的，而是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。,Creditmetrics模型与KMV模型的比较1、KMV模,20,3、kmv模型所提供的edf指标来自于对股票市场价格实时行情的分析，反映了市场中的投资者对于该企业未来发展的综合预期，被认为是一种,向前看,（forward-looking）的方法,;,creditmetrics模型采用的主要依赖信用状况变化的历史数据的,向后看,（backward-looking）的方法有根本性的差别。,3、kmv模型所提供的edf指标来自于对股票市场价格实时行,21,4、KMV模型不仅可以反映不同企业风险水平的高低顺序，而且可以反映风险水平差异的程度。而creditmetrics序数衡量法只能反映企业间信用风险的高低顺序，如bbb级高于bb级，却不能明确说明高到什么程度。,5、creditmetrics采用的是组合投资的分析方法，注重直接分析企业间信用状况变化的相关关系，因而更加与现代组合投资管理理论相吻合。kmv则是从单个授信企业在股票市场上的价格变化信息入手，着重分析该企业体现在股价变化信息中的自身信用状况，对企业信用变化的相关性没有给予足够的分析。,4、KMV模型不仅可以反映不同企业风险水平的高低顺序，而且,22,*Credit Risk,+,Developed by Credit Suisse Financial Products.,Based on insurance literature:,Losses reflect frequency of event and severity of loss.,Loan default is random.,Loan default probabilities are independent.,Appropriate for large portfolios of small loans.,Modeled by a Poisson distribution.,*Credit Risk+Developed by Cre,23,
展开阅读全文