信用风险度量方法综述

信用风险度量方法综述张玲1杨贞柿2[湖南大学工商管理学院长沙410082]

一、前言

信用风险很早就受到重视,经过几十年的发展,逐步形成了度量信用风险的各种传统和方法。特别是1998年巴塞尔协议修正案正式许可金融机构可以选择内部模型度量其面临的信用风险,各大银行或咨询公司便纷纷研究推出用于度量信用风险的内部模型。这些方法比传统的方法更加注重应用现代金融理论和数理统计方法进行定量分析。

本文将回顾国内外信用风险度量方法并分析各种方法的优势和缺陷,供金融机构信用风险管理借鉴。

二、专家分析法

专家分析法以借款人基本特征所反映出的各种信息为基础,依赖专家的主观判断来估算借款人的信用风险。专家法要考虑的因素有很多,最为常用的是信贷5C法。商业银行根据贷款部门主管(专家)对借款企业的资信品格(Ch aracter)、资本实力(Capital)、还款能力(Capacity)、贷款抵押品价值(Collateral)以及当时所处的经济周期(Conditions)等因素考察评分,并通过专家的主观判断给予各个考察因素不同的权重,综合得出一个分值,以此作为信贷决策的依据。分值的大小反映了借款人信用品质的好坏。

尽管现在很多银行仍然使用专家分析法,但是该类方法面临着一致性和主观性两个重大挑战。对于相似的借款者,不同的信贷负责人可能运用完全不同的标准得出不同的评价结果,而且他们评判时易受感情和外界因素干扰,做出偏差较大的分析。因此,近年来,金融机构已经逐渐放弃纯粹定性分析的专家分析,在此类方法中加入越来越多的客观定量分析。

三、信用评分法

该类方法以评价对象的财务比率为解释变量,运用数理统计方法建立回归模型,以模型输出的信用分值或违约概率与基准值比较,度量评价对象的风险大小。目前这类模型的应用最为有效,也被国际金融业和学术界视为主流方法。此类方法主要包括多元判别分析模型、线形概率模型、Logit模型和Probit模型等。

(一)多元判别分析

多元判别分析法从若干表明评价对象特征的财务比率中筛选出能提供较多信息的变量建立判别函数,推导出错判率最小的判别模型,然后对研究对象所属类别进行判别。

Altman(1968)开发出5变量Z-score判别模型,并在1977年改进为当前最为普遍使用的7变量Zeta模型。S cott (1981)对以往学者的实证结果进行比较,认为在多元模型中Zeta模型最优。陈静(1999)以上市公司年报数据建立了两个判别模型,总体判别正确率为9216%。宋秋萍(2000)直接采用美国Altm an的Z-score模型对中国6家公司进行了预测分析,认为两国会计准则有一定的差距,用美国公司财务数据建立的模型并不适用于对中国公司的预测,从国内企业财务数据中提炼出特征指标建立判别函数更为务实。张玲(2000)采用我国120家上市公司的财务数据,通过判别分析过程,从11个特征财务比率变量中推导出一个只有4个变量的判别分析模型。

判别分析方法的优点是,可同时考虑多项财务指标作比较能够衡量企业的整体绩效,找出具有判别能力的财务比率,缺点是判别分析需要变量符合正态分布假设(而财务比率并不符合)、分析结果仅能作分值高低排列,模型无法处理非线形情况,而变量的选取没有理论基础可能导致选择偏差从而对分类能力造成影响。

(二)线性、Logit和Probit回归模型

线性概率模型以评判对象已知的信用状况为因变量,多个财务比率为解释变量代入线性回归模型,通过最小二乘法回归得出各解释变量与企业违约选择之间的相关关系,建立预测模型,然后运用模型预测企业未来违约概率。该方法可以解决自变量不服从正态分布的问题,模型使用时不需要转换,容易使用,但是模型预测的概率估计值可能落在区间(0,1)之外,不符合概率理论。目前此方法已经很少使用。

为了改进线性概率模型的预测值落在区间(0,1)之外的缺陷。后续学者便假设事件发生的概率服从某种累积概率分布,使模型预测值落在0与1之间。若假设事件发生的概率服从累积Logis tic分布,则称为Logit模型;若假设事件发生的概率服从累积标准正态分布,则称为Probit模型。

Probit和Logit模型采用一系列财务比率预测公司破产或违约的概率,根据风险偏好程度设定风险警界线、以此进行信用风险定位和决策。Probit模型的基本形式与Logit模型相同,差异仅是用于转换的累积概率函数不同,前者为累积正态概率函数,后者为Logistic概率函数。

Logit分析在信用风险度量中已经得到了相当广泛的应用。M artin(1977)用Logit和判别分析方法预测银行破产,发现两种方法的判别能力极为接近。West(1985)使用Logit模型分析金融机构得出每一个机构的违约概率。L awrence(1992)以Logit模型预测家庭汽车贷款的违约概率。Sm ith和Law er-ence(1995)用Logit模型得出预测贷款违约最理想的变量。陈晓、陈治鸿(2000)运用Logit模型对上市公司进行了一次性的预测,判别准确率达8615%。Zmijewski(1984)采用Probit模型预测了破产概率。高培业、张道奎(2000)采用一年的财务数据,把深市上市公司分为制造业和非制造业,运用线性判别模型和Probit模型进行财务困境预测。吴世农、卢贤义(2001)运用线性判别分析、多元线性回归分析和Logis-tic回归分析三种方法分别建立了三种财务困境预测模型,结果显示在财务困境发生前4年的误判率在28%以内,具有较好的预测能力。此模型的优点是解决了自变量非正态化的问题、所求得的概率落于0与1之间、模型可适用于非线形的情况;但是模型的转换程序较为复杂,因此模型的使用不如多元判别模型广泛。

尽管以财务数据为基础的多元信用评分模型已经得到广泛应用,但这些模型至少存在以下缺陷:(1)模型主要以会计帐面价值为基础,而会计数据是离散而非连续的,因此难以发现信用评价对象经营状况中细微、快速的变化;(2)模型只是经验上的拟合,缺乏严密的理论基础。

四、神经网络方法

神经网络分析试探性地发掘出解释变量之间的隐含关系,然后把具有解释能力的变量输入非线性模型,从而优化模型的预测能力。人工神经网络模仿人脑和神经系统的结构,具有类似人脑功能的若干基本特征,具有大规模并行处理、自学习、自组织、自适应能力,能处理复杂的非线性问题,不限定于严格的前提假设条件。神经网络应用于企业信用风险的评判包括学习和预测两个过程。

Dutta和Shekhar(1988)第一个应用神经网络于债券信用评级,研究不同数目的自变量及网络构架对等级分辨能力的影响,其预测准确率为76%至82%之间,自此神经网络成为研究信用风险的主要方法之一。Altman(1994)利用神经网络对意大利公司进行了失败预测,与多元判别分析模型相比效果较好。Trippi和Turban(1996)探讨了神经网络在消费信贷、家庭抵押等方面的应用。中国学者李云杰、王嘉诚、杨保安、王春峰等对神经网络技术在经济预测和信用风险评估中的应用进行了探讨。多数研究结果表明神经网络优于传统的统计方法,但Altm an(1995)在对神经网络法和判别分析法的比较研究中得出/神经网络分析方法在信用风险识别和预测中的应用,并没有实质性的优于线性判别模型0。

神经网络模型的优点主要体现在:(1)不完全依据对问题的经验知识和规则,具有自适应功能,对于弱化权重确定中的人为因素十分有益;(2)能够处理有噪声或不完全的数据,具有泛化功能和很强的容错能力;(3)能处理复杂的非线性关系问题。但它受人批判之处是:(1)特殊的理论基础以及用数据挖掘的方法确认解释变量之间隐含的相关关系;

(2)要得到一个较好的神经网络结构非常耗费人力和时间。尽管存在一些遗憾,神经网络方法作为一门崭新的信息处理科学方法仍然吸引着众多领域的研究者。

五、基于资本市场的信用风险模型

(一)期限结构模型(Term Structure M odel)

该模型从无违约风险债券与风险债券的利差期限结构计算出潜在的违约概率。认为不同的信用品质反映在公司债券收益超出国库券收益的差异上。利用无风险债券及风险债券所隐含的远期利率,找出市场未来不同时点违约事件的预期。期限结构法的雏形见诸Jonkhart(1979)中,Iben-Litterm an (19)有了更精细的改进。该方法以下列假设为基础:(1)利率的预期理论成立;(2)交易成本小;(3)没有回购、偿债基金和其他期权特征;(4)可以由带息债券收益曲线推出折扣债券收益曲线。但是其中一些假设值得怀疑。

(二)死亡率模型(M ortality Rate Model)

Altman(19)的死亡率模型和Asquish(19)的逾期方法都以资本市场为基础,利用信用品质相似的债券及债务历史违约情况找出预期违约概率。

一些评级机构(如穆迪、标准普尔公司)对死亡率模型作了进一步修正,现在已经规范化地应用于金融工具分析中。这类模型的应用范围可以由债券延伸扩展至贷款,但是由于缺乏足够规模的贷款违约数据库,该模型的发展有相当大的阻力。M cAlli s ter和M ingo(1994)认为要想稳定估计违约概率,机构的数据库可能需要20000-30000条公司记录。

六、信用风险内部模型

1998年新巴塞尔协议允许各大银行使用内部模型估算信用风险。在此推动下,用于信用风险度量的新方法也开始兴起,在国际上使用较多的有四种。

(一)信用度量术(Credit M etrics)

1997年J1P1摩根公司和一些合作机构推出此模型。它对贷款和债券在给定的时间单位内未来价值变化分布进行估计,并通过在险价值(VaR)来衡量风险。在该模型中,价值变化与债务人信用质量的最终转移相联系。信用风险不仅由债务人的违约风险引起,也因债务人的信用等级降低而引起。该模型的准确性依赖于两个关键的假设:同一等级的公司具有相同的违约率;实际违约率等于历史违约率。事实上违约率的变化是连续的,而信用等级的调整是离散的。因此可能会造成同一等级公司的违约率的高估或低估,影响模型的准确性。

(二)KM V模型

基于期权理论的KM V模型已经在世界许多国家开始商业应用。KM V模型的理论基础是Black-Scholes(1973)、M er-ton(1974)以及Hull和White(1995)的期权定价模型。该模型认为企业违约概率主要决定于企业资产市场价值、负债帐面价值和资产市场价值波动率。当企业资产未来市场价值低于企业所需清偿的负债面值时,企业将会发生违约。企业资产未来市场价值的均值到违约点之间的距离就是违约距离,它以资产市场价值标准差的倍数表示。基于企业违约数据库,模型可依据企业的违约距离得出一个期望违约频率EDF(Ex-pected Default Frequency),这个期望违约频率就是企业未来某一特定时期的违约概率。由于KMV模型中既有财务数据,又有市场交易信息,因此能全面反映上市公司的信用状况。另外,由于上市公司股票价格每日更新,此类模型可以及时提供与公司实际情况符合较好的信用风险指标,因此,特别适合评价上市公司信用风险。

(三)信用风险附加法(Credit Risk+)

该模型是由CSFP(Credit Suisse Financial Products)1997年推出的信用风险评价模型。模型运用了保险精算方法,假定违约率是随机的,且可以在信用周期内显著地波动。与Credit M etrics和KM V模型都以资产价值作为风险驱动因素不同,因它只考虑了违约风险,没有对违约的成因做任何假设。而被认为是一种/违约率模型0的代表。Credit Risk+模型的最大优点是相对于其他模型,需输入的数据少。

(四)信贷组合观点(Credit Portfolio View)

1998年麦肯锡公司提出的CreditPortfolioV iew模型是一个多因子模型,它根据诸如失业率、GDP增长率、长期利率水平、支出等宏观因素,对每个国家不同行业中不同等级的违约和转移概率的联合条件分布进行模拟。模型中的违约概率和转移概率都与宏观经济紧密相联。当经济状况恶化时,信用降级和违约增加;反之,则减少。

由于信用风险基础数据等研究条件的欠缺,我国学者对内部模型的研究大多处于理论阶段,实证研究较少,且主要集中在KM V模型。吴冲锋,程鹏(2002)使用KM V模型对沪深股市15家上市公司的信用状况进行分析,得出绩优公司信用状况最好,高科技公司信用状况其次,ST公司信用状况最差的结论。杨星(2004)应用KM V模型研究发现上市公司股票价格波动与EDF显著负相关,EDF与公司信用资质变化相吻合。

七、结束语

20世纪80年代末以来,随着金融全球化趋势及金融市场波动的加剧,金融机构迫切需要更加有效的分析工具进行信用风险度量。研究者们开始把统计学、运筹学方法以及现代金融理论,引入到信用风险度量之中。纵观信用风险度量方法的发展历史,可以发现存在以下发展趋势:(1)从定性分析向定量分析转变;(2)从指标化向模型化转变;(3)从单个资产分析向资产组合分析转变;(4)从基于财务数据向基于资本市场信息转变;(5)从离散形式向连续形式度量转变;(6)积极运用现代金融理论研究成果,诸如资产组合选择理论、资本资产定价理论、期权定价理论和套利定价理论等;(7)更多融入经济计量学、保险精算方法、最优化理论、仿真技术等相关领域的最新研究成果;(8)运用现代计算机大容量处理信息和网络化技术。虽然我国信用数据库与信用评级体系建设还很不成熟,许多先进的技术还无法在实践中应用。但是我们相信,了解信用风险度量方法的发展趋势,借鉴国际上先进的信用风险管理技术和方法,对于开发适合我国国情的信用风险度量方法的模型,提高银行等金融机构的信用风险管理水平,具有重要的理论和现实意义。

主要参考文献:

[1]E1I1A ltm a n1Fin a n cial ratios,discrimin ant analysis and the pre-diction of corporate bankruptcy[J]1Journ al of Finance11968,23:1 -209

[2]Altman,Haldem an,and N a r ayan an1ZETA analysis:A new model to identify bankruptcy risk of corporations[J]1Journ al of B anking and Fin a n ce,1977,1:29-54

[3]Scott,E1,Th e Prob ability of Bankrup tcy:A Comparison of Em-pirical Predictions and Th eoretical M odels[J]1Journal of B a n king$F-i n ance1981,9:317-3441

[4]陈静1上市公司财务恶化预测的实证分析[J]1会计研究, 1999.

[5]宋秋萍1开展财务预警分析,增强经营者忧患意识[J]1生产力研究,2000(2)1

[6]张玲1财务危机预警分析判别模型[J]1数量经济技术经济研究,2000(3)1

[7]M artin,D1,Early w arning of b ank failu re:A logit regression ap-proach[J]1Journ al of B ankin g and F inance,1977,2:249-2761

[8]West,R1C1,A factor-an alytic approach to bank condition [J].Journ al of B ankin g and F inance,1985,253-2661

[9]L awren ce,E1L1,An an alysis of default risk in mobile home credit[J].Journ al of B anking a n d Fin a n ce,1992,299-312

[10]Smith and L a w rence,Fore casting losses on a liquid ating lon g-term lo an portfolio[J].Journal of B anking and Fin ance,1995,959-9851

[11]陈冶,陈治鸿.企业财务困境研究的理论、方法及应用[J].投资研究,2000(2)1

[12]Zmijew ski,M1E1,M eth odological Issues Related to the Est-i mation of Financial Distress Prediction Mode ls[J]1Journal of Account-ing Research,1984,22,Supplement:58-591

[13]高培业、张道奎1企业失败判别模型实证研究[J]1统计研究,2000(10)1

[14]吴世农,卢贤义1我国上市公司财务困境的预测模型研究[J]1经济研究,2001(6)1

[15]E1I1Altman1Corporate Fin ancial Distress a n d B a n kru ptcy[M]. John Wiley&Sons,Inc12000:2421

[16]E1I1Altman,Gia n ca rlo M arco,Franco Varetto1Corporate dis-tress diagnosis:comp a rison usin g linear discriminate analysis a n d neural netw orks[J]1Jou rn al of B anking and Finance11994,18(1):505-5291

[17]Trippi1R1R1And E1Turban1Neural netw orks in finance a n d in-vesting1Chicago,Irwin Profession al Publish ing,1996

[18]李云杰等.人工神经网络在经济预测中的应用[J].天津商学院学报,1996(3).