《现代商业--信用风险计量研究进展》由会员分享，可在线阅读，更多相关《现代商业--信用风险计量研究进展（13页珍藏版）》请在金锄头文库上搜索。
1、1信用风险计量前沿探析信用风险计量前沿探析摘要：摘要：在我国信贷规模高速增长、金融创新加速推进、部分领域信用风险持续聚集的背景下，对商业银行信用风险计量的研究更显紧迫。近年来，国际信用风险计量研究快速发展， “单个交易对手信用风险计量模型的研究对交易对手组合信用风险计量模型的研究对金融系统性信用风险计量模型的研究”的研究脉络日渐明晰。文章结合监管要求，围绕上述三大领域，对信用风险计量研究进展进行述评，为强化国内银行信用风险管理和金融监管提供参考。关关键词键词： ：信用风险计量，违约概率，违约损失率一、引言一、引言历史经验表明，无论80年代美国德州与俄州银行的大额信贷损失、90年代东南亚金融危机
2、、2008年以来的次贷危机，都与银行信用风险暴露紧密相关。在深刻的教训中，越来越多的银行开始认识到强化信用风险计量的重要性。就我国商业银行而言，随着近年来内外部经济形势的复杂变化，企业经营管理不确定性增大，信用违约风险随之上升，特别对于房地产、地方政府融资平台、 “两高一剩”等信用组合风险管理难度加大。相关领域风险的堆积不仅影响到银行资本与定2价管理的有效性，更关系到我国金融系统的安全稳定，因此对我国银行信用风险计量的研究显得十分紧迫。尽管近年来国内商业银行纷纷建立和优化了自身的信用评级体系，在信用风险基础数据积累、风险计量方面取得一定进展，相关领域研究也呈纵深化发展，如周四军、袁鹏和冯岑（2
3、009）、王忠郴和喻葵（2010）、常婷婷、乔忠和李拓（2011）等，但从银行实践情况看，仍普遍存在数据质量差、不同类型模型间兼容程度低、信用风险计量可信度低等系列问题。特别对于行业、地区、产品等信用组合风险的计量，更是处于起步阶段，主要以定性分析为主，如苏静和杜子平（2008）、杨继光和刘海龙(2009)等，对于信用组合风险的定量研究仍显不足。同时，对于系统性信用风险的量化分析研究也处初期探索阶段，如谭燕芝和张运东（2009）。为此，本文将围绕监管要求，在阐释信用风险计量所涉违约概率、违约损失率、信用组合等核心要素的基础上，评述国外相关领域研究的最新进展，以期为国内银行业信用风险计量和管理提
4、供参考借鉴。二、信用二、信用风险计风险计量的研究量的研究进进展展纵观信用风险计量模型的理论研究过程，可以发现，基本上是沿着“对单个交易对手信用风险计量模型的研究对交易对手组合信用风险计量模型的研究对金融系统性信用风险计量模3型的研究”这一脉络渐次展开的。（一）（一）对单对单个交易个交易对对手信用手信用风险计风险计量模型的研究量模型的研究围绕巴塞尔协议有关采用IRB法计量信用风险的相关要求，对于单个交易对手的信用风险损失分布研究主要围绕IRB法下的违约概率（PD）和违约损失率（LGD）两大要素展开。1、 、对单对单个交易个交易对对手手违约违约概率（概率（PD）的研究）的研究进进展展关于PD的研究
5、开始较早，相关计量模型也相对成熟。目前的研究主要集中于如何在IRB法模型框架下，针对不同规模和类型的交易对手优化PD参数设定，以提高模型对于各类交易对手风险测度的准确有效性。Bassamboo等 (2008)引入时变条件函数（t-copula）描述系统性和非系统性风险因素对单个交易对手PD概率分布的影响，同时采用蒙特卡洛法进行参数估计，使IRB模型参数进一步丰富，准确性也得到提升。然而，随着模型参数的增多，以及蒙特卡洛法下计算量的显著增大，模型复杂程度加大，计算速度也有所减慢；同时，模型所需的非系统性风险因素的确定难度较大，对于不同国家、地区、行业的交易对手存在较大差异，要求模型使用机构具有较
6、高的分析研究能力及较为完整的历史数据积累，影响了模型在银行的广泛应用（De Walque等，2009）。Glasserman等(2008)应用线性相依关系函数（Gaussian 4copula）描述PD分布，并通过引入重要样本，显著简化了信用风险计量的复杂程度；但对简化后模型的有效性和适用范围研究还有待进一步深化。2、 、对单对单个交易个交易对对手手违约损违约损失率（失率（LGD）的研究）的研究进进展展在LGD模型构建方面，2005年穆迪旗下KMV公司的Gupton 和Stein(2005)提出著名的LossCalc模型。在此之前，普遍使用历史均值对LGD进行简单估算。LossCalc模型的基
7、本思路是假设损失仅出现在即期及满1年时，在此基础上，根据不同客户、产品、行业、宏观风险特征，建立不同的“子模型”（mini-models），并通过多元线性回归，围绕“子模型”构造即期和满1年时点下的两类LGD模型。经过检验，LossCalc模型较传统的历史均值法在描述LGD分布准确性上得到显著提升。然而，为了降低模型的复杂程度，LossCalc模型假设损失仅出现在即期及满1年时，这与现实情况差距较大，使模型精度有所降低（Hamerle等，2006）。为此，Hamerle等(2006)修正LossCalc模型的上述假设，引入滞后变量，假设模型的3个自变量中， “宏观经济”和“行业风险”因素具有时
8、滞性，而“客户特有”的风险因素不具时滞性，并采用线性回归方法对LGD模型进行参数估计。Peter(2006)通过定义信用违约下的不同情境，如企业恢复生产、债务重组、注入流动性等，使用logistic回归模型，按照不同情境发生的概率描述LGD分布。5Huang和Oosterlee(2008) 对LGD模型当中的一个系数进行回归分析，回归分析结果用于估计特定因素影响下的LGD分布均值，并通过线性回归或极大似然法估计协方差。对模型的检验结果显示，采用系数描述模型能够较为准确地反映LGD的分布情况。尽管以上模型从违约时点、违约因素、违约后清收化解等不同角度对LGD模型进行了优化，使模型精度得到提升，但
9、上述方法均未能解决LGD分布的双峰特征问题，即部分客户违约后仍可归还大部分本金和利息，而部分客户违约后则分文不还的现象。针对这一情况，Stefan和Sebastian(2010)采用期望最大化算法和极大似然法分别对模型当中的两个系数进行参数估计，构造LGD分布模型，并验证得出采用双系数法下的模型精度优于LossCalc等传统模型，主要是由于这一方法能够增加模型的灵活度，更为准确地描述LDG的双峰特征。但是，期望最大化算法下对函数的估计要求使模型的计算难度加大，同时模型有关线性回归的简化假设也与信用风险的实际情况不符。（二）（二）对对交易交易对对手手组组合信用合信用风险计风险计量模型的研究量模型
10、的研究由于IRB法的基本假设之一就是样本足够分散，不存在组合风险，因此IRB法无法直接用于测算组合风险。但由于巴塞尔协6议建议银行使用IRB法下的单因素模型计量信用风险，并据此确定监管资本额度，因此如何在IRB法现有框架下使用模型数据结论，并计量组合风险成为各方关注和研究的核心焦点。近年来，围绕这一课题展开的研究已取得重要进展。按照风险计量对象不同，可以将基于单因素模型改进的信用组合管理模型大体分为两类，即同一债务人的组合风险计量模型、债务人组的组合风险计量模型。其中，债务人组的组合风险对银行整体信用风险的影响最大，其对组合整体风险的贡献度约在20%-40%之间（Dllmann等，2006）。
11、1、同一、同一债务债务人的人的组组合合风险计风险计量模型量模型对于同一债务人组合风险的计量，Gordy和Ltkebohmert（2007）最早提出分散度调整模型（Granularity Adjustment，简称GA模型），其基本思路是对“信用风险+”模型（Credit Suisse Financial Products ，CSFP, 1997）进行一阶渐进估计。该模型修正了单因素模型不存在组合风险的假设，将同一债务人组合风险作为模型内生变量。同时，通过将具有相同违约概率的实际组合与充分分散组合的非预期损失相比较，省去了蒙特卡洛模拟环节，节省了模型耗时。GA模型的另一优点是模型所需数据可直接从
12、单因素模型中获取，有利于保证IRB法数据的延续性与可比性。7但是，GA模型也存在不足（Gourieroux和Monfort，2009）。一是对交易对手数量少于200个的组合模型准确性较低，但绝大多数银行不会遇到这一问题。二是由于IRB模型与GA模型在参数设定等方面的显著区别，存在模型错配风险，但错配风险的大小无法测量，原因是IRB模型作为单因素模型，无法验证GA模型测算组合风险的准确性。三是未考虑不同担保方式和风险缓释工具对信用风险水平的影响。Sebastian和Ltkebohmert（2010）通过将担保方式和风险缓释工具纳入GA模型，采用双违约处理方式，描述借款人及担保人均出现违约情况的概
13、率分布，在实现直接使用单因素模型的输出数据、扩展模型适用范围的同时，也提升了GA模型的精确性。上述模型都在不同程度上实现了对GA模型的优化，但随着模型复杂程度的提升，模型的计算效率和应用范围也需做出调整。同时，随着金融衍生工具和风险缓释工具的不断创新，未来GA模型还有持续优化的必要。2、 、债务债务人人组组的的组组合合风险计风险计量模型量模型债务人组的组合风险计量较同一债务人组合的风险计量难度高，主要原因是不同行业、区域等债务人组合的经营环境、违约概率等指标因素的不同步变化，无法通过对单因素模型的简单调整实现。目前，对于债务人组合的计量模型研究成果大体可8归纳为多因素模型和经调整的单因素模型两
14、类。第一类是以Pykhtin模型为代表的多因素模型。Pykhtin（2004）在Martin and Wilde (2002)研究基础上，提出假设同一类组合中的所有资产均受到同一个或多个风险因素的影响，构造各类组合的风险计量模型，得出组合损失分布。考虑到模型过于复杂，Pykhtin假设多个风险因素对同一组合的影响相同，进而将影响同一组合的多个风险因素“打包”为一体后引入单因素模型，提出著名的Pykhtin模型。该模型包括延伸的单因素模型和多因素调整项两大部分。多因素模型的优点是通过分析各类组合风险并给出计量模型，提升模型准确性和敏感度。但由于多因素模型需要根据银行自身情况对不同行业、区域、产品
15、、期限结构等组合进行逐项模拟，一是没有标准化模型可供使用，二是对模型输入参数要求较高，三是无法直接利用IRB法数据资源，因此在一定程度上影响了模型的推广使用（Ltkebohmert, 2009）。第二类是经调整的单因素模型，主要包括传播模型（The infection model）和GC模型。传播模型是Dllmann（2008）通过估计特定敞口组合集中度的HHI指数（Hirschmann，1964）、组合内部及组合间资产相关性，引入风险敞口间的传播概率，构造传播模型。GC模型是Garcia 9Cespedes（2005）通过对单因素模型进行调整，将资本多样化指数、因素间相关度水平引入其中，弥补
16、单因素模型无法计量组合风险的缺陷。传播模型与GC模型的共同优点是只需要获得组合相关度的均值，对模型参数的数量和质量要求相对多因素模型要低。同时，上述模型可以使用IRB模型数据结论，降低了模型复杂程度，节约了模型运维成本，易于快速推广应用。但同时，简化处理使模型准确性受到一定影响（Garcia Cespedes，2005）。从模型准确性上看，GC模型优于传播模型（Breitung和Eickmeier，2009）。（三）（三）对对金融系金融系统统性信用性信用风险计风险计量模型的研究量模型的研究对金融系统性信用风险计量模型的研究成果相对有限。Raquel等（2008）根据测算经济周期等宏观经济因素对PD、LGD两项指标的影响，构造了PD与LGD的相关关系模型，并通过检验证明模型能够反映宏观经济下行时期PD、LGD的变化情况，对于银行提升系统性风险计量能力和资本分配水平具有积极意义。但模型未将违约时的风险敞口、风险缓释工具等因素一并考虑，影响了模型的准确性（Dllmann，2008）。Mendicino 和 Punzi（2011）在将现行 PD、LGD 与系统性P
