资产组合信用风险度量技术比较研究_基于VAR

巴塞尔银行监管委员会于2003年4月发布了巴塞尔新资本协议第三次征求意见稿,进一步明确激励银行研究开发更为复杂、更为先进的风险度量技术和内部评级法,提高最低资本要求的风险敏感度。信用风险是交易对手违约或信用品质潜在变化而导致发生损失的可能性,它是金融市场上最为基本的一类风险,其分布偏离正态,具有自然偏斜和肥尾的信用收益。PatriciaJackson和WilliamPerraudin(2000)把信用风险模型分为盯市资产组合理论模型(mark-to-marke,tportfolio-theoreticmod-els)和违约方式模型两种。[1]本文重点对基于VAR的投资组合信用风险度量技术特征、参数和方法等方面进行比较研究。一、风险度量术、信用度量术和信用在险价值模型1·风险度量术J·PMorgan(JPM)公司于1994年引进了风险度量术RiskMetrics,在正态分布的假设下,给出了计算参数模型VAR的方法。然而,资产的收益率不是正态分布的,而是有偏的、有峰的,实际的资产收益率的分布较之正态分布有肥尾性(fattyorheavytail)。正态假定下所计算的VAR,常常是低估实际风险。2·信用度量术JPM和美洲银行、花旗银行、德意志摩根建富、瑞士银行公司利瑞士联合银行以及KMV公司在1997年4月推出了首个以风险值(VAR)为核心的动态量化信贷风险组合模型信用度量术CreditMetricsTM[2],用于全方位衡量诸如贷款和私募债券等非交易性资产的估值和信用风险计算。CreditMetricsTM模型和KMV模型都依赖于由Merton(1974)[3]提出的资产价值模型,但他们为了便于实施而要求的简化假设本质上区别很大。由于考虑了信用评级变化(以及因此而发生的价差的变化)对于预料到的与未预料到的贷款价值以及违约的影响,使得信用度量术可以被视为一种盯住市场(MTM,或译“随行就市”)的模型,不仅考虑贷款价值的上端,而且考虑了下端。CreditMetricsTM的假设是,违约的相关性是实际存在的,通过对历史评级结果观测可以求出评级*收稿日期:2004-09-01基金项目:国家自然科学基金资助项目(OOBGY043)作者简介:陈德胜(1971—),男,山东日照人,博士研究生,主要从事信用风险管理方面的研究。的联合分布。在用模型计算相关性方面,CreditMetricsTM假设转移是建立在离散和评级变动基础之上的,评级水平的变动是基准因素导致评级变更的结果。模型以符合稳定马尔可夫过程的信用评级迁移分析为基础,在一给定时间期限下(经常主观上取一年),从包括违约的一个信用质量到另一个信用质量的迁移概率,通过度量相应于预期置信水平的分布百分数的信用资产组合价值大小,确定信用风险大小,变化值仅与信用迁移相关,而利率假设为一个既定的发展形式。违约距离DD表示为:DD=d2=1n(VDefV0)-(μ-0·5δv2)tδvt(1)CreditMetricsTM模型应用的是由历史数据估计出的一年期违约矩阵组成的转移矩阵。模型的驱动因子是违约可能性和信用评级变更的概率,该模型不仅使用组合的前两阶矩(均值和方差),也运用分布的三、四阶矩(偏度和峰度)。模型通过均值、标准差、分位数和边际贡献等参数来表征组合风险特征,模型的主要输入参数是期限、信用等级转移矩阵、资产之间的相关系数、远期收益率以及损失类信贷资产的回收率。通过输出参数VAR数值的大小反映出银行某个或整个资产或信贷组合因信用级别变化或违约时所应准备的经济资本。CreditMetricsTM模型对金融工具信用质量变化的刻画采用的是离散的等级形式,对资产价值和信用损失的估计采取MTM(MarktoMarket)模式,对期末价值的计算采用合同现金流折现法(DCCF)。[3]该模型对公司之间等级和违约相关性的估计采用历史等级(违约)变化,这样在模型对资产组合价值的计算中,所使用的主要参数都是相对确定的,所估计参数跨越多个周期,对具有类似内部风险等级的债务人的资产组合无论在任何信贷周期的任何时刻都会有类似的结果,对具体借款人或具体项目的相关信息的应用是非常有限的,因此按照巴塞尔委员会的含义该模型是无条件模型。信用度量术作为一种计算对贷款或债券的资本要求的VAR方法,贷款收益没有被明确地模型化,是一种贷款组合风险最小化模型,而不是一种成熟的现代资产组合理论(MPT)的风险—收益模型。每一项贷款都可能有一个不同的信用度量术VAR和一个不同的必需的或经济的资本要求。而在BIS的方法下,不同信用级别的和不同到期日的所有贷款都受制于同样的8%的资本要求。此外,在BIS的方法下,对极端损失或压力测试问题的处理办法是要求银行将其VAR乘以一个范围在3和4之间的因子。Boudoukh(1995)的研究(运用模拟法)表明,对于一些金融资产,3—4的乘数因子可以很好地考虑那种均值位于第99个百分位之外的尾部的极端损失,将这类乘数因子运用于低质量的贷款会显著增加资本要求。[4]Carty和Lieberman(1996)指出,若使VAR的计算中违约时可以收回的数量、远期零利率和信用风险价差中任何一项或全部变为随机的,则一般说来会使VAR的计算结果和资本要求提高。特别是,贷款回收率有相当大的可变性,更一般地,信用风险价差和利率可能会随时间而变化,随信贷周期以及期限结构的改变而变化,而不是确定不变的。[5]假设利率具有非随机性或确定性,原因之一是要将市场风险与信用风险分离开来,利率非随机性的假定与Merton(1974)也是一致的。Crouhy和Mark(1998)认为市场风险与信用风险度量应该被整合而非分开,而且信用风险与利率周期正相关。[6]CreditMetricsTM模型的创新性在于第一次将信用等级的转移、违约率、回收率、违约相关性纳入了一个统一的框架,全面地考虑对信用风险的度量;用表示成信用质量函数的风险价值来把不同机构的信用风险综合考虑,对信用等级的相关性的处理应用了国家、地区、行业收入指数和债务人资产的结构,在这一点具有微观与宏观两个层次的特征;让用户用模拟方法估计信用组合的分布。该模型的主要缺点是它的简洁性,即对同一等级的债务人应用了相同的等级转移概率和违约率,符合两阶或更高阶马尔可夫过程的实际转移概率和违约概率是历史上多个信贷周期的平均值,因而不能够反映特定债务人的当前的信用质量变化情况。模型没有解释信用风险定价及其基础模型问题,不适用于非线性工具。3·信用在险价值模型CreditVAR是CIBC(加拿大帝国商业银行)所有的信用在险价值模型,基于与CerditMetrics相同的原则,以获得账薄的特定风险,允许随机利率以评估衍生品和公司信用衍生品的信用风险,使用与转移矩阵中的实际违约概率一致的风险中性概率。通常,对一给定的置信水平,在正常的市场条件下,VAR度量了将来一定时间内最大可能的预期损失。39资产组合信用风险度量技术的比较研究CreditVAR的主要缺点是依赖于基于违约和信用迁移的平均历史频率的迁移概率,即同一评级内的所有公司有相同的违约率,实际违约率等于历史违约率,信用评级变化和信用质量变化一致,信用评级和违约率同义。事实上违约率是连续的,而评级以一个具体形式调整,仅因为评级代理人需要花时间对违约风险正变化的公司进行升级或降级。二、信用监控模型KMV公司将莫顿(Merton,1974)[7]的期权定价理论运用于信用监控模型,来分析同时与违约和迁移风险相关的违约概率(ProbabilityofDefaul,tPD)和损失分布。模型的基本变量公司资产V的变动用公司负债的变动来监控。理论上当资产价值低于一个违约点D时破产就会发生。KMV认为公司特有的资产分布及其资本结构决定了公司的信用质量特征,是一种从微观角度考察信用质量变化的方法,其基本思路是从公司股票的市场价值、股票价值的波动性及负债的账面价值估计出公司的市场价值及其波动性,再通过由公司的长期和短期负债计算出的公司的违约点DPT和根据公司的现有价值确定的公司的预期价值计算出KMV公司定义的违约距离DD(DistancetoDefault),最后确定违约距离DD和经验EDF之间的映射关系,在这一过程中用到了不同违约距离下公司违约的历史数据。[8]违约距离DD定义为DD=(V-Dp)/Vδv,其中δv表示资产波动性,计算上DD等同于Merton模型中的d2值:DD=d2=1n(VDerT)-0·5δv2Tδvt(2)预期违约概率(ExpectedDefaultFrequency,EDF)是N(-d2),N是资产回报的累积分布函数,EDF与DD负相关。如果公司的所有债务都交易,且逐日盯市,则评估公司资产市值和他们的波动率将很简单。公司资产价值将仅是公司债务的市值数,资产收益波动率将仅从再生资产价值的历史时间系列中获得。然而,在实际中,仅有大多数上市公司的股价是可直接观察的,有时部分债务是活跃交易的。为了使模型更好用,KMV假设资本结构仅有股权、等价于现金的短期债务,假设为永久的长期债务和可转换优先股。在这些简单假设的情况下,则可获得股权价值VE和波动率σE的分析解。VE=f(VA,σA,K,c,r)(3)σE=g(VA,σA,K,c,r)(4)其中,K是资本结构的杠杆比率,c是长期债务的平均息票,r是无风险利率。如σE能如股价般被直接观察到,我们可以同时解出(2)和(3)中的VA和σA。但瞬时股权波动率σE相对不稳定,实际上对资产价值的变化非常敏感,没有简单的办法去从市场数据中准确测量σE。因为仅有股权价值VE可以直接观察,我们可以从(2)中观察到的股权价值,或股价和资产收益率的函数中推出:VA=h(VE,σA,K,c,r)(5)为校正σA模型的刻度,KMV使用了一个反复的技术。可说明,σE=ηEAσA,其中,ηEA标明股权对资产价值的弹性,即:ηEA=(VA/VE)(VE/VA)(6)基于结构方法KMV模型和CreditmetricsTM模型在建模的基本思路上有相当大的差异:KMV模型的信用风险衡量指标EDF主要来自于股票市场价格变化的有关数据分析,CreditmetricsTM模型信用风险的衡量来自于信用评级变化及其概率的历史数据分析;由于KMV采用的是股票市场价格分析方法,是一种动态模型,可以及时反映信用风险水平的变化,CreditmetricsTM采用的是信用评级指标分析法,是在相当长的—段时间内保持静态特征;KMV模型是一种向前看(forward-looking)法,其EDF指标中包含了市场投资者对信用状况未来发展趋势的判断,CreditmetricsTM模型采用主要依赖信用状况变化历史数据的向后看(backward-loo-king)法;KMV模型的EDF指标在本质上是一种对风险的基数衡量法,CreditmetricsTM的信用评级分析法则是—种序数衡量法;CredimetricsTM采用组合投资分析法,注重直接分析企业间信用状况变化的相关性,更加与现代组合投资管理理论相吻合。而KMV则是从单个企业在股票市场上的价格变化信息入手,着重分析该体现在股价变化信息中的信用状况,对企业信用变化的相关性没有给予足够的分析。三、信用风险附加模型瑞士信贷银行金融产品部(CreditSuisseFi-nancialProduction,CSFP)于1997年10月14日宣40财经问题研究2005年第2期总第255期仅聚焦于违约的VAR式CreditRisk+模型,应用了精算信用风险核算(ACRA)方法,直接将违约概率和宏观因素间的关系模型化,假设单个债券或贷款的违约遵循一个连续的随机泊松分布外生过程,与公司的资本结构无关,客户的信用等级是随着时间的变化也在不断变化的,对这种不确定性该系统通过违约率的标准差来估计,在信用评级框架下计算每一级别或分数下的平均违约率及违约波动。由CSFP模型所描述的损失分布密度函数可以直接估计出组合的预期损失EL(ExpectedLoss)和意外损失UL(UnexpectedLoss)。CreditRisk+模型将