商业银行信用风险管理

银行信用风险管理一、比较分析现代信用风险度量模型的异同点及应用时注意事项。（一）模型概述1.信用监测模型（CreditMonitorModel）1993年，KMV公司利用布莱克—斯科尔斯－莫顿模型（BSMModel）提出了著名的信用监测模型（CreditMonitorModel），并经Longstaff和Schwarz（1995）、Dsa（1995）和Zhou（1997）对此作了进一步的发展，现已基本成熟并成为当今世界最为著名的信用风险度量模型之一。由于该模型是在BSM基础上建立起来的，因而有满足BSM模型的基本假设，即公司股票价格是个随机过程、允许卖空、没有交易费用和税收、证券可分性、不存在套利机会、证券交易的连续性、无风险利率在借款人还清债务前保持不变。KMV模型认为上市公司持有的资产分布及其资本结构特征决定了借款人的信用质量特征，并且借款人资本结构只有所有者权益、短期债务、长期债务和可转化的优先股。当借款人资产价值小于违约点就可能违约，并认为违约点在数量上是短期债务与半倍的长期债务之和。由于假设上市公司市场价值服从布朗运动，并且借款人资产收益服从正态分布，这样可以应用到期权理论求出预期违约率，因为银行发放贷款所获得的收益与卖出一份借款人企业资产的看跌期权是同构的，因而还可以计算贷款的价差。显然，该模型是用解析式来计算违约率的，它不像信用度量术和死亡模型是用统计的方法得出来的。该模型的主要优势在于：它拥有强大的理论基础，即现代公司理财和期权理论的“结构性模型”；它采用的主要是股票市场的数据，因此，数据和结果更新很快，具有前瞻性；由于该模型将股权视为企业资产的看涨期权，所以它可以用于任何公开招股公司。然而，该模型也存在缺点：假设比较苛刻，尤其是资产收益分布实际上存在“肥尾”（fat-tailedness）现象，并不满足正态分布假设；对于非上市公司，不得不采用历史财务数据，数据的时效性大打折扣；没有根据借款人信用品质、担保情况、可转换性等区分长期债券；它是违约式（Default-Mode,DM）模型，对企业的杠杆比率捕捉钝化，具有静态性；不能处理非线性产品，如期权、外币掉期。2.信用度量术（CreditMetrics）1997年，J.P.摩根联合当时世界一流银行和KMV公司共同开发出信用度量术（CreditMetrics），采用二阶段法度量信用风险，此后，A.Nyfeler（2000）、LawreceR.Forest和KpmecpeatMarwick（2000），DavidJones和JohnMingo（2001）对此作了进一步解释和拓展，现已基本成熟并成为当今世界最为著名的信用风险度量模型之一。该模型计算起来比较复杂，也有很多假设：债券未来市场价值和风险完全由其远期利率分布曲线决定（相同信用等级的远期利率分布曲线是相同的），在模型中，唯一的变量是信用等级；信用等级是离散的，在同一级别的债券具有相同的迁移矩阵和违约率，迁移概率遵循马尔可夫过程（MarkovProcess），同时迁移概率具有稳定性，且实际违约率等于历史违约率；风险期限是固定的，一般为一年；不同债务人的信用等级的联合分布是用两者资产回报率联合分布来估计的，资产回报率的联合分布又用所有者权益收益率的联合分布来代替；每个信用等级对应一条零息票收益率曲线（相同信用等级的零息票收益率曲线是相同的）；违约的含义不仅指债务人到期没有偿还债务，还可指债务人信用等级的下降所导致的债券市场价值下跌，并且违约事件发生在债务到期。该模型要应用到利率期限结构理论，并利用大量历史统计数据，以计算不同年限跨度的信用等级迁移矩阵和违约率。因此，该模型考虑到债务人信用品质变化所带来的未来损失。该模型的组合方法有正态分布假设下的解析法和蒙特卡罗模拟法，通过均值、标准差、分位数、边际贡献等参数表达组合风险的特征。在资产价值服从正态分布下，可以根据信用等级迁移矩阵求出未来资产价值和方差，这样就可以求出在一定置信水平下的资产最大损失。如采用蒙特卡罗模拟法，就得利用VaR方法计算债券可能的最不利的变化，即向较差信用等级迁移的可能性，用此方法来计算在一定置信水平下债券最大可能的损失。一般而言，蒙特卡罗模拟法相对正态分布假设下的解析法计算的准确度高。该模型的主要优势在于：对组合价值的分布有正态分布假定下的解析方法和蒙特卡罗模拟法（MonteCarloSimulation），在一定程度上避免了资产收益率正态性硬性假设，可以用资产价值分布和百分位求出资产损失；对“违约”的概念进行了拓展，认为违约也包括债务人信用等级恶化；它是一种盯市（Market-to-Market，MTM）信用风险度量模型，能将债务价值的高端和低端考虑到；该模型适用范围非常广泛，包括传统的商业贷款、信用证和承付书、固定收益证券、贸易融资和应收账款等商业合同，而其高级版的信用风险度量术还能够处理掉期合同、期货合同及其他衍生产品；该模型提出了边际风险贡献的概念，很好地刻画新增一笔债券/贷款的风险和收益及其取舍方法。该模型存在劣势是：大量证据表明信用等级迁移概率并不遵循马尔可夫过程，而是跨时自相关的；信用等级迁移矩阵未必是稳定的，它受到行业、国家因素、周期因素等影响。3.死亡模型（MortalityModel）1997年，EwardI.Altman和Suggitt，Kishore开发出债券的边际和累计死亡率表，俗称死亡率模型。该模型认为各债券违约相互独立，即不存在相关效应和连锁反应，相同信用等级的债券违约情况相同，而不同债券类型的违约下的损失率不同且相互独立，但同一债券类型的违约下的损失率基本相同，这些与信用度量术有相同之处，但两种模型在处理上有明显不同。事实上，该模型是用历史数据统计不同信用等级下债券的边际死亡率和累计死亡率，同时，也可以统计出不同信用等级下的LGD，所以该方法比较容易理解，但应用也存在较大难度，主要是对数据量要求很大，许多单个商业银行无法提供如此大的数据库，如对有7个信用等级的债券的损失进行比较精确测算，则样本要达到7万多个，这对一般商业银行是不可能的。该模型的主要优势：比较容易利用死亡率表来计算单个债券和债券组合的预期损失及其波动率，特别是计算债券组合很方便；死亡模型是从大量样本中统计出来的一个模型，所以采用的参数比较少。该模型主要劣势：没有考虑不同债券的相关性对计算结果的影响；没有考虑宏观经济环境对死亡率的影响，因而需要时时更新死亡率表；数据更新和计算量很大；不能处理非线性产品，如期权、外币掉期。4.信用风险附加法（CreditRisk+Model）信用风险附加法是瑞士波士顿第一银行产品部（CreditSuisseFinancialProducts,CSFP）在1997年源于保险精算学思想开发的。该方法与信用度量术不同，它将价差风险看做市场风险而不是信用风险的部分，结果是，在任何时期，只有违约和不违约两种状态予以考虑，并且假定在不重叠的时间段内违约人数相互独立，服从泊松分布，与公司的资本结构无关。由于该方法将贷款损失分为若干频段，而每一频段违约率均值是相同的，这样可以计算在一定置信水平下的任何一个频段贷款损失，每个频段损失加总就是总的损失，所以这个方法的采用变量很少，处理能力很强。该模型的主要优势体现在：易于求出债券及其组合的损失概率和边际风险分布；模型集中于违约分析，所需估计变量很少，只需要违约和风险暴露的分布即可；该模型处理能力很强，可以处理数万个不同地区、不同部门、不同时限等不同类型的风险暴露；根据组合价值的损失分布函数可以直接计算组合的预期损失和非预期损失的值，比较简便。该模型的劣势在于：与KMV模型一样，只将违约风险纳入模型，没有考虑市场风险，而且认为违约风险与资本结构无关；没有考虑信用等级迁移，因而任意债权人的债务价值是固定不变的，它不依赖于债务发行人信用品质和远期利率的变化与波动。尽管违约概率受到一些随机因素的影响，但风险暴露并不受这些因素的影响；每一频段违约率均值的方差并不完全相同，否则会低估违约率；不能处理非线性金融产品，如期权、外币掉期。5.信贷组合观点（CreditPortfolioView）1998年，麦肯锡（McKinsey）公司Saunders和Wilson等人利用基本动力学的原理，从宏观经济环境的角度来分析借款人的信用等级迁移，建立了信贷组合观点，有时也称麦肯锡模型。该模型突破了信用度量术模型的假设，认为迁移概率在不同借款人类型之间，以及不同商业周期之间不是稳定的，而应受到诸如国别、经济周期、失业率、GDP增长速度、长期利率水平、外汇汇率、政府支出、总储蓄率、产业等因素的影响，并认为这些宏观变量服从二阶自相关过程。一般而言，迁移概率在商业周期期间会变动较大，而在衰退期间的变动会比在扩张期间更大。该模型有两种方式处理周期性因素及其影响，一是将过去的样本期间划分为衰退年份和非衰退年份，并且计算两个单独的历史上的迁移矩阵，即一个衰退矩阵和一个非衰退矩阵，以得到两种分开的VaR计算结果；二是直接将迁移概率与宏观因素之间的关系模型化，并且，如果模型是拟合的，就通过制造宏观上的对于模型的“冲击”来模拟迁移概率的跨时演变。显然，该方法将无论是系统的还是非系统的宏观因素纳入模型中，以对迁移概率进行调整，因此，它实际上是对信用度量术的补充和深化。该模型的优势在于：较为充分地考虑了宏观经济环境对信用等级迁移的影响，而不是无条件用历史上违约率的平均值来代替；信用等级迁移概率具有盯市性，因而它与信用度量术结合起来可以提高信用风险度量的准确性；它清晰地给出了实际的离散的损失分布模型，这个损失分布依赖于子组合中信用头寸的个数和大小；它既可以适用单个债务人，也可以适用于群体债务人，如零售组合。劣势主要是：模型的数据依赖于一国很多宏观经济数据，因而数据处理与计算较为繁杂；不能处理非线性产品，如期权、外币掉期。（二）模型异同分析比较不同的模型具有各自不同的特点，现从如下几个方面进行比较：1.风险的定义一般说来，信用风险度量模型可以分为两类：盯住信用等级变化对贷款理论市值影响的盯住市场模型（ＭＴＭ）以及不考虑信用等级的变化、只考虑违约概率的违约模型（DM）。ＭＴＭ模型在界定信用风险的范畴时，既考虑了信用等级的变化，也考虑了违约，并由此来计算贷款价值的损失和收益以及贷款的信用风险。而ＤＭ模型偏重于预测违约损失，只考虑两种状态：违约和不违约，不考虑信用等级的变化。很明显，KMV仅着重于违约预测，属于DM模型。Credit?鄄Metrics是一种多状态的模型，能够较为精确地计量信用风险的变化和损失值，属于MTM模型。麦肯锡模型既可以被看作MTM模型，也可以被看作DM模型。CreditRisk+是DM模型，没有考虑信用等级与相关性。死亡率模型是DM模型。2.风险的影响因素MTM模型假定企业的资产价值和资产价值的波动性是违约风险的主要影响因素，而DM模型假定的是违约率平均水平及其波动性，即平均违约率是违约风险的主要影响因素。在KMV法中，公司的资产价值服从正态分布，预期违约率（EDF）随着新信息被纳入股票价格而发生变化。股票价格的变化以及股票价格的波动性成为KMV中预期违约率变化的基础。在CreditMetrics中，违约概率以及信用等级的变化被模型化为基于历史数据的信用转移矩阵，不考虑市场风险，违约率被视为离散变量。在麦肯锡模型中，将宏观因素纳入到模型，违约率考虑了经济周期的影响，因而，风险的波动受总体经济环境的影响。在CreditRisk+里，违约率被视为连续变量，并且违约次数服从泊松分布，没有考虑市场风险，而且违约风险与资本结构无关。在死亡率模型中，风险的测定与判断只是基于历史上的各因素对风险的影响情况，没有考虑宏观经济环境对死亡率的影响。3.数据依据基础不同模型所依据的数据基础不同。KMV模型以股票市场数据为基础，包含比较多的市场信息。CreditMetrics采用历史数据，也就是“向后看”的方法。麦肯锡模型数据在一定程度上运用了历史值，但它同时又考虑了宏观的因素，对商业周期也予以考虑，对当期受到的冲击也很敏感，因此