现代金融工程模型
出自 MBA智库百科(https://wiki.mbalib.com/)
目录 |
20世纪80年代以来，受债务危机的影响，各国银行普遍重视对信用风险的管理和防范，新一代金融工程专家利用工程化的思维和数学建模技术，在传统信用风险度量的基础上提出了一系列成功的信用风险量化模型。
（1）神经网络分析法。神经网络是从神经心理学和认识科学研究成果出发，应用数学方法发展起来的一种并行分布模式处理系统，具有高度并行计算能力、自学能力和容错能力。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，无须分清存在何种非线性关系，给建模与分析带来极大的方便。该方法用于企业财务状况研究时，一方面利用其映射能力，另一方面主要利用其泛化能力，即在经过一定数量的带噪声的样本的训练之后，网络可以抽取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性。
（2）衍生工具信用风险的度量方法。20世纪80年代以来，作为一种有效的避险工具，衍生工具因其在金融、投资、套期保值和利率行为中的巨大作用而获得了飞速发展。然而，这些旨在规避市场风险应运而生的衍生工具又蕴藏着新的信用风险。研究者相继提出许多方法来度量衍生工具的信用风险，最具代表性的有下列三种：一是风险敞口等值法，这种方法是以估测信用风险敞口价值为目标，考虑了衍生工具的内在价值和时间价值，并以特殊方法处理的风险系数建立了一系列REE计算模型。二是模拟法，这种计算机集约型的统计方法采用蒙特卡罗模拟过程，模拟影响衍生工具价值的关键随机变量的可能路径和交易过程中各时间点或到期时的衍生工具价值，最终经过反复计算得出一个均值。三是敏感度分析法，就是利用这些比较值通过方案分析或应用风险系数来估测衍生工具价值。
（3）集中风险的评估系统。前述方法绝大多数是度量单项贷款或投资项目的信用风险，而很少注重信用集中风险的评估。信用集中风险是所有单一项目信用风险的总和。金融机构和投资者采用贷款组合、投资组合来达到分散和化解风险的目的。1997年，J.P.摩根推出的“信用计量法”和瑞士信贷金融产品的“信用风险法”，均可以用来评估信用风险敞口亏损分布以及计算用以弥补风险所需的资本。“信用计量法”是以风险值为核心的动态量化风险管理系统，它集计算机技术、计量经济学、统计学和管理工程系统知识于一体，从证券组合、贷款组合的角度，全方位衡量信用风险。该方法应用的范围比较广，诸如证券、贷款、信用证、贷款承诺、衍生工具、应收账款等领域的信用风险都可用此方法进行估测。“信用风险法”是在信用评级框架下，计算每一级别或分数下的平均违约率及违约波动，并将这些因素与风险敞口综合考虑，从而算出亏损分布与所需资本预测数。
现代金融工程模型的几种信用风险度量模型的优缺点主要是：
（1）神经网络分析方法应用于信用风险评估的优点在于其无严格的假设限制，且具有处理非线性问题的能力。它能有效解决非正态分布、非线性的信用评估问题，其结果介于0与1之间，在信用风险的衡量下，即为违约概率。神经网络法的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构，需要人为地去调试，非常耗费人力与时间，因此，使该模型的应用受到了限制。爱德华·阿尔特曼博士(Edward I.Altman)（1995）在对神经网络法和判别分析法的比较研究中得出结论认为，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。
（2）衍生工具信用风险模型的优点是具有较强的严谨性，该模型力图以数量化的、严谨的逻辑识别信用风险。从缺点和不足来看，衍生工具信用风险模型的严密的前提假设（当一个变量发生改变，则原有的结论需要全部推翻重新进行论证）限制了它的使用范围。而且从大量的实证研究结果来看，衍生工具信用风险模型没有得到足够的支持。例如达菲·辛格顿(Duffie Singleton)（1999）发现简约模型无法解释观测到的不同信用等级横截面之间的信用差期限结构。衍生工具信用风险模型虽然是最新的科学化方法，但其要发挥作用，还必须与金融风险管理的理念和主观判断结合起来。
（3）集中风险评估系统的目的是综合反映评价对象的风险，更接近于风险分析的本源目的，但过多的变量因素又使其陷入浩繁的考察与计量之中，过于繁密的信息造成“噪音”过大，这又使结论容易发生偏离。
