信用風險評估

出自 MBA智库百科(https://wiki.mbalib.com/)

信用風險評估(Credit Risk Evaluation)

　　信用風險評估是指管理人將充分利用現有行業與公司研究力量，根據發債主體的經營狀況和現金流等情況對其信用風險進行評估，以此作為品種選擇的基本依據。

　　5C要素分析法

　　5C要素分析法是金融機構對客戶作信用風險分析時所採用的專家分析法之一。它主要集中在借款人的道德品質 (Character)、還款能力(Capacity)、資本實力(Capital)、擔保(Collateral)和經營環境條件(Con- dition)五個方面進行全面的定性分析以判別借款人的還款意願和還款能力。有些銀行將其歸納為“5W”因素,即借款人(Who)、借款用途 (Why)、還款期限(When)、擔保物(What)及如何還款(How)。還有的銀行將其歸納為“5P”因素,即個人因素(Personal)、借款目的(Purpose)、償還(Payment)、保障(Protec-tion)和前景(Perspective)。無論是“5C”、“5W”或是 “5P”要素法在內容上大同小異,他們的共同之處都是將每一要素逐一進行評分,使信用數量化,從而確定其信用等級以作為其是否貸款、貸款標準的確定和隨後貸款跟蹤監測期間的政策調整依據。

　　財務比率綜合分析法'

　　由於信用危機往往是由財務危機引致而使銀行和投資者面臨巨大的信用風險, 及早發現和找出一些預警財務趨向惡化的特征財務指標,無疑可判斷借款或證券發行人的財務狀況,從而確定其信用等級,為信貸和投資提供依據。基於這一動機, 金融機構通常將信用風險的測度轉化為企業財務狀況的衡量問題。因此,一系列財務比率分析方法也應運而生。財務比率綜合分析法就是將各項財務分析指標作為一個整體,系統、全面、綜合地對企業財務狀況和經營情況進行剖析、解釋和評價。這類方法的主要代表有杜邦財務分析體系和沃爾比重評分法,前者是以凈值報酬率為龍頭,以資產凈利潤率為核心,重點揭示企業獲利能力及其前因後果;而沃爾比重法是將選定的7項財務比率分別給定各自的分數比重,通過與標準比率 (行業平均比率)進行比較,確定各項指標的得分及總體指標的累計分數,從而得出企業財務狀況的綜合評價,繼而確定其信用等級。

　　多變數信用風險判別模型

　　多變數信用風險判別模型是以特征財務比率為解釋變數,運用數量統計方法推導而建立起的標準模型。運用此模型預測某種性質事件發生的可能性,及早發現信用危機信號,使經營者能夠在危機出現的萌芽階段採取有效措施改善企業經營,防範危機;使投資者和債權人可依據這種信號及時轉移投資、管理應收帳款及作出信貸決策。目前國際上這類模型的應用是最有效的,也是國際金融業和學術界視為主流方法。概括起來有線性概率模型、Logit、 Probit模型和判別分析模型。其中多元判別分析法最受青睞,Logit模型次之。

　　多元判別分析法是研究對象所屬類別進行判別的一種統計分析方法;判別分析就是要從若幹表明觀測對象特征的變數值(財務比率)中篩選出能提供較多信息的變數並建立判別函數,使推導出的判別函數對觀測樣本分類時的錯判率最小。率先將這一方法應用於財務危機、公司破產及違約風險分析的開拓者是美國的愛德華·阿爾特曼博士(EdwardI.Altman)。他早在 1968年對美國破產和非破產生產企業進行觀察,採用了22個財務比率經過數理統計篩選建立了著名的5變數Z-score模型和在此基礎上改進的“Ze- ta”判別分析模型。根據判別分值,以確定的臨界值對研究對象進行信用風險的定位。由於模型簡便、成本低、效果佳,Zeta模型己商業化,廣泛應用於美國商業銀行,取得了巨大的經濟效益。美國還專門成立了一家Zeta服務有限公司,著名美林證券也提供Z值統計服務。受美國影響,日本開發銀行、德國、法國、英國、澳大利亞、加拿大等許多發達國家的金融機構,以及巴西都紛紛研製了各自的判別模型。雖在變數上的選擇各有千秋,但總體思路則與阿爾特曼如出一轍。

　　Logit模型是採用一系列財務比率變數來預測公司破產或違約的概率;然後根據銀行、投資者的風險偏好程度設定風險警界線、以此對分析對象進行風險定位和決策。Logit模型與多元判別分析法的本質區別在於前者不要求滿足正態分佈,其模型採用Lo-gistic函數。由於 Logistic回歸不假定任何概率分佈,不滿足正態情況下其判別正確率高於判別分析法的結果。

　　以資本市場理論和信息科學為支撐的新方法

　　隨著資本市場的迅速發展、融資的非中介化、證券化趨勢以及金融創新工具的大量涌現,信用風險的複雜性也日益顯著。人們認為以財務比率為基礎的統計分析方法不能反映借款人和證券發行人的資產在資本市場上快速變化的動態價值;鑒於此,一系列信用風險衡量的新方法相繼提出。

　　1.期權定價型的破產模型期權定價型的“破產模型”。

　　這類模型的理論依據在很多方面與Black-Scholes(1973),Merton(1974)以及 Hull和White(1995)的期權定價模型相似。因此也稱作信用風險的期權定價模型。Black-Scholes-Merton系列定價模型表明一家公司的破產概率取決於公司資產相對於其短期負債時的初始市場價值和資產(股票)市價的波動率。當公司資產的市場(清算)價值低於其短期負債價值, 即資不抵債時,那麼該公司實質上已經破產。1993年KMV公司研究提出的期望違約率(ExpectedDefaultFrequency,EDF)模型也是基於這一理論。模型的結構包含兩種理論聯繫。其一是將股票價值看成是建立在公司資產價值上的一個看漲期權;其二是公司股票價值波動率與公司資產價值變化之間的關係。在實踐中,通過觀察在一定標準差(資產市價與償債價值的標準差)水準上的公司(其初始資產高於負債)在一年內有多少比例的公司破產; 以此來衡量任一具有同樣標準差公司的違約概率。由於資產市值的估算又取決於股價波動率的估算,因此令人質疑的是估算的股價波動率是否可作為公司資產價值估算的可信指標。

　　2.債券違約率模型和期限方法

　　阿爾特曼研究的債券違約模型(Mortalityratmodel)和 Asquith、Mullins(1989)的期限方法(Ag-ingapproach)是按穆迪和標準普爾的信用等級和債券到期年限,採用債券實際違約的歷史數據建立的違約概率經驗值。對各類信用等級和期限債券的違約風險的衡量。美國穆迪(1990)和標準普爾(1991)兩家著名評級公司修正了這一模型並作為他們的常規金融分析工具。此類模型有望擴展到貸款違約風險分析中。但目前的障礙是銀行無法收集到足夠的貸款違約歷史數據供建立一個非常穩定的違約概率資料庫。因此美國許多大型銀行正致力於建立一個全國貸款違約和違約損失率的共用資料庫。

　　3.神經網路分析系統

　　雖然神經網路的理論可追溯到40年代,但在信用風險分析中的應用還是90年代的新生事物。神經網路是從神經心理學和認識科學研究成果出發,應用數學方法發展起來的一種並行分佈模式處理系統,具有高度並行計算能力、自學能力和容錯能力。神經網路的結構是由一個輸入層、若幹個中間隱含層和一個輸出層組成。國外研究者如Altman,Marco和Varetto(1995)對義大利公司財務危機預測中應用了神經網路分析法。Coats,Fant(1993)、 Trippi和Turban,Kevin、KarYanTan和MdodyY.Kiang(1992)採用了神經網路分析法分別對美國公司和銀行財務危機進行了預測,取得了一定的效果。我國學者楊保全、王春峰等(1998)也在此領域進行了初探。然而神經網路的最大缺點是其工作的隨機性較強。因為要得到一個較好的神經網路結構,需要人為地去調試,非常耗費人力與時間,因此應用受到了限制。Altman(1995)在對神經網路法和判別分析法的比較研究中得出結論“神經網路分析方法在信用風險識別和預測中的應用,並沒有實質性的優於線性判別模型”。另外,Chatfield(1993)在《國際預測雜誌》發表的題為“神經網路:預測的突破還是時髦”一文中對神經網路方法也只作了一般性的評述。但神經網路作為一門嶄新的信息處理科學仍然吸引著眾多領域的研究者。

　　衍生工具信用風險的衡量方法

　　衍生工具是指其價值依賴於基本標的資產價格的金融工具,如遠期、期貨、期權、互換等。80年代以來,金融市場風起雲涌、變幻莫測、市場風險與日俱增。衍生工具因其在金融、投資、套期保值和利率行為中的巨大作用而獲得了飛速的發展,尤其充實、拓展了銀行的表外業務。然這些旨在規避市場風險應運而生的衍生工具又蘊藏著新的信用風險。如利率互換和貨幣互換雖能減少利率風險,但卻要承擔互換對方的違約風險。如果銀行只是作為互換的中間人和擔保人介入互換業務,互換中的任何一方違約都將由銀行承擔。另外,場外市場的期權交易,其違約風險也日益增加。因此,衍生工具的信用風險的管理也日益受到各國金融監管當局的重視。原則上,前面討論的方法對衍生工具信用風險的預測仍有用武之地。因為,引起合同違約的一個重要因素,仍通常是對方陷入財務困境。儘管如此,在貸款、場外交易和表外衍生工具的違約風險上仍存有許多細微的區別。首先,即使對方陷入財務困境, 也只可能對虛值合同(履約帶來負價值的合同)違約而會力求履行所有的實值合約(履約帶來正價值的合同)。其次,在任一違約概率水準上,衍生工具違約遭受的損失往往低於貸款違約的損失。鑒於此,研究者相繼提出許多其他方法,不過主要集中在期權和互換兩類衍生工具上,最具代表性的有下列三種。

　　1.風險敞口等值法(Riskequivalentexposure,REE)

　　風險敞口等值法(REE)是貫穿於衍生工具信用風險衡量的核心方法。這類方法是以估測信用風險敞口價值為目標,考慮了衍生工具的內在價值和時間價值,並以特殊方法處理的風險繫數建立了一系列REE計算模型。既有以衍生工具交易的名義本金和合同價值為基礎的REE模型,也有以衍生工具類別和組合策略為基礎的REE模型。其中風險繫數是衍生工具交易的名義本金轉化為風險敞口等同值的核心工具。依據投資者的風險偏好,可計算4種概念的風險敞口等同值;即到期風險敞口等同值、平均風險敞口等同值、最壞情況風險敞口等同值和期望風險敞口等同值以度量信用風險的高低。

　　2.模擬法

　　模擬是一種電腦集約型的統計方法。採用蒙特卡羅模擬過程模擬影響衍生工具價值的關鍵隨機變數的可能路徑和交易過程中各時間點或到期時的衍生工具價值。經過成千上百次的反覆計算得出一個均值。衍生工具的初始價值與模擬平均值之差是對未來任一時間點和到期信用風險敞口值的一個度量。

　　3.敏感度分析法

　　衍生工具交易者通常採用衍生工具價值模型中的一些比較繫數,如 Delta,Gamme,Vega和Theta來衡量和管理頭寸及交易策略的風險。敏感度分析法就是利用這些比較值通過方案分析 (scenarioanalysis)或應用風險繫數來估測衍生工具價值。其中Delta用於衡量衍生工具證券價格對其標的資產價格變動的敏感度;Gamme是衡量該衍生證券的Delta值對標的資產價格變化的敏感度;它等於衍生證券價格對標的資產價格的二階偏導數,也等於衍生證券的Delta 對標的資產價格的一階偏導數。Vega用來衡量衍生證券的價值對標的資產價格波動率的敏感度;Theta用於衡量衍生證券的價值對時間變化的敏感度。敏感度分析法最終目的仍是估算出風險敞口等同價值(REE)。只是估算中採用的繫數不同。如Ong(1996)主要採用Delta和Gamme來估算 REE,Mark(1995)則使用上述所有的繫數,並運用方案分析以獲得衍生工具的新價值。

　　前面所述的方法絕大多數都只是衡量單項貸款或投資項目的信用風險,而很少註重信用集中風險的評估。信用集中風險是所有單一項目信用風險的總和。金融市場的全球化和風險的多樣化使人們越來越認識到“不能把雞蛋放在一個籃子里”的重要性。金融機構和投資者們採用貸款組合、投資組合來達到分散和化解風險的目的。那麼如何來衡量這些組合及所有個別加組合彙集起來的信用集中風險又成為一個新的課題。目前在這一課題上最為人們所關註的是J.P摩根1997年推出的信用計量法 (CreditMetricsTM)和瑞士信貸金融產品信用風險+法(CSFP)。這兩大信用風險評估系統都是為了評估信用風險敞口虧損分佈以及為彌補風險所需的資本,但使用的方法有所不同。信用計量法是以風險值(VAR)為核心的動態量化風險管理系統。它集電腦技術、計量經濟學、統計學和管理工程系統知識於一體,從證券組合、貸款組合的角度,全方位衡量信用風險。分析的面廣,包括證券、貸款、信用證、貸款承諾、衍生工具、應收帳款等方面的信用風險的估測。具體操作是依據與動態信用事件(信用等級的變遷,違約等)相關的基本風險來估測集中信用風險的風險值。集中信用風險值是指在未來一定時間內, 因信用事件引起證券或貸款組合資產價值的潛在變化量。風險管理者依據這一風險值調整頭寸和決策以防範損失。信用風險+法是在信用評級框架下計算每一級別或分數下的平均違約率及違約波動。將這些因素與風險敞口綜合考慮,從而算出虧損分佈與所需資本預測數。

　　綜觀國際上這一領域的研究和實際應用,信用風險分析方法從主觀判斷分析法和傳統的財務比率評分法轉向以多變數、依賴於資本市場理論和電腦信息科學的動態計量分析方法為主的趨勢發展。目前我國的信用分析和評估技術仍處於傳統的比率分析階段。銀行機構主要使用計算貸款風險度的方法進行信用風險評估。信用風險的分析仍然是以單一投資項目、貸款和證券為主,衍生工具、表外資產的信用風險以及信用集中風險的評估尚屬空白。更沒有集多種技術於一體的動態量化的信用風險管理技術。隨著我國經濟體制的改革深入、市場機制的建立與完善以及資本市場、銀行業的迅速發展,現行的信用評估體制與方法趕不上經濟改革發展的需要。我們應博採眾長、引入科學方法來確定有效指標,並建立準確的定量模型來解決信用評估問題。