現代金融工程模型
出自 MBA智库百科(https://wiki.mbalib.com/)
目錄 |
20世紀80年代以來，受債務危機的影響，各國銀行普遍重視對信用風險的管理和防範，新一代金融工程專家利用工程化的思維和數學建模技術，在傳統信用風險度量的基礎上提出了一系列成功的信用風險量化模型。
（1）神經網路分析法。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。神經網路方法剋服了傳統分析過程的複雜性及選擇適當模型函數形式的困難，它是一種自然的非線性建模過程，無須分清存在何種非線性關係，給建模與分析帶來極大的方便。該方法用於企業財務狀況研究時，一方面利用其映射能力，另一方面主要利用其泛化能力，即在經過一定數量的帶雜訊的樣本的訓練之後，網路可以抽取樣本所隱含的特征關係，並對新情況下的數據進行內插和外推以推斷其屬性。
（2）衍生工具信用風險的度量方法。20世紀80年代以來，作為一種有效的避險工具，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發展。然而，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。研究者相繼提出許多方法來度量衍生工具的信用風險，最具代表性的有下列三種：一是風險敞口等值法，這種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。二是模擬法，這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，最終經過反覆計算得出一個均值。三是敏感度分析法，就是利用這些比較值通過方案分析或應用風險繫數來估測衍生工具價值。
（3）集中風險的評估系統。前述方法絕大多數是度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。金融機構和投資者採用貸款組合、投資組合來達到分散和化解風險的目的。1997年，J.P.摩根推出的“信用計量法”和瑞士信貸金融產品的“信用風險法”，均可以用來評估信用風險敞口虧損分佈以及計算用以彌補風險所需的資本。“信用計量法”是以風險值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。該方法應用的範圍比較廣，諸如證券、貸款、信用證、貸款承諾、衍生工具、應收賬款等領域的信用風險都可用此方法進行估測。“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，並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。
現代金融工程模型的幾種信用風險度量模型的優缺點主要是：
（1）神經網路分析方法應用於信用風險評估的優點在於其無嚴格的假設限制，且具有處理非線性問題的能力。它能有效解決非正態分佈、非線性的信用評估問題，其結果介於0與1之間，在信用風險的衡量下，即為違約概率。神經網路法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，使該模型的應用受到了限制。愛德華·阿爾特曼博士(Edward I.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認為，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。
（2）衍生工具信用風險模型的優點是具有較強的嚴謹性，該模型力圖以數量化的、嚴謹的邏輯識別信用風險。從缺點和不足來看，衍生工具信用風險模型的嚴密的前提假設（當一個變數發生改變，則原有的結論需要全部推翻重新進行論證）限制了它的使用範圍。而且從大量的實證研究結果來看，衍生工具信用風險模型沒有得到足夠的支持。例如達菲·辛格頓(Duffie Singleton)（1999）發現簡約模型無法解釋觀測到的不同信用等級橫截面之間的信用差期限結構。衍生工具信用風險模型雖然是最新的科學化方法，但其要發揮作用，還必須與金融風險管理的理念和主觀判斷結合起來。
（3）集中風險評估系統的目的是綜合反映評價對象的風險，更接近於風險分析的本源目的，但過多的變數因素又使其陷入浩繁的考察與計量之中，過於繁密的信息造成“噪音”過大，這又使結論容易發生偏離。
