[上市公司信用风险度量模型评析] 信用风险度量模型

　　摘 要：随着我国金融改革开放不断深化，信用风险凸现，国际普遍应用的信用风险度量模型越发受到重视。我国信贷风险管理水平与国际有一定差距，模型不能照搬，通过对国际常用信用风险度量模型原理及特征分析，来研判模型在我国的适应性，为实用提供科学量化依据。
　　关键词：信用风险 模型 量化
　　
　　在我国金融市场的快速发展中，信用风险已成为资本市场最大风险，度量上市公司信用风险和实证研究成为投资者、商业银行、监管机构等面临的核心课题。如何客观评价上市公司财务、信用状况，对投资者及时调整投资决策，监管者准确识别盲目融资公司等意义重大。本文介绍几种国际上典型的信用风险度量模型，为加强信用风险管理提供参考依据。
　　
　　一、典型模型基本原理
　　1、KMV模型
　　该模型将期权定价理论应用于贷款和债券估值，通过对上市公司股价波动分析来预测股权公开交易公司发生违约的可能性。其出发点是当公司资产价值低于一定水平时，就会发生违约，并给出预测违约概率的方法。
　　首先，计算违约点DP。期权定价理论将公司资产价值看作公司债务的期权，当公司资产价值低于短期负债加长期负债一半时，债务人就会违约。故违约点DP=CL+0.5LL，其中CL为短期负债，LL为长期负债。
　　其次，计算违约距离DD。DD表示企业资产未来市场价值的期望值到违约点间距离，以资产市场价值标准差的倍数表示：
　　DD=（V-DP）/（ δV V）
　　其中V为公司资产价值，δV为资产价值波动率。
　　最后，计算违约率EDF。因KMV公司采用将违约距离与公司历史违约率相匹配来计算预期违约率，需大量历史数据，这点在我国尚不具备。此处可采用理论预期违约率替代，假设公司资产价值服从对数正态分布，则理论预期违约率EDF=1-N（DD）。
　　2、Credit Risk+模型
　　该模型应用保险精算方法计算债券或贷款组合的损失分布。模型对违约原因不作任何假定，认为违约是一随机事件，人们无法预测发生违约的数目和确切时间。这样假定在一较大样本中，若每笔债务违约概率非常小且违约与否相互独立，则给定时间区间内发生n起违约事件的概率 服从泊松分布，其中 为违约预期数量，由各交易对手的违约率Pi加总得到。
　　在此基础上考虑到各违约事件对组合损失的不同影响，在处理模型时按风险损失大小对各项贷款划分频段。先设定一基础单位风险损失L，按L的一定整数比划分频段，再将各债务人按风险损失与L的比例数分到相应频段。若债务人的风险损失与L的比例数不成整数，则按它离各频段远近程度划分。于是频段j的贷款组合分布概率产生函数为： 其中μi为频段期望违约数目；整个投资贷款组合概率产生函数为：
　　 进而推导出贷款损失为nL的概率函数
　　3、基于模糊神经网络模型
　　由于信用风险度量的复杂性和非结构性，以神经网络为代表的人工智能技术近年来在信用风险中的应用得到广泛关注，如王春峰等分别利用神经网络及遗传规划方法构建了商业银行信用分析评估模型。但神经网络技术只适合定量指标分析，对影响信用风险因素中诸如行业经验、专家经验等定性指标则无法处理，而影响评判效果。因此随着模糊系统理论和遗传算法的发展，人们开始将模糊逻辑技术与神经网络结合运用到信用风险评估中。模糊神经网络结合了神经网络与模糊系统的优点，学习采用容易被人们理解的自然语言规则，因此对输出结果能够解释。模糊神经网络通过IF-THEN规则使专家经验知识、新增知识信息等定性指标像定量数据一样随时增加到当前规则集中。
　　
　　二、模型特征分析
　　各模型在实际应用中因基于的前提、假设、函数形式等不同，具有各自不同的优缺特征。
　　1、KMV模型
　　优势：一是该模型是主要采用股票市场数据的动态模型，因输入模型中数据随股票市场价格变化而随时更新数据计算EDF值，及时反映上市公司信用状况，预测能力强。二是股票价格不仅反映公司历史和当前状况，还可预期公司未来发展前景，具有前瞻性。三是模型将违约与公司特征相联系，使其对债务人信用质量的变化更敏感，适用于任何股权公开交易的上市公司。不足：一是对公司资本结构假设过于简单，认为公司资本结构一旦确定就不再变化。但实际上信贷周期内因再融资、分红等导致公司资本结构变化的概率很大。二是理论EDF值的计算若不建立在资产收益正态分布假设基础上就无法求出。三是模型对利率的既定假设使利率风险在模型中无法体现，限制了在贷款期较长或利率敏感型信用工具上的应用。
　　2、Credit Risk+模型
　　优势：一是处理能力强，可处理数以万计不同地区部门、不同时限等不同类型的风险暴露。二是模型要求的输入数据有限，基本上只是贷款组合中各组贷款的违约率、违约率波动和风险暴露，则根据组合价值的损失分布函数可直接计算组合的预期和非预期损失值。三是无需模拟技术就能计算出债券/贷款组合损失的概率分布封闭形式的表达式。四是债务人的边际风险贡献易于计算。不足：一是没考虑债务人信用等级变化、市场风险和信贷期限的可能变动，且假定每笔贷款的信用风险暴露在计算期内固定不变，这与实际不符。二是不适合非线性金融产品，如期权与外汇互换的信用风险，影响了模型应用范围。三是没考虑信用等级转移风险，致使每一债务人的风险敞口固定，不依赖于债务人信用质量变化及未来利率变化。
　　3、基于模糊神经网络模型
　　优势：一是模糊神经网络是一种介于符号推理与数值计算间的数学工具，适应能力和学习能力优良，适合作预测工具。二是常用函数估计器依赖于数学模型，而模糊神经网络从本质上看却是一种不依赖模型的自适应函数估计器，给定一组输入即可得到一组输出，而不依赖模型，无需知道输出和输入间存在何种数学关系。三是当给定输入并不是原来训练的输入时，神经元网络也能给出合适的输出，具适应功能。不足在于模糊神经网络推理方法存在模糊规则数“爆炸”的“隐患”，这就需要一些诸如模糊减法聚类等处理技巧。
　　
　　三、模型在我国适应性分析
　　我国金融市场处于新兴发展阶段，市场开放化、规范化程度不高，公司财务信息在公司市场价值波动中得不到及时体现和反映，甚至有虚假和错误信息。从而使一些在国际上应用良好的模型在我国的适应性程度有所不同。
　　KMV模型基于大量有效股票市场数据基础，EDF与DD间函数关系主要以美国公司数据为基础导出。我国股票市场因历史短、效率低、监管制度不健全，使得各方面不甚成熟，因而股价信息不能准确反映上市公司实际资产状况和模型期权定价思路。故模型用于美国之外时需作相应修正，如李磊宁、张智梅等曾提出过适应我国上市公司的KMV修正及改进方案。
　　Credit Risk+模型较为简单实用，要求数据量少，在信贷风险管理中有突出优势。模型只需输入单个债务人违约概率和银行对单个债务人的敞口，这些数据在我国商业银行都可计算出来。该模型与我国现行适用的贷款风险度量方法有一定相似之处，对指导我国商业银行信用风险度量及建立适应我国的信用风险模型具有实际意义，故该模型在我国适用性较强。
　　结合模糊逻辑技术和遗传算法的神经网络模型的要求较低，且学习能力强，是一种自然非线性建模过程。因我国金融市场不规范、数据不完备、不准确，因此专家经验更显得尤为重要。而模糊神经网络模型因可以处理诸如专家经验、行业经验这类定性指标数据，从而对我国这样一个尚处于发展和完善过程中的金融市场的风险度量更具优势和实际意义。
　　虽然信用风险量化模型目前在我国的适应性与国际有一定差别，但随着金融体制改革开放的不断深入，金融市场机制不断完善，上市公司信息可信度提高，建模样本量增大，模型应用环境将逐步改善，市场和金融机构的运作及管理必将与国际接轨。相信在制度、技术双平台逐步完善的基础上，量化模型将随风险管理体系的完善而联动发展，为金融机构提供量化及科学的信用风险分析。
　　
　　基金项目：资助项目（PHR201008230）。
　　
　　参考文献：
　　[1]熊志斌，李荣钧．现代信用风险管理度量模型比较[J]．科技管理研究，2007，（2）．
　　[2]伍舟宏．现代信用风险度量模型综述[J]．经济师，2007，（3）．
　　[3]王保华．基于神经网络和模糊逻辑的信用评价模型[J]．北京工商大学学报，2003，（5）．
　　[4]翟东升，张娟，曹运发．KMV模型在上市公司信用风险管理中的应用[J]．工业技术经济，2007，（1）．□
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文