信用风险评估

信用风险评估(Credit Risk Evaluation)

　　信用风险评估是指管理人将充分利用现有行业与公司研究力量，根据发债主体的经营状况和现金流等情况对其信用风险进行评估，以此作为品种选择的基本依据。

　　5C要素分析法

　　5C要素分析法是金融机构对客户作信用风险分析时所采用的专家分析法之一。它主要集中在借款人的道德品质 (Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collateral)和经营环境条件(Con- dition)五个方面进行全面的定性分析以判别借款人的还款意愿和还款能力。有些银行将其归纳为“5W”因素,即借款人(Who)、借款用途 (Why)、还款期限(When)、担保物(What)及如何还款(How)。还有的银行将其归纳为“5P”因素,即个人因素(Personal)、借款目的(Purpose)、偿还(Payment)、保障(Protec-tion)和前景(Perspective)。无论是“5C”、“5W”或是 “5P”要素法在内容上大同小异,他们的共同之处都是将每一要素逐一进行评分,使信用数量化,从而确定其信用等级以作为其是否贷款、贷款标准的确定和随后贷款跟踪监测期间的政策调整依据。

　　财务比率综合分析法'

　　由于信用危机往往是由财务危机引致而使银行和投资者面临巨大的信用风险, 及早发现和找出一些预警财务趋向恶化的特征财务指标,无疑可判断借款或证券发行人的财务状况,从而确定其信用等级,为信贷和投资提供依据。基于这一动机, 金融机构通常将信用风险的测度转化为企业财务状况的衡量问题。因此,一系列财务比率分析方法也应运而生。财务比率综合分析法就是将各项财务分析指标作为一个整体,系统、全面、综合地对企业财务状况和经营情况进行剖析、解释和评价。这类方法的主要代表有杜邦财务分析体系和沃尔比重评分法,前者是以净值报酬率为龙头,以资产净利润率为核心,重点揭示企业获利能力及其前因后果;而沃尔比重法是将选定的7项财务比率分别给定各自的分数比重,通过与标准比率 (行业平均比率)进行比较,确定各项指标的得分及总体指标的累计分数,从而得出企业财务状况的综合评价,继而确定其信用等级。

　　多变量信用风险判别模型

　　多变量信用风险判别模型是以特征财务比率为解释变量,运用数量统计方法推导而建立起的标准模型。运用此模型预测某种性质事件发生的可能性,及早发现信用危机信号,使经营者能够在危机出现的萌芽阶段采取有效措施改善企业经营,防范危机;使投资者和债权人可依据这种信号及时转移投资、管理应收帐款及作出信贷决策。目前国际上这类模型的应用是最有效的,也是国际金融业和学术界视为主流方法。概括起来有线性概率模型、Logit、 Probit模型和判别分析模型。其中多元判别分析法最受青睐,Logit模型次之。

　　多元判别分析法是研究对象所属类别进行判别的一种统计分析方法;判别分析就是要从若干表明观测对象特征的变量值(财务比率)中筛选出能提供较多信息的变量并建立判别函数,使推导出的判别函数对观测样本分类时的错判率最小。率先将这一方法应用于财务危机、公司破产及违约风险分析的开拓者是美国的爱德华·阿尔特曼博士(EdwardI.Altman)。他早在 1968年对美国破产和非破产生产企业进行观察,采用了22个财务比率经过数理统计筛选建立了著名的5变量Z-score模型和在此基础上改进的“Ze- ta”判别分析模型。根据判别分值,以确定的临界值对研究对象进行信用风险的定位。由于模型简便、成本低、效果佳,Zeta模型己商业化,广泛应用于美国商业银行,取得了巨大的经济效益。美国还专门成立了一家Zeta服务有限公司,著名美林证券也提供Z值统计服务。受美国影响,日本开发银行、德国、法国、英国、澳大利亚、加拿大等许多发达国家的金融机构,以及巴西都纷纷研制了各自的判别模型。虽在变量上的选择各有千秋,但总体思路则与阿尔特曼如出一辙。

　　Logit模型是采用一系列财务比率变量来预测公司破产或违约的概率;然后根据银行、投资者的风险偏好程度设定风险警界线、以此对分析对象进行风险定位和决策。Logit模型与多元判别分析法的本质区别在于前者不要求满足正态分布,其模型采用Lo-gistic函数。由于 Logistic回归不假定任何概率分布,不满足正态情况下其判别正确率高于判别分析法的结果。

　　以资本市场理论和信息科学为支撑的新方法

　　随着资本市场的迅速发展、融资的非中介化、证券化趋势以及金融创新工具的大量涌现,信用风险的复杂性也日益显著。人们认为以财务比率为基础的统计分析方法不能反映借款人和证券发行人的资产在资本市场上快速变化的动态价值;鉴于此,一系列信用风险衡量的新方法相继提出。

　　1.期权定价型的破产模型期权定价型的“破产模型”。

　　这类模型的理论依据在很多方面与Black-Scholes(1973),Merton(1974)以及 Hull和White(1995)的期权定价模型相似。因此也称作信用风险的期权定价模型。Black-Scholes-Merton系列定价模型表明一家公司的破产概率取决于公司资产相对于其短期负债时的初始市场价值和资产(股票)市价的波动率。当公司资产的市场(清算)价值低于其短期负债价值, 即资不抵债时,那么该公司实质上已经破产。1993年KMV公司研究提出的期望违约率(ExpectedDefaultFrequency,EDF)模型也是基于这一理论。模型的结构包含两种理论联系。其一是将股票价值看成是建立在公司资产价值上的一个看涨期权;其二是公司股票价值波动率与公司资产价值变化之间的关系。在实践中,通过观察在一定标准差(资产市价与偿债价值的标准差)水准上的公司(其初始资产高于负债)在一年内有多少比例的公司破产; 以此来衡量任一具有同样标准差公司的违约概率。由于资产市值的估算又取决于股价波动率的估算,因此令人质疑的是估算的股价波动率是否可作为公司资产价值估算的可信指标。

　　2.债券违约率模型和期限方法

　　阿尔特曼研究的债券违约模型(Mortalityratmodel)和 Asquith、Mullins(1989)的期限方法(Ag-ingapproach)是按穆迪和标准普尔的信用等级和债券到期年限,采用债券实际违约的历史数据建立的违约概率经验值。对各类信用等级和期限债券的违约风险的衡量。美国穆迪(1990)和标准普尔(1991)两家著名评级公司修正了这一模型并作为他们的常规金融分析工具。此类模型有望扩展到贷款违约风险分析中。但目前的障碍是银行无法收集到足够的贷款违约历史数据供建立一个非常稳定的违约概率数据库。因此美国许多大型银行正致力于建立一个全国贷款违约和违约损失率的共享数据库。

　　3.神经网络分析系统

　　虽然神经网络的理论可追溯到40年代,但在信用风险分析中的应用还是90年代的新生事物。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。神经网络的结构是由一个输入层、若干个中间隐含层和一个输出层组成。国外研究者如Altman,Marco和Varetto(1995)对意大利公司财务危机预测中应用了神经网络分析法。Coats,Fant(1993)、 Trippi和Turban,Kevin、KarYanTan和MdodyY.Kiang(1992)采用了神经网络分析法分别对美国公司和银行财务危机进行了预测,取得了一定的效果。我国学者杨保安、王春峰等(1998)也在此领域进行了初探。然而神经网络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,因此应用受到了限制。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“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”。另外,Chatfield(1993)在《国际预测杂志》发表的题为“神经网络:预测的突破还是时髦”一文中对神经网络方法也只作了一般性的评述。但神经网络作为一门崭新的信息处理科学仍然吸引着众多领域的研究者。

　　衍生工具信用风险的衡量方法

　　衍生工具是指其价值依赖于基本标的资产价格的金融工具,如远期、期货、期权、互换等。80年代以来,金融市场风起云涌、变幻莫测、市场风险与日俱增。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的发展,尤其充实、拓展了银行的表外业务。然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。如利率互换和货币互换虽能减少利率风险,但却要承担互换对方的违约风险。如果银行只是作为互换的中间人和担保人介入互换业务,互换中的任何一方违约都将由银行承担。另外,场外市场的期权交易,其违约风险也日益增加。因此,衍生工具的信用风险的管理也日益受到各国金融监管当局的重视。原则上,前面讨论的方法对衍生工具信用风险的预测仍有用武之地。因为,引起合同违约的一个重要因素,仍通常是对方陷入财务困境。尽管如此,在贷款、场外交易和表外衍生工具的违约风险上仍存有许多细微的区别。首先,即使对方陷入财务困境, 也只可能对虚值合同(履约带来负价值的合同)违约而会力求履行所有的实值合约(履约带来正价值的合同)。其次,在任一违约概率水准上,衍生工具违约遭受的损失往往低于贷款违约的损失。鉴于此,研究者相继提出许多其他方法,不过主要集中在期权和互换两类衍生工具上,最具代表性的有下列三种。

　　1.风险敞口等值法(Riskequivalentexposure,REE)

　　风险敞口等值法(REE)是贯穿于衍生工具信用风险衡量的核心方法。这类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。既有以衍生工具交易的名义本金和合同价值为基础的REE模型,也有以衍生工具类别和组合策略为基础的REE模型。其中风险系数是衍生工具交易的名义本金转化为风险敞口等同值的核心工具。依据投资者的风险偏好,可计算4种概念的风险敞口等同值;即到期风险敞口等同值、平均风险敞口等同值、最坏情况风险敞口等同值和期望风险敞口等同值以度量信用风险的高低。

　　2.模拟法

　　模拟是一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。经过成千上百次的反复计算得出一个均值。衍生工具的初始价值与模拟平均值之差是对未来任一时间点和到期信用风险敞口值的一个度量。

　　3.敏感度分析法

　　衍生工具交易者通常采用衍生工具价值模型中的一些比较系数,如 Delta,Gamme,Vega和Theta来衡量和管理头寸及交易策略的风险。敏感度分析法就是利用这些比较值通过方案分析 (scenarioanalysis)或应用风险系数来估测衍生工具价值。其中Delta用于衡量衍生工具证券价格对其标的资产价格变动的敏感度;Gamme是衡量该衍生证券的Delta值对标的资产价格变化的敏感度;它等于衍生证券价格对标的资产价格的二阶偏导数,也等于衍生证券的Delta 对标的资产价格的一阶偏导数。Vega用来衡量衍生证券的价值对标的资产价格波动率的敏感度;Theta用于衡量衍生证券的价值对时间变化的敏感度。敏感度分析法最终目的仍是估算出风险敞口等同价值(REE)。只是估算中采用的系数不同。如Ong(1996)主要采用Delta和Gamme来估算 REE,Mark(1995)则使用上述所有的系数,并运用方案分析以获得衍生工具的新价值。

　　前面所述的方法绝大多数都只是衡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。金融市场的全球化和风险的多样化使人们越来越认识到“不能把鸡蛋放在一个篮子里”的重要性。金融机构和投资者们采用贷款组合、投资组合来达到分散和化解风险的目的。那么如何来衡量这些组合及所有个别加组合汇集起来的信用集中风险又成为一个新的课题。目前在这一课题上最为人们所关注的是J.P摩根1997年推出的信用计量法 (CreditMetricsTM)和瑞士信贷金融产品信用风险+法(CSFP)。这两大信用风险评估系统都是为了评估信用风险敞口亏损分布以及为弥补风险所需的资本,但使用的方法有所不同。信用计量法是以风险值(VAR)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。分析的面广,包括证券、贷款、信用证、贷款承诺、衍生工具、应收帐款等方面的信用风险的估测。具体操作是依据与动态信用事件(信用等级的变迁,违约等)相关的基本风险来估测集中信用风险的风险值。集中信用风险值是指在未来一定时间内, 因信用事件引起证券或贷款组合资产价值的潜在变化量。风险管理者依据这一风险值调整头寸和决策以防范损失。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。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。

　　综观国际上这一领域的研究和实际应用,信用风险分析方法从主观判断分析法和传统的财务比率评分法转向以多变量、依赖于资本市场理论和计算机信息科学的动态计量分析方法为主的趋势发展。目前我国的信用分析和评估技术仍处于传统的比率分析阶段。银行机构主要使用计算贷款风险度的方法进行信用风险评估。信用风险的分析仍然是以单一投资项目、贷款和证券为主,衍生工具、表外资产的信用风险以及信用集中风险的评估尚属空白。更没有集多种技术于一体的动态量化的信用风险管理技术。随着我国经济体制的改革深入、市场机制的建立与完善以及资本市场、银行业的迅速发展,现行的信用评估体制与方法赶不上经济改革发展的需要。我们应博采众长、引入科学方法来确定有效指标,并建立准确的定量模型来解决信用评估问题。