信用风险模型评述
信用风险，无论是银行业监管机构还是 银行自身现在都非常关注
现在信用风险的度量方法（模型很多）
- 基于模型精算（关键是选用什么样的模型）
- 基于大量信用数据
- 基于财务评分人工智能
最好的方法 ： 精确的数学模型+人工只能的参数调整+历史数据的验证+压力测试.. 现在还没有，感觉应该是发展的方向，现在技术上有一定的难度 。
附录（相关的介绍）
银行信用风险度量的创新模型
信用风险度量模型创新不断，品种繁多, 创新的背景和原因大致有：（1）企业破产和违约机会的增加。（2）资本市场的发展。（3）银行利润率的下降。（4）抵押品价值下降，波动性增加。（5）资产负债表外交易量增加。（6）科技及金融工程的进步。（7）计算以风险为基础的资本。
按照建模应用的理论或技术的不同，创新模型主要可以分为如下几类。
（1）基于期权的模型。利用期权理论，可求解贷款的价值或违约率。代表性的模型是KMV公司的信用监控模型（Credit Monitor Model）。
（2）加入专家系统的Z模型。即德国中央银行的Z模型，它是利用计算机科学技术、人工智能、知识工程等将传统的Z模型加以改造，于是大大提高了模型的准确度、效率和实用性。德国中央银行所使用的方法实际上不是一个简单的公式，他们将Z模型与现代化手段很好地进行了融合，使模型的实用性、准确性、效率性都得到大大提高。这说明仅靠一个公式并不能解决复杂的实际问题；另一方面，一个传统的简单方法利用现代化技术和手段进行完善同样显示出解决问题的威力。
（3）基于在险价值的模型。代表模型是摩根公司、KMV公司、瑞士联合银行等于1997年推出的“信用度量术”（CreditMetrics），它利用借款人的信用评级、下一年评级发生变化的概率、违约贷款的回收率、债券市场上的信用风险价差和收益率，为非交易的贷款或债券计算出假想的价值和价值波动性，从而计算个别贷款和贷款组合的在险价值。
CreditMetrics的缺点是：信用等级迁移概率事实上是跨时自相关的；没有考虑信用评级的转移受重要的国家因素、行业因素和商业周期因素的影响；贷款的抵押品、合约条件等与债券不同，因而使用债券信用转移矩阵可能会导致某种内在的估值偏差。
(4) 宏观模拟方法。代表性的模型是麦肯锡公司的Credit Portfolio View，模型纳入经济周期的影响，把宏观因素对违约概率和评级转移概率的影响纳入模型，克服了一些模型把不同时期转移概率假定为固定的所带来的问题。
（5）基于保险思想的模型。信用风险度量和管理的新工具中也引入保险领域的思想和方法。引自寿险的代表模型是奥特曼开发的贷款和债券的死亡率表，模型的指导思想与确定寿险保险费政策时的精算思想一致。引自财产保险的代表模型是瑞士信贷银行金融产品部开发的信用风险附加法（CreditRisk+）模型, 它与出售家庭火险时为评估损失和确定保险费率而使用的模型一致。后者的主要优势是只需要相当少的数据输入，劣势在于不涉及信用等级的变化，而且假设违约与资本结构无关。
（6）基于神经网络的模型。有学者提出以非线性方法（例如类神经网络或模糊理论）作为信用风险分析的工具。在神经网络概念下，允许各因素之间存在复杂的关系，以解决传统计分方法的线性问题。而非线性方法面对的最大问题是：需要考虑多少个隐蔽关系？考虑太多的隐蔽关系有时会给模型产生过分拟合的问题。并且，使用神经网络来决策的一个缺陷是解释能力缺乏。当它们能产生高的预测精度时，获取结论的推理却还不存在。故需要一套明确的和可理解的规则，有人评价对比了几种神经网络的规则提取（neural network rule extraction）技术，并用决策表（decision table）来代表提取规则。他们得出结论，神经网络的规则提取和决策表是有效的和有力的管理工具，可以为信用风险评估构建先进的和友好的决策支持系统。
以上简要评述了信用风险度量的六类模型，实际上还有很多模型和方法，如返回测试和压力测试的方法，根据风险调整的收益对资本的比率方法，M.H.DIS （Multi-group Hierarchical DIScrimination），等。随着信用风险模型的涌现，出现了评价模型对信用损失预测的精确性的问题，有的论文提出了基于横截面模拟的评价信用风险模型的方法。
结合前述的各种类别的信用风险创新模型，可以发现信用风险度量的创新模型有以下共同特点：
（1）信用风险分析结果定量化。如KMV模型是预测违约率，在险价值方法是计算预期损失，德国中央银行的改进Z模型是将客户精确分级，并知道模型的统计错误的大小。
（2）及时动态地反映借款人情况的变化，即模型能随着时间的改变和借款人状况的改变而及时预测出风险的变化。
（3）模型背后都有积累的大量专业数据库。如KMV的违约距离与违约率关系的经验数据库，德国中央银行有企业样本数据库，以便计算公式的系数，以及判断模型的错误大小。
（4）模型的建立与应用，运用了先进的计算机、统计、人工智能和知识工程等技术和方法，因而模型的自动化程度和效率大大提高。
信用分析模型介绍
信用分析模型可以分两类，预测模型和管理模型。预测模型用于预测客户前景，衡量客户破产的可能性。Z计分模型和巴萨利模型属于此类，两者都以预测客户破产的可能性为目标，不同之处在于所考察的比率和公式略有不同。管理模型不具有预测性，它偏重于均衡地解释客户信息，从而衡量客户实力。营运资产分析模型和特征分析模型属于此类。营运资产分析模型旨在通过资产负债表衡量客户的实力与规模，特征分析模型则偏重于利用各类财务、非财务信息评价客户风险大小。管理模型不象预测模型那样目标专一，同时具有很大的灵活性，通过适当的调整可以用于各种场合。
一、 Z计分模型 Z计分模型通过关键的财务比率来预测公司破产的可能性。比较典型的为理查得·托夫勒（Richard Taffler）Z计分模型。1977年理查得·托夫勒对46家性质相同、规模大小一样的破产公司和有偿债能力的公司进行了对比，并依据其调查结果和利用多样差别分析法的基础上得出如下一些比率：
（税前利润/平均流 公式（1）衡量公司业绩；公式（2）和(3)衡量公司的债股比率；公式(4)衡量公司在无收入状态下可维持业务的时间长短。Z计分值便是公式(1)-(4)比率的总和。如计分值为负值，则表示公司不景气。
经实践证明，这四种比率配上适当的权数，预测公司破产率的准确性高达97%以上。其中还发现一个重要规律，即公司破产一般发生在该公司第一次Z计分出现负值后的第三年里。可见，Z计分模型是帮助企业确定客户破产风险的有力工具。 在实际应用中，Z计分模型存在以下三个缺陷：
1 权数难于确定
2 模型所依赖的数据难于获得
3 以46家公司为样本缺乏说服力
Z计分模型开创了分析信用风险的新思路。它虽不能准确预测出公司破产的具体时间，但它指出了破产的可能性，并能通过逐年比较反映出这种可能性扩大或缩小的趋势。它适用于大的集团公司。
二、 巴萨利模型
由亚历山大·巴萨利（Alexander Bathory）发明。其比率如下：
(税前利润+折旧+递延税)/流动负债（银行借款、应付税金、租赁费用）
(1)税前利润/营运资本 (2) 股东利益/流动负债 (3) 有形资产净值/负债总额 (4) 营动资本/总资产 (5) (1)-(5)总和便是该模型的最终指数。低指数或负数均表明公司前景不妙。(1)衡量公司业绩；(2)衡量营运资本回报率；(3)衡量股东权益对流动负债的保障程度；(4)衡量扣除无形资产后的净资产对债务的保障程度；(5)衡量流动性。
巴萨利模型是Z计分法更普遍的应用。据调查，巴萨利模型的准确率可达到95%。巴萨利模型的最大优点在于易计于计算，同时，它还能衡量公司实力大小，广泛适用于各种行业。
三、 营运资产分析模型
该模型的计算分两个步骤：营运资产计算和资产负债表比率计算。
1 营运资产计算 营运资产=（营运资本+净资产）/2 营运资产是衡量公司资模大小的尺度，可以作为确定信用额度的基础标准。
2 资产负债表比率计算 营运资产模型考虑如下比率： 流动资产/流动负债 (1) （流动资产-存货）/流动负债 (2) 流动负债/净资产 (3) 负债总额/净资产 (4)
评估值=(1)+(2)+(3)+(4)
(1) 和(2)衡量公司的资产流动性；(3)和(4)衡量公司的资本结构。可以看到，评估值综合考虑了资产流
动性和负债水平两个最能反映公司偿债能力的因素。评估值越大，表示公司的财务状况越好，风险越小。
营运资产分析模型最大的贡献在于它提供了一个计算赊销额度的思路：对不同风险下的评估值，给予一个比例，按照比例和营运厂确定赊销额度。
表1表示不同评估值下对应的营运资产的不同比例。
表1营运资产百分比等级
评估值
风险程度
营运资产比例（%）
≤-4.6
高
0
-4.59- -3.9
高
2.5
-3.89- -3.2
高
5.0
-3.19- -2.5
高
7.5
-2.49- -1.8
高
10.0
-1.79- -1.1
有限
12.5
-1.09- -0.4
有限
15.0
-0.39- -0.3
有限
17.5
0.31 - 1.0
有限
20.0
>1.0
低
25.0
金融工程, 数学算法, 模型, 信用
风险提示及免责条款
市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！
