商业银行信用风险及评估方法应用述评.ppt

商业银行信用风险及评估方法应用述评.ppt

《商业银行信用风险及评估方法应用述评.ppt》由会员分享，可在线阅读，更多相关《商业银行信用风险及评估方法应用述评.ppt（18页珍藏版）》请在冰豆网上搜索。

商业银行信用风险及评估方法应用述评Contents信用风险信用风险信用风险评估方法信用风险评估方法国内研究进展国内研究进展信用风险及其特征信用风险及其特征信用风险又称违约风险，是指借款人因种种原因，信用风险又称违约风险，是指借款人因种种原因，不愿或无力履行合同条件而构成违约，给商业银不愿或无力履行合同条件而构成违约，给商业银行带来损失的可能性，其风险的大小是通过对方行带来损失的可能性，其风险的大小是通过对方违约时重置现金流来度量的。

违约时重置现金流来度量的。

信用风险的定义信用风险的定义广义广义狭义狭义广义的信用风险：

广义的信用风险：

商业银行贷款的风险商业银行贷款的风险银行投资的信用风险银行投资的信用风险商业银行自身的信用风险商业银行自身的信用风险信用风险又称违约风险，信用风险又称违约风险，指信贷资金安全系数的不指信贷资金安全系数的不确定性。

确定性。

信用风险基本特征信用风险基本特征信用风险具有明显的非系统风险特点。

信用风险具有明显的非系统风险特点。

信用风险收益率为非正态分布。

信用风险收益率为非正态分布。

道德风险在信用风险形成过程中起重要作用。

道德风险在信用风险形成过程中起重要作用。

信用风险的观察数据少，并很难获得。

信用风险的观察数据少，并很难获得。

信用风险评估方法信用风险评估方法信用风险评估是商业银行信用风险管理的首要工作和关键环节，事关银行的生存和社会的稳定。

信用风险很早就被各国政府、监管机构、各金融机构所重视，经过几十年的发展，已逐步形成了一系列的信用风险评估的方法。

从信用风险评估方法产生的过程来看，自20世纪30年代以来，商业银行信用风险的评估方法大致经历了比例分析比例分析、统计分析统计分析和人工智能人工智能三个阶段。

（一）专家分析系统

（一）专家分析系统20多年前，银行主要依靠主观分析和所谓的专家系统来评估贷款的信用风险，也就是利用借款者的各种信息来决定是否给予贷款。

用定性的分析方法来判断借款申请人的还款能力和还款意愿。

“5C”要素分析法要素分析法Character（道德品质）Capital（资本实力）Capacity（还款能力）Collateral（抵押）Condition（经营环境条件）

（一）专家分析系统

（一）专家分析系统这些方法仅仅是名称不同，其内容大同小异，共同之处都是将每一个要素逐一进行评分，使信用量化，从而确定其信用等级以作为商业银行是否贷款、贷款标准的确定和随后贷款的跟踪监测期间的政策调整依据。

“5W”要素分析法要素分析法Who（借款人）Why（借款用途）When（还款期限）What（担保物）How（如何还款）“5P”要素分析法要素分析法Personal（个人因素）Purpose（借款目的）Payment（偿还）Protection（保障）Perspective（前景）

（一）专家分析系统

（一）专家分析系统缺点：

缺点：

需要相当数量的信用分析人员（长期训练、丰富经验）且审查程序过于繁琐主要依赖定性分析，具有相当强的主观性（信贷主管）信用评价缺乏一致性金融机构已经逐渐放弃纯粹定性分析的专家分析方法，而是在此类方法中加入越来越多客观的定量分析。

（二）基于财务数据的信用评分系统

（二）基于财务数据的信用评分系统此类方法是以评价对象的财务比率财务比率为解释变量，运用数理数理统计方法统计方法建立多元模型多元模型，然后根据模型输出的信用分值信用分值或违约率违约率与基准概率基准概率进行比较比较，度量度量评价对象的信用风险风险大小。

目前，这类模型的应用最为有效，成为国际金融业常用的主流方法。

依据模型构建方法的不同，此类方法主要可以分为：

多元判别分析模型线性概率模型Logit模型Probit模型这种评分系统的直接目的是估计公司破产或陷入财务困境的可能性。

多元判别分析模型：

多元判别分析模型：

Beaver财务危机预测模型（单变量判定模型）由于单一财务比率很难全面反映企业的信用状况，并且单变量分析法因财务比率选取的不同，其预测能力也不同，效果相差较大，所以逐渐被多变量分析法即判别分析法所取代。

Altman假设采集的数据样本服从正态分布和数据间的协方差相等，（5变量的Z-score判别模型）Altman（7变量的Zeta模型）,Zeta模型已商业化，广泛用于美国商业银行。

（二）基于财务数据的信用评分系统

（二）基于财务数据的信用评分系统线性概率模型所预测的概率估计值可能落在（0，1）之外，不符合概率理论。

后续学者便在事件发生的概率服从Logistics分布与累积正态概率分布的假设下，构建出Logit模型和Probit模型。

Martin利用Logit模型和判别分析对1975-1976年间的银行进行破产预测，两个模型得出了相似的结果；Ohlson假设判别参数服从对数线性分布，以财务比率作为输入变量，选取了1970-1976年间的105个工业企业，运用Logit回归方法进行风险预测；Lawrence、Smith和Rhoades运用Logit模型对活动住房贷款的违约概率进行预测；Smith和Lawrence用Logit模型得出预测贷款违约最理想的变量；Zmijewski使用公司业绩、杠杆效应以及流动性的财务比率建立模型，并使用Probit分析估计了该模型。

（二）基于财务数据的信用评分系统

（二）基于财务数据的信用评分系统缺点：

缺点：

模型是基于历史的数据，以会计账面价值为基础，而且会计数据是离散而非连续，很难捕捉到借款人信用状况细微和快速的变化；模型对变量所作的独立性假设与现实不符，其实很多变量之间是高度相关的；未将借款人的非财务因素纳入模型，很难全面评价借款人的信用状况。

（三）人工智能方法（三）人工智能方法神经网络方法是一种具有模式识别能力，自组织、自适应、自学习特点的非参数方法。

Dutta和Shekhar首先运用神经网络对债券进行信用评级，其预测准确率为76%至82%之间；Odom和Sharda运用神经网络进行财务困境预测的探索；Coats和Fant采用神经网络分析法分别对美国公司和银行财务危机进行预测，取得了一定的效果；自Moodys公司于2000年公布了以神经网络为主要方法的上市公司信用风险模型以后，神经网络方法得到研究者和实践者的广泛关注。

Tam、West和Malhotra都使用神经网络技术对相关的信用风险问题进行了实证分析，并验证了神经网络方法的有效性。

虽然神经网络方法存在一定缺陷，但经国内外大量学者比较研究发现，神经网络通常优于传统的统计方法。

国内学者的研究国内学者的研究我国学者开展对银行信用风险评估研究的时间较晚，大多是对国外研究成果的引进、介绍，然后运用中国的实例进行实证分析，对所使用的结果加以验证。

u陈静使用1995年-1997年的财务数据，对1998年27家ST公司和非ST公司的进行了单变量分析和判别分析，总体判别正确率为92.6%。

u宋秋萍直接采用Altman的Z-score模型对我国6家公司进行预测分析，结果发现与实际情况相差很大。

u张玲采用120家上市公司的财务数据建立了4个指标的Z-score判别模型，2003年又以深、沪两市164家上市公司为样本对Z-score判别模型进行修改，构造了7个指标的Z-score模型。

国内学者的研究国内学者的研究u王春峰、万海晖和张维将统计方法和神经网络方法相结合，生成一个组合预测模型，并应用于商业银行的信用风险评估。

得出神经网络的误判率为18.18%，而判别法的误判率为25.45%。

u薛惠锋、林波和蔡琳利用遗传规划算法（GA）和粒子群优算法建立混合规划算法构建企业信用风险评估模型。

u张卫东、韩云昊和米阳则是将GA与神经网络方法进行结合，建立基于遗传算法的GABP模糊神经网络的信用风险评估模型。

u焦作文、王福重和郭春媛及李萌和陈柳钦结合主成分分析法和BP神经网络技术构造我国商业银行信用风险模型国内学者的研究国内学者的研究从以上综述可以看出，现代信用风险评估方法的发展呈以下趋势：

n从过去的定性分析转化为定量分析；n从指标化形式向模型化形式转化；n从对单个资产（或贷款）的分析转化为从组合的角度分析；n从传统方法向人工智能方法转化；n从单一方法分析向杂合方法分析过度。