预期信用损失的实践与计量方法.docx

预期信用损失的实践与计量方法.docx

《预期信用损失的实践与计量方法.docx》由会员分享，可在线阅读，更多相关《预期信用损失的实践与计量方法.docx（4页珍藏版）》请在冰豆网上搜索。

预期信用损失的实践与计量方法

预期信用损失的实践与计量方法

前言

2014年7月，《国际财务报告准则第9号：

金融工具》（IFRS9）正式发布。

2017年3月，财务部修订发布了相应的企业会计准则《企业会计准则第22号——金融工具确认和计量》（“CAS22”“新准则”），并要求境内外同时上市或境外上市的企业于2018年1月1日起实施新准则，境内上市企业和非上市企业分别于2019年1月1日和2021年1月1日起实施新准则。

新准则要求企业在新的框架下计量信用风险的减值时需前瞻性地关注将来潜在风险，采用预期信用损失法计提减值预备。

新准则的实施有效缓解了已发生损失模型在金融危机中暴露的损失确认“太少太迟”问题，但由于理论的复杂性、专业性，它的出现也为财务管理人员提出了更高的要求。

本文将系统性地讲解预期信用损失模型为企业带来的挑战与影响，深度剖析预期信用损失模型的原理与规律，并结合当前的经济形势与详细实施案例，阐述预期信用损失模型在实际应用中的场景、方法与价值。

新旧准则的主要对比

旧准则采用“已发生损失法”，认为只有存在减值损失的客观证据时，该单项金融资产或金融资产组合才开头出现减值及计提减值损失。

新准则引入了“预期信用损失”的概念，要求企业在每个资产负债表日评估相关金融工具的预期信用风险，确认风险自初始确认后是否显著增加，通过考虑多场景下企业自身及宏观经济的发展趋势，前瞻性的估计将来风险，并根据不同情形分别计量其损失预备、确认预期信用损失及其变动。

在新准则的预期信用损失框架下，机构的历史风险表现以及对于将来经济环境和风险的推断，都会被纳入模型作为综合考量要素。

通过信用风险损失的提前确认，新准则有效缓解了已发生损失模型在金融危机中暴露的损失确认“太少太迟”问题，使得预期信用损失的确认更为平缓，更加符合资产质量的实际变化状况。

新旧准则对减值损失计提对比如下图所示：

新准则的实施对企业带来的挑战

与旧准则下的已发生损失模型相比，预期信用损失模型会导致金融资产减值计提的时间长度增加、计提的时间提前及计提范围增加。

同时，由于预期信用损失模型本身具有较高的复杂性与专业性，它的出现与应用将在多方面为企业带来挑战：

（一）预期信用损失的测算涉及大量专业推断，对会计信息质量影响重大

新准则规定，金融资产预期信用损失的评估需要对宏观经济状况、市场利率风险、银行监管政策以及标的资产自身在不同状况下的违约概率、违约损失率等进行前瞻性预估，因此需要大量的专业推断，以保证会计信息的牢靠性。

（二）新旧准则转换为企业信息披露、绩效考核等连续性提出挑战

旧准则下，减值损失不需要作为单独项目在利润表上列报;新准则下，减值计提由传统的已发生损失转变为预期损失，且需作为单独项目在利润表上列报。

新旧准则的转换导致企业财务报表相关科目可能发生较大的波动，进而对企业信息披露、监管合规、投资者关系维护以及内部绩效考核等的连续性均造成较大挑战。

我们建议管理层对现有业务目标设置、财务管理制度及业绩考核指标进行前瞻性预判与调整，以提前做好战略规划，满意监管需求。

（三）疫情对预期信用损失计量带来的影响

2020年1月以来，突发的COVID-19疫情为许多行业带来了严峻的挑战。

受疫情影响，许多债务人违约风险大幅度升高，抵押借款的资产价值也面临下跌，从而导致信用损失率普遍上升。

预期信用损失模型需要依据信用风险对资产损失的阶段进行判定，疫情爆发往往导致客户信用风险状况恶化，间接影响金融机构的资产结构和资产质量，从而导致相关资产在资产损失阶段中的分布比重发生变化;疫情对宏观经济的影响也会反映在宏观经济预估这一重要前瞻性风险参数中;同时，因为新准则要求设置多情景减值计量，疫情影响下悲观情景占比往往会增加，进而影响到金融资产减值的计量结果。

新准则下预期信用损失的计量方法

（一）模型综述

新准则下的预期信用损失（ExpectedCreditLoss，下称“ECL”）模型以历史数据及宏观经济因子为基础，其公式为：

其中，ECL代表预期信用损失，是企业对某个信用事件中会遭受的损失的估计;PD为违约概率，LGD为违约损失率，EAD为满意IFRS9准则要求的违约风险敞口。

（二）阶段划分

依据自初始确认后信用质量的变化状况，预期信用损失模型引入三阶段损失模型，将项目分入三个阶段，动态评估资产的信用风险变化状况。

对于处于不同阶段内的项目，需要考虑的风险敞口期限及利息收入计算方式有所不同，详见以下图表：

（三）违约概率

违约概率（ProbabilityofDefault，下略称“PD”）是指将来某个特定时期内（将来十二个月或整个存续期间），债务人不能根据合同要求偿还本息或履行相关义务的可能性。

依据测算主体历史数据的累计与质量状况，ECL模型可选择内评转移矩阵法或监管公式法两种方式进行PD的测算：

方法一：

内评转移矩阵法，适用于有充分历史数据的业务。

该方法通过构建内部评级转移矩阵进行由当前PD到累积PD的计算，再使用累积PD，计算出边际PD。

方法二：

监管公式法，适用于没有充分历史数据的业务，该方法依据巴塞尔委员会提出的调整的监管公式法（ModifiedSupervisoryFormulaApproach，MSFA），通过当前一年期违约概率估计多年期的累积PD。

再使用累积PD，计算出边际PD。

（四）前瞻性调整

依据新准则要求，预期信用损失模型在计算违约概率时应采用当前时点违约概率（PIT-PD）。

PIT-PD在其信用风险评估中，引入了将来宏观经济指标参数（如：

国民生产总值、将来物价预期指数、房地产景气指数等），因而能更精确地反映宏观经济周期的影响。

同时，PIT-PD模型更加关注资产所处的周期，克服了风险管理的滞后性，满意会计准则对真实风险考量的要求。

详细说来，PIT-PD前瞻性调整包括Merton模型和Wilson模型两种主要方法。

（1）Merton模型

Merton模型认为，企业信用风险主要取决于企业资产市场价值、波动率以及负债账面价值;当企业资产将来市场价值低于企业所需清偿的负债价值时，企业将会违约;企业资产将来市场价值的期望值到违约点之间的距离就是违约距离，它以市场价值的标准差的倍数表示，距离越远，公司发生违约的可能性越小，反之，公司发生违约的可能性越大。

Merton模型的核心是计算调整参数是𝒁𝒇𝒐𝒓𝒘𝒂𝒓𝒅因子值。

实践中，可以由历史实际违约率等因子通过累积正态分布反函数计算出Z值历史时间序列，再与总体经济变量建立风险链接模型，预估得到T+1期𝒁𝒇𝒐𝒓𝒘𝒂𝒓𝒅

各因子含义如下：

N为正态分布函数，N-1为正态分布反函数

PD未调整：

调整前的年度边际PD

PDforward：

调整后的年度边际PD

Zforward：

基于将来宏观经济预估的前瞻性调整Z因子

R：

为单个债务人或资产组合的资产价值系统性风险因子与产品特有风险因子的相关性，对于贷款业务客户，使用监管规定的计算信用风险暴露的相关性R：

最终，将PDTTC转换为PDPIT：

（2）Wilson模型

Wilson模型认为，企业的违约会受到如GDP增长率、消费支出、行业景气指数等宏观因素的关联影响;当宏观经济景气指数下降、生产价格指数上升、宏观调控趋紧时，企业发生违约的可能性上升;反之则下降。

（五）违约损失率

违约损失率（LossGivenDefault，下略称“LGD”）指在发生违约的状况下，债务人将给测算主体造成的预期损失金额占违约风险敞口的比例，即损失的严重程度。

对于已经实施Basel体系（巴塞尔文件体系，指巴塞尔银行监管委员会自1975年以来所制定和发布的一系列原则、协议、标准及建议的统称。

）下LGD高级法的测算主体，可采用高级法LGD模型，基于历史实际回收数据，考虑不同类型的质押品、抵押品，借款主体的偿还能力、保证人的增信水公平因素，从而推算预期违约损失率。

对于未实施Basel体系下LGD高级法的测算主体，可使用同业经验法或监管指标法进行LGD的计算。

其中，同业经验法的测算思路为参考同业经验对不同产品类型下的分池LGD平均数，再结合本公司产品风险损失特征，在经验值基础上进行调整，得到不同产品类型下违约损失率水平。

监管指标法的测算思路为：

首先建立公司须计提减值资产的抵质押品类型与监管的抵质押品相映射，进而通过映射关系，获取监管方案所规定的各类担保方式和抵质押品类型对应的LGD值。

（六）风险敞口

风险敞口（ExposureatDefault，下略称“EAD”）是依据每笔项目的还款方式、还款频率、剩余还款期数、剩余本金等合同信息，估算出将来还款现金流。

EAD（t）计算的基础是对将来风险敞口的估计。

对于划分至不同减值阶段的债项，须考虑的风险敞口不同：

第一阶段：

报告日后12个月内可能发生的违约事件而导致的预期信用损失;

第二阶段：

因金融工具整个估计存续期内全部可能发生的违约事件而导致的预期信用损失;

第三阶段：

存在客观减值的证据，因金融工具整个估计存续期内全部可能发生的违约事件而导致的预期信用损失。

管理层推断与调整

（一）宏观经济场景推断

新准则要求考虑多种可能的经济状况和对应的信用损失呈现非线性关系时的状况来确保无偏性。

因此，在计算ECL时，需要将几种宏观经济情景前瞻性调整的结果分别计算，并依据各宏观情景的可能性进行概率加权，得到最终的减值计提结果。

（二）管理层调整

完成不同情景的ECL计提后，管理层可依据实际状况对ECL测算结果进行适当调整。

减值模型应支持管理层在多情景下进行参数配置、批量计算、敏感性分析等测算功能。

其中，管理层参数配置功能应支持用户在不同情景下，选择相关参数，得到不同参数下的估值结果，用于后续财务目的分析。

批量计算及敏感性分析功能应满意多笔金融资产同时跑批，且调整每个参数对预期信用损失减值计提产生的影响进行量化。

此外，管理层调整还应支持用户针对部分高风险债项进行ECL的定性增提。

（三）管理层分析

在实践中，管理层能通过ECL模型前瞻性的进行战略管理和分析等相关工作，从多维度进行披露，如：

客户信用质量、机构、行业、逾期天数、违约概率区间及抵质押品等。

对减值计算过程中涉及到的风险敞口、减值损失等参数进行归因分析与敏感性分析，厘清不同维度、不同场景下，各个模型参数与因子对减值损失的影响程度，从而全面提高减值管理水平，做好战略层面的规划，帮助企业平稳过渡。

模型详细能实现功能如下：

预期信用损失准则转换下企业的应对之道

面对新准则带来的影响，我们建议企业管理层从以下几方面着手，以更好的把控企业风险，提升企业的发展空间。

（一）通过合同现金流（SPPI）测试和业务模式测试，加强金融资产分类与推断

金融资产的分类取决于SPPI测试和业务模式测试。

新准则实施后，管理层需要将SPPI测试与业务模式测试前置，透过合同洞察业务本质，通过业务模式推断获利方式，提前揭示财务风险。

与此同时，管理层需要建立健全两类测试的内部掌握流程，对金融资产分业务类别制定审核标准，以保证金融资产分类的精确性。

（二）精细化客户和产品管理

预期信用损失模型需持续性的维护客户信息，管理层需着力细化客户与产品的管理，确保客户财务数据、抵质押品估值数据、回款计划数据、资产质量数据、客户评级数据等的更新与维护。

（三）加强财务风险监测，做好利润波动应对

新准则下以公允价值计量且其变动计入损益（FVTPL）科目中的权益性资产价格变动会直接影响企业的利润，因而对企业的财务核算及信息披露造成较大影响。

因此，企业须加强对所持金融资产公允价值的波动监测，建立并完善财务风险监控体系，敏捷运用各类金融衍生工具对风险进行对冲。