商业银行信用风险评估模型比较研究

第9卷　第2期

2007年3月

哈尔滨工业大学学报(社会科学版)

JOU RNAL O F H IT (SO C I AL SC IEN C ES ED IT I ON )

Vol .9No .2Mar .,2007

收稿日期:2006-10-16

基金项目:黑龙江省博士后基金资助

作者简介:闫晓莉(1973-),黑龙江哈尔滨人,博士后,从事金融工程研究;徐建中(1959-),黑龙江哈尔滨人,教授,博士生导师,

从事金融工程研究。

商业银行信用风险评估模型比较研究

闫晓莉,徐建中

(哈尔滨工程大学经济管理学院,哈尔滨150001)

摘　要: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,信用风险的量化和模型化是现今信用风险研究的主要趋势,随着对信用风险评估模型领域的探索研究不断地深入,建立适合我国国情的商业银行信用风险评估模型刻不容缓。通过对西方商业银行信用风险评估模型的比较研究,指出其特征和优缺点,以期为我国商业银行信用风险评估模型的建立提供借鉴和参考。 关键词:商业银行;信用风险;评估模型

中图分类号:F830.33 文献标志码:A 文章编号:100921971(2007)02-0119-04

一、信用风险评估模型

1.判别分析

信用风险评估中,判别分析(D iscri m inate A 2

nalysis,DA )方法根据已知的违约、非违约(或多个等级)的企业进行分类,构成若干个母体,从多个母体的特征中找出一个或多个判别函数(或准则),用于判别任一个已观察的向量应判属哪一母体;检验两个或多个母体,在所测量的指标变量上是否有显著差异,如有则需指出为哪些指标。DA 包括线性判别分析(L inear DA )和二次判别分析(Quadratic DA )。

在DA 方法中Fisher LDA 广为应用,该方法通过最大化组变量/组内变量建立判别式函数。该方法产生的线性函数,将一系列独立变量与信用评分D (X )结合起来,以一个超平面,将变量空间分为与样本组相对应的两部分。该函数在满足以下三个条件时,期望错分成本最小化:样本为多元正态分布;样本等协方差;平均向量、协方差

[1～3]

。

2.Logistic 回归

Logistic 回归是一种非线性分类的统计方法,适用于分析因变量为定性指标的问题,如因变量

为“是”(则为1)或“非”

(则为0)。方法表述如下: P =

11+e

y y =c o +

∑n

i =1

c i

x

i

其中,x i 是信用风险评定中的影响变量,通常

有资产净值/总资产、净收入/总资产、净营运收入/营运收入、流动收入/总资产等;c i 是技术系数,可以通过回归或极大似然估计获得;y 是贷款申请人的财务状况及打分值;P 为违约概率,且P ∈[0,1]。

Logistic 回归不要求LDA 的假设,但在满足LDA 的假设时,二者等效或优于LDA;Logit 函数可以对每个变量进行显著性检验,特别是计算相对风险(这里是指当信用变量发生变化后,信用风险与原状态下信用风险比值),这是Logistic 回归的主要优点。而其不足之处在于:模型本身的不合理性,即相对风险估计中整体相对风险为每个变量相对风险的乘积,这与一般希望的“可加模型”相矛盾;对线性可分的样本不可能采用极大似然估计法估计参数;样本的数量不宜少于

200,否则需要考虑参数估计的有偏性[4～5]

。 3.非参数方法(Non -para metric Method ) 聚类分析(Cluster Analysis )属于非参数统计方法。信用风险分析中,它根据由借款人的指标所计算出的样本空间的距离作为分类标准。这种方法的主要优点是不要求具体分布,可对变量采用名义尺度、次序尺度,因此该方法可用于定量研

究,也可对现实中的无法用数值精确表述的属性进行分析。该方法很适用于信用风险分析中按照定量指标(盈利比、速动比)和定性指标(管理水平、信用等级)对并不服从一定分布特性的数据信息进行分类。

K近邻判别(K Nearest Neighbor,K NN)是另一种非参数方法,它在一定距离下,按照若干变量从样本中选取与确定向量距离最短的k个样本为一组,适用于初始分布和数据采集范围限制较少的情况,减小了以函数形式表达内容的要求。另外,K NN通过将变量在样本整体范围内分为任意多决策区间,而近似样本分布。

商业银行信用风险评估统计方法除以上讨论的三种以外,还有许多模型,如聚类分析、主成分分析、邻近法、分类树等。这些方法只适用于成熟行业的大中型企业,原因是这类企业具有较强的稳定性和规范性,其发展有一定的规律可循。然而这类方法是静态的,需要根据地区、行业经济情况的变化,不断地调整参数、甚至变量。而对于那些规模较小且处于变动较大的行业中的企业,这些方法就显得无能为力了。

4.专家系统

专家系统是一种使用知识和推理的智能计算机程序,其目的是将专家解决问题的推理过程再现而成为专家的决策工具或为非专业决策者提供专业性建议。它的功能表现在解释功能、灵活性、学习功能三方面。

在开发专家系统的过程中,知识的获取始终是—个瓶颈,而推理方式的研究决定着专家系统的智能化水平,这两个方面的进展都极大地影响着专家系统在信用分析领域的应用前景[6～7]。

5.遗传算法

遗传算法(Genetic A lgorithm,G A)是一种新型、高效的优化技术,它采用进化方式通过遗传算子对群体的网络集合进行不断改进,并且能够把优良结构保持到下一代,通过结合产生新的优良结构。G A的核心是对问题可能解(个体)表达方式的设计,即树形结构生成方式的选择,是对用于评价个体优劣程度的适值函数的设计。

G A应用于商业银行信用风险评估问题的基本思路是:根据已知的样本与相对应的信用状态(违约与否),运用GP发现借款人信用状态与其某些特征属性(如某些财务比率指标)之间的关系,通过对借款人金融指标的具体观察值,对借款人的违约可能性进行预测。从技术角度看,该方法力求发现能够最佳拟和样本数据的函数关系形式,以及确定函数关系式中相应的系数。函数关系中的因变量为借款人违约的可能性,自变量为影响借款人信用状况的某些属性特征。该方法的特点是未预选确定最终结果的函数关系形式,而直接通过样本数据来寻找合理的函数关系,同时确定关系式中相应的系数。

6.投影寻踪分析法

最近有人提出了将投影寻踪与判别相结合建立了投影寻踪判别法。投影寻踪法是用来处理高维观察数据,尤其是处理来自非正态总体的高维数据的一种新兴的统计方法。该方法的基本思想是把高维数据投影到低维子空间上,寻找出能反映原高维数据的结构或特征的投影,以达到研究分析高维数据的目的。

国内学者将投影寻踪分析法用于我国的商业银行信用风险评估,研究表明对于非正态、高维数据,投影寻踪分析法比传统的统计方法更有效。

7.神经网络

神经网络(Neural Net w orks,NN)是一种具有模式识别能力、自组织、自适应、自学习特点的计算机制,它的知识编码用于整个权值网络,呈分布式存储且具有一定容错能力。神经网络对数据的分布要求不严,也不必要详细表述自变量与因变量之间的函数关系。NN的这些特性使之成为信用风险分析方法的一个热点。NN在信用风险分析的作用是通过NN的分类功能进行的,即首先找出影响分类的一组因素,作为NN的输入,然后通过有导师或无导师的训练形成NN信用风险分析模型。对于新的样本输入(即一组影响因素值),该模型可产生信用风险的判别。

目前NN应用于信用风险分析的研究仍处于探索阶段,客观上信用分析样本的采集范围不同、规模不同,所用分析指标由于各国会计体系的差异而不同,加之,各NN构件均有所差别,所用参照方法的精确程度都有可能影响结果。

8.信用计量模型(CreditMetrics)

美国J.P.摩根财团继1994年推出著名的以Var为基础的市场风险计量模型后,连同其他几家国际大银行(德意志摩根建富、美国银行、瑞士银行、瑞士联合银行和BZ W等),于1997年4月初又推出了信用风险管理模型。

信用计量和信用受险价值都是以信用评级迁移为基础的,信用风险管理模型计算贷款组合价值的远期分布,根据已知历史数据估计转移概率,

・

2

1

・哈尔滨工业大学学报(社会科学版) 第9卷