摘 要：2007年至2008年美国次贷危机引发的全球金融危机导致举世闻名的投资银行贝尔斯登（Bear Stearns）破产，雷曼兄弟（Lehman Brothers）破产以及对美林（Merrill Lynch）的收购（Gupta，J.，2014）。许多金融机构饱受这场危机之苦，全球财富大幅贬值。随着财富的贬值，世界经济经历了长期的衰退和萧条，金融风险被推到了顶峰，但其信贷危机的根源是信贷过度扩张所致。因此，防范信用风险的第一步是建立信用风险模型并加以应用。本文将从中小企业和大型企业的角度描述不同的信用风险模型，分析信用风险度量的发展，最后找出银行发展自身信用模型的动力。

关键词：商业银行;信用风险;Logistic模型;KMV模型;信用模型

引言：风险管理就是对各种风险因素进行收集和分析的基础上，能够准确地预测出可能出现的各类风险，然后制定出相应的识别、衡量、有效处理等多种风险处理手段，主要目的就是以最小的成本降低风险后果，在制定一系列系统科学的管理办法后降低损失。银行是主要的风险管理主体，他们可以通过识别、衡量、有效处理等多种风险处理手段来分解和化解遇到的各种风险。选择各种合理的风险管理技术来维持经营，并且实现利益最大化。

在目前的银行风险管理中信用风险管理是主要的分支，是针对违约可能造成的风险进行的管理。银行通过的信用风险的识别和度量进行相应的管控，在尽量降低和避免经济损失的前提下，保证经营管理的安全进行。其首要目的就是能够保证银行能够承担风险带来的损失。银行所面对的风险损失应该是自己所能承受的，银行要在资源配置风险最小化的前提下，完成收益最大化，并且能够在此基础上实现风险水平的降低。

信用风险量化主要是指违约率的测算，这是金融界不可回避的重要的话题之一。西方发达国家一直将信用风险量化模型分为如下两种：传统信用风险模型和现代信用风险模型。

一、传统信用风险模型

传统信用风险模型主要包括古典信用分析方法与财务比率模型。

1.专家系统

古典信用分析方法又称专家系统，意味着信贷的决策权通常由受过长期培训、并具有丰富贷款经验的管理者控制（Altman，EI，&Saunders，A.，1997）。他们使用分析工具来分析信用风险的主观判断。因子分析是常见的专家系统法则，概括为“5W或5P分析”。5W是谁（借款人），为什么（贷款原因），何时（还款时间），什么（抵押），如何（还款方式）。5P是个人因素，目的因素，支付因素，保护因素和预期因素。

但是，专家系统方法是定性分析方法，不能对不同元素进行排序。由于中小企业的管理落后，如抵押品少、规模较小等，因此不适用于中小企业的信用风险评估。评估过程的成本也是相关的相对较大，结果是主观和随机的。从严格的角度来看，此方法不适用于运行严格的管理系统的大型公司。

2.信用评分方式

信用评分模型就是指对借款人信用状况指标进行外部影响和内部影响因素的权重，这些指标在一定程度上，可以通过技术手段完成对借款人的经济状况的精准分析。将违约概率和信用综合评分的值与标准值进行比较，可以确定是否发放贷款和贷款等级。这种方法被广泛使用，主要包括Logit分析方法。用信用评分法构建的模型可以降低人工成本，同时提高决策效率。

Logit模型假设事件的概率遵循Logistic分布（Altman等，2010）。就是通过回归分析索引变量的方式，来预测事件发生的概率。P=虚拟变量。当P值为0时，说明风险事件的发生概率为零，则没有任何风险。当P值为1时，说明事件发生。P值的数值越接近1，风险发生概率越大。银行在进行信用风险评估的过程中，有两种情况是违约或非违约。这是一个二进制因变量，可以使用Logit方法进行定量分析。

与其他方法相比，应用Logit回归模型的局限性较小。它不需要数据服从正态分布，并且方差不必相等。从回归分析得出的默认概率也不需要与影响因素呈线性关系。因此，Logit方法适用于中小企业和大公司的风险评估研究。

3.财务比率评分模型

在定性分析和计算出的财务比率的基础上，银行通过简单的数学计算来分析借款人的财务状况，并根据行业标准比较借款人的财务状况和发展趋势，从而确定客户的信用风险状况。财务比率评分方法包含大量的定性分析内容，并且还包含某些定量指标。具有一定的直觉和示范性，是银行信用风险分析与管理技术的重大进步。

由于财务比率计分方法过于依赖公司发布的财务报表来分析其信用风险，因此该方法不适用于由于会计系统不完整而无法保证财务报表的准确性和严谨性的中小企業。此外，财务比率计分方法的特点是分别分析影响信用风险的各种财务指标。它无法链接财务指标以进行全面分析。因此，不能从整体上评估公司的信用风险。从这个角度来看，这种方法不能满足大型公司的要求，因为大型公司可能拥有复杂的所有权结构和多种资产类型。

二、现代信用风险模型

新的度量模型出现于上个世纪90年代，主要有J.P摩根的CreditMetrics模型、KMV（Kealshofer、McQuown、Vasicek）公司的 KMV模型、瑞士信贷银行的组合信用风险度量的credit  risk+模型。

1.RAROC模型

风险信托调整后的资本回报率（RAROC）是在1970年代提出的，目前已经成为世界上所有国际银行中最主要的风险管理方式。其主要的计算方法就是：调整收益率的前提是，扣除预期损失和你经济资本计量的未计量损失。这种计算方式不但可以将风险损失量化，而且计入当期成本之中，还能够提升当期盈利能力。在进行风险调整之后，银行开始根据收益后的分配进行意外风险损失的缓冲，在衡量银行资本效率的同时对其应当承担的风险进行脱离匹配，其主要目的就是实现股东利益和银行利益的最大化。RAROC已被大型银行广泛接受，并适用于中小型企业和大公司的业务。

2.基于VaR的信用风险模型

在一定程度的公差d、下，VaR是可能损失的最大值。 VaR实际上回答了银行投资组合在下一阶段可能损失多少钱。

（1）信用指标模型（JP Morgan）

Credit Metrics模型是基于JP Morgan Corporation并与其他公司联合使用的VaR模型，于1997年引入，用于使用资产组合理论进行信用风险评估。首先，要想获得信用等级转换概率矩阵，就必须根据贷款公司和个人信用等级变化获取相应的数值。根据市场价值进行估计贷款和贷款组合，最终算出贷款和贷款组合价值的实际分布。最后，最终的结果VaR值，来源于贷款价值和贷款组合的均值和方差。该模型的最终结果不是借款人的违约概率，也不是信用损失，而是更直观的信用风险值。它可以分析投资组合資产的VaR和单个风险的边际风险贡献（Frey，R.&McNeil，A. J.，2002）。

该模型结合了违约贷款回收率和信用评级转移等其他因素，认为贷款风险计量更全面地反映了银行的信用风险。不仅适用于信用风险的预测，对信用资产组合风险进行更好地衡量。最模型所涉及到的贷款回收率和信用等级转换概率，都可以使用银行提供的历史实际数据来完成。中小企业并不具备历史相关数据，同时也没有全面的贷款数据库。因此，该模型在中小企业信用风险评估中的应用还不够成熟。对于具有相对丰富的历史数据和贷款数据库的大公司而言，此方法可能是一个不错的选择。

（2）信用附加（Credit Risk+）模型（瑞士银行）

1997年瑞士银行开发了信用附加模型，这是一款可以有效的根据信用来度量信用风险的模型。对模型的设计主要是根据火灾保险的精准算法完成火灾发生频率和程度过程中，可能会造成的损失大小。在此基础上分析师会根据相关的贷款组合进行损失分布的计算。Kollr，B.和B. Gondrov提出，该模型的最大特点就是，确定了随机变量，即违约概率，假设违约概率服从Poisson分布，在只考虑违约风险的前提下，排除损失市场价值，就可以得到损失的概率、损失的程度以及损失分布的发生的不确定性具有一定的影响。通过将贷款组合分解为具有相同风险敞口的组合，可以通过违约概率和损失大小来计算每个组中的损失分布，并且可以通过将每个组的损失相加来获得最终贷款组合的损失分布。

信用附加模型的最大优点是简单，易用且数据较少。它具有强大的处理能力，不需要考虑风险，信贷质量和未来利率的变化。泊松分布在计算中非常有效，并且可以轻松获得借款人的边际风险。其良好的应用基础是不需要太多的数据输入就可以预测损失。

但是，商业银行没有一定数量的数据储备可用于违约概率和损失率。这一模型的最大特点是无法直接应用于中小企业。技术的进步可以科学地更改模型参数并正确使用它们。对于具有贷款数据库和历史数据的大型公司，可以合理地应用它。

（3）KMV模型（KMV公司）

KMV模型是由美国KMV公司（现由穆迪（Moody's）收购）开发的一种信用监控模型，用于评估贷款业务并在贷款到期时监督银行的违约情况（Valaskova，K，Gavlakova，P&Dengov，2014）。这是一种通过对公司的资产市场和债务价值进行评估，通过这两种价值评估来测定公司是否具备违约方法。首先，利用布莱克-斯科尔斯-默顿期权定价理论完成对股票市场价值的定价，并且通过对影响公司五个因素的市场价值的波动进行估算，最终得到相应的结果，估算涉及到的内容包括：权益的市场价值，公司权益的波动性，公司负债的面额，无风险收益率和债务到期日。计算出来的结果会涉及到公司的债务状况，最后确定公司违约距离和违约执行点。一般来说，在计算的过程中会以公司流动负债±长期负债的50%作为默认执行点。最后，公司的默认距离数据可以直接反映出公司的默认概率和默认数据库。KMV模型中既有金融数据又有市场交易信息，可以更充分地向公众反映（Wu，Y. T.，2016）。

KMV模型的优势非常突出。首先，该模型基于股票数据并反映了公司的实际情况。预测结果可靠，真实且具有前瞻性。其次，其他基于财务报表的模型不会超过更改的违约概率计算和信用评级。最后，该模型基于现代公司财务理论和期权理论，并具有扎实的理论基础。

但是，KMV模型前提之一是需要在股票市场上获取相关数据。因此，这个模型是适用于大型公司（例如上市公司）的信用风险评估。未列出的中小企业可获得的数据有限，并且所披露的信息也不全面。这样，该模型当前不适用于未上市中小企业的信用风险评估。简而言之，所有可用的信用风险管理方法都已集成，并对风险进行了量化。传统风险管理方法的结果用作量化模型的基本数值，从这些量化模型获得的结果更可靠，更直接，更可比。这是信用风险管理的发展趋势。

三、发展中银行自身信用风险模型的动因

1.《巴塞尔协议II》的要求

巴塞尔协议II阐明，银行在获得监管机构的批准后，可以使用其自己的模型来估计违约概率并计算应持有的资本额。 《巴塞尔协议二》的要求促使银行投入更多的人力和物力，以开发出更好的模型来估计违约率（John Hull，2012年）。

2.风险防范要求

一直以来商业银行非常注重业务发展，用不重视潜在的风险，你只是在近几年才注重风险管理，但是相较于其他银行来说，商业银行的风险管理意识并不强。商业银行由于过分强调市场开拓，所以许多规章制度的建设并不健全，更有些管理人员认为要想发展业务就不应当考虑风险管理，他们认为风险管理对于业务的拓展有一定的阻碍作用，并且认为应当将风险管理单独归为风险控制部门。信用风险模型的使用为银行提供了一个框架，用于及时检查该风险，集中有关全球敞口的数据并分析边际风险。模型的这些特性可能有助于提高银行识别、衡量和管理风险的综合能力（Saunders，A.，&Thomas，H.，1997）。因此，建模方法为风险管理，更透明的决策过程和更合理的经济资本分配提供了更灵敏的信息工具。此外，从监管角度看，信用风险模型的开发提高了风险管理的严格性和一致性。

3.自身业务的独特性

信用风险模型允许采用量身定制的灵活方法来进行价格衡量和风险管理。每个银行都有自己特定的借款人和客户，并且业务类型多种多样。没有理由对所有银行都采用相同，共同和一般的信用风险模型。因此，银行有必要调整自己的信用风险模型。模型的设计受业务范围，信用质量，市场变量和经济环境的影响。此外，模型的这些属性可能有助于改善银行的整体信用文化。

4.银行行业监管需求

在银监会成立以后，商业银行的监管环境已经开始逐渐优化。监管管理的专业和规范程度都有了明显的提升。银监会工作大都是从如下几个方面来完成对银行的监管：（1）银监会要求银行能够根据巴塞尔协约要求，加强对自身资金充足率的监管。（2）在全面推进商业银行发展的过程中，要建立健全银行的治理结构。（3）银监会非常重视对商业银行的风险监控。一方面不断可以推行和完善风险监管方法，并且能够推出相应的监控指标;另外，还可以促进商业银行的内部控制机制，建立健全风险管理长效机制。

四、结论

《新巴塞尔协议》为银行的信用风险管理带来了新的要求，银行正在不遗余力地研究自己的信用风险模型，并加强信用风险管理。信用风险模型可以为银行提供及时检查和处理风险的框架，有助于提高银行的风险管理能力。Logit模型对于中小企业可能是更好的选择，而KMV模型则适合于大型企业。根据商业银行现有的违约频率、违约收回比例、信用等级转换概率等构建现代信用风险模型，所需要的数据来自于发达国家长期以来使用的信用资产和评级的历史数据库。我国商业银行信用评价只是近年来才开始建立健全的，这也是能够有效地防范信用风险的前提下建立起来的，我国评级机构和银行根据国外信用风险模型建立起适合我国的信用评级模型。商业银行的信用风险有其自身的特点和规律，由于業务，客户和目标领域的多样性，因而，必须结合自身特点构建切实可行的信用风险模型。

尽管当前的信用风险模型各有优缺点，但银行应利用每种模型的各自特点，并为不同的借款人运行适当的模型。同时，银行还积极优化自己的信用风险模型，以克服现有信用风险模型的不足，满足自身的业务需求。

参考文献：

[1]Basle Committee on Banking Supervision， & Bank for International Settlements. （1999）.Credit risk modelling： Current practices and applications. The Committee.

[2]Hull， J. （2012）.Risk management and financial institutions，+ Web Site（Vol. 733）. John Wiley & Sons.

[3]Altman， E. I.， & Saunders， A. （1997）. Credit risk measurement： Developments over the last 20 years.Journal of banking & finance，21（11-12），1721-1742.

[4]Saunders， A.， & Thomas， H. （1997）.？Financial institutions management. Boston： Irwin.

[5]Valaskova， K， Gavlakova， P？& Dengov， V？2014，？Assessing Credit Risk by Moody′s KMV Model. in2014 2ND INTERNATIONAL CONFERENCE ON ECONOMICS AND SOCIAL SCIENCE （ICESS 2014），PT 1.Information Engineering Research Institute，pp.40-44.

[6]Altman， E. I.， & Sabato， G. （2007）. Modelling credit risk for SMEs： Evidence from the US market.？Abacus，43（3）， 332-357.

[7]Altman， E.I.， Sabato， G.， Wilson， N.， 2010. The value of non-financial information in small and medium-sized enterprise risk management. J. Credit Risk 2，95-127

[8]Frey， R.， & McNeil， A. J. （2002）. VaR and expected shortfall in portfolios of dependent credit risks： conceptual and practical insights.Journal of banking & finance，26（7），1317-1334.

作者简介：韩蔚（1994.11- ），女，汉族，籍贯：河北省秦皇岛市卢龙县，硕士，西南交通大学希望学院，助教，研究方向：会计学、财务管理学