商业银行信用风险管理国内外研究述评

商业银行信用风险管理国内外研究述评

作者：闫丹丹

来源：《绿色科技》2014年第08期

摘要：指出了金融市场和产品的日益复杂，商业银行竞争环境的日益加剧，使得对信用风险管理水平的要求也越来越高。信用风险作为一直以来难以量化的主要风险，是商业银行信用管理的关键环节。对国内外信用风险管理水平的研究成果进行了梳理，探讨了国内信用风险管理的研究现状。

关键词：信用风险；评估方法；研究述评 中图分类号：F8301

文献标识码：A文章编号：16749944（2014）08031303 [FL（2K2] 1引言

近年来，金融市场的快速发展使得商业银行面临的信用风险评估复杂性日益显著，然而，国内商业银行的信用风险管理水平与国际水平仍存在很大差距。由于信用风险的非系统性及违约数据难以获取等特点，导致目前国内对信用风险的研究只停留在传统的、静态的财务比率分析上，并没有系统有效的信用风险评估模型来量化信用风险。因此，信用风险管理模型的研究已成为学术界关注的重点，也是现在及未来最具挑战的研究问题之一。 2国外研究综述

关于商业银行信用风险评估的研究，国外起步比较早且相对于国内的研究来说较为成熟，理论体系比较系统且全面。 21传统信用风险评估方法 211专家分析法

20世纪60年代以前，信用风险评估方法主要是基于财务报表上的静态数据，运用定性分析法对信贷风险进行主观的评价，例如专家分析法。专家分析法包括C要素分析法、P要素法和W法，该理论以专家的经验为评估标准，需要大量专业的风险管理人员和专家，使得银行负担很大的经营成本，后来有学者提出了改进的新专家分析法，但定性分析法由于其主观性过强、量化程度低、没有严格的标准等局限性，难以实施开来。

龙源期刊网 http://www.qikan.com.cn

212多元线性判别模型（Multiple Discriminate Analysis， MDA）

在20世纪60年代后期，基于多元统计分析理论以及人工智能方法的信贷风险度量模型逐渐发展起来。Edward Altman（1968）提出了著名的Z-score模型，其运用多元判别分析法建立了个财务指标的判别函数，实证结果得此模型能够提前2年预测到企业的破产状况，其准确率能达到9%以上。Altman（1977）以韩国破产公司为研究对象，对原始的Z-Score模型进行修正，构建了含有7个财务变量的ZEA信贷风险度量模型，发现其准确性和稳健性相比Z计分模型都有了较大提高。 213Logit回归法

Logit模型是非线性统计方法，通过一些指标变量实现对违约客户和履约客户的二分类，其并不要求样本数据满足正态分布，但假定违约概率服从Logistic累计概率分布函数。James Ohlson（1992）运用Logistic分析构建了信用风险预测模型，结果发现模型的预测能力取决于财务报表的真实性和及时性，并且此模型是在大样本数据的前提下运行的，其对企业的违约预测精确度要比MDA高且具有较强的稳定性[1]。 214决策树算法

决策树（Decision rees）是由一系列自上而下的分叉树形图构成，核心是递归分割算法。决策树算法存在着解释能力差、稳定性不高、易过度拟合等局限性。Marais（1984）首先将该算法应用于银行的信贷分类中，其基本思想是通过构建一棵决策树，选择几个主要变量把客户按一定的标准进行分类，进而不断细分，最后按照票数来判断客户所属的类别[2]。 21其它方法

Chen Liang hsuan（1990）提出财务变量指标存在非线性分布且具有多重共线性等问题，他引入了模糊信用评级法来处理美国商业银行信用评级中出现的问题，利用模糊积分将与企业信用风险有关的变量因子融合起来，最终根据结论将信用风险划分为个等级。Lundy（1993）将聚类分析法应用到消费贷款申请人的信用风险识别中，结果发现这种方法可以有效对贷款客户进行分类。ang和Kiang （1992）运用K-最近邻判别法进行了类似的实证研究，但效果并不如线性判别分析理想。

22人工智能方法和新兴的学习机器 221专家系统

龙源期刊网 http://www.qikan.com.cn

专家系统是一种人工智能方法，它是把专家解决问题的推导过程抽象为数学工具。Messier和ansen（1988）从知识获取角度研究了专家系统在信用风险评估领域的适用性，并得出专家系统的预测精度要优于判别分析的结论。 222人工神经网络

神经网络模拟人类大脑的思维过程，对已知的信息进行分析处理进而预测未知事项，其结构类似于人脑的神经元，在一个输入层和一个输出层之间有若干隐含层。Ernest和arish（1999）以某商业银行的贷款数据为研究对象，采用了多元判别分析法和人工神经网络对贷款的违约情况进行比较研究，结果表明神经网络方法预测的准确度更高[3]。uang和snchun（2004）将美国和台湾银行信贷数据作为样本进行了信用评级的实证研究，结果发现神经网络对信用评级预测准确度达到80%。

223支持向量机（Support Vector Machine，SVM）

支持向量机是最近几年新发展起来的一种学习机器，它对样本数据的分布并没有严格的要求，尤其适用于小样本数据的分类研究。原理上基于结构风险最小化的原则保证了支持向量机的稳定性与可解释性。这种基于统计学理论的方法具有很强的学习能力，并能够很好地解决小样本、非线性以及高维数据问题，其运算速度、预测精度和泛化能力都要高于传统的分类算法。有国外学者将支持向量机应用于信用风险评估领域，并与神经网络和Logit回归作对比，取得了较理想的效果。 23现代信用风险度量技术

自从20世纪90年代以来，金融市场迅速发展，信用风险的度量也成为了银行业的研究重点。现代信用风险度量技术主要基于资本市场理论，运用金融领域和数学领域的最新技术知识，对信用风险实行动态的度量。 231Credit Monitor模型（KMV模型）

国外的商业银行及信用评估公司研发出了一系列的基于期权定价模型、资产组合理论等定量信用风险度量模型。其中包括由KMV（199）公司开发的以Metron的期权定价理论为基础的信用监测模型，原理是假设企业股票市场价格及其波动可以全面反映出企业状况，以上市公司的财务报表信息为依据计算企业股权价值及其违约点，进而将两者求差得出违约距离，从而计算预期违约概率（EDF）的模型[4]。 232CreditMetrics 模型

JP摩根（1997）银行提出的基于VAR风险度量技术的信用矩阵模型CreditMetrics Model，其目的就是通过信用迁移矩阵建立资产组合的价值分布，进而得到资产组合的在险价

龙源期刊网 http://www.qikan.com.cn

值，以评价信贷组合面临信用风险时损失的资本金额。此方法面临的问题是信用质量迁移和信用工具价值变化的关系难以衡量，各个资产之间的相关性也难以测度。