我国银行业普遍存在着的大量不良资产,一直以来受到国内外的广泛关注,因为它涉及到我国整个金融体系的安全。为尽可能提高不良资产的回收率,加快资产处置的进度,减少不良资产造成的损失,我国政府在1999年先后批准设立了信达、东方、长城和华融四家金融资产管理公司,专门清收、管理和处置四大国有商业银行的不良资产。这些不良资产按转让方式的不同,可以分为政策性划拨和商业性收购两大类。政策性划拨类的不良资产处置清收与我国银行业计划经济体制下的资产管理密切相关,代表一种处置方式的结束。而商业性收购是我国商业银行现阶段处置不良资产的主要形式,因而资产管理公司对商业性收购不良资产的处置更接近商业银行自身风险管理的目标。正是基于这种背景,本文的研究重点将是对某资产管理公司的不良资产回收率的特征进行分析并尝试建立回收率的预测模型。本文首先从回收率的定义入手,准确的回收率定义是研究回收率特征的基础和前提。然后在前人相关研究的基础上,对不良资产回收率的国内外研究及业界实践进行了归纳和总结。依托于国内最大的违约回收率数据库LossMetricsTM,结合中国的实际情况,本文从不同层面对不良资产回收率进行了刻画和描述。这里不仅包括不良资产的资质特征,如担保方式,五级分类等,还涉及到债务人自身的信息,如行业,地区,经营状况等等,并且还对比分析了商业性收购不良资产与政策性划拨不良资产回收率分布及影响因素的异同。特别地,本文选取了行业这一因素进行了单独建模分析,通过引入广义Beta回归的方法,给出了商业性收购不良资产不同行业的回收率因经营状况、地区、担保方式、处置方式等因素的不同而形成的条件概率分布,从而对不良资产回收率的行业差异进行了详细刻画,并据此得到了不良资产回收率的影响因素对不同行业的影响程度的差别,以及如何针对性进行处置回收的建议。实证结果还显示,广义Beta回归模型对不同行业的不良资产回收率分布的拟合效果要优于传统的Beta方法。最后,本文选用传统线性模型和Beta-正态变换模型,试图构建商业性收购不良资产回收率(1-违约损失率)的量化估计和预测框架。为检验模型的可靠性,作者从模型的共线性、准确性、模型对于好坏客户的区分能力以及模型的稳定性多维度进行了验证。实证结果表明,以上两类模型都具有较好的预测能力和稳健性,并且对商业性收购样本的预测结果要优于全样本中商业性收购的样本。