随着2018年各商业银行年报的公布,可以看出,在经济下行的压力下,大型和中小型商业银行的资产质量和增长速度等方面出现明显差异,例如地方性城商行的不良贷款余额体量大,资产质量不佳,存在不小的风险隐忧。中国银行在《2018年三季度经济金融展望报告》中也提到,2018年,全球银行业的风险在上升,中国银行业的信用风险不容忽视。为顺应经济结构的调整,银保监会出台一系列的强监管政策,在商业银行的理财业务发展方面造成了阻碍,与此同时,与银行有资金往来的实体企业在偿付问题上产生不小的压力,这也加剧了信用风险的交叉感染。因此,在经济下行压力的宏观环境下,我们需要着力关注银行业的信用风险,如何积极有效地管理商业银行信用风险是各大银行需要面对的重大课题。为保证银行业健康、有序发展,进一步为实体经济的发展提供良好平台,需要准确度量信用风险,对风险进行及时、准确预测,防范和分散潜在风险。关于信用风险的度量方法研究历史悠久,早期的信用风险度量方式大都是定性的分析,例如专家制度法、信用评级方法和信用评分方法。随着金融理论的发展和研究成果的不断深入,现代风险度量模型更多的是定量分析,其现实性和可行性都优于传统的信用风险度量模型。现代的信用风险度量模型主要分为四种,每种模型都各自具有其优势和劣势,模型的适用性也不尽相同。Credit Risk+模型适用于多笔独立的中小债务处理问题,Credit Metrics模型适用于具有完善的内部和外部信用评级体系以及依托大量的历史数据,从而能够建立信用等级转移矩阵的公司,CPV模型适用于信用风险与国家宏观经济变动紧密相连的公司,需要跨行业的宏观数据和相关资信的历史数据,而KMV模型基于动态的证券市场数据,模型理论支持性强,且具有前瞻性,也不要求市场具有有效性,所以适合度量我国商业银行的信用风险。在进行KMV模型的实证研究部分,选取符合模型条件的13家上市商业银行作为样本银行,实证过程包括样本银行收益波动率的计算,股权市场价值及其波动率的计算,资产价值和波动率的计算以及违约点的计算等内容。通过违约点计算出违约距离并折算出违约概率,与现有的评级公司对样本银行的评级结果对比分析结果的准确性。接下来,运用随机抽样的方法抽样选取28家ST公司与28家非ST公司的股票交易数据和财务数据,运用t检验-平均值的成对二样本分析法确定最佳违约点的取值为a取0.85。在计算出修正的KMV模型中的违约距离之后,运用面板数据分析影响商业银行信用风险的因素。本文选取总资产,资产负债率,贷存比,房地产企业的贷款比率,营业利润率,企业景气指数,中美贸易总额增量和利率市场化这八个解释变量进行研究。实证发现,商业银行的信用风险与银行的总资产和营业利润率有着正相关的关系,与房地产企业的贷款比例和贷存比有着负相关的关系,与企业景气指数和中美贸易总额的增量有正向相关影响,并且与利率市场化的进程有一定程度的影响。在结论部分提出,应加快信用风险评级体系的完善,创新科技手段从而大幅的提高金融服务的效率和风险控制,同时应密切关注房地产企业的发展,合理配置资产结构,严格控制贷存比例。除此之外,商业银行也应及时掌握国内外宏观经济形势的发展,警惕经济周期的变动对银行的冲击,重视中美贸易摩擦带来的影响,做好风险隔离措施,防范多领域交叉风险的发生和感染。