论文部分内容阅读
[摘 要] 通过对CreditMetrics模型在我国商业银行贷款信用风险度量中的应用分析,探讨商业银行在贷款信用风险度量中存在的问题,并提出了CreditMetrics模型在商业银行贷款信用风险度量中的改进建议,以期对我国商业银行信用风险的度量有所借鉴。
[关键词] CreditMetrics模型 信用风险 度量
一、CreditMetrics模型简介及技术环节
CreditMetrics模型（一下简称CM模型）强调组合价值的变化不仅要受到资产违约的影响，而且资产等级的变化也对其价值产生影响，是一种动态的信用风险的度量。该模型主要方法是以历史数据为依据确定信用等级矩阵和违约时的资产回收率，并以此为基础确定未来该信用资产组合的价值变化，并通过基于VAR方法来计算整个组合的风险暴露，该模型包括了以下6个方面的技术环节： (1)设定风险期长度。通常将风险期间设为1年;(2)设定信用评级系统。每个债务人在年初都被赋予一个信用评级;(3)设定信用评级转移矩阵。转移矩阵给出了债务人在风险期从当前评级状态转移到其他所有评级状态的概率或可能性;(4)设定信贷利差溢价。信贷利差溢价等于当前债券价格与相同期限无风险利率之间的差额;(5)设定债券之间的违约损失率。模型假设不同借款人以及同一借款人不同类贷款的的违约回收率的相关性为零;(6)计算贷款的VAR值。
二、CM模型在我国银行贷款信用风险度量中的应用分析
1.数据说明。
(1)以中国银行某支行的单笔教育贷款为例,具体数据见表1:
(2)鉴于相关数据不完善，本文所用模型参数为J.P.摩根在1997年4月2日公布的CM模型技术文件中的数据。
(3)该行发放的绝大部分贷款都是按季结息，但是技术文件是按年公布的远期零收益曲线，按季结算不能简单地除以四，所以本例只按年近似的计算贷款的VAR值。
(4)模型计算的贷款的风险期应该与会计年度相一致，而本例贷款的起始期并不与会计年度吻合，而本例中由于是单笔贷款，按照贷款原本的起始期计算VAR值。
2.计算过程。
(1)确立信用等级转移矩阵。由技术文可知年初A等级的资产在年末转移到其他等级的概率见表2：
资料来源：CM模型技术文件, April 2, 1997
(2)确立时间段，为2007年4月1日～2008年4月1日。
(3)确立远期定价模型。为了估计贷款在一年后的风险值，需要将贷款在存续期所产生的现金流以一定的折现率折算到年初，折现率为基准收益曲线加信用风险溢价。本文所采用的远期零收益曲线为CM模型技术文件中公布的数据，见表3：
如果一年后贷款上升为AAA级，其折现率则为表3中的第一行，一年后的信贷资产价格为：VAAA=2000*6.48%++
。
资料来源：同表2
如果对每一级别根据表3的折现率重复同样的计算,可以得到一年后不同级别贷款的价值；本例中高级未担保贷款的清偿率根据CM模型技术文件约为51.13%,每一级别和发生违约的一年后远期价值计算结果见表4：
(4)计算该笔贷款的期望和标准差。假设该笔A级贷款的价值V服从正态分布，设贷款的均值为μ，标准差为σ，则：
(5)计算该笔贷款的VaR值。在正态分布下,该项资产的最大可能损失,即VAR值,为标准差的倍数:99%置信度的VaR=2.33×29.52=68.78(万元);95%置信度的VaR=1.65×29.52=48.71(万元)
在贷款价值为正态分布的假设条件下,该笔贷款有1%的可能性在第三年的损失超过69万元，有5%的可能性在第二年的损失超过49万元。
三、CreditMetrics模型在银行贷款信用风险度量中的改进建议
目前我国学者对利用该模型度量银行信用风险的研究还处在探索阶段，而在实际应用中会遇到诸多与该技术文件不符之处，因此在介绍和引进该模型的同时，一方面要继续规范和完善实施细节，另一方面要尽快在我国建立专业、权威、独立和统一的评级机构，大力发展金融市场，加快利率市场化进程。
参考文献：
[1]朱 霞:基于VAR方法的市场风险和信用风险的度量[J].统计与决策，2008（03）
[2]周 翔:基于蒙特卡罗模拟的商业银行信用风险度量方法[J].技术经济，2008（03）
[关键词] CreditMetrics模型 信用风险 度量
一、CreditMetrics模型简介及技术环节
CreditMetrics模型（一下简称CM模型）强调组合价值的变化不仅要受到资产违约的影响，而且资产等级的变化也对其价值产生影响，是一种动态的信用风险的度量。该模型主要方法是以历史数据为依据确定信用等级矩阵和违约时的资产回收率，并以此为基础确定未来该信用资产组合的价值变化，并通过基于VAR方法来计算整个组合的风险暴露，该模型包括了以下6个方面的技术环节： (1)设定风险期长度。通常将风险期间设为1年;(2)设定信用评级系统。每个债务人在年初都被赋予一个信用评级;(3)设定信用评级转移矩阵。转移矩阵给出了债务人在风险期从当前评级状态转移到其他所有评级状态的概率或可能性;(4)设定信贷利差溢价。信贷利差溢价等于当前债券价格与相同期限无风险利率之间的差额;(5)设定债券之间的违约损失率。模型假设不同借款人以及同一借款人不同类贷款的的违约回收率的相关性为零;(6)计算贷款的VAR值。
二、CM模型在我国银行贷款信用风险度量中的应用分析
1.数据说明。
(1)以中国银行某支行的单笔教育贷款为例,具体数据见表1:
(2)鉴于相关数据不完善，本文所用模型参数为J.P.摩根在1997年4月2日公布的CM模型技术文件中的数据。
(3)该行发放的绝大部分贷款都是按季结息，但是技术文件是按年公布的远期零收益曲线，按季结算不能简单地除以四，所以本例只按年近似的计算贷款的VAR值。
(4)模型计算的贷款的风险期应该与会计年度相一致，而本例贷款的起始期并不与会计年度吻合，而本例中由于是单笔贷款，按照贷款原本的起始期计算VAR值。
2.计算过程。
(1)确立信用等级转移矩阵。由技术文可知年初A等级的资产在年末转移到其他等级的概率见表2：
资料来源：CM模型技术文件, April 2, 1997
(2)确立时间段，为2007年4月1日～2008年4月1日。
(3)确立远期定价模型。为了估计贷款在一年后的风险值，需要将贷款在存续期所产生的现金流以一定的折现率折算到年初，折现率为基准收益曲线加信用风险溢价。本文所采用的远期零收益曲线为CM模型技术文件中公布的数据，见表3：
如果一年后贷款上升为AAA级，其折现率则为表3中的第一行，一年后的信贷资产价格为：VAAA=2000*6.48%++
。
资料来源：同表2
如果对每一级别根据表3的折现率重复同样的计算,可以得到一年后不同级别贷款的价值；本例中高级未担保贷款的清偿率根据CM模型技术文件约为51.13%,每一级别和发生违约的一年后远期价值计算结果见表4：
(4)计算该笔贷款的期望和标准差。假设该笔A级贷款的价值V服从正态分布，设贷款的均值为μ，标准差为σ，则：
(5)计算该笔贷款的VaR值。在正态分布下,该项资产的最大可能损失,即VAR值,为标准差的倍数:99%置信度的VaR=2.33×29.52=68.78(万元);95%置信度的VaR=1.65×29.52=48.71(万元)
在贷款价值为正态分布的假设条件下,该笔贷款有1%的可能性在第三年的损失超过69万元，有5%的可能性在第二年的损失超过49万元。
三、CreditMetrics模型在银行贷款信用风险度量中的改进建议
目前我国学者对利用该模型度量银行信用风险的研究还处在探索阶段，而在实际应用中会遇到诸多与该技术文件不符之处，因此在介绍和引进该模型的同时，一方面要继续规范和完善实施细节，另一方面要尽快在我国建立专业、权威、独立和统一的评级机构，大力发展金融市场，加快利率市场化进程。
参考文献：
[1]朱 霞:基于VAR方法的市场风险和信用风险的度量[J].统计与决策，2008（03）
[2]周 翔:基于蒙特卡罗模拟的商业银行信用风险度量方法[J].技术经济，2008（03）