（数量经济学专业论文）基于Logit模型和人工神经网络的商业银行信用风险评估.pdf

摘要 随着金融的全球化趋势和金融市场的波动性加剧，各国银行和投资者受到 了前所未有的信用风险的挑战。信用风险评估方法也不断推陈出新，管理技术 正日臻完善，许多定量技术、支持工具和软件已付诸商业应用。然而，我国商 业银行和金融市场尚处转轨和新兴发展阶段，信用风险管理技术较为落后。针 对于此，本文从商业银行角度，研究借款人( 上市公司) 信用风险评估的方法 和应用问题。通过对国内外商业银行信用风险评估方法进行综述，从数据来源 的角度将信用风险评估模型划分为统计判别模型、结构化模型和简约化模型。 同时利用s p s s 软件对企业的多维财务指标进行t 检验和主成份分析得到了7 个能够反映企业信用风险高低的关键财务指标，并利用这7 个指标建立了l 0 豇 模型，然后再用这7 个指标作为人工神经网络的输入变量，建立了人工神经网 络模型，并将这两种模型进行实证分析，结果表明无论是a n n 技术还是l o g i t 技术，应用到商业银行的信用风险评估中都具有较高的预测准确率，从而为我 国商业银行信用风险评估方法从传统的定性分析法向定量分析法迈进起到了一 定的借鉴作用。 关键词：商业银行，信用风险，l o g i t 模型，人工神经网络 a b s t r a c t t h eg l o b a l i z a t i o na n df l u c t u a t i o ni nf i n a n c i a lw o r l dh a v eb r o u g h tb i gc h a l l e n g e t ob a n k e r sa n di n v e s t o r sa l la r o u n dt h ew o r l d m a n yn e wm e t h o d sa r ei n t r o d u c e d i n t ot h ec r e d i tr i s ke v a l u a t i o na r e aa n dal o to fq u a n t i t a t i v et e c h n i q u e sh a v ep u ti n t o t h em a r k e t c o m p a r i n gw i t hf a m o u si n t e r n a t i o n a lc o m m e r c i a lb a n k s ，b a n k si nc h i n a h a v eal o n gw a yt og o b ys u m m a r i z i n ga n da n a l y z i n gt h em a i na p p r o a c h e sa n d m o d e l si nt h ea r e ao fe v a l u a t i n gb o r r o w e r s ( 1 i s t e dc o m p a n y ) f o rc o m m e r c i a lb a n k s ， ， t h r o u g hd o m e s t i ca n di n t e r n a t i o n a lc r e d i tr i s ke v a l u a t i o nm e t h o d si nc o m m e r c i a l b a n k sa n dc r e d i tr i s ke v a l n a t i o nm o d e l sw i l lb ed i v i d e di n t os t a t i s t i c a ld i s c r i m i n a n t m o d e l s ，s t r u c t u r a lm o d e l sa n dr e d u c e df o r mm o d e l s c o m b i n e dw i t h t - t e s ta n d p r i n c i p a lc o m p o n e n ta n a l y s i sf o rl i s t e dc o m p a n y l sm u l t i d i m e n s i o n a lf m a n c i a lr a t i o w i t hs p s s ，w eg e ts e v e nc r i t i c a lp r i n c i p a lc o m p o n e n tw h i c hr e f l e c tt h ec r e d i tr i s k a n de s t a b l i s h e dl o g i tm o d e lw i t ht h e m t h e nw ec r e a t e da r t i f i c i a ln e u r a ln e t w o r k m o d e l su s i n gt h es e v e nv a r i a b l e sa sa r t i f i c i a ln e u r a ln e t w o r ki n p u tv a r i a b l e s ，r e s u l t s f r o me m p i r i c a la n a l y s i so ft h e s et w om o d e l sa r es h o w na sf o l l o w s ：w h e t h e rl o g i t t e c h n i c a lo ra n n t e c h n o l o g yi sa p p l i e d t oc o m m e r c i a lb a n k s ，c r e d i tr i s ka s s e s s m e n t i sah i g ha c c u r a c yr a t eo nf o r e c a s t ，s ot h i sp a p e rh a sp l a y e dai m p o r t a n tr o l eo n c r e d i tr i s ka s s e s s m e n tm e t h o d sf r o mt r a d i t i o n a lq u a l i t a t i v ea n a l y s i st oq u a n t i t a t i v e a n a l y s i sf o rc o m m e r c i a lb a n k si nc h i n a k e y w o r d s ：c o m m e r c i a lb a n k ，c r e d i tr i s k ，l o g i tm o d e l ，a r t i f i c i a ln e u r a l n e t w o r k i i 东北财经大学研究生学位论文原创性声明 本人郑重声明：此处所提交的硕士学位论文基于l o g i t 模型和人工神 经网络的商业银行信用风险评估，是本人在导师指导下，在东北财 经大学攻读硕士学位期间独立进行研究所取得的成果。据本人所知，论文中除 已注明部分外不包含他人已发表或撰写过的研究成果，对本文的研究工作做出 重要贡献的个人和集体均已注明。本声明的法律结果将完全由本人承担。 作者签名：翟漓兰 日期：口g 年月目 东北财经大学研究生学位论文使用授权书 算基于l o g i t 模型和人工神经网络的商业银行信用风险评 估系本人在东北财经大学攻读硕士学位期间在导师指导下完成的硕士学位 论文。本论文的研究成果归东北财经大学所有，本论文的研究内容不得以其他 单位的名义发表。本人完全了解东北财经大学关于保存、使用学位论文的规定， 同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和 借阅。本人授权东北财经大学，可以采用影印、缩印或其他复制手段保存论文， 可以公布论文的全部或部分内容。 作者签名： 导师签名： 理蹈兰 缈刖 j 日期：d 6 年月，旧 日期：年月日 第一章绪论 第一节选题的背景及意义 现代商业银行在社会经济发展过程中，发挥着刨造货币存款、实现金融政 策效率和社会实现等方面的作用【l 】，是国民经济的“总枢纽”和调节器 然而， 近年来，随着金融的全球化趋势及金融市场波动性的加剧，商业银行所面临的 风险是与日俱增，成为风险聚焦的焦点。同时，商业银行在其营运过程中所遇 到的金融风险类型层出不穷，主要有信用风险、国家和转移风险、市场风险、 利率风险、流动性风险、操作风险、法律风险和信誉风险等吲。因此，商业银 行的信用风险管理一直是国际国内金融界关注的焦点。 在商业银行所面i | 缶的众多风险中，信用风险占有特殊的地位。上个世纪8 0 年代，美国不少储蓄和贷款机构主要因信用风险而倒闭，世界银行对全球银行 业危机的研究表明，导致银行破产的最常见原因就是信用风险【3 】。随着世界金 融全球化的趋势，使商业银行承担越来越多的信用风险，主要表现在：银行之 间业务竞争加剧，贷款利差持续缩小；更多的机构投资者与资金涌入金融市场， 扩大了信用风险；金融衍生工具的不断发展，使信用风险的波动更具不确定性， 较之传统工具更难管理；新兴市场的发展和资产证券化在全球的盛行也加剧了 信用风险，使银行信用风险暴露量与日俱增，性质也更加复杂。因此，国际国 内金融界近年来对信用风险的关注目益加强，如1 9 8 8 年的旨在加强信用风险管 理的巴塞尔协议已在西方发达国家全面实施。在我国，银行业资产在全部 金融资产中占8 0 以上，商业银行的不良贷款率大大高于国际警戒线嗍，由于 历史原因，我国商业银行的各项资本资产比例与巴塞尔协议的要求上有相当大 的差距，因此加强信用风险管理是我国商业银行与国际金融业接轨的关键措施 之一。 第二节商业银行信用风险 商业银行在其运营中承担着各类的风险，巴塞尔委员会按照银行的日常经 营，将银行面临的风险按来源分为七类，即信用风险、流动性风险、利率风险、 市场风险、操作风险、法律风险和声誉风险。 信用风险也称违约风险，是指借款人到期不能或不愿履行还贷付息协议致 使银行遭受损失的可能性圆。这种风险源于借款人对银行存在着信用危机，到 期不履行合同，无力偿还或不愿偿还贷款，致使银行因贷款本息不能按期收回 而遭受损失。引起信用风险的主要原因是由于企业筹资渠道狭窄，国有大中型 企业8 0 的资产是银行贷款；贷款过于集中，而企业大面积亏损，还贷意识不 强；企业在转轨机制中通过合并、兼并、收购、分解或破产甩卖的方式使银行 资产潜在损失严重；银行为化解不良资产而向企业继续注资而引起的恶性循环 等，所以信用风险是构成银行的最主要风险【4 】，对信用风险的监控一直是国际 金融机构和各国监管当局的焦点。由于信用风险作用于银行信贷经营的全过程， 所以防范和化解信用风险，首先应及时、准确地发现信用风险的诱导因素，并 系统地掌握信用风险的特征、大小、属性及变动趋势。有效的做法是通过对银 行所持资产、负债的特性和风险特征有明确的认识。掌握各种风险因素的存在 和严重程度。就我国商业银行而言，其资产可以大致分为五类口】：贷款、证券 投资、现金资产、固定资产和其他资产。后三类一般不参加信用活动，一般不 会产生信贷风险，证券投资类资产一般流动性较好，此类资产风险的大小与政 权( 国家) 的信用等级、利率、期权有关。贷款因为采用不同方式( 如信用、 抵押、担保) 而影响贷款损失的可能性。贷款风险是最大的信用风险因素。由 于贷款出现巨大问题而导致银行破产的案例是层出不穷。 商业银行的负债项目有存款、借人负债和结算负债三部分组成【”。由于银 行外部经营环境、存款条件、借入负债结构、自身资金实力等出现不利时，都 可能导致银行无力承兑到期本息、无力清偿债务等风险。 商业银行表外业务主要包括承诺、保证和金融衍生品，这些业务既是商业 银行新的利润来源，也成为新风险的滋生暖床，当银行疏于对其客户的统一授 信管理、交易额度限制时，巨大的风险可能导致银行破产。可见，商业银行主 要面i 缶的是各种贷款、授信、保证业务带来的信用风险。 由于信贷风险是我国商业银行信用风险的主要内容，而防范此类风险的最 有效方法莫过于能在发放贷款前对客户( 企业) 的信用情况做出正确的预测。 因此信用风险评估逐渐在银行信用风险管理中占据了重要的地位。 第三节国内外信用风险评估研究现状与发展趋势 第一小节国内外信用风险评估研究现状 从本世纪3 0 年代以来，商业银行信用风险的评估方法大致经历了比例分 一一 析、统计分析和人工智能三个发展阶段。我国商业银行信用风险管理起步较晚， 信用风险评估仍然沿袭传统的比例分析模式。 传统的信用风险评估方法( 如主观分析法和财务比例分析法) 将商业银行 信用风险与贷款企业“违约与否”等同起来，采用所谓的“经验主义方法论” ( 1 9 9 9 ) 【l ”，其基本思想是，通过研究并挖掘违约类”( 到期末还未还本付息) 企业样本和“非违约类”企业样本的资本特征，建立判别公式，进而对新样本进 行分类。这些方法往往存在主观臆断性较强，缺乏客观评价基础等不足，而基 于严谨统计分析的信用风险评估方法得到了广泛的应用。 在f i s h e r 作出了启发性的研究后( 1 9 3 6 ) ，判别分析法、多元回归分析、 l o 班回归、主要成分分析、聚类分析、数学规划、ki l 缶近判别、贝叶斯决策模 型、存活分析等方法得到大量应用。 在判别分析法方面，a l t m a n ( 1 9 6 8 ) 例率先将这一方法应用于财务危机、 公司破产及违约风险的评估，通过分析一组变量，使其在组内差异最小化的同时 实现组间差异最大化，同时。根据统计标准选人或舍去备选变量，从而得出5 变量 的z s c o r e 模型，认为z 2 9 9 为贷款低风险非破产区，而 1 8 1 2 9 9 为灰色区，即不能确定贷款的信用风险。a l t m a n ( 1 9 7 7 ) 【9 1 对原始的 z 计分模型进行了扩展，建立了改进的“z e t a 判别分析模型，但此模型存在的最 大缺陷在于需有过于严格的假定条件。王春蜂和万海晖( 1 9 9 8 ) 【1 q 将判别分析 法应用于我国商业银行信用风险浮估，通过与l 0 亦方法相比较，研究了判别分析 法的有效性。卢世春和欧阳植( 1 9 9 9 ) “u 将判别分析法与聚类分析法结合在一 起对商业银行信用风险的跟踪预警检测进行了研究，得出了此方法在对商业银 行的单项贷款所引起的信用风险的评价发挥了很好的作用。张贵清和刘树林 ( 2 0 0 5 ) u 到采用聚类分析、多元判别和l o g i t 回归方法构建了我国商业银行的 信用风险评级模型。l i b b y ( 1 9 7 5 ) 【l3 】首次将主成份分析方法引入判别分析模型 以克服变量多重共线性的问题。王春峰，李汶华( 2 0 0 0 ) 【1 4 】将投影寻踪判别分 析模型用于我国商业银行的信用风险评估，研究表明对于非正态、高维数据，投影 寻踪判别分析模型比传统的统计方法更优。多元判别分析法虽然已经得到了广 泛的应用，但仍存在着一些不足，表现在该模型必须满足较强的正态性和等协方 差条件，而实际评估工作中，这些条件常常得不到满足，因此，多元判别分析法不可 能很好地评估借款人的信用风险。s u e y o s h i ( 2 0 0 1 ) 【1 捌将数据包络方法和判别 分析方法相结合，构建数据包络判别分析( d e a - d a ) 并应用于对商业银行破产 一1 一 的预测，实证检验表明该方法的预测精度较好。柯孔林、薛锋( 2 0 0 4 ) 【l 翻考虑到 我国商业银行样本数据分布的非正态性和多维性特点，将扩展的数据包络判别 模型应用于商业银行信用风险评估中，结果表明该方法预测精度较高。g r e e n 和 s m i t h ( 1 9 8 7 ) n 刀运用遗传算法来研究信用风险评估问题。王春峰1 蜘等人采用 遗传规划方法取得了较好的效果。 + l o g i t 回归是一种非线性分类的统计方法，用于因变量为定性指标的问题。 o h l s o n ( 1 9 8 0 ) 5 1 9 1 构建了l o g i t 识尉模型，吴世农、卢贤义( 2 0 0 1 ) 口蜘采用逐 步回归法从2 1 个财务指标中选取6 个指标对财务困境问题进行研究，结果表明 l o g i t 模型优于线性判别模型，李萌( 2 0 0 5 ) 团1 利用主成份分析法和l c g i t 判别 方法构造了商业银行信用风险评估的l o g i t 模型，研究结果表明l o g i t 模型具有 非常可信的识别、预测和推广能力，是商业银行信用风险评估的有效工具。方 洪全和曾勇( 2 0 0 4 ) f 2 2 1 讨论了基于不同评价体系的判别模型和l o g i t 模型的预 测精度问题，说明了线性判别模型和l o g i t 回归模型的预测精度高低与所选择 的评价体系显著相关。l o g i t 模型不要求线性判别模型的假设，是商业银行较理 想的信用风险评估工具。 l u n d y ( 1 9 9 3 ) 团培用聚类分析对消费贷款申请者的典型信用申请数据及 年龄、职业、婚否、居住条件进行处理分成6 类并对每类回归评分，它不仅将借 款人进行有效的分类而且帮助商业银行确定贷款方式策略。t a me ta l ( 1 9 9 2 ) 洲 将k 临近判别法用于信用风险分析，结果显示它的准确性不如线性判别法、 l o g i t 回归法以及神经网络。 进入8 0 年代以来，人工智能如专家系统、人工神经网络引入银行信用风险评 估。m e s s i e r 和h a n s e n ( 1 9 8 8 ) 1 2 5 从知识获取角度探讨比较了专家系统在信用分 析领域的应用，结果证明专家系统分类效果最好。b e s h i n s k ee t a l ( 1 9 9 1 ) 闭把专 家系统用于信用评估，取得了一定的成绩。a l t m a n 、m a r c o 和v a r e t t o ( 1 9 9 4 ) 田j 对意大利公司财务危机预测中应用了神经网络分析法。王春峰、万海晖和张维 ( 1 9 9 9 ) 1 2 8 1 把神经网络技术应用于商业银行信用风险评估并将它与判别分析进 行了比较，结果表明神经网络技术具有更高的预测精度和更强的鲁棒性。章忠 志、符林和唐焕文( 2 0 0 3 ) 1 将人工神经网络应用于商业银行信用风险评估， 结果证明了人工神经网络模型具有很高的预测精度。于立勇( 2 0 0 3 ) 口卅利用人 工神经网络对商业银行信用风险评估的分类模式进行了有效的转变。王莉、郑 兆瑞和郝记秀( 2 0 0 5 ) 口”利用b p 算法训练多层前馈神经网络并应用于商业银行 4 一 信用风险评估。杨保安、朱明( 1 9 9 9 ) 【3 习将神经网络与专家系统结合在一起对 银行贷款风险进行了研究，取得了一定的效果。王春峰、万海晖和张维( 1 9 9 9 ) 【3 3 1 ，提出了一种将统计方法与神经网络技术相结合的组合预测方法，并应用于商 业银行的信用风险评估中。实证结果表明新方法的预测精度较高。中国学者李 云杰 3 4 1 、王嘉诚l 、杨保安 3 6 1 等对神经网络技术在经济预测和信用风险评估中 的应用进行了探讨。 第二小节商业银行信用风险评估发展趋势 综观国际上关于商业银行信用风险评估这一领域的研究和实际应用，信用 风险评估方法从主观判断法和财务比率法转向以多变量、依赖于资本市场理论 和计算机信息科学的计量分析方法为主的发展趋势。目前国内外在进行商业银 行信用风险评估方面的研究取得了较大的进展，但仍然存在着很多急需解决的 问题。现代计算工具、远程通讯技术的突飞猛进为信用风险评估接受挑战奠定 了基础，今后的研究趋势主要围绕着以下几个方面展开： 第一，不断发展与实际情况相吻合的、样本数据可以不服从正态分布和等协 方差的信用风险评估模型，这有利于提高预测的准确性，同时将着重对评估方法 之间的组合进行研究并形成有影响的新方法。 第二，加强现金流量分析、风险分析、经营环境分析和信用评估的动态跟踪 监测；评估指标应反映企业的特色项目；要加强对指标的关联性研究；参照值 标准的确定要分不同行业、不同地区甚至不同级别企业来确定。 第三，应用大样本量数据，将反映企业信用状况的定性指标和定量指标相结 合，构建映射函数关系，可进行多信用级别划分。 第四，从系统的角度考虑，信用风险评估是一个由信息收集、方法选择、指标 调整等方面组成的系统。依托建立的强大企业征信数据库，将已经发展到了高度 复杂和智能支持水平的决策支持系统，特别是智能d s s 的引入是信用风险评估 系统化的一个思路瞪j 。 在建立我国商业银行信用风险评估模型时，要朝着非参数方法和人工智 能方向前进，或者将各种评估方法进行组合应用。今后我们应建立商业银行 贷款企业大样本数据库，对企业构建分行业、分规模、分地区的违约判别模型， 从样本选取、指标变量的选择、样本的处理、以及最后模型的确定进行详细 比较和分析，建立准确的信用风险评估模型来解决我国商业银行的信用风险 评估问题。 第四节研究内容与论文框架 第一小节研究内容 本文通过总结、借鉴国内外金融机构的信用风险管理方法，分析比较了国 际上主流的信用风险评估模型，并用s p s s 软件对含有企业信用风险信息的多 维财务指标选取几个关键的、能够最大限度地反映正常类企业与违约类企业的 显著差异的财务指标，然后对这些财务指标进行主成份分析得到了几个关键的 财务指标，并利用这几个指标构建了l 0 或模型，并且利用m a f l a b 编制了基于 改进的b p 算法的人工神经网络模型的程序，并将它们用于我国商业银行信用 风险评估。实证结果表明，人工神经网络模型的预测精度比l o g i t 模型要高， 人工神经网络方法是一种稳健的、非参数的方法，具有很强的非线性映射能力， 其学习经验的能力强，分类精度高、容错能力强、自适应能力强，具有很好的动 态特性和鲁棒性，预测精度高。而本文的创新之处在于： ( 1 ) 扩大样本规模，更新样本时间 本研究采用上海证券交易所的在我国商业银行2 0 0 2 年、2 0 0 3 年、2 0 0 4 年 均有贷款且财务报表齐全的2 0 0 家上市公司，3 年共得到6 0 0 个样本。 ( 2 ) 改进分析方法，进行综合比较 本研究首先用s p s s 对所选择的2 3 个指标进行独立样本t 检验得到了在两 类企业之间有显著差异的指标2 1 个，然后对这2 1 个财务指标进行主成份分析 得到7 个主成分，然后用这7 个变量对样本建立了l 0 班模型，对商业银行进 行信用风险评估研究，最后用进入l o g i t 模型的变量作为人工神经网络的输入 变量，建立了人工神经网络模型，对商业银行进行信用风险评估研究，其中人 工神经网络的输入节点比前人的研究要多，样本数量比前人要多，建立l 0 9 i t 模型时，采用的是对训练样本建立l o g i t 模型，然后再用这个模型对测试样本 进行预测，而前人则是对整体样本建立l o g i t 模型，然后再分别对训练样本和 测试样本进行预测。 第二小节论文框架 全文共分四章： 第一章绪论 简要阐述了对商业银行进行信用风险管理的重要性，对有关信用风险评估 的概念进行了说明；并对国内外在这一领域的研究现状进行了说明以及对本文 6 一 的研究内容及创新之处进行了阐述。 第二章信用风险评估模型综述 概述了信用风险评估方法的发展历程，并从不同角度对信用风险评估模型 和方法进行了分类和比较，提出从数据来源的不同对最新的评估模型进行了划 分。重点对统计模型进行了介绍。 第三章商业银行信用风险评估模型的建立及实证研究 用s p s s 软件对含有企业信用风险信息的多维财务指标选取了几个关键的、 能够最大限度地反映正常类企业与违约类企业的显著差异的财务指标，然后再 用主成份分析法得到几个关键的财务指标。样本数据来源于在我国商业银行 2 0 0 2 年、2 0 0 3 年、2 0 0 4 年均有贷款且财务报表齐全的2 0 0 家上市公司，3 年共 得到6 0 0 个样本，并对这些样本数据进行处理。 对改进的b p 算法及基本原理进行介绍，运用前文选取的指标对样本建立 l o 班模型，采取与l o 驰模型分析同样的变量对样本建立了人工神经网络模型， 并将这两个模型应用商业银行信用风险评估并进行实证研究。 第四章总结全文并对未来的研究方向进行展望。 7 第二章信用风险评估模型综述 第一节信用风险评估方法发展历程 8 0 年代末以来，随着金融的全球化趋势及金融市场的波动性加剧，各国银行 和投资者受到了前所未有的信用风险的挑战。因此，国际金融界对信用风险的关 注习益加强，如旨在加强信用风险管理的巴塞尔协议已在西方发达国家全面 实施。信用风险评估方法不断推陈出新，管理技术正日臻完善，许多定量技术、支 持工具和软件已付诸商业应用。由于我国商业银行和金融市场尚处转轨和新兴 发展阶段，信用风险管理技术较为落后。现在来介绍一下近2 0 年以来国内外在 信用风险评估方法上的创新及其发展趋势。 ( 1 ) 5 c 要素分析法 5 c 要素分析法是金融机构对客户作信用风险分析时所采用的专家分析法 之一。它主要集中在借款人的道德品质( c h a r a c t e r ) 、还款能力( c a p a c i t y ) 、资 本实力( c a p i t a l ) 、担保( c o l l a t e r a l ) 和经营环境条件( c o n d i t i o n ) 五个方面进 行全面的定性分析以判别借款人的还款意愿和还款能力。有些银行将其归纳为 5 w ”因素，即借款人( 1 1 0 ) 、借款用途( w h y ) 、还款期限( w h e n ) 、担保物( w h a t ) 及如何还款( h o w ) 。还有的银行将其归纳为“5 p 因素，即个人因素( p e r s o n a l ) 、 借款目的( p u r p o s e ) 、偿还( p a y m e n t ) 、保障( p r o t e c t i o n ) 和前景( p e r s p e c t i v e ) 。 无论是“5 c ”、 5 w ”或是“5 p 要素法在内容上大同小异，它们的共同之处都是对 每一要素逐一进行评分，使信用数量化，从而确定其信用等级以作为是否贷款、贷 款标准的确定和随后贷款跟踪监测期闯的政策调整依据。 ( 2 ) 财务比率综合分析法 由于信用危机往往是由财务危机引致而使银行和投资者面临巨大的信用风 险，及早发现和找出一些预警财务趋向恶化的特征财务指标，无疑可判断借款或 证券发行人的财务状况，从而确定其信用等级，为信贷和投资提供依据。基于这一 动机，金融机构通常将信用风险的测度转化为企业财务状况的衡量阅题。因此， 一系列财务比率分析方法也应运而生。财务比率综合分析法就是将各项财务分 析指标作为一个整体，系统、全面、综合地对企业财务状况和经营晴况进行剖析、 解释和评价。 ( 3 ) 多变量信用风险判别模型 多变量信用风险判别模型是以特征财务比率为解释变量，运用数量统计方 法推导而建立起的标准模型。运用此模型预测某种性质事件发生的可能性，及早 发现信用危机信号，使经营者能够在危机出现的萌芽阶段采取有效措施改善企 业经营，防范危机，使投资者和债权人可依据这种信号及时转移投资、管理应收 帐款及作出信贷决策。目前国际上这类模型的应用是最有效的，也是国际金融业 和学术界视为主流方法。概括起来有线性概率模型、l o g i t 、p r o b k 模型和判别 分析模型。 ( 4 ) 以资本市场理论和信息科学为支撑的新方法 随着资本市场的迅速发展、融资的非中介化、证券化趋势以及金融创新工 具的大量涌现，信用风险的复杂性也日益显著。人们认为以财务比率为基础的统 计分析方法不能反映借款人和证券发行人的资产在资本市场上快速变化的动态 价值，鉴于此，一系列信用风险衡量的新方法相继提出。主要有信用风险的期权 定价模型、k m v 公司的e d f 模型、阿尔特曼的债券违约模型( m o r t a l i t y r a t m o d e l ) 和a s q u i t h 、m u l l i n s ( 1 9 8 9 ) 的期限方法( a g i n ga p p r o a c h ) 。 ( 5 ) 神经网络分析系统 虽然神经网络的理论可追溯到4 0 年代，但在信用风险分析中的应用还是9 0 年代的新生事物。神经网络是从神经心理学和认识科学研究成果出发，应用数学 方法发展起来的一种并行分布模式处理系统，具有高度并行计算能力、自学能力 和容错髓力。神经网络的结构是由一个输入层、若干个中间隐含层和一个输出 层组成。神经网络作为一门崭新的信息处理科学吸引着众多领域的研究者。 ( 6 ) 衍生工具信用风险的衡量方法 衍生工具是指其价值依赖于基本标的资产价格的金融工具，如远期、期货、 期权、互换等。8 0 年代以来，金融市场风起云涌、变幻莫测、市场风险与日俱增。 衍生工具因其在金融、投资、套期保值和利率行为中的巨大作用丽获得了飞速 的发展，尤其充实、拓展了银行的表外业务。然这些旨在规避市场风险应运而生 的衍生工具又蕴藏着新的信用风险。如利率互换和货币互换虽能减少利率风险， 但却要承担互换对方的违约风险。如果银行只是作为互换的中间人和担保人介 入互换业务，互换中的任何一方违约都将由银行承担。另外，场外市场的期权交易， 其违约风险也日益增加。因此符生工具的信用风险的管理也日益受到各国金融 监管当局的重视。其代表方法有风险敞口等值法( r i s ke q u i v a l e n te x p o s u r e ， r e e ) 、模拟法、敏感度分析法。 9 一 ( 7 ) 信用集中风险的评估系统 前面所述的方法绝大多数都只是衡量单项贷款或投资项目的信用风险，而 很少注重信用集中风险的评估。信用集中风险是所有单一项目信用风险的总和。 金融市场的全球化和风险的多样化使人们越来越认识到“不能把鸡蛋放在一个 篮子里”的重要性。金融机构和投资者们采用贷款组合、投资组合来达到分散和 化解风险的目的。目前在这一课题上最为人们所关注的是j p 摩根1 9 9 7 年推出 的信用计量法( c r e d i tm e t r i c s t m ) 和瑞士信贷金融产品信用风险+ 法( c s f p ) 3 7 o 这两大信用风险评估系统都是为了评估信用风险敞口亏损分布以及为弥补 风险所需的资本，但使用的方法有所不同。信用计量法是以风险值( v a r ) 为核 心的动态量化风险管理系统。它集计算机技术、计量经济学、统计学和管理工 程系统知识于一体，从证券组合、贷款组合的角度，全方位衡量信用风险。分析的 面广危括证券、贷款、信用证、贷款承诺、衍生工具、应收帐款等方面的信用 风险的估测。具体操作是依据与动态信用事件( 信用等级的变迁，违约等) 相关 的基本风险来估测集中信用风险的风险值。集中信用风险值是指在未来一定时 间内。因信用事件引起证券或贷款组合资产价值的潜在变化量。风险管理者依据 这一风险值调整头寸和决策以防范损失。信用风险+ 法是在信用评级框架下计 算每一级别或分数下的平均违约率及违约波动。将这些因素与风险敞口综合考 虑，从而算出亏损分布与所需资本预测数。 第二节信用风险评估模型比较 信用风险管理是指对商业银行面临的信用风险进行辨识、评估，在此基础上 对其进行有效管理( 回避、防范、转移或保留吸收) o 其中信用风险评估是基础 和关键。信用风险评估是指 1 8 1 , 对可能引起信用风险的因素进行定性分析、定量 计算，以测量借款人的违约概率，为贷款决策提供依据。虽然应用于信用风险管理 的技术已日趋多元化、复杂化，但究其实质，今天的商业银行所采用的方法与 最初的商业银行使用的方法并没有根本的不同。商业银行往往将借款人的信息 分为财务信息和非财务信息，结合信贷员和客户经理对借款人需求和综合素质 的了解，通过内部评审系统确定客户的授信额度。由于各种信息性质的不同会 产生信息可获得性、稳定性以及完整性等方面的问题，在实践中，商业银行一 般将信用风险的测度转化为衡量企业财务状况的问题。因为信用风险的形成， 郎企业能否如期还本付息，主要取决于企业的财务状况。与企业其他方面的信 一1 n 一 星三室篮旦墨堕竖垡夔型堡连 息相比，财务信息的获得性和稳定性更强。然而，随着资本市场和金融行业的 发展，工商企业比以前更多、更直接地融入资本市场，这就造成企业财务信息 的复杂化。因此，西方商业银行和金融管理机构更倾向基于不同的数据来源建 立不同的模型，以期对借款人的信用发展进行更贴切的描述和模拟。此类模型 通常被称为信用评级模型( c r e d i ts c o r i n gm o d e l ) 或违约预测模型( d e f a u l t p r e d i c t i o nm o d e l ) 。根据其数据来源的不同可分为：基于企业财务数据的统计判 别模型( s t a t i s t i c a ld i s c r i m i n a n tm o d e l ) 、基于股票价格的结构化模型( s t r u c t u r a l m o d e l ) 和基于债券价格的简约化模型( r e d u c e df o r mm o d e l ) 。 1 结构化模型( s t r u c t u r a lm o d e l s ) 6 1 期权定价理论被称为过去3 0 年里金融界最重要的成果之一，它使人们可以 求出期权的价格，包括使用特定情况的公式。根据这种理论，企业具有违约风险的 债务可以通过适当的方式进行定价，即在无风险的对冲交易情况下，当债务到期 时，如果企业资产下降低于负债，则假定持股人拥有一个将企业资产转交债务人 的期权。由于这些模型都是基于b s m ( b l a c k - s c h o l e s m e r t o n ) 的股票期权定价 模型，因此也称为结构化模型，即在期权定价理论的指导下，将企业债务作为基于 相关资产的期权而加以衡量的模型。这类模型的典型代表就是k m v 公司的预 期违约频率模型( e x p e c t e d d e f a u l t f r e q u e n c y , e d f m o d e lok m v 模型实施的关键 是确定企业的e d f 。第一步，从公司股票的市场价值、股价的波动性及负债的账 面价值估计出公司的市场价值及其波动性。第二步，根据公司的负债计算出公司 的违约点，还要根据公司的现有价值确定出公司的预期价值。用这两个价值以及 公司价值的波动性即可构建出一个度量指标，它表示从公司的预期价值到违约 点之间的距离( 又称违约距离) 是标准差的多少倍。最后，确定违约距离及违约 率之问的映射。 根据期权方法，股权的市场价值可表示为一个看涨的期权价值，即： 股权价值= f ( 负债的账面价值，资产的市场价值，资产的波动性，时间范围) o 由于k m v 公司对其期权定价方法保密，这里用b l a c k - s c h o l e s 公式替代函数 f 则可得表达式， e = v n ( 西) 一2 一，n ( d ：) ( 2 1 ) 式中：e 股权的市场价格； n 一负债的账面价值( 又称额定价格、执行价格) ； 一1 1 v 一公司资产的市场价值； f 一时间范围，到期时间； 卜无风险借入或贷出时的利率； n _ 一正态分析累积概率函数，由反，以算得。 吒一资产价值的百分比标准差 这里4 ，矾分别为： 硝：害i ) 字2 ( 2 2 ) 一 d 2 。d l 口d q f 对于非上市公司, k m v 使用基本相同的方法直接从其可供观察的特征及财 务数据来估计非上市公司的价值及其波动情况，不过这些估计还是要依靠上市 公司的数据进行。 虽然结构化方法是很实用的，用于对上市公司的信用风险管理也很有效。但 从商业银行的角度来看，它的预测能力不强，并且过分依赖股权价格的信息。事实 上，e d f 模型并没有真正对未来能够预测，它只是将公司的现有价值和违约点及 历史的波动性联系起来了。另外，由于在实际中难以对一些不可观察的价值进行 评估，不能对实际的信用风险期限曲线进行拟合，限制了这种方法的应用。 2 、简约化模型【司 与结构化模型不同，在简约化模型中，违约并不是根据家企业的资产负债 来进行模拟的，具有风险债务的价值被看作是与企业资本结构无关的、随机的、 意外损失的结果。在这类模型中，违约服从泊松分布( p o i s s o nd i s t r i b u t i o n ) ， 它对具有违约风险的债券的衡量过程是，先假定该债券没有违约风险，然后计算 与该金融产品损失率以及预期风险程度相对应的损失率，并将它与无风险的短 期利率相加这样，t 时刻某债券的现值b ( o ，t ) 就是未来报酬的无风险估值， 8 ( 0 , t ) = e ；e * x p ( - 【吒+ 氏) 出) 1 ( 2 3 ) ( 注：该公式为d u f f l e s i n g l e t o n ( 1 9 9 9 ) 模型中所采用的形式) 根据对这种随机违约过程的不同描述方法，此类模型可分为基于强度法 ( i n t e n s i t yb a s e dr e d u c e df o r ma p p r o a c h ) 和基于补偿法( c o m p e n s a t o rb a s e d r e d u c e df o r ma p p r o a c h ) 两种模型。 由于没有统一的理论支持，对违约的经济解释以及企业其它负债价值的关联 不强，该模型的应用受到一定的限制。但最近，已经有一些西方学者提出一种混合结 构法，将基于强度的简约化模型与结构性方法进行整合，风险程度作为企业股票价 格( 或股票指数) 以及其它相关因素的函数，在实际应用中取得了一定的效果。 上述两种模型是完全依赖市场数据所构建的模型，用以确定借款人信用风 险。由于本文是基于商业银行在信贷过程中所发生的信用风险分析，结合我国的 实际情况( 主要考虑数据的可获得性、可靠性等因素) ，将商业银行信用风险的 测度转化为衡量企业财务状况的问题较为实际。 3 、统计判别模型 统计判别模型在信用风险评估领域内的应用由来已久。其基本思路是，根据 已经掌握的历史上每个类别( 违约类、正常类) 的若干样本，从中总结出分类的 规律，建立判别公式，然后用于对新样本的分类。 ( 1 ) 多变量统计判别模型 构建多变量统计笋蛔模型的关键问题包括：预测企业违约( 破产) 可能性 最重要的指标是什么；所选择的指标应该相应赋予的权重是什么；应该如何客 观地确定各个指标的权值，目前国际上这类模型的应用是最有效的，也是国际 金融业和学术界视为主流方法。 根据判别函数的形式和样本分布的假定不同，可将这类方法产生的模型分 为：多元回归分析模型、多元判别分析模型( m d a ) 、l o g i t 分析模型、近邻法。 其中以m d a 和l d 疵分析模型应用最为广泛，已有大量商业化软件。统计模型 的最大优点在于其具有明显的解释性。存在的缺陷是过于严格的前提条件。如 多元判别分析模型要求数据服从多元正态分布和等协方差，而现实中大量数据 严重违背了这些假定。引入对数变换可在一定程度上改进数据的非正态分布， 但一方面变换后的变量可能失去经济解释含义，另一方面仍没有满足等协方差 的要求；应用二次差别分析( q d a ) 虽可解决等协方差问题，但一方面没有满足 正态性假定，另一方面当数据样本小、维数高( 指标多) 时( q d a ) 的性能明显 下降( 样本少、维数高正是我国信用数据的显著特点) ，实证结果还表明q d a 对训练样本效果较好，而对测试样本并不理想。 为了解决这些问题，引入了l o g i t 分析模型和近邻法，由于l o # t 模型不假 一13 定任何概率分布，也不要求等协方差，并且具有非常好的预测精度，所以在本 文中采用了l o 舛模型分析方法。对l o g i t 模型的介绍将放在第三章。 ( 2 ) 人工智能( a i ) 模型 为了解决m d a 存在的不足引入了人工智能( a j ) 模型的使用，使信用风险 评估发生了重大的变4 1 ：- o 常用的a i 模型主要包括神经网络技术( n n ) 、决策树 等。神经网络技术可以看成是从输入空间到输出空间的一个非线性映射，它通过 调整权重和阈值来学习”或发现变量间的关系，实现对事物的分类。由于n n 是 一种对数据分布无任何要求的非线性技术，它能有效解决非正态分布、非线性的 信用评估问题。决策树是q u i n l a n 在h u n t 的概念学习系统c l s ( c o n c e p tl e a r n i n g s y s t e m ) 上发展起来的一种自上而下的分类方法。它通过对一组训练样本的学 习，构造出决策树的知识表示。决策树模型较统计模型从直观上更易理解，且应用 时对专业知识也无较高的要求。但是在实际应用中，由于问题的复杂性增加，决策 树模型经常会出现组合爆炸( c o m b i n a t o r ye x p l o s i o n ) 而使得构造的决策树过 于复杂难以理解，并且，这种归纳学习建模方法容易造成模型的过度拟合。另外， 该方法不是一种启发式的寻优技术，因而建模时缺乏效率。对本文中所要采用的 基于改进的b p 算法的人工神经网络模型的详细介绍将放g e 第- - 章中。 ( 3 ) 遗传算法( g a ) 和遗传规划( g p ) 遗传算法( g e n e t i c a l g o r i t h m ，g a ) 是模拟生物进化现象( 自然选择、淘汰、 突变、交配) 的一种概率优化方法。它把定向搜索和随机搜索有机结合，利用一 个潜在界的群体( p o p u l a t i o n ) 进行全局寻优，通过对种群实施遗传操作，不断改 进种群性能逐步向着全局最优化演进。应用遗传算法时，通常需要建立问题的搜 索空间与一个二进制串( 染色体) 之间的一一对应，这需要对问题本身有相当深 刻的了解和很好的判断，因此在一定程度上妨碍了遗传算法的应用。 遗传规划( g e n e t i cp r o g r a m m i n g ，g p ) 是遗传算法的扩展和延伸。g p 中所 使用的个体( 染色体) 是长度和大小可