两种银行信贷风险量化模型的应用及对比.doc

1、数学与应用数学学年论文 题目两种银行信贷风险量化模型的应用 及对比 学号11001040115 姓名秦红波 教师评语： 成绩 指导教师 1 摘要:信贷风险是我国银行面临的主要风险, 它构成了我国银行风险管理的重点和难点， 是银行风险管理的核心。近20 年来，风险计量领域最主要的进展就是发展出了一套完整的 模型体系，目前正式对外公布、有影响力的信用风险量化模型主要有四个，其分别是 GreditMetrics模型、 KMV 模型、 CSFP GreditRisk+模型、 CPV 模型。文章首先对信贷风险的 概念和性质进行了分析，然后在此基础上对现代信用风险量化模型进行阐述与对比，指出各 自的原理、

2、优缺点和适用范围，为信贷风险量化方法和模型的应用或研究提供一定的帮助。 关键字： 信贷风险、 GreditMetrics模型、 KMV 模型、 CSFP GreditRisk+ 模型、 CPV 模型 1、信贷风险的相关概念分析 1.1信贷风险的涵义 信贷风险是商业银行面临的最基本、最古老也是危害最大的风险。 信贷风险 是指债务人由于各种原因不能完全履约而遭受损失的可能性, 随着现代风险环 境的变化和信用衍生品市场的出现, 使信贷风险还包括由于信用事件引起的损 失的可能性。 由以上信贷风险的涵义我们可以看出, 现代信贷风险得涵义主要包括两个 方面:( 1) 信贷违约风险。这是所有的银行贷款都面临

3、的风险。在借款企业不能 够按期归还贷款的情况下, 银行的收益将遭受的损失。 信贷违约风险并不考虑借 款企业没有发生违约情况下的损失, 借款人没有发生违约就表示银行不会遭受 任何损失。但是, 一旦借款人选择违约 , 银行就会遭受一定的损失, 损失的大小 取决于借款人赔付率的大小。 当前情况下 , 我国商业银行面临的主要信贷风险就 属于信贷违约风险。 ( 2) 信贷息差风险。信贷息差风险是银行因为风险暴露, 而 向借款企业要求获得的风险补偿。随着金融产品的创新, 银行持有企业的金融 产品, 由于企业的信用变化而存在损失的可能性。信贷息差风险考虑的是在企业 贷款的期限内由于企业预期违约概率的增加,

4、银行面临的预期损失也会趋于增 加。因此, 信贷息差风险是对信贷违约风险很好的补充。随着证券市场的不断发 展和完善 , 信贷息差风险将成为信贷风险考虑的主要部分。 1.2信贷风险的特征分析。 信贷风险是客观存在并且是一种非系统风险。风险是由于不确定性而产生的 损失的可能性 , 并且这种不确定性的存在是客观存在的并不随人的意志的改变 而变化。因此, 银行信贷风险存在每一个借贷关系中即风险无处不在、无时不在。 人们在风险管理中 , 只能使风险尽量减至最小而不能够完全的消除。另外, 信贷 风险有着非系统风险的特性, 尽管贷款企业在经营过程中会受到整体经济变化 2 的影响。但是, 大多数情况下贷款企业的

5、还款能力还是取决于其财务状况, 企业 经营的好坏以及还款意愿等个体因素。因此, 信贷风险是一种非系统风险。 信贷风险收益率为非正态分布。 对于银行的信贷风险来说, 在贷款能够顺利 收回的情况下 ( 概率较大 ) 银行可以得到正常的利息收入, 但是当发生坏账的 时候(概率较小) 银行的损失是整个的本息。这样, 银行在概率很小的事件发生 时损失却是最大 , 银行的收益和风险损失就呈现非对称性。因此, 信贷风险的概 率分布曲线向左倾斜 , 并且在左侧出现“肥尾”现象。 2、现代信用风险量化模型概述 2.1 GreditMetrics模型 CreditMetrics信用度量术。信用度量术(Credit

6、Metrics)是 J.P. 摩根银行 (JPM) 和一些合作机构 1997 年推出的 ,第一个公开的银行业用于投 资组合信用风险度量的方法。 现在该方法已经成为当今世界最为著名的信贷风险 度量模型之一。 该模型主要着眼于流动性非常好的债券市场或债券衍生品市场, 因此可以 轻易收集广泛的价格和评级数据。 它对贷款和债券在给定的时间单位内( 通常为 一年) 的未来价值变化分布进行估计, 并通过在险价值 (Value atRisk,VaR) 来 衡量风险。 这里, VaR用来衡量投资组合风险敞口的程度, 是指在正常的市场情 况和一定的置信水平下 , 在给定的时间段内预期可能发生的最大损失。 该方法

7、在应用中还需要对以下问题进行探讨:( 1)模型中违约率直接取自 历史数据平均值 , 但实证研究表明 , 违约率与宏观经济状况有直接关系,并非固 定不变;(2)模型假定资产收益服从正态分布, 但实证研究表明 , 实际分布呈 现厚尾特征 ;( 3)关于企业资产收益之间的相关度等于公司证券收益之间的相 关度的假设仍有待进一步的验证,计算结果对于这一假定的敏感性很高;(4) 信用等级迁移矩阵未必是稳定的, 它受到行业、 国家、周期等因素影响 ; ( 5) 模 型中假定无风险利率是固定的, 但是现实中这是一个变化的量。 此外, 模型的计 算需要很多的数据 , 然而很多数据是不可能得到的。 因此, 这就给

8、模型计算的准 确度有了一定的影响。 2.2 、KMV 模型 KMV期权定价模型。 KMV 模型的理论基础是 BlackScholes( 1973) 和 Merton( 1974) 的期权定价理论。 该模型通过对上市公司股价波动的分析来预测 股权公开交易的公司发生违约的可能性。KMV 模型假设: 当公司的资产大于负债 时, 股东则行使该看涨期权 , 即偿还债务 , 继续拥有公司 ; 如果资产小于负债 , 3 股东则选择使公司破产, 公司所有者将公司资产出售给债权的持有人,即债权 人拥有公司。因此 , 企业的股权价值可以用 BlackScholes 期权定价模型来定 价。 基于 Merton 提出

9、的违约证券估价模型,KMV 建立了一个基于公司资产结构 的违约概率、 违约概率转移矩阵计算框架的公司信用风险度量模型。由于 Merton 期权定价理论确定的违约概率与实际违约概率具有一定的差距,为区分理论违 约概率(Q) 与实际违约概 率,KMV引入了 期望违约 率(ExpectedDefault Frequency,EDF)的概念。对 EDF 的度量分三步进行 : 首先估计公司资产价值和 公司资产波动率 : 其次计算违约距离 DD(Distance to Default),它是用指 标形式表示的违约风险值; 最后使用 KMV 违约数据库将 DD转化为 EDF。 该方法的主要优点 : ( 1)

10、 它可以被用于任何公开招股公司; ( 2) 由于以股 票市场数据为基础 , 该模型包含更多市场信息, 因而认为能更好预测未来。 主要 问题在于 :(1)由于资产市价的估算取决于股价波动率的估算, 用期权定价方 法估算的股价波动率是否可作为公司资产价值估算的可信指标是值得推敲的; (2)为了能使用期权定价公式 , 分析时假定公司债务结构是静态不变的, 这与 实际相差甚远。 (3)为求出 EDF 值, 假设资产收益服从正态分布。 2.3 、CSFP GreditRisk+ 模型 CreditRisk+信用风险附加法。 信用风险附加法是瑞士信贷第一波士 顿银行(CSFB) 于 1996 年开发的信贷

11、风险管理系统。 该系统利用保险业精算学的 方法来求得债券或者贷款组合的损失分布。该模型是一种违约模型 , 只考虑债券 或者贷款是否违约并且假定违约的发生服从泊松分布。经过近十年的发展 , 该模 型已成为一种在数据缺乏情况下估算风险资本要求的最好方法之一。 CreditRisk+假定违约率是随机的,可以在信用周期内显著地波动,并且 其本身是风险的驱动因素。因而,CreditRisk+被认为是一种“违约率模型”的 代表。CSFB 认为违约相关是不可观察的而且是不稳定的,因此它不是直接通过 模型模拟这种关系 , 而是利用违约率的波动性来确定违约相关性的影响并进一 步生成贷款组合的损失分布。由于该模型

12、给出的损失分布只是一个解析表达式, 而且只关心违约与否几乎不需要什么估计什么量, 所需要的数据很少。 因此, 该 模型对于损失的计算速度很快。 CreditRisk+的最大优点是 : ( 1) 相对于其他模型而言 ,模型仅需要输入较 少的数据 , 主要输入的数据仅为贷款违约率、 违约波动率和风险暴露 , 从而适应 了传统业务中缺乏数据的状况; ( 2)CreditRisk+对于债券组合或贷款组合的损 失概率所 得到的是闭形 解,使它在 计算 上很具 吸引 力。不足之处 主要 有: 4 ( 1)CreditRisk+忽略了转移风险 , 使得每一债务人的风险是固定的, 且不依赖 于信用质量的最终变

13、化以及未来利率的变动性;(2)模型没有考虑信用等级的 变化, 因此贷款的风险暴露在计算期间内是固定不变的, 这与事实是不同的。 2.4 、CPV 模型 CPV 信贷组合模型。 1998 年, 麦肯锡(MC Kinsey) 公司利用基本动力 学的原理提出的 CreditPortfolioView模型是一个用于分析贷款组合风险和收 益的多因素模型 , 它根据诸如失业率、 GDP 增长率、长期利率水平、 政府支出等 宏观因素 , 运用经济计量学和蒙特卡罗技术来对每个国家不同行业中不同等级 的违约和转移概率的联合条件分布进行模拟。模型中的违约概率和转移概率都与 宏观经济状况紧密相联。与CreditMe

14、trics应用的转移概率和违约率不同, 不 是以历史等级转移和违约的数据来估计,而是以当期的经济状态为条件来计算债 务人的等级转移概率和违约率。当经济状况恶化时, 降级和违约增加 ; 反 之, 则减少。 麦肯锡(MCKinsey)公司的信用风险组合观点模型不像其他方法那样以历史 数据的平均为基础 , 而是以经济状态为条件来求损失的分布。此模型的不足之处 在于实施这一模型需要可靠的数据。 CPV 方法可以看成是对 CreditMetrics的补 充, 它克服了后者不同时期的评级转移矩阵固定不变的缺点。该模型与Credit Metrics应用的转移概率和违约率不同, 不是以历史等级转移和违约的数据

15、来 估计,而是以当期的经济状态为条件来计算债务人的等级转移概率和违约概率。 但是为了得到转移矩阵 , 该模型对经济衰退和扩张时期的违约概率进行了调整。 该模型的优点在于 :( 1)充分的考虑了宏观经济因素对信用等级迁移的影 响;(2)信用等级迁移概率具有盯市性, 与信用度量术结合起来可以提高信用 风险度量的准确性 ;(3)它即可以适合单个借款人也可以适合多个借款人。缺 点主要体现在 : ( 1) 使用的是很多的宏观数据, 因此处理起来特别的繁琐 ; ( 2) 该方法不能处理非线性产品。 3、我国银行应用信贷风险量化模型的现实选择 与国外银行相比，中国银行业风险管理在外部环境和内部管理等方面都存

16、在 着较大的差距， 风险管理方法中量化管理明显不足。在风险管理中非常重视风险 的定性分析， 如在信用风险管理中， 重视贷款投向的政策性、 合法性以及贷款运 行的安全性等。 当然，这些分析在风险管理决策中非常重要，但如果缺乏量化分 析，就难以在风险的识别、度量上精确掌握。建设中国的信用风险的度量体系， 对国外现有模型的借鉴及其中国化十分必要。通过上述对现代信用风险量化模型 的比较分析，四大模型各有优缺点。下面我们对模型的可借鉴性进行分析。 5 我们先来看看 CreditRisk+模型和 CPv 模型在中国的实用情况。从上面叙述 来看，CreditRisk+ 模型和 CPv 模型虽然有许多优点，

17、但是在中国应用有一定的难 度。CreditRisk+ 模型的重要假设前提是贷款之间的独立性，而我国银行贷款之 间的关联性较大，这就严重影响了模型在我国的应用。CPV 模型的实施需要可靠 的数据，而每一行业的违约信息往往不容易取得，同时有关贷款的历史价格和交 易量等时间序列资料匮乏， 导致估计信用资产之间的相关性困难重重，这些都制 约了该模型在我国的广泛应用。此外，还有一个重要原因就是CreditRisk 4-模 型和 CPV 模型都只是 CreditMetrics模型和 KMV 模型的补充，并不是当前世界金融 界信用风险度量模型的主流。 相反，CreditMetrics模型和 KMV 模型则是

18、目前国际金融界最流行的两个信用 风险管理模型。两者都为银行和其他金融机构在进行贷款等授信业务时衡量授信 对象的信用状况， 分析所面临的信用风险， 防止集中授信， 进而为实现投资分散 化和具体的授信决策提供了量化的和更加科学的依据，对以主观性和艺术性为特 征的传统信用分析方法提供了很好的补充。然而，从上述的介绍和分析中， 我们 又可以明显地看到这两个模型在建立的基本思路上又有相当大的差异。这些差异 主要表现在以下方面。 第一，KMV 模型对企业信用风险的衡量指标预期违约率主要来自该企业股票 市场价格变化的有关数据的分析，而CreditMetrics模型对企业信用风险的衡量 来自于该企业信用等级转

19、换及其概率的历史数据的分析。 第二，由于 KMV 模型采用的是企业股票市场价格分析方法，这使得可以随时 根据该企业股票市场价格的变化来更新模型的输人数据，得出及时反映市场预期 和企业信用状况变化的新的预期违约率。CreditMetrics模型采用的是企业信用 评级指标分析法。 企业信用评级， 无论是内部还是外部， 都不可能像股票市场是 动态变化的，而是相当长的一段时间内保持静态特征。 第三，KMV 模型被认为是一种向前看 (forward looking) 的方法，其预期违 约频率指 标中包 含了 市场投 资者对 该企业 信用状 况未 来发展 趋势的 判断。 CreditMetrics模型采用

20、的主要是依赖信用状况变化的历史数据的向后看(back looking) 的方法。 第四，KMV 模型与 CreditMetrics模型所选择的信用损失计量方法不同。对信 用风险损失的计量存在两种不同的方法。KMV 模型采用的是违约法，而JP摩 根信用度量制模型采用的是盯市法。 第五，KMV 模型与 CreditMetrics模型对贷款的估计方法不同。 CreditMetrics 模型采用合同现金流贴现法， 就是对贷款合同中规定的未来现金流按照与该贷款 的信用等级相适应的贴现利率予以贴现。KMV 模型采用的是风险中性估计法，它 6 是衍生金融工具估计中常用的方法，根据这种估计法， 贷款被看作是在

21、有限责任 公司制度下基于借款人资产价值的或有要求权。 从以上 KMV 模型与 CreditMetrics模型的比较来看， KMV 模型在我国应该有更 大的应用优势，但实际情况并不尽然。以下几点原因阻碍了它在我国的应用。 第一，由于我国股票市场的信息不对称造成的价格扭曲现象，我国股票市场 的价格信息被认为大概只有60的成分才能反映真实的价格波动。因此使用股价 数据计算的股权收益率和波动性是很不稳定的，选取不同时间段的股价数据计算 得出的结果可能存在较大的差异。 第二，企业公布的资产负债表可能存在虚假的信息。我国对企业信息披露的 准确性和真实性的约束还不够。 第三，缺少企业违约历史数据库， 不能根

22、据历史的违约和破产频率得出违约 距离和违约概率之间的关系。 相比之下， CreditMetrics模型具有两个优点，一是所计算出的贷款受险价 值量可以较为准确地反映不同信用等级和不同时期的贷款在未来可能发生的价 值损失；二是以受险价值来确定防范信用资产风险的最低资本量可以有效地保证 银行在遭受信用风险损失的情况下能够继续生存下来。因此，在不久的将来， CreditMetrics模型可较好地用于中国商业银行对信贷风险进行量化和管理。 4、两种银行的信贷风险量化模型的具体分析 4.1 A银行 KMV 模型 KMV 模型的运用步骤 首先，它利用 Black-Scholes期权定价公式， 根据企业资产

23、的市场价值、 资 产价值的波动性、 到期时间、无风险借贷利率及负债的账面价值估计出企业股权 的市场价值及其波动性。 其次，根据公司的负债计算出公司的违约实施点(defaultexercise point ， 为企业 1年以下短期债务的价值加上未清偿长期债务账面价值的一半)，计算借 款人的违约距离。 最后，根据企业的违约距离与预期违约率(EDF) 之间的对应关系， 求出企业 的预期违约率。 KMV 模型的理论基础 KMV 模型的优势在于以现代期权理论基础作依托，充分利用资本市场的信息 7 而非历史账面资料进行预测， 将市场信息纳入了违约概率， 更能反映上市企业当 前的信用状况，是对传统方法的一次

24、革命。KMV 模型是一种动态模型，采用的主 要是股票市场的数据，因此，数据和结果更新很快，具有前瞻性，是一种“向前 看”的方法。在给定公司的现时资产结构的情况下，一旦确定出资产价值的随机 过程，便可得到任一时间单位的实际违约概率。其劣势在于假设比较苛刻， 尤其 是资产收益分布实际上存在 “肥尾”现象，并不满足正态分布假设； 仅抓住了违 约预测，忽视了企业信用品质的变化； 没有考虑信息不对称情况下的道德风险； 必须使用估计技术来获得资产价值、企业资产收益率的期望值和波动性；对非上 市公司因使用资料的可获得性差，预测的准确性也较差；不能处理非线性产品， 如期权、外币掉期等。 KMV 模型的研究阶段

25、 KMV 模型自 1993 年推出以来 , 国外学术界对 KMV 模型的研究经历了两个阶段: 第一阶段 将 KMV 模型的预测结果与实际的违约数据相比较,大多数研究结果表明 ,KMV 模型能够反映信用风险的高低,并对信用风险具有很高的敏感性? 第二阶段 国外学术界对模型的验证寻找到新的角度,并开发出多种验证模型有效性的 方法和技术 ?我国学者主要对模型在我国适应性和参数调整方面进行了许多 探讨,取得了一定的成果 ?张林?张佳林(2000) ?王琼?陈金贤(2002)先后对 KMV 模 型与其他模型进行理论上比较,认为更适合于评价上市公司的信用风险?薛锋,鲁 炜,赵恒街, 刘冀云(2003) 利

26、用中国股市的数据 ,得出了应中市场的 v 和E 的 关系函数 ,并以一只股票为样本进行了实证分析?乔卓等(2003) 介绍了 KMV 模型 的基本内容 , 以及国外的应用经验, 但是并没有进行实证研究?易丹辉 , 吴建民 (2004 年)对深市和沪市随机抽取30 家公司分行业计算违约距离和违约率并作比 较,认为借助违约距离衡量上市公司的信用风险是可行的?由于缺少大量违 约公司样本的历史数据库,因此, 我国目前无法通过比较违约距离和破产频率的 历史,拟合出代表公司违约距离的预期违约率函数?本文尝试使用上市公司在某 国有商业银行贷款不良率替代其违约率, 并根据我国资本市场的特点,选取 KMV 模型

27、的相关参数 ,同时采用某国有商业银行2001 年 12 月 31 日的 235 家贷款客户的 不良率来替代上市公司的违约率进行实证分析,建立违约距离与不良率的函数关 系? 8 KMV 模型的评价 KMV 是运用现代期权定价理论建立起来的违约预测模型，是对传统信用风险 度量方法的一次重要革命。首先，KMV 可以充分利用资本市场上的信息，对所有 公开上市企业进行信用风险的量化和分析；其次，由于该模型所获取的数据来自 股票市场的资料， 而非企业的历史数据， 因而更能反映企业当前的信用状况，具 有前瞻性，其预测能力更强、更及时，也更准确；另外，KMV 模型建立在当代公 司理财理论和期权理论的基础之上，

28、具有很强的理论基础做依托。但是，KMV 模型与其他已有的模型一样，仍然存在许多缺陷。 首先，模型的使用范围由一定 的局限性。 通常，该模型特别适用于上市公司的信用风险评估，而对非上市公司 进行应用时，往往要借助一些会计信息或其他能够反映借款企业特征值的指标来 替代模型中一些重要变量， 同时还要通过对比分析最终得出该企业的期望违约概 率，在一定程度上就有可能降低计算的准确性。其次，该模型假设公司的资产价 值服从正态分布，而实际中企业的资产价值一般会呈现非正态的统计特征。再次， 模型不能够对债务的不同类型进行区分，如偿还优先顺序、担保、契约等类型， 使得模型的输出变量的计算结果不准确。北达公司根据

29、中国过渡经济的资本市场 的特点，开发具有中国特色的上市公司信用KMV 模型目前在进行压力测试阶段. 4.2 B银行 Creditmetrics模型 Creditmetrics模型（信用计量模型） 是 J.P. 摩根在 1997 年推出的用于量化信用 风险的风险管理产品。 与 1994 年推出的量化市场风险的Riskmetrics一样，该模 型引起了金融机构和监管当局的高度重视，是当今风险管理领域在信用风险量化 管理方面迈出的重要一步。 Creditmetrics模型的基本思想 1、信用风险取决于债务人的信用状况，而企业的信用状况由被评定的信用 等示。因此，信用计量模型认为信用风险可以说直接源自

30、企业信用等级的变化， 并假定信用评级体系是有效的，即企业投资失败、 利润下降、 融资渠道枯竭等信 用事件对其还款履约能力的影响都能及时恰当地通过其信用等级的变化而表现 出来。信用计量模型的基本方法就是信用等级变化分析。转换矩阵（Transition Matrix 一般由信用评级公司提供） ，即所有不同信用等级的信用工具在一定期限 内变化（转换）到其他信用等级或维持原级别的概率矩阵，成为该模型重要的输 入数据。 9 2、信用工具（包括债券和贷款等）的市场价值取决于债务发行企业的信用 等级，即不同信用等级的信用工具有不同的市场价值，因此，信用等级的变化会 带来信用工具价值的相应变化。 根据转换矩阵

31、所提供的信用工具信用等级变化的 概率分布，同时根据不同信用等级下给定的贴现率就可以计算出该信用工具在各 信用等级上的市场价值（价格） ，从而得到该信用工具市场价值在不同信用风险 状态下的概率分布。 这样就达到了用传统的期望和标准差来衡量资产信用风险的 目的，也可以在确定的置信水平上找到该信用资产的信用值，从而将 Var 的方法 引入到信用风险管理中来。 3、信用计量模型的一个基本特点就是从资产组合而并不是单一资产的角度 来看待信用风险。 根据马柯威茨资产组合管理理论，多样化的组合投资具有降低 非系统性风险的作用， 信用风险很大程度上是一种非系统性风险，因此，在很大 程度上能被多样性的组合投资所

32、降低。 另一方面，由于经济体系中共同的因素 （系 统性因素） 的作用，不同信用工具的信用状况之间存在相互联系，由此而产生的 系统性风险是不能被分散掉的。这种相互联系由其市场价值变化的相关系数（这 种相关系数矩阵一般也由信用评级公司提供）表示。由单一的信用工具市场价值 的概率分布推导出整个投资组合的市场价值的概率分布可以采取马柯威茨资产 组合管理分析法。 4、由于信用计量模型将单一的信用工具放入资产组合中衡量其对整个组合 风险状况的作用， 而不是孤立地衡量某一信用工具自身的风险，因而，该模型使 用了信用工具边际风险贡献这样的概念来反映单一信用工具对整个组合风险状 况的作用。边际风险贡献是指在组合

33、中因增加某一信用工具的一定持有量而增加 的整个组合的风险（以组合的标准差表示）。通过对比组合中各信用工具的边际 风险贡献，进而分析每种信用工具的信用等级、与其他资产的相关系数以及其风 险暴露程度等各方面因素， 可以很清楚地看出各种信用工具在整个组合的信用风 险中的作用，最终为投资者的信贷决策提供科学的量化依据。 Creditmetrics模型分析 受险价值 (VaR)方法： 受险价值模型就是为了度量一项给定的资产或负债在一定时间里和在一定的置 信度下其价值最大的损失额。 10 VaR 方法度量非交易性金融资产如贷款的受险价值时则会遇到如下问题： 1.因为绝大多数贷款不能直接交易，所以市值P 不

34、能够直接观察到。 2.由于贷款的市值不能够观察，也就无法计算贷款市值的变动率。 3.贷款的价值分布离正态分布状偏差较大。 “信用度量制”方法 (CreditMetrics)： 信用度量制是通过掌握借款企业的资料如: （1）借款人的信用等级资料 （2）下一年度该信用级别水平转换为其它信用级别的概率 （3）违约贷款的收复率 计算出非交易性的贷款和债券的市值P 和市值变动率 ，从而利用受险价值方法 对单笔贷款或贷款组合的受险价值量进行度量的方法。 4.3两种银行量化模型的比较分析 KMV 模型与 creditmetrics模型是目前国际金融界最流行的两个信用风险管 理模型。两者都为银行和其它金融机构

35、在进行贷款等授信业务时衡量授信对象的 信用状况， 分析所面临的信用风险， 防止集中授信， 进而为实现投资分散化和具 体的授信决策提供量化的、 更加科学的依据， 为以主观性和艺术性为特征的传统 信用分析方法提供了很好的补偿。然而，从上述的介绍和分析中， 我们又可以明 显地看到这两个模型在建模的基本思路上又相当大的差异，这些差异还主要表现 在以下几个方面。 1 、KMV 模型对企业信用风险的衡量指标edf 主要来自于对该企业股票市场价 格变化的有关数据的分析， 而 creditmetrics模型对企业信用风险的衡量来自于 对该企业信用评级变化及其概率的历史数据的分析。这是两者最根本的区别之 一。

36、2、由于 KMV 模型采用的是企业股票市场价格分析方法，这使得该模型可以 随时根据该企业股票市场价格的变化来更新模型的输入数据，得出及时反映市场 11 预期和 企业信用 状况变化的新的 edf 值。因此，kmv 模型被认为是一种动态模型， 可以及时反映信用风险水平的变化。然而，creditmetrics采用的是企业信用评 级指标分析法。 企业信用评级 ，无论是 内部评级还是外部评级， 都不可能象股票 市场价格一样是动态变化的， 而是在相当长的一段时间内保持静态特征。这有可 能使得该模型的分析结果不能及时反映企业信用状况的变化。 3 、同时，也正是因为 kmv 模型所提供的 edf 指标来自于对

37、股票市场价格实 时行情的分析，而股票市场的实时行情不仅反映了该企业历史的和当前的发展状 况，更重要的是反映了市场中的投资者对于该企业未来发展的综合预期，所以， 该模型被认为是一种向前看（forward-looking）的方法， edf 指标中包含了市 场投资者对该企业信用状况未来发展趋势的判断。这与 creditmetrics模型采用 的主要依赖信用状况变化的历史数据的向后看（backward-looking ）的方法有根 本性的差别。 kmv 的这种向前看的分析方法在一定程度上克服了依赖历史数据向 后看的数理统计模型的“历来可以在未来复制其自身”的缺陷。 4 、KMV 模型所提供的 edf

38、指标在本质上是一种对风险的基数衡量法，而 creditmetrics所采用的与信用评级分析法则是一种序数衡量法，两者完全不 同。以基数法来衡量风险最大的特点在于不仅可以反映不同企业风险水平的高低 顺序，而且可以反映风险水平差异的程度，因而更加准确。 这也更加有利于对贷 款的定价。而序数衡量法只能反映企业间信用风险的高低顺序，如bbb 级高于 bb级，却不能明确说明高到什么程度。 5、creditmetrics采用的是组合投资的分析方法，注重直接分析企业间信 用状况变化的相关关系， 因而更加与现代组合投资管理理论相吻合。而 kmv 则是 从单个授信企业在股票市场上的价格变化信息入手，着重分析该企

39、业体现在股价 变化信息中的自身信用状况，对企业信用变化的相关性没有给予足够的分析。 【参考文献】 【 1 】 Black ， F ， ScholesM The PricingofOptionsandCorporate LiabilitiesJournal of Political Economy，1973（，81） ： 81-98 【2】王春峰金融市场风险管理天津：天津大学出版社，2001 【3】于立勇商业银行信用风险评估预测模型研究管理科学报，2003， （ 65） ： 46-52 【4】安东尼桑德斯信用风险度量raM,险估值的新方法与其他范式M北京： 12 机械工业出版社， 2001 【5】张淼商业银行信贷风险管理模型、方法与建议M上海：上海财经 大学出版社。 2005 【6】赵先信 &银行内部模型和监管模型1-2&上海：上海人民出版社 2004 13