時間：2023-04-19 16:54:47
引言：易發表網憑借豐富的文秘實踐，為您精心挑選了九篇信用風險論文范例。如需獲取更多原創內容，可隨時聯系我們的客服老師。
傳統的信息不確定和不對稱的問題，使得投資人對企業價值評估不準確，進而要求高的風險溢價。從根本上講，債券市場同股票市場一樣，受宏觀經濟面如貨幣政策、市場信心等市場信息因素的影響。Galai以宏觀市場的定價行為作為衡量信息不對稱的程度，說明了信息不對稱情況下，存在信用利差進而影響企業債券估價。Moerman通過研究發現，二級市場中買賣價差與債券的利率利差存在正相關關系，買賣價差與債券的期限呈現正相關的關系。從宏觀角度講，能夠影響企業債券價值的因素有市場利率、票面利率、交易量、債券剩余期限、通貨膨脹率等。以大數據的視角可以將這些因素統歸于“利率”，因為宏觀經濟的各種指標最終都會以利率的形勢表現出來。另外，從微觀風險信息的角度出發，內部的經營問題也可能會迫使企業在債券到期無力償還，導致投資者面臨違約風險。Duffie以不完全的會計信息作為指標，提出會計信息不完整會使投資者錯誤的評估公司的實際價值，結果是要求公司產生高的風險溢價。Hong(2000)認為公司歷史越悠久就能越好的提供更多的有價值的信息，從而降低了這種信息不確定性，降低風險溢價。微觀層面影響的企業債券價值的信息，其實是對企業的運營狀況、財務狀況等的一個反應，都體現對公司“信用”的評級。以“利率”和“信用”為給定關鍵字后,利用大數據搜索技術，從而找到更多企業信息，對企業債券評估具有很高的價值，運用數據挖掘技術有可以從大量的信息中提出影響企業價值的因素，這樣可以有效的解決以往的信息不確定和信息不對稱的問題。
二、大數據挖掘技術在債券信用風險估計中的應用
大數據下，我們面對的是多種多樣紛繁復雜的數據，關于企業的信息有些是我們需要的，但是很大一部分是無關聯的數據，所以采取新型的數據挖掘技術，找到哪些因素能夠影響企業價值才是最關鍵的。數據挖掘就是大量的數據中，找到其中隱含的、我們看不見的、有價值的信息。數據挖掘技術有很多種，比較常見的有關聯規則、神經網絡、決策樹等方法。這些方法中很多可以運用到債券估價模型上。在當下流行的關聯分析算法中，比較有影響力的是Apriori算法。該算法通過多次循環提取，盡可能減小候選集的規模，最終形成強關聯集合。這種關聯規則可以應用到對影響企業債券信息的初期處理之中，找出哪些因素能夠對債券價值有影響，通過關聯規則可以實現數據的初期整合，刪除無影響的信息。決策樹是一種預測分類方法，其目的是對數據集訓集進行分類，找出有價值的，隱含的信息。J.R.Quinlan提出的ID3算法根據信息增益最大化為主要屬性設置決策樹的節點，然后在各支樹上采用遞歸算法建立分支樹。決策樹可以用于對企業價值信息進行分類估價，建立信用風險模型。通過決策樹對信息的分類，達到評價企業信用風險等級評價的目的。神經網絡算法是模擬人體細胞間的神經元，通過訓練實現分級、聚合等多種數據挖掘目標。神經網絡技術在債券市場的研究也日趨成熟，Coasts講神經網絡應用于公司財務狀況評價，發現利用神經網絡預測正確率在93%。所以，利用神經網絡數據挖掘可以根據提取、篩選、分類后的數據進行債券價格的預測。通過以上3種數據挖掘技術在債券市場上的應用，可以很好的分析企業價值信息。關聯分析可以對找出相關信息，決策樹可以對信息進行分類，神經網絡可以對債券價值做一個很好的預測。
三、總結
信用風險，也稱違約風險，一般是指借款人到期不能或不愿履行還貸付息協議而使銀行面臨貸款損失的可能性。信用風險是指信貸資金安全系數的不確定性，表現為企業由于各種原因，不愿意或無力償還銀行貸款本息，使銀行貸款無法回收，形成呆帳的可能性（Murphy，2003）。具體的講，信用風險可以分為兩種情況：一是借款人或債務人沒有能力或者沒有意愿履行還款義務而給債權人造成損失的可能性；另一個是指由于債務人信用等級或信貸資產評級的下調、信貸利差的擴大導致資產的經濟價值或者市值下降的可能性。前者主要著眼于貸款是否違約，稱為違約風險。信用風險根據其定義，具有如下特征。
第一，非系統性與系統性。借款人的還款能力和還款意愿受多種因素的影響，一方面債務人自身的財務狀況、投資策略和經營能力等因素決定了其能否按期履約還款。而另一方面，除了借款人自身的非系統風險之外，系統風險的也會對債務人違約產生影響，包括宏觀經濟狀況、行業發展狀態和政策法律等因素。
第二，道德風險與信息不對稱對信用風險的形成具有重要作用。債權人與債務人的信用交易通常是在信息不對稱的條件下進行的。債權人經常對債務人的信息掌握缺乏或者掌握錯誤信息，在信息掌握失衡的情況下，債務人為了實現自身的利益最大化，道德風險發生的可能性變大，即產生違約傾向，最終形成信用風險。
第三，信用風險收益的非對稱性。信用風險收益的分布具有典型的非對稱性，信用風險分布的偏峰厚尾特征決定了簡單的應用均值和方差來衡量風險的大小是不充分的。
第四，信用風險作用于銀行信貸經營的全過程，只有及時、準確地發現信用風險的誘導因素并系統、連續地掌握信用風險的特征、大小、屬性及變動趨勢，才能防范和化解風險。
二、信用風險四個量化因子
第一，違約概率（ProbabilityofDefault，PD），是指銀行的交易對手（債務人）在未來一段時間內發生違約的可能性。對違約概率進行量化，需要我們對違約進行具體的界定。長期以來對違約的定義沒有一個統一的標準，不同的用途有時會采取的不同的違約定義。新巴塞爾協議提供了違約的參考定義，違約是指以下兩種情況的一種或者兩者同時出現：一是銀行認定除非采取追索措施，如變現抵質押品（如果存在的話），借款人可能不能全額償還對銀行集團的債務；二是借款人對銀行集團的實質性信貸債務逾期90天以上。對于“不能全額償還”，新協議又進行了六點詳細闡述：一是銀行停止對貸款表內計息，即借款人的貸款轉為表外計息；二是由于信貸質量大幅下降，銀行核銷了貸款或計提了專項準備；三是銀行將借款人貸款出售并相應承擔了較大經濟損失；四是銀行同意對借款人進行消極債務重組而發生本金、利息或費用等較大規模的減免或推遲償還造成債務規模的減少；五是就借款人對銀行集團債務而言，銀行將債務人列為破產或類似狀況；六是借款人破產或申請破產或處于類似保護狀態，由此不能履行或需要延期履行銀行集團債務。
第二，違約損失率（LossGivenDefault，LGD），是指債務人一旦違約將給銀行(債權人)造成的損失數額占風險暴露的百分比，它衡量了損失的嚴重程度，并且有違約損失率＝1-回收率。對違約損失率進行量化需要我們對損失進行具體的界定。損失的界定即損失計算的范圍，對此銀行業實際業務中缺乏統一定義，往往根據具體目的和需要確定，一般損失的內容包括以下幾個方面：本金的損失、利息的損失、違約債務持有成本和清收費用（如托收費、律師訴訟費）等。
第三，違約風險暴露（ExposureAtDefault，EAD），也稱違約敞口，指信用暴露中面臨違約風險的部分。關于違約敞口最重要的一點是它是未來的敞口，即在將來面臨信用風險的頭寸規模。由于提款和還款的方式不同，加上存在其他不確定性因素，在貸款到期之前信用敞口經常隨著時間的推移而改變。
第四，有效期限（Maturity，M），是指當前與貸款或債券到期償還日的時間間隔。向企業放貸對銀行來說是一種投資行為，與其他形式的投資一樣，銀行這一投資的收益受其時間價值的影響。貸款的期限越長，債務在到期之前面臨的不確定性越大，風險自然也就越大。在最新的巴塞爾新資本協議中，明確的提到了期限的處理問題。
三、信用風險損失的計量
對信用風險的四個量化因子進行研究，主要目的是對信用風險可能帶來的損失進行計量。對信用風險損失的計量標準有兩種方法，一是基于違約式模型下的損失，即債務人已發生的違約行為而給債權人（這里主要說的是商業銀行）帶來的損失；二是盯市模型下的損失，即除了違約行為之外，債務人信用等級的降低或資信質量的惡化導致的潛在損失，這是因為即使在借款人信用狀況惡化的情況下并沒有發生違約，但是信用資產的經濟價值也會因借款人信譽發生變化而受到影響。目前，對于信用風險損失的計量主要考慮預期損失、非預期損失和損失不足三種情況。
1、預期損失（EL）。預期損失是銀行在經營活動中可以預期到的損失。銀行在事前計提損失準備金來抵御預期損失，或者在貸款定價時將預期損失作為成本（如通過貸款利率）予以考慮。預期損失是損失的期望水平，沒有考慮不確定性因素的影響。因此銀行須將預期損失視為經營的成本，在貸款的定價或事前損失撥備中予以考慮。預期信用風險損失率等于違約損失率和違約概率的積。進行違約概率和違約損失率測度，可以有效提升信用風險管理水平。
2、非預期損失（UL）。又稱意外損失，非預期損失是指因經濟環境或市場狀況異常波動等非預期事件造成的實際損失對預期損失的偏離。如果組合損失分布服從正態分布，預期損失和非預期損失的分布將與組合信用損失分布一致，因為已知一階矩和二階矩即可確定正態分布，那么非預期損失一般可以用預期損失的標準差來描述。但信用風險的損失分布并不服從正態分布，而是具有明顯的有偏和非對稱性特征。此時非預期損失對應于在險價值（VaR）與期望損失之差。
3、損失不足（ES）。意外損失不包括極端事件，極端事件指VaR置信水平以外的概率發生的損失，盡管股市崩盤、金融危機發生的概率很小，但是其造成的損失是投資者不能忽視的，而一般的統計規律不能估計極端損失，這需要采用壓力檢測分析這一問題，相應的提出了極值理論和一致性風險度量。損失不足即是度量超出VaR置信水平下最嚴重損失的平均值，它能夠滿足對極端損失的關注，在連續分布下，還滿足次可加性、齊次性、單調性和無風險條件四個公理，是一致性風險度量手段。
四、經濟資本與經風險調整收益率
以經營信貸資產為主要業務的商業銀行，始終面臨著風險和潛在損失問題，為了抵御這些損失的影響，銀行必須配備一定的準備或者資本，又因其行業的特殊性，其資產資本構成與一般工商企業有較大的差異，銀行的資本僅占其資產總額的很小一部分，同時銀行除了自身主動提取風險準備以外，還要滿足外部監管當局的資本要求。
第一，經濟資本（EC）。經濟資本是銀行內部用以緩沖風險損失的權益資本。巴塞爾資本協議將經濟資本籠統的定義為銀行等金融機構在經營過程中所必須持有能夠覆蓋所有可能風險的資本數量，經濟資本的數量由金融機構自己估計。經濟資本的概念與在險價值（ValueatRisk，記為VaR）的概念實際上一致的。在險價值刻畫了損失分布的尾部風險，其定義是在一定時期內，在某一置信水平下，投資組合的最大可能損失。事實上，銀行內部測算的經濟資本與外部監管當局所要求的監管資本常常是不一致的，這種不一致既可能是經濟資本高于監管資本，也可能是經濟資本低于監管資本。經濟資本是銀行內部為抵御風險而主動配備的資本，實際上是指所“需要的”資本或“應該有的”資本，不是銀行已經擁有的資本，它不同于帳面資本和監管資本。雖然經濟資本與監管資本都起到風險緩沖的作用，但前者是由銀行管理者從內部來認定和安排的緩沖，它實際上反映了股東價值最大化對銀行管理的要求；而后者則是銀行業監管部門從行業監管的角度對銀行資本金水平所做的要求。在風險定價方面，監管資本無法有效的區分暴露的風險差異，而經濟資本做到了這一點，經濟資本對風險的敏感性顯著高于監管資本對風險的敏感性。所以，從理論上經營穩健的銀行需要動態監測監管資本和經濟資本，并保證經濟資本大于等于監管資本。當經濟資本高于監管要求的資本時，銀行為了提高資本金的利用效率，會將超額的部分通過資本充足率的杠桿效應，擴大信貸投放；或者通過增加表外業務實現資本金的投資收益。最終使經濟資本與監管資本趨于一致。當銀行內部計算的經濟資本要求，大大低于監管所規定的監管資本要求時，銀行就會傾向于監管資本套利。監管資本套利的主要做法是通過資產證券化或其他金融創新工具將低風險資產從信貸組合中稀釋出去，而從中獲得收益。
第二，經風險調整收益率（RAROC）定義為凈收益減去預期損失后與經濟資本的比。該定義與資產組合理論中的風險收益比率即Sharp比率相似。銀行除了重視估計風險潛在損失和進行經濟資本配置以外，對銀行的收益能力也十分重視。20世紀70年代末，美國信孚銀行提出了RAROC，目的是為了度量銀行信貸資產組合的風險和計算在特定損失率下為限制風險暴露必須的股權數量。后來許多大銀行在此基礎上紛紛對RAROC模型進行開發，從而逐漸改變了傳統的以資產收益率和資本收益率為中心的業績考核和管理體系，將風險因素充分考慮到銀行的經營業務考核中。20世紀90年代，這項技術在不斷完善的同時在國際上大銀行間得到了廣泛的推廣，并逐漸成為當今金融理論界和實踐中公認的最核心、最有效的經營業績考核管理方法。我國銀行業監管管理委員會在《商業銀行市場風險管理指引》中指出，銀行是經營特殊商品和服務的高風險企業，必須將風險因素引入到經營管理和績效衡量中。實踐表明，銀行業要實施全面風險管理，就必須以經濟資本為基礎，建立一套有效的風險調整后的資本收益率管理體系。
【參考文獻】
[1]MurphyA.：AnempiricalanalysisofthestructureofcreditriskpremiumsintheEurobondmarket[J].JournalofInternationalMoneyandFinance，2003（22）.
[2]Stiglitz，J.E.，A.Weiss：CreditRationinginMarketswithImperfectInformation[J].TheAmericanEconomicReview，1981（71）.
[3]李志輝：中國銀行業風險控制和資本充足性管制研究[M].中國金融出版社，2007.
[4]孟慶福：信用風險管理[M].經濟科學出版社，2006.
[5]葉蜀君：信用風險度量與管理[M].首都經濟貿易大學出版社，2008.
從客戶角度來看，誠信意識和信用觀念淡薄是導致信用卡產業信用風險的主要原因。我國經濟發展逐步駛向快車道的同時，社會思想道德領域的建設卻顯得較為滯后。在市場交易的過程中，一些人缺乏誠信意識和信用觀念，只關注經濟利益。他們只看到了透支消費帶來的誘惑，卻缺乏主動定期償還透支消費的責任感，合同意識和履約意愿十分淡薄，常常延遲還款或不予還款。甚至一些客戶受經濟利益的驅使，法律意識淡薄，在辦理信用卡之初的目的就是向發卡機構騙取透支額度，若信用卡發卡機構沒能及時辨別，就會造成損失。在申請辦理信用卡的客戶中，部分客戶對使用信用卡進行透支消費后的還款風險沒有足夠清醒的認識，將信用卡業務簡單地理解為透支消費。一些信用卡持卡客戶，在辦理信用卡業務時只看到了使用信用卡“先消費、后還款”的便捷，卻沒有認真考慮自己的財務狀況。為了獲得更高的信用額度，一些客戶申請時不惜夸大自己的個人收入，甚至制作虛假的資金證明。當透支額超出自身還款能力時，一些信用卡客戶只好通過在不同銀行辦理多張信用卡，相互還款以求度日，這種做法將風險最終轉嫁到信用卡發卡機構。傳統理論對于信用卡客戶信用問題的解決主要依賴于政府和市場兩個主體，即通過政府的計劃、指令、法律法規以及市場供求關系和優勝劣汰來建立對信用卡客戶的選擇、規范和淘汰機制。但是這種機制所能發揮作用的前提是交易雙方信息對稱以及理性的完全契約條件。在實際生活中，這種理想狀態是不存在的，這就需要人們在不完全契約條件下實現信用卡產業信用風險的最小化。
2第三配置的內涵和特征
第三配置是指由市場和政府之外的第三種力量實施的資源配置，是除市場調節和政府調節之外的配置力量之和。它具有豐富的內涵，其主要內容大體包括以下三個方面：(1)社會精神力量，是支撐人們行動的精神動力源泉，來源于社會意識、精神世界的力量，如世界觀、價值體系、道德觀念、、思想意識等。(2)社會制度力量，是規范人們行為的潛意識規則，包括成文的社會正式制度如鄉規民約、社團規章、協會章程等，以及不成文的社會非正式制度如習俗、慣例、社會規范、行為模式等。(3)社會組織力量，是以組織形式存在的第三配置力量，包括非政府、非營利性的社會團體、民間組織、行業協會、慈善機構等。這三種力量在形成機制、表現形式、約束力大小等方面既有區別又有交叉，它們的關系是辯證統一的。其中世界觀和意識形態是一種相對隱性和軟性的東西，而習俗、慣例、章程等則相對來說更為顯性和硬性，約束力也相對更強。同時，這三種力量存在一定程度的交叉。非政府、非營利性的社會團體、民間組織、行業協會、慈善機構等，往往通過制訂規章制度的方式來協調成員的行為，進行利益分配。相對于政府配置和市場配置，第三配置具有自發性、非強制性、廣泛性、隱蔽性、實施成本低、高路徑依賴性、一定程度的封閉性等特點。
3第三配置在信用卡產業信用風險控制中的必要性
信用卡產業所代表的信用關系體系是我國市場經濟安全有效運轉的一個重要環節。建立一種可靠的信用關系，并非簡單地制作或發放一張信用卡就可以實現。信用關系的背后實際上是一種制度性契約和長期習俗的混合體，也是一種信用文化和有保障支付歷史記錄的體現。如前所述，只有在信息完全的情況下，社會契約才能是實現完全契約的效果，在現實不完全契約的條件下，我國需要做兩方面工作，一是有必要不斷健全和完善個人征信體系，二是在此基礎上通過第三配置進一步完善信用卡產業的信用文化。第三配置通常在特殊類型的社會網絡關系中起重要作用，比如，親緣關系、地緣關系、私人交往圈、民間組織網絡等，即往往存在于特殊意義的人際關系中。這種特性恰好與我國的信用卡產業發展路徑相契合。首先，信用卡產業發展源起于人類信用關系網絡。它的產生與發展都以社會網絡的結構性變動為前提。在我國現代化轉型過程中，社會的信任結構正從特殊信任向普遍信任發展，從而為信用卡提供了發展的土壤。
其次，信用卡產業的分配現狀并不完全是市場競爭的結果。作為一種社會資本的產物，它的分配體系受到了社會結構的制約。只有當一個人或者一個階層在社會結構中獲取了相應的認同時才能夠便捷地得到信用卡。最后，信用卡產業受控于社會結構與文化。信用卡作為貨幣支付的一種方式，與普通現金支付之間存在用途與意義的區別。信用卡在我國發展初期就被消費文化定義為“高端貨幣”，界定了它的文化內涵與使用領域，而傳統文化則使人們對這種容易導致“負債”的貨幣保持警惕。文化的二重性塑造了我國特殊的信用卡產業特性。
4相關建議
在市場經濟條件下，經濟活動越頻繁，對信用的要求越高；社會的信用道德程度越高，信用卡產業的經濟運作成本就越低，所以，信用對信用卡產業來說不僅是一種社會規范，更是一種資源。從資源的配置視角看，資源的配置除了傳統的市場和政府以外，還存在第三配置，即由社會公共組織或社會公共道德協調機制等方面的配置力量所進行的補充性配置，我國信用卡產業信用風險控制應重視這種良性補充。
(1)積極培育和發展相關專業化的組織，加強信用宣傳。如推動誠信建設有關的社會性組織等，它們既不從屬于政府，更不屈從于市場，它們的功能主要在于進一步規范和推動相關的行為，以保證信用卡產業信用風險控制在持續和健康的軌道內運行，并選擇適合我國國情的信用培育模式。同時，要做到信息公開、透明，以加強相關組織的公信力建設。
(2)重視信用理念的培育和信用文化建設，繼承和弘揚中華民族的傳統美德和誠信價值觀，通過社會價值觀的支持使信用成為一種大眾文化。借助觀念培育、制度激勵、道德教化、榜樣示范和輿論評價等力量，推進信用傳統在信用卡產業實踐層面的現代轉化。
(3)營造有利于信用卡產業發展的良好信用氛圍。以信用建設為主要內容的第三配置在信用卡產業發展中要想發揮越來越重要的作用，政府和社會各界需要對此給予更多的支持和關注，除了在政策等方面予以支持外，還要通過一定的物質支持和精神鼓勵，對為此做出貢獻的個人和其他社會團體給予更多的鼓勵，在全社會營造有利于信用卡產業發展的良好信用氛圍。
(4)結合信用卡產業現狀對第三配置內容進行重新設計。針對當前的信用卡產業中的信用問題，一方面要在客戶中引導他們對現實信用制度的正確理解；另一方面,要提出切實可行的改革措施，在治理消極現象的同時使這些措施被公眾所認同。
論文關鍵詞：銀行間市場；信用風險；風險管理
全球金融危機對金融機構風險管理理念的最大影響之一就是對交易對手信用風險的重視。金融機構評估對手方信用風險的方法、模型合理與否，關系到評估結果的優劣。本文概要闡述了銀行信用風險計量方面的相關理論依據和基本做法。并對銀行間市場完善授信管理提出了具體建議。
一、信用風險評估理論
銀行等金融機構信用風險評估方法大致有統計模型、CAMEL模型和專家判斷模型等三種理論依據：
(一)統計模型
利用統計模型進行信用評估的前提條件是有足夠的數據積累，一般至少需要連續3年的相關數據。
1．違約概率(ProbabilityofDefauh，PD)理論
違約概率是預計債務人不能償還到期債務(違約)的可能性。評估結果與違約率的對應關系是國際公認的事后檢驗評級機構評估質量標準的一項最重要的標尺。在商業銀行信用風險管理中，違約概率是指借款人在未來一定時期內不能按合同要求償還銀行貸款本息或履行相關義務的可能性。如何準確、有效地計算違約概率對商業銀行信用風險管理十分重要。不同評級機構所設定的違約定義可能不同，所反映同一等級的質量也因此而不同。只有違約定義相同的評級機構，其評級結果才可以進行比較。有了對應違約率的資信等級才能真正成為決策的依據。商業銀行違約概率常用的測度方法主要有兩種：基于內部信用評級歷史資料的測度方法；基于期權定價理論的測度方法。
2．違約損失率(LossGivenDefault，LGD)理論
違約損失率是指債務人一旦違約將給債權人造成的損失數額占風險暴露(債權)的百分比，即損失的嚴重程度。在競爭日益激烈、風險日益加大和創新日新月異的市場環境中，銀行對資產風險的量化和管理顯得越來越重要。傳統的信用風險評估方法因過于簡單、缺乏現代金融理論基礎等原因已經不能適應金融市場和銀行監管的需要。以獨立身份服務于全社會公眾投資者、以公開上市債券為主的外部信用評級對銀行內部以信貸資產為主、與銀行自身有著特定聯系的資產組合的適用性也越來越小。因此，銀行開始開發類似外部信用評級但又反映內部管理需要的內部信用評級系統，以適應上述市場和內部管理發展的需要。隨著銀行內部評級體系的發展，越來越多的銀行認識到LGD在全面衡量信用風險方面的重要作用，評級體系的結構開始由只注重評估違約率的單維評級體系向既重違約率又重違約損失率的多維評級體系發展。歷史數據平均值法是目前銀行業應用最廣泛最傳統的方法，新巴塞爾資本協定的許多規定也采用這種方法，這種方法以其簡單易操作而獲得歡迎。
(二)CAMEL模型
CAMEL評級體系是目前美國金融管理當局對商業銀行及其他金融機構的業務經營、信用狀況等進行的一整套規范化、制度化和指標化的綜合等級評定制度。其有五項考核指標，即資本充足性(CapitalAde．quacy)、資產質量(AssetQuality)、管理水平(Manage—ment)、盈利水平(Earnings)和流動性(Liquidity)。當前國際上對商業銀行評級考察的主要內容基本上未跳出美國“駱駝”評級的框架。“駱駝”評級體系的特點是單項評分與整體評分相結合、定性分析與定量分析相結合，以評級風險管理能力為導向．充分考慮到銀行的規模、復雜程度和風險層次，是分析銀行運作是否健康的最有效的基礎分析模型。在具體CAMEL模型的指標及其權重選取及校驗過程中，大多采用了回歸分析、主成分分析等統計方法。
(三)專家判斷模型
銀行信用評估的起點是對其財務實力的綜合判斷。應從定量定性兩個角度綜合評估。經營戰略、管理能力、經營范圍、公司治理、監管情況、經營環境、行業前景等要素，無法通過確切數量加以計算，而專家打分卡是一種更加偏向于定性的模型。在缺乏外在基準值，如信用等級、違約和損失數據等的情況下，開發專家判斷模型是一種較好的選擇。專家判斷模型的特點是：符合Basel要求．具有透明度和一致性：專家打分卡建模時間短，所需數據不需要特別的多：專家打分卡可充分利用評估人員的經驗。
二、信用風險評估的通常做法
(一)信用風險評估的基本思路
評估方法應充分考慮風險元素的定量和定性兩個方面，引入大量的精確分析法，并盡可能地運用統計技術。另一方面，不浪費定性參數的判別能力，并用以優化計量模型的預測效能。除CAMEL要素外，還需考慮更多更深入的風險因素。評估要素主要包括品牌價值、風險定位、監管環境、營運環境、財務基本面。
(二)信用風險評估模型的構造
數據準備是模型開發和驗證的基礎，建模數據應正確反映交易對手的風險特征以及評級框架。定義數據采集模板。收集、清洗和分析模型開發和驗證所需要的樣本數據集。影響交易對手違約風險要素主要有非系統性因素和系統性因素。非系統性因素是指與單個交易對手相關的特定風險因素，包括財務風險、資本充足率、資產質量、管理能力、基本信息等。系統性因素是指與所有交易對手相關的共同風險因素．如宏觀經濟政策、貨幣政策、商業周期等。既要考慮交易對手目前的風險特征，又要考慮經濟衰退、行業發生不利變化對交易對手還款能力和還款意愿的影響．并通過壓力測試反映交易對手的風險敏感性
(三)變量選擇方法
1．層次分析法
層次分析法(Theanlaytichierarchyprocess)簡稱AHP：它是一種定性和定量相結合、系統化、層次化的分析方法。層次分析法不僅適用于存在不確定性和主觀信息的情況，還允許以合乎邏輯的方式運用經驗、洞察力和直覺。層次分析法的內容包括：指標體系構建及層次劃分；構造成對比較矩陣；相對優勢排序；比較矩陣一致性檢驗。
2．主成分分析法
主成分分析法也稱主分量分析，旨在利用降維的思想，通過原始變量的線性組合把多指標轉化為少數幾個綜合指標。在保留原始變量主要信息的前提下起到降維與簡化問題的作用，使得在研究復雜問題時更容易抓住主要矛盾。通過主成分分析可以從多個原始指標的復雜關系中找出一些主要成分，揭示原始變量的內在聯系，得出關鍵指標(即主成分)。
3．專家判斷
關鍵指標權重和取值標準設定是通過專家在定量分析的基礎上共同討論確定，取值標準是建立指標業績表現同分數之間的映射關系。取值標準的設定應能夠正確區分風險，取值標準應根據宏觀經濟周期、行業特點和周期定期調整，從而反映風險的變化。
(四)模型校驗修改
模型構造完成后．需要相應財務數據的不斷校驗修改。財務數據可直接向對應機構索取，也可通過第三方數據提供商獲得。直接獲取數據的方式準確性較高，但需對應機構積極配合．且需大量的人力物力用于數據錄入、核對和計算。通過第三方數據提供商獲取數據效率高，但需支付一定費用，且面臨數據不全、數據轉換計算等問題。在違約概率模型的開發過程中，通常遇到模型賴以建造的數據樣本中的違約率不能完全反映出總的違約經歷，需進行模型的壓力測試，確保模型在各種情況下都能獲得合理的結果．并對模型進行動態調整。
(五)引進或自主開發授信評估系統
根據完善授信評估模型，撰寫授信評估系統業務需求書．引進或自主開發授信評估系統，提高授信評估效率。授信評估系統還應與會員歷史數據庫、限額管理系統、會員歷史違約或逾期等信息庫無縫連接，避免各個環節的操作風險。
三、對銀行間市場完善授信評估的啟示
(一)完善授信評估可積極推動銀行間市場業務發展
銀行間市場會員信用評估水平的提高。可有效防范銀行間市場系統性風險。為防范交易對手信用風險，市場成員需及時、合理、有效地對相應會員銀行或做市商進行信用評估，并根據會員或做市商資信狀況的變化進行動態調整，為其設置信用限額。
(二)引進成熟的授信評估方法、模型和流程
根據巴塞爾協議的有關監管要求，國內大中型銀行都已經或正在國際先進授信評估機構的幫助下，開發PD或LGD評估模型。銀行間市場參與者應學習借鑒國內外先進的授信評估方法和模型。在消化吸收先進經驗的基礎上，選擇國際先進咨詢機構作為顧問，構建授信評估方法和模型。
(三)引進或自主開發授信評估系統
為防止操作風險，提高授信評估工作效率，實現授信評估與機構內部相關系統的連接，銀行間市場參與者需根據授信評估方法、模型、授信資料清單、分析報告模板、建議授信計算公式等內容。撰寫系統開發業務需求書，或引進先進的授信評估系統并進行客戶化改造．或選擇系統開發商進行自主開發授信管理系統。
根據物流金融的運作特點，可將其風險來源歸納為來自融資企業、抵押物以及第三方物流企業三大方面。借鑒Altman，Haldeman和Narayanan（1977）提出的第二代“ZETA計分模型”中企業信用評價指標體系[3]，將來自融資企業的風險細化為中小企業營運能力w1、盈利能力w2、償債能力w3、及信用記錄w4四大方面的十個具體指標，分別為w11持續經營、w12資產回報率、w13存貨周轉率、w21連續盈利、w22稅后利潤率、w23銷售利潤率、w31穩定存貨、w32資產負債率、w33速凍比率、w41履約率。我國現階段的物流金融業務主要集中于基于權利質押以及基于存貨質押兩種，因此質押物本身的質量也直接關系其風險大小。指標包括：所有權w51、市場性質w61、保險率w71三方面。作為重要參與方的物流企業為實現其對質押物的有效監管，企業規模w81及企業信譽w91也即成為影響物流金融風險的重要指標。
2基于BP神經網絡和證據理論的評價方法
2.1BP神經網絡的基本原理
BP神經網絡，是由Rumelhart和McCelland等人（1986）提出的。其基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層通過隱含層傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉入誤差的反向傳播階段，并將誤差分攤給各層的所有單元。正向傳播與誤差反向傳播周而復始，一直到網絡輸出的誤差減少到可接受的程度，或預先設定的次數為止。
2.2證據理論的基本原理
①定義1：設為一個互斥又可窮舉的元素的集合，稱作識別框架，基本信任分配函數m是一個集合2到[0，1]的映射，A表現識別框架的任一子集，記作A哿，式中：m（A）稱為時間A的基本信任分配函數，它表示證據對A的信任程度。②Dempter合成法則：假定識別框架下的兩個證據E1和E2,其相應的基本信任函數為m1和m2，焦元分別為Ai和Bj，則m（A）=m1（A）茌m2（A）2.3信用風險評估算法為了保證神經網絡的收斂和穩定性，本論文中將15個指標分為四組，建立4個神經網絡NN1，NN2，NN3和NN4。神經網絡的輸出設計為（0.1，0.1，0.9）T、（0.1，0.9，0.1）T、（0.9，0.1，0.1）T，表示的信用風險級別分別為高風險、中度風險、低風險，記為A1，A2，A3。將輸出歸一化，得到向量（a′i1，a′i2，a′i3）T，記作V′i。令mi（Ai）=a′il，i∈{1，2，3，4}，l∈{1，2，3}，表示由NNi得到的對信用風險級別Ai的基本信任度，即針對事件Ai的證據。之后，再將4個證據利用DS證據理論融合。就可以對信用風險進行評估，最初最終決策。
3應用實例
本次數據采集共發出問卷200份，收回135份，有效問卷92份。將前91組數據分別訓練神經網絡。再將余下1個樣本輸入訓練好的神經網絡，歸一化處理輸出結果即得該證據對該命題的基本概率分配，而后利用DS證據理論將其融合得到最終優化結果。
4結論
1．1評價指標體系內容
針對我國民營企業自身特征，在構建企業信用風險評價指標體系的過程中要充分對企業素質進行分析，對企業整體經濟發展情況、經營范圍與產品銷售與盈利水平等進行綜合評價，同時也包括對企業綜合管理情況的評估，如企業職工能力、領導管理能力以及企業內部文化結構等;要對企業資金信用進行評估，通過對企業資產結構、資金鏈運行以及資產質量的分析，進行量化財務指標考察，充分反映企業資金自有率和流動比率，對信貸情況、貸款承付率等全面評估;對企業的經營水平與經濟效益進行綜合評價，包括對產品生產、銷售、開發、費用核算以及納稅與利潤多方面情況考察;另外，對企業發展情景的分析，要對民營企業進行近期考察，對目標實現情況以及長遠規劃等全面分析，并對企業的行業地位以及多元化市場競爭力進行分析，對其目標的制定與措施的落實以及長遠發展趨勢進行分析。
1．2指標體系構建原則
為避免民營企業信用風險評價指標的選擇存在隨意性，要遵循全面性原則、科學性原則、公正性原則、通用性原則、可獲得性原則。民營企業風險評估直接關系到企業長遠發展趨勢，一旦出現評估偏差將會影響企業信用狀況，給企業帶來風險。因此，風險評估指標體系的構建要全面體現民營企業信用狀況。要積極借鑒國外信用風險評估體系構建經驗，使數據結構構建更加豐富、全面、科學。只有在客觀判斷和評估的前提下，才能保證指標體系構建的公正性和有效性。另外，指標體系構建必須要依照國家政策和法律以及規定標準進行，避免偏離經濟發展軌道，使其適用于民營企業中，被債權人和企業理解和認同。
2．基于相似度的民營企業信用風險評級方法
信用評級方法主要是指基于企業的信用狀況完成的等級判定，通過進行系統分析發現，信用評價方式對于信用等級的判定具有科學性。針對民營企業的信用評估方法應用，我國多贊同美國做法，但是也有持反對意見的。認為通過定量方式分析量化評估指標具有客觀性。而通過定性分析則相對比較主觀，需要進行相應的主觀判斷，可以說，采用定量分析相對于定性具有一定的進步性特征。本文中對兩者之間的關系與作用并不做機械性判斷，而是根據實際需要選擇定量或者是定性分析。
2．1定性評估方法
根據分析人員的差異性特征可以進行以下幾個方面的分類:首先，個性特征分析方法:個人可以通過三種方式進行分析，也就是根據因果性原理完成對以表現出來的信用情況以及經濟指標變化情況進行判斷，形成信用狀況信息。這個過程中也可以采用對比類推法，通過結合類推原理將信用狀況與相類似的狀況之間相互結合，形成對未來一段時間范圍內企業信用狀況的評估。其次，集體分析方法:采用個人因素分析方法會受到個人知識結構等多方面因素的限制，因此具有局限性。集中個人形成專業性判斷能夠極大提升信用評估的質量與效果。這項評估方式主要采用的是集體討論方式進行信用評估。最后，專家調查方法:這項評估需要借助于具有專業性能力的專家，通過進行咨詢完成相關信用問題的解決。因為專家的專業性能力相對更強，通過借助于他們的專業性知識與能力，可以充分解決各個方面的實際問題。
2．2信用評估定量分析
首先，比率分析:也就是采用財務分析方法，這也是信用評估當中的主要應用方式。在進行信用評估時很難通過一項數據內容完成整體評估，因此需要計算比率指標內容，這樣就能夠進行判斷，形成科學性結果。其次，還包括趨勢性分析方法、結構性分析方法以及相互對比法。以上三種指標也都是進行信用評估最為主要的使用方式。
3．實際應用研究
結合某食品企業進行實例分析，該企業成立于2000年，總投資金額為3000萬余元，公司總人數達800人。主要生產的是花生系列產品，產品出口國際市場。年生產力能夠達到3000噸。當前企業為了進一步實現擴大再生產，引進專業技術人才達到員工總數的41%，創新費用比重為8%，新型技術裝備更新率為6%，產品銷售收入比重達到原來的28%，資本積累達到4%。
4．結論
P2P網絡借貸作為新生事物，吸引了眾多研究者的關注，國內外學者對其進行了大量的研究，從最初的P2P網絡借貸起源與現狀、特征、經營模式，到后面的積極作用與消極作用、發展趨勢等方面，而近幾年則將目光集中在了網絡借貸的信用風險上。
（一）網絡借貸信用風險分析
早期的P2P網絡借貸信用風險研究表明，平臺中借款者的特征差異不大，但是信用風險卻很顯著。Herzensteinetal．（2008）和PopeandSydnor（2011）認為，P2P網絡借貸平臺是由投資者個人而非借貸平臺篩選確定借款人是否值得信賴，因此，更容易出現借款人通過虛假陳述騙取借款的情況，即網絡借貸的風險更大［2］。Michaels（2012）通過對Prosper網站上的數據分析，發現網絡借貸平臺責任的缺失使網絡借貸市場運行有效性下降，因而帶來較大的風險［3］。Sufi（2007），MichaelKlafft（2008）認為，如同在金融市場中一樣，網絡借貸市場也存在信息不對稱，此外，由于投資者缺乏經驗，網絡環境下貸款的信用風險更高［4］。Leeetal．（2012）研究韓國最大P2P平臺上的“從眾行為”發現，“從眾行為”導致網絡借貸信用風險加大，即信息不對稱現象非常嚴重，往往還會導致道德風險［5］。在國內，近幾年來由于網絡借貸平臺資質良莠不齊，發展模式并不規范，帶來很大的信用風險［6］。陳初（2010）也認為，P2P平臺可能泄露重要的信息，加之貸款用途難以核實，信用風險很大［7］。由于網絡借貸平臺作為交易平臺，實行的是無擔保無抵押，缺乏擔保的P2P借貸會使債權人的風險增加［8］。
（二）網絡借貸信用風險管理
信用風險管理就是通過有效的方法對信用風險進行分析、防范和控制，使風險貸款安全化，確保本息的收回。借貸平臺信用風險管理水平決定了自身的生存和發展，也對金融體系的穩定與發展產生巨大影響。國外的信用風險管理體系發展較早，在實踐和理論上已經形成相應的體系，不少學者的研究主要集中在如何使投資人更好地掌握借款人誠信信息以及怎樣通過借貸平臺自身機制有效緩解信息不對稱等方面。FreedmanandJin（2008）發現，雖然投資者由于信息不對稱問題面臨著逆向選擇的風險，但網站上提供的資料信息可以在一定程度上幫助識別潛在的信用風險［9］。Linetal．（2009）也指出社會互動作為一種軟信息資源，能夠一定程度上降低信息不對稱和道德風險［10］。HarpreetSingha（2009）使用決策樹對不同期限、風險配置的投資進行研究，認為目前主要是通過多樣化投資來降低信用風險［11］。國內的P2P網絡借貸模式尚處于起步階段，信用風險管理體系不健全，大多數平臺只是依據自身情況建立了基于專家判斷法的信用評分模型，但由于此模型的預測能力沒有通過系統驗證，在實際業務中的應用實效大打折扣［12］。可見在我國個人信用體系缺失的情況下，國內網絡借貸平臺的信用評級對信用風險控制的作用并不大［8］。此外，李悅雷（2013）認為借貸中人際關系的應用能降低金融交易的風險和成本［13］。陳初（2010）則認為可把從事網絡借貸業務的網站界定為民間借貸中介組織，即可將網絡借貸納入相關的監管系統［7］。綜上所述，學者主要是基于理論對P2P網絡借貸信用風險進行分析，或者定性分析當前P2P網絡借貸的信用風險管理，而對網絡借貸平臺信用風險影響因素的實證研究較為缺乏。因此，本文擬從P2P網絡借貸平臺的內部視角，運用平臺具體數據，對網絡借貸信用風險的影響因素進行實證，分析網絡借貸平臺的信用風險管理體系是否能有效控制信用風險，并提出控制網絡借貸信用風險的政策建議。
二、實證分析
（一）數據選取
本文基于VBA開發環境，采用XMLHttpRe－quest方法。網絡借貸平臺的貸款頁面URL（Uni－versalResourceLocator）具有一定的規律，即每筆貸款都按照借款時間通過編號排列順序，URL的結尾都是以貸款編號結束，我們正好利用這一特點，通過固定編號獲取大量貸款數據。將需要的貸款編號列入Excel中的第一列，然后利用VBA函數讀取編號對應的網頁。將網頁轉換為文本格式以后，由于需要的數據都出現在頁面的特定位置上，VBA函數通過定位關鍵字，將對應變量的具體數據采集到Excel表格對應的其他列中。通過不斷地讀取對應網址頁面，本文對拍拍貸編號為220000～319999以及人人貸中編號為120000～179999的借款數據和相應的借款人信息進行以下收集。主要從人口特征、信用變量、歷史表現和借款信息四個方面選取網絡借貸信用風險影響因素的變量（見表1），即：從拍拍貸及人人貸網站平臺上提取的數據，刪除一些缺失數據以及審核未通過數據，從拍拍貸網站得到了61944組有效數據，其中存在信用風險的用戶數據共有3360組，違約率達到了5．42％；從人人貸網站得到了59972組有效數據，提取其中存在信用風險的數據810組，違約率為1．35％。對數據中借款人的基本人口特征進行初步分析，結果如表2、3所示。從表2、3的數據可以初步判斷，具有信用風險的借款人性別主要以男性為主，無論是占樣本比率還是占逾期比率，男性借款人逾期概率都要遠遠高于女性；年齡方面，26～31歲的逾期人數占到總逾期人數的比率明顯高于其他年齡段，且隨著年齡的增加，違約概率呈明顯降低趨勢。
（二）模型選擇
①類似于二元選擇模型，假設潛在變量y與解釋變量x存在線性關系y＊i＝x＊iβ＋u＊i，i＝1，2，3，…，N，其中ui是獨立同分布的隨機干擾。總共有M＋1個等級，觀測到yi位各個等級的概率為：P（yi＝0）＝F（c1－x′iβ），P（yi＝1）＝F（c2－x＇iβ）－F（c1－x′iβ），…，P（yi＝M）＝1－F（cM－x＇iβ）。模型采用極大似然法估計，其中，c1，c2，…，cM是M的臨界值，作為參數和回歸系數一起估計。
（三）實證研究
從結果可以看出，除了age不夠顯著（P值＜10％，呈負相關）以外，剩下的變量fail、gender、credit、success、rate和time對于信用風險的影響都很顯著（P值＜5％，呈正相關）。正如Iyeretal．（2009）發現的，信用變量、歷史信用等對信用風險有相關影響［14］。而FreedmanandJin（2008）也發現，高利率的借款人通常具有較高的信用風險［9］。人人貸中gender、success不夠顯著，可能是因為人人貸網站中具有信用風險的用戶較少，人口特征和歷史表現無法在一定程度上反映信用風險。排序選擇模型是概率模型，由于有多個等級，圖2為觀測到的屬于各個等級的概率預測，每個觀測都是對應信用風險等級的概率預測，并且概率之和為1。從圖2看出，基本各個風險的概率處于穩定。以上分別從人口特征、信用變量、歷史表現和借款信息四個方面對信用風險的影響進行了研究，結果發現：1．人口特征（age、gender）對信用風險的影響都較為顯著，說明人口特征對網絡借貸過程中的信用風險具有一定的影響。從表2和3中也可以看出，在具有信用風險的借款人中，男性的比率遠遠高于女性。由于P2P網絡借貸依托于互聯網，參與用戶體現出年齡較小的趨勢，但是年輕的用戶經濟基礎較為薄弱，經濟來源也不太穩定，往往容易出現資金短缺的情況，信用風險較高；年齡較大的用戶社會資源豐富，經濟來源也較為穩定，信用風險就相對較低。2．信用變量（credit）中，認證等級是網站對用戶各項資料進行評分，然后加總起來得到的信用評級。理論上，認證等級越高信用風險就越低，但實證結果顯示，認證等級與信用風險正相關。網站上的認證分僅僅只是對一些基礎信息打出的分數，如身份證、學歷、視頻等認證，但平臺往往無法保證其真實性，所以，網站由于自身能力有限而無法達到控制信用風險的預期效果，即平臺的信用等級評分對用戶避免信用風險起到的作用不大，有時還導致一些反效果。3．歷史表現（success、fail）中，失敗和成功的次數都是用戶在平臺的活躍程度。成功的次數越高，說明在此次借款之前，借款人都按時完成還款，即信用等級很高，但對某些人來說，成功的次數只是為了提高自己的信用，最終借到需要的金額，所以與信用風險呈正相關。失敗的次數多，說明借款人的信息無法給投資者安全感，即被大多數投資者認為具有較高的信用風險，在借款成功后出現違約的可能性更大，即失敗次數與信用風險負相關。4．借款信息（rate、time）中，優質的借款者往往難以提供足夠高的收益率，即利率與信用風險呈正相關。還款期限也和風險呈正相關關系，在網絡借貸平臺上的借貸行為，由于沒有人際關系作為潛在的信用保障，一筆投資無疑是時間越短，所要面臨的信用風險就越小。時間越長，投資者的相對風險就越大，因此，時間成為正向影響信用風險的顯著因素。從以上的數據分析以及實證中發現，網站對于借款人的信用評分對信用風險管理并沒有起到實質性作用，評分高的用戶依然具有較高的信用風險。網站為滿足借款人的資金安全性要求，在借款滿額后進行內部審核，但是內部審核主要也是以信用評分為基礎，對防止信用風險效果不大。出現逾期現象后，平臺對借款人實行本金保障制度，但在監管缺失的情況下，由于沒有特定的維權部門，逾期還款的追討難度很大，而風險儲備池的資金有限，加大了平臺的經營風險，所以，單靠平臺本身無法對信用風險進行有效管理。
三、結論與政策建議
用logistic回歸模型對客戶信用風險進行預警，主要包括兩部分內容，一是對樣本財務指標數據進行因子分析，篩選出logistic回歸的關鍵自變量，二是建立logistic回歸模型，用于對客戶違約情況進行風險預警。
（一）樣本選取與簡單描述性統計。本文數據來源于國內某商業銀行的信貸系統，以2006年的化工業為例，從中選擇了2457個小微企業非上市公司樣本，其中48個違約樣本，2409個非違約樣本。對于樣本公司，本文從償債能力、盈利能力、營運能力、成長能力、現金流量以及規模等六個方面，選取了15個財務指標，對小微企業非上市公司的經營現狀進行因子分析，從中找出最能反映公司經營特點的少數公共因子，進而為后續的Logistic模型風險預警提供解釋變量。選取的15個財務指標如表1所示：在選取樣本時，本文首先運用SPSS16.0軟件對數據進行了異常值剔除處理，步驟如下：首先對選定的15個財務指標進行標準化，除指標量綱的差異，然后將每個指標的標準化值的絕對值大于或等于3的樣本視為異常值加以剔除；對剔除后的樣本，重復進行指標標準化處理、檢驗異常值、剔除異常值，直至無異常數據為止。本文重復了5次異常值剔除處理，最終篩選出2457個合格樣本，用于因子分析。下表2為數據的簡單描述性統計量。
（二）因子分析1.因子分析的適用性檢驗。因子分析要求變量間具有相關性，本文在進行因子分析前，主要采用KMO檢驗和巴特利特球度檢驗方法對變量進行相關性檢驗。表3為運用SPSS16.0軟件運行得出的檢驗結果。從表中可以看出KMO檢驗統計量的值等于0.633，其大于0.5，證明適合作因子分析。同時巴特利特球度檢驗值為27600，其相伴概率為0.000，在5%的顯著性水平下極其顯著，說明相關系數矩陣不是單位陣，即變量間存在相關性，適合作因子分析。2.確定因子數目。構造因子變量首先要確定因子數目，本文采用特征值大于1的標準提取公因子，同時通過碎石圖直觀判斷公因子數目。首先，運用SPSS16.0軟件運行得出因子分析的特征根和方差貢獻率，如下表4。表4中，三部分分別為初始因子、因子提取后以及經過方差最大旋轉后的相關系數矩陣的特征根、方差貢獻率以及累計方差貢獻率。從第三部分可以看出，依據特征值大于1的標準，共提取6個主因子，且前6個主因子的方差貢獻率依次為21.501%、17.884%、11.366%、10.71%、10.509%、8.762%，累計方差貢獻率大于80%，說明前6個主因子可以解釋變量的大部分信息，從而把前6個公因子作為評價樣本公司的綜合指標，降低了公司綜合評價的指標維度，為后續Logistic回歸提供了解釋變量。其次，建立碎石圖判斷因子數目。首先將特征根從大到小排序，序號相應為1，2，…，15。以橫軸表示序號，縱軸表示特征值，構造出碎石圖1。觀察碎石圖發現，特征值大于1的因子有6個，分別為F1，F2，…，Fn，這與表3-4確定的因子數目一致。3.估計因子載荷矩陣。運用SPSS16.0軟件運行得出初始因子載荷矩陣，由于無法確定公共因子的經濟意義，使用方差最大化旋轉法對初始因子載荷矩陣進行旋轉，可得到旋轉后的因子載荷矩陣，如表5所示。通過旋轉，各個公因子有了較為明確的經濟含義：第一個公共因子F1，其在指標X5（總資產報酬率）、X6（凈資產收益率）、X7（息稅前利潤/總資產）、X8（息稅前利潤/主營業務收入凈額）上有較大載荷，命名為“盈利能力因子”。第二個公共因子F2，其在指標X1（資產負債率）、X2（產權比率）、X3（流動性比率）上有較大載荷，命名為“償債能力因子”。第三個公共因子F3，其在指標X11（所有者權益增長率）、X12（總資產增長率）、X14（現金流量比率）上有較大載荷，命名為“成長能力因子”。第四個公共因子F4，其在指標X13（現金比率）、X4（速動比率）上有較大載荷，命名為“現金流量因子”。第五個公共因子F5，其在指標X9（總資產周轉率）、X15（總資產）上有較大載荷，命名為“總資產營運能力因子”。第六個公共因子F6，其在指標X10（應收賬款周轉率）上有較大載荷，命名為“應收賬款周轉率因子”。4.計算因子得分。表6是通過主成分回歸方法估計出的因子得分系數，用表中各公共因子對應的得分系數分別乘以各變量標準化值即可得到各公因子對應的得分序列。
（三）Logistic實證分析1.建立Logistic回歸方程。設被解釋變量y為0-1型隨機變量，當樣本違約時y取1，非違約時y取0，另以6個公共因子F1，F2，…，F6作為解釋變量，建立Logistic回歸模型，回歸方程的形式如下：2.Logistic模型參數估計。運用SPSS16.0軟件對因變量Y和自變量F進行Logistic回歸建模，選擇逐步向前回歸分析法，篩選出回歸系數比較顯著的自變量進入模型，剔除回歸系數比較顯著的自變量進入模型，剔除回歸系數不顯著的自變量。本文參數估計結果中已剔除回歸系數不顯著的因子F2，F3和F6，保留了因子F1、F4和F5，最終獲得的參數估計結果如下表7所示：表7中，Wald統計量用來檢驗回歸系數是否顯著，Sig是Wald統計量的相伴概率，結果顯示因子F1，F4和F5的Wald值、Sig值在1%的顯著性水平下極其顯著，說明模型擬合較成功。3.Logistic回歸違約率（）判別分析。判別分析的目的是為了檢驗模型建立的準確性，為風險預警做準備。具體方法為運用已建立的Logistic回歸方程（3.3），得出各樣本的違約概率值，以違約概率0.5為判別臨界點，>0.5計入違約組，<0.5計為非違約組，運用SPSS16.0軟件運行得出模型違約組和非違約組的判別結果如下表8所示。上表顯示，Logistic模型總的判別準確率為98%，其中非違約組2409個樣本全部判別為非違約，判別準確率100%；而違約組48個違約樣本全部錯判為非違約，判別準確率0%。由于通過估計違約概率來識別違約樣本的結果不理想，我們尋找其他能提高違約樣本判別準確率的方法。4.Logistic回歸殘差（ZREi）判別分析。回歸方程的殘差gi是指實際觀察值yi與通過回歸方程估計出的回歸值yi之差。殘差可以分為普通殘差gi、標準化殘差ZREi=giσ，一般用于判斷異常值，判斷標準為將超過±2σ或±3σ的殘差視為異常值。由于普通殘差ei的方差不相等，不適合直接用來做判斷，一般將普通殘差標準化，使殘差具有可比性，從而用標準化殘差ZREi來進行判斷。本文將殘差異常值的判斷與樣本的違約性判斷聯系起來，進而通過識別回歸殘差的異常值來判斷樣本的違約性。運用SPSS16.0軟件輸出所有樣本的標準化殘差ZREi，將用ZREi＞2和ZREi＞1兩個標準，分別進行違約識別，對比分析判別結果的準確率，進而選取準確率更高的判別臨界點。在ZREi＞2的判別標準下，判別結果為：違約組48個樣本中，標準化殘差值均為正值，且大于2，判為違約組，判別準確率100%；非違約組2409個樣本中，標準化殘差值均為負值，且絕對值小于2，全部判為非違約組，判別準確率100%。在ZREi＞1的判別標準下，判別結果與ZREi＞1的判別結果完全一致，違約組和非違約組的判別準確率均為100%。
（四）Logistic模型樣本外預測。為了檢驗模型的預警能力，本文根據2006年建立的Logistic回歸方程去預警2007年的客戶違約情況。選取2007年化工行業的33個樣本數據，其中7個違約樣本、26個非違約樣本。首先運用SPSS16.0軟件，將33個樣本的15個財務指標數據標準化，根據因子得分系數表4-7，算出每個樣本的因子得分值F1、F4和F5，代入Logistic回歸方程（4.5），根據y的預測值和實際值算出普通殘差和標準化殘差，分別運用ZREi＞2和ZREi＞1兩個標準來進行風險預警。在ZREi＞2的判別標準下，預警結果為：違約組7個樣本，預警出2個違約，預警準確率28.57%；非違約組26個樣本，全部預警為非違約，預警準確率100%。在ZREi＞1的判別標準下，預警結果為：違約組7個樣本，全部預警為違約，預警準確率100%；非違約組26個樣本，預警出25個違約，預警準確率96.15%。鑒于ZREi＞1的預警準確率明顯高于ZREi＞2的預警準確率，本文將ZREi＞1作為預警樣本違約的判別標準。
二、結論
關鍵詞:信用評級風險防范議題
一、引言
新巴塞爾協議的核心內容是內部評級,包括了市場風險、信用風險和操作風險。市場風險由于數據都來之外部資本市場,而且方法成熟,需要我們自行研究的較少;操作風險的計量方法還不夠成熟;信用風險,雖然方法成熟,但是需要使用內部數據,從而更多的需要我們自行開發研究,而且對于中國的銀行業,傳統的信貸業務仍是比重最大的業務,所以信用風險評級是目前我國銀行研究的重點,也是內部評級的突破口。
信用風險評級模型的基本思想是從已有信用表現的歷史數據中提煉信息,得到客戶屬性和行為變量與客戶違約概率之間的函數關系,從而來預測未來的客戶信用狀況。這種函數關系,是廣義上的對應關系,并不一定存在顯式的表達。
盡管信用風險計量有很多領域還處于研究階段,不過信用風險評級發展較早,從1968年奧爾特曼(Altman)引入的Z-score模型開始,到現在的logistic模型、機器學習等方法,在發達國家,不論是理論研究,還是實際應用,信用風險評級都已經相當的成熟。那么我們是否可以直接搬來使用呢?信用風險內部評級模型,方法的選擇固然重要,但是好的方法并不一定對應好的結果,實際上模型表現更多的決定于問題本身情況和問題解決的處理細節。我國的銀行業進行信用風險評級,雖然在技術上的有一定的“后發優勢”,但是絕對不是簡單的“直接拿來”。信用風險的內部評級工作需要根植于內部數據,來開發適合中國實際情況的評級模型。本文從銀行內部評級的角度,對信用風險評級的若干問題進行了討論,并提出了適當的處理方式。
二、數據特性
不同的數據特性適用不同的模型。例如,判別分析要求自變量符合多元正態分布;而Logistic回歸對于數據的分布要求比較低,而且在處理綱目數據方面有著非常大的優越性。在變量不服從多元正態分布的情況下,Logistic回歸優于判別回歸;但是如果變量服從多元正態分布,那么線性判別規則是最優的。而機器學習類的模型,對于分布要求不高,而且處理離散變量也有明顯的優勢,例如決策樹、神經網絡。
模型沒有絕對的最優,必須按照數據情況來選擇合適的模型。數據情況的統計分析,是十分重要的,即使國外已經有經驗表明某種模型表現優異,也有結合實際的建模數據進行分析。如果我國的數據情況與國外不同,不符合該模型的假定,該模型就不可取。
所以,建模的第一步工作就是分析數據情況,討論各種可能模型的適用性,初步確定符合數據情況的模型框架。
三、分布的變化
既然信用評級的基本思想是從歷史數據中提煉信息來預測未來的客戶信用狀況。那么,即使我們從歷史數據中提煉出了完整的信息,如果歷史數據與未來情況不同,預測的可信度也會成為問題。
一個比較典型的問題是宏觀經濟的變化。宏觀經濟的變化對于整體違約概率的影響是非常大的,如圖1所示,美國歷年來的公司違約情況。公司客戶的評級往往主要依據公司的財務數據來得出結論,而實際上,即使是相同的財務比例,在不同的宏觀經濟情況下,也有不同的表現。公司類客戶同樣還要考慮整體行業的演變過程,根據經濟學理論,行業生命周期往往經歷萌芽期-擴展期-成熟期-衰退期四個周期。
在消費者評分模型中,還有一個問題是人口漂移。我國目前正處在精神文明和物質文明高速發展的階段,人口特性變化很快,如打工族的出現、貸款購房的增加、家用轎車消費增加等。這些變化會導致潛在信用消費人群和信用觀念的變化。這種隨著經濟環境、人口結構和生活方式的變遷使樣本人群的范圍和特質發生變化,一般被稱為人口漂移。人口漂移會使原有評分標準下的評價結果與現實情況不符,這時就應適當的調整權值修正人口漂移帶來的偏差,并不斷更新作為訓練樣本的數據。
在宏觀經濟的變化引起的違約概率的整體變化,需要建立宏觀經濟模型來調整客戶評級;而類似人口漂移等問題,數據結構都已經發生了變化,需要經常的更新訓練樣本,升級評級模型。評級模型有個別模型本身對于分布變化的這類問題有一定的解決能力,例如最近鄰法,它可以直接加入新的申請者或刪除老的用戶的方式動態升級系統,從而克服人口漂移帶來的問題。
四、拒絕推斷
當我們使用訓練樣本進行模型研究的時候,所有訓練樣本都是已經有信用表現的客戶,即都是曾經被授信的客戶,而申請被拒絕的客戶不在其列。但是當我們使用模型的時候,卻面對了所有的可能客戶(即包括了按照以前的標準被授信或者被拒絕的客戶),既然我們模型從來就不認識被拒絕客戶,又如何對他們作出判斷呢?所謂“拒絕推斷”(refusereference)是指如何從被拒絕的申請人中鑒別出應向其授信的申請人的問題。模型開發者面臨的情況。
在完全不準確(近乎隨機)的信用評分的情況下,躍為較為精確的評級模型,“拒絕推斷”造成的影響不是很嚴重。當然實際情況不會如此,即使是簡單的專家選擇,也會使得訓練樣本有偏。而開始使用模型后,由于人口漂移等諸多因素,原有的信用評級模型隨著時間的流逝而漸漸失效,從而需要不斷地更新。“拒絕推斷”是信用操作中無法回避的重要問題,目前主要的解決有部分接受法、混合分解法等。
1.部分接受法
這是一種解決這類問題的較理想的方法,但是卻不會受到經營者的歡迎。部分接受法就是在未被授信的客戶集中進行隨機的取樣,批準他們的貸款申請,然后觀察其以后的行為。這些申請者,被賦以相應的權重,然后和那些通過原有規則獲得批準的客戶(或者是它們當中的隨機取樣)聯系在一起,這將會帶來完全隨機的人群樣本,可以用來創建新的評級模型。但是經營者往往不愿意這樣做,他們的理由就是既然那些客戶已經被認為是沒有好的信用質量,批準他們的信用申請會帶來損失。但是,如果授信方接收了當中一些人的申請,那么就可以通過建立更加具有預測能力的模型再長期獲利。在任何情況下,授信方的利潤都不會因為這些取樣而受到太大的影響,因為這些取樣都是經過仔細挑選的。關于部分接受法的研究還需要更加廣泛的工作,不過有一點可以肯定的是,這個方法需要前臺經營部門和風險管理部門的通力合作和預先的計劃。
2.混合分解法
這是一種在沒有任何關于人群信息的情況下,估計兩種人群比例的方法。使用這種方法的前提是關于好壞人群的性質分布的假設。特別是,必須假設知道這些分布就等同于知道一些參數的值,而這些值是可以通過數據估計的。這種方法的關鍵就在于將假定的優質客戶分布與假定的劣質客戶分布的加權平均作為觀察值的分布與整體樣本分布的匹配。如此得到的整體樣本分布稱為“混合分布”。
這一方法可以讓人們能夠利用已知分布的一些優異性質,但它的弊端也很明顯,就是關于好壞分布的假設必須是準確的。不幸的是,信用數據的特征非常復雜,想準確的得到它的分布往往是很困難的。
五、數據真實性
這是一個比較有中國特色的問題,雖然發達國家也有財務欺詐,但是絕對沒有中國的嚴重。由于制度的缺失,或者制度執行的乏力,在中國,即使是會計師事務所審計出來的數據可能也是不可靠的。所以反財務欺詐,對于模型開發者是面臨的嚴峻問題。但是模型開發者能做的只能是發現在統計意義上或者邏輯關系上出現的異常現象。
六、數據缺失
我國銀行建立評級模型,面臨最為嚴重的問題是數據缺失。在數據缺失非常嚴重的情況,建立一個優秀的模型幾乎是不可能的,所以在此討論在能建模的前提下,數據缺失問題如何處理。
如果一個變量缺失一定比例(例如50%)以上,只有放棄該變量;如果從經濟學含義上,該變量確實非常重要,那么只有通過專家的經驗來尋找可替代的變量(或者變量組合)。例如,家庭地址的所屬區可能是十分重要的變量,但是并沒有被記錄,或者建模人員無法從家庭地址中提煉出區域,那么可以通過郵政編碼和電話號碼結合表征區域變量。
在數據缺失不是很嚴重的情況下,我們可以采用缺值替代的方法,例如均值替代、同類均值替代等,或者在不影響數據量的前提下也可以直接刪除數據缺失的記錄。
以上討論的都還是完全隨機缺失,這類缺失是完全隨機發生的,不影響樣本的無偏性。但是缺失更常見的隨機缺失和非隨機缺失,所謂隨機缺失是指該變量的數據缺失與其他變量有關,例如財務數據缺失情況與企業的大小有關;非隨機缺失是該變量的缺失與本身取值有關,如高收入人群的不原意提供家庭收入,財務情況差的公司不提供財務報表。
對于隨機缺失和非隨機缺失,刪除記錄是不合適的,隨機缺失可以通過已知變量對缺失值進行估計;而非隨機缺失還沒有很好的解決辦法。總結而言,缺值問題還是一個需要深入研究的問題。
七、過度擬合
由于樣本中存在噪音,所以模型的擬合優度只能達到一定程度,這是理論能達到的最優擬合度。有些時候,當模型把噪音當成了信息進行擬合,使得擬合優度超過了理論的最優擬合度,過度擬合的模型實際上包含了錯誤的信息,預測能力很差。如圖3是一個過度擬合的簡單例子,對于圖中的點,我們通過線性擬合和非線性擬合得到擬合曲線a和b,顯然的曲線b的擬合優度要高于曲線a,但是如果本質上y和x之間是線性關系,那么非線性擬合的模型假設是錯誤的,較高的擬合優度實際上是過度擬合造成的。
過度擬合可以通過評價樣本等方法來解決,如圖4,當訓練不斷進行,訓練樣本的誤判率不斷降低,而評價樣本則呈現先降后升的情況,那么當評價樣本的誤判率到最低時,我們就應該停止訓練。
八、指標選取中一些問題
信用評級在我國還處于起步階段,而發達國家已建立起一套相當完備的標準,在很多方面我們可以借鑒已有成果,但我國的文化習慣和道德標準與發達國家之間存在很大差異,在選取指標時應注意國情和評估的具體目的。具體評價指標的選取各國具有不同,如美國法律不允許將性別、年齡等個人屬性作為指標列入消費者信用評估體系,但這顯然是非常重要的指標,而且我國目前沒有這樣的法律規定;德國將是否服兵役作為一項重要指標;意大利將出生省份和婚約中對共同財產的要求作為重要指標;而日本則將供職公司是否上市以及公司的雇員數作為重要指標。
