信用風(fēng)險(xiǎn)評(píng)級(jí)議題論文

1、信用風(fēng)險(xiǎn)評(píng)級(jí)議題論文 內(nèi)容提要:我國(guó)的銀行業(yè)進(jìn)行信用風(fēng)險(xiǎn)評(píng)級(jí),雖然在技術(shù)上有一定的“后發(fā)優(yōu)勢(shì)”,但是絕對(duì)不是簡(jiǎn)單的“直接拿來(lái)”。信用風(fēng)險(xiǎn)的內(nèi)部評(píng)級(jí)工作需要根植于內(nèi)部數(shù)據(jù),開(kāi)發(fā)適合中國(guó)實(shí)際情況的評(píng)級(jí)模型。本文從銀行內(nèi)部評(píng)級(jí)的角度,對(duì)信用風(fēng)險(xiǎn)評(píng)級(jí)的若干問(wèn)題進(jìn)行了討論,并提出了適當(dāng)?shù)奶幚矸绞健?關(guān)鍵詞:信用評(píng)級(jí)風(fēng)險(xiǎn)防范議題 中圖分類(lèi)號(hào):F832文獻(xiàn)標(biāo)識(shí)碼:B文章編號(hào):1006-1770(2005)12-0034-03 一、引言 新巴塞爾協(xié)議的核心內(nèi)容是內(nèi)部評(píng)級(jí),包括了市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)。市場(chǎng)風(fēng)險(xiǎn)由于數(shù)據(jù)都來(lái)之外部資本市場(chǎng),而且方法成熟,需要我們自行研究的較少;操作風(fēng)險(xiǎn)的計(jì)量方法還不夠成熟;

2、信用風(fēng)險(xiǎn),雖然方法成熟,但是需要使用內(nèi)部數(shù)據(jù),從而更多的需要我們自行開(kāi)發(fā)研究,而且對(duì)于中國(guó)的銀行業(yè),傳統(tǒng)的信貸業(yè)務(wù)仍是比重最大的業(yè)務(wù),所以信用風(fēng)險(xiǎn)評(píng)級(jí)是目前我國(guó)銀行研究的重點(diǎn),也是內(nèi)部評(píng)級(jí)的突破口。 信用風(fēng)險(xiǎn)評(píng)級(jí)模型的基本思想是從已有信用表現(xiàn)的歷史數(shù)據(jù)中提煉信息,得到客戶(hù)屬性和行為變量與客戶(hù)違約概率之間的函數(shù)關(guān)系,從而來(lái)預(yù)測(cè)未來(lái)的客戶(hù)信用狀況。這種函數(shù)關(guān)系,是廣義上的對(duì)應(yīng)關(guān)系,并不一定存在顯式的表達(dá)。 盡管信用風(fēng)險(xiǎn)計(jì)量有很多領(lǐng)域還處于研究階段,不過(guò)信用風(fēng)險(xiǎn)評(píng)級(jí)發(fā)展較早,從1968年奧爾特曼(Altman)引入的Z-score模型開(kāi)始,到現(xiàn)在的logistic模型、機(jī)器學(xué)習(xí)等方法,在發(fā)達(dá)國(guó)家,不

3、論是理論研究,還是實(shí)際應(yīng)用,信用風(fēng)險(xiǎn)評(píng)級(jí)都已經(jīng)相當(dāng)?shù)某墒?。那么我們是否可以直接搬?lái)使用呢?信用風(fēng)險(xiǎn)內(nèi)部評(píng)級(jí)模型,方法的選擇固然重要,但是好的方法并不一定對(duì)應(yīng)好的結(jié)果,實(shí)際上模型表現(xiàn)更多的決定于問(wèn)題本身情況和問(wèn)題解決的處理細(xì)節(jié)。我國(guó)的銀行業(yè)進(jìn)行信用風(fēng)險(xiǎn)評(píng)級(jí),雖然在技術(shù)上的有一定的“后發(fā)優(yōu)勢(shì)”,但是絕對(duì)不是簡(jiǎn)單的“直接拿來(lái)”。信用風(fēng)險(xiǎn)的內(nèi)部評(píng)級(jí)工作需要根植于內(nèi)部數(shù)據(jù),來(lái)開(kāi)發(fā)適合中國(guó)實(shí)際情況的評(píng)級(jí)模型。本文從銀行內(nèi)部評(píng)級(jí)的角度,對(duì)信用風(fēng)險(xiǎn)評(píng)級(jí)的若干問(wèn)題進(jìn)行了討論,并提出了適當(dāng)?shù)奶幚矸绞健?二、數(shù)據(jù)特性 不同的數(shù)據(jù)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(tài)分布;而Logistic回歸對(duì)于

4、數(shù)據(jù)的分布要求比較低,而且在處理綱目數(shù)據(jù)方面有著非常大的優(yōu)越性。在變量不服從多元正態(tài)分布的情況下,Logistic回歸優(yōu)于判別回歸;但是如果變量服從多元正態(tài)分布,那么線性判別規(guī)則是最優(yōu)的。而機(jī)器學(xué)習(xí)類(lèi)的模型,對(duì)于分布要求不高,而且處理離散變量也有明顯的優(yōu)勢(shì),例如決策樹(shù)、神經(jīng)網(wǎng)絡(luò)。 模型沒(méi)有絕對(duì)的最優(yōu),必須按照數(shù)據(jù)情況來(lái)選擇合適的模型。數(shù)據(jù)情況的統(tǒng)計(jì)分析,是十分重要的,即使國(guó)外已經(jīng)有經(jīng)驗(yàn)表明某種模型表現(xiàn)優(yōu)異,也有結(jié)合實(shí)際的建模數(shù)據(jù)進(jìn)行分析。如果我國(guó)的數(shù)據(jù)情況與國(guó)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(shù)據(jù)情況,討論各種可能模型的適用性,初步確定符合數(shù)據(jù)情況的模

5、型框架。 三、分布的變化 既然信用評(píng)級(jí)的基本思想是從歷史數(shù)據(jù)中提煉信息來(lái)預(yù)測(cè)未來(lái)的客戶(hù)信用狀況。那么,即使我們從歷史數(shù)據(jù)中提煉出了完整的信息,如果歷史數(shù)據(jù)與未來(lái)情況不同,預(yù)測(cè)的可信度也會(huì)成為問(wèn)題。 一個(gè)比較典型的問(wèn)題是宏觀經(jīng)濟(jì)的變化。宏觀經(jīng)濟(jì)的變化對(duì)于整體違約概率的影響是非常大的,如圖1所示,美國(guó)歷年來(lái)的公司違約情況。公司客戶(hù)的評(píng)級(jí)往往主要依據(jù)公司的財(cái)務(wù)數(shù)據(jù)來(lái)得出結(jié)論,而實(shí)際上,即使是相同的財(cái)務(wù)比例,在不同的宏觀經(jīng)濟(jì)情況下,也有不同的表現(xiàn)。公司類(lèi)客戶(hù)同樣還要考慮整體行業(yè)的演變過(guò)程,根據(jù)經(jīng)濟(jì)學(xué)理論,行業(yè)生命周期往往經(jīng)歷萌芽期-擴(kuò)展期-成熟期-衰退期四個(gè)周期。(見(jiàn)圖1) 在消費(fèi)者評(píng)分模型中,還有一

6、個(gè)問(wèn)題是人口漂移。我國(guó)目前正處在精神文明和物質(zhì)文明高速發(fā)展的階段,人口特性變化很快,如打工族的出現(xiàn)、貸款購(gòu)房的增加、家用轎車(chē)消費(fèi)增加等。這些變化會(huì)導(dǎo)致潛在信用消費(fèi)人群和信用觀念的變化。這種隨著經(jīng)濟(jì)環(huán)境、人口結(jié)構(gòu)和生活方式的變遷使樣本人群的范圍和特質(zhì)發(fā)生變化,一般被稱(chēng)為人口漂移。人口漂移會(huì)使原有評(píng)分標(biāo)準(zhǔn)下的評(píng)價(jià)結(jié)果與現(xiàn)實(shí)情況不符,這時(shí)就應(yīng)適當(dāng)?shù)恼{(diào)整權(quán)值修正人口漂移帶來(lái)的偏差,并不斷更新作為訓(xùn)練樣本的數(shù)據(jù)。 在宏觀經(jīng)濟(jì)的變化引起的違約概率的整體變化,需要建立宏觀經(jīng)濟(jì)模型來(lái)調(diào)整客戶(hù)評(píng)級(jí);而類(lèi)似人口漂移等問(wèn)題,數(shù)據(jù)結(jié)構(gòu)都已經(jīng)發(fā)生了變化,需要經(jīng)常的更新訓(xùn)練樣本,升級(jí)評(píng)級(jí)模型。評(píng)級(jí)模型有個(gè)別模型本身對(duì)于分

7、布變化的這類(lèi)問(wèn)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(qǐng)者或刪除老的用戶(hù)的方式動(dòng)態(tài)升級(jí)系統(tǒng),從而克服人口漂移帶來(lái)的問(wèn)題。 四、拒絕推斷 當(dāng)我們使用訓(xùn)練樣本進(jìn)行模型研究的時(shí)候,所有訓(xùn)練樣本都是已經(jīng)有信用表現(xiàn)的客戶(hù),即都是曾經(jīng)被授信的客戶(hù),而申請(qǐng)被拒絕的客戶(hù)不在其列。但是當(dāng)我們使用模型的時(shí)候,卻面對(duì)了所有的可能客戶(hù)(即包括了按照以前的標(biāo)準(zhǔn)被授信或者被拒絕的客戶(hù)),既然我們模型從來(lái)就不認(rèn)識(shí)被拒絕客戶(hù),又如何對(duì)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(qǐng)人中鑒別出應(yīng)向其授信的申請(qǐng)人的問(wèn)題。模型開(kāi)發(fā)者面臨的情況如圖2。 在完全不準(zhǔn)確(近乎隨機(jī))的

8、信用評(píng)分的情況下,躍為較為精確的評(píng)級(jí)模型,“拒絕推斷”造成的影響不是很?chē)?yán)重。當(dāng)然實(shí)際情況不會(huì)如此,即使是簡(jiǎn)單的專(zhuān)家選擇,也會(huì)使得訓(xùn)練樣本有偏。而開(kāi)始使用模型后,由于人口漂移等諸多因素,原有的信用評(píng)級(jí)模型隨著時(shí)間的流逝而漸漸失效,從而需要不斷地更新?！熬芙^推斷”是信用操作中無(wú)法回避的重要問(wèn)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(lèi)問(wèn)題的較理想的方法,但是卻不會(huì)受到經(jīng)營(yíng)者的歡迎。部分接受法就是在未被授信的客戶(hù)集中進(jìn)行隨機(jī)的取樣,批準(zhǔn)他們的貸款申請(qǐng),然后觀察其以后的行為。這些申請(qǐng)者,被 (圖2“拒絕推斷”的圖例) 賦以相應(yīng)的權(quán)重,然后和那些通過(guò)原有規(guī)則獲得批準(zhǔn)的

9、客戶(hù)(或者是它們當(dāng)中的隨機(jī)取樣)聯(lián)系在一起,這將會(huì)帶來(lái)完全隨機(jī)的人群樣本,可以用來(lái)創(chuàng)建新的評(píng)級(jí)模型。但是經(jīng)營(yíng)者往往不愿意這樣做,他們的理由就是既然那些客戶(hù)已經(jīng)被認(rèn)為是沒(méi)有好的信用質(zhì)量,批準(zhǔn)他們的信用申請(qǐng)會(huì)帶來(lái)?yè)p失。但是,如果授信方接收了當(dāng)中一些人的申請(qǐng),那么就可以通過(guò)建立更加具有預(yù)測(cè)能力的模型再長(zhǎng)期獲利。在任何情況下,授信方的利潤(rùn)都不會(huì)因?yàn)檫@些取樣而受到太大的影響,因?yàn)檫@些取樣都是經(jīng)過(guò)仔細(xì)挑選的。關(guān)于部分接受法的研究還需要更加廣泛的工作,不過(guò)有一點(diǎn)可以肯定的是,這個(gè)方法需要前臺(tái)經(jīng)營(yíng)部門(mén)和風(fēng)險(xiǎn)管理部門(mén)的通力合作和預(yù)先的計(jì)劃。 2.混合分解法 這是一種在沒(méi)有任何關(guān)于人群信息的情況下,估計(jì)兩種人群比

10、例的方法。使用這種方法的前提是關(guān)于好壞人群的性質(zhì)分布的假設(shè)。特別是,必須假設(shè)知道這些分布就等同于知道一些參數(shù)的值,而這些值是可以通過(guò)數(shù)據(jù)估計(jì)的。這種方法的關(guān)鍵就在于將假定的優(yōu)質(zhì)客戶(hù)分布與假定的劣質(zhì)客戶(hù)分布的加權(quán)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(chēng)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(yōu)異性質(zhì),但它的弊端也很明顯,就是關(guān)于好壞分布的假設(shè)必須是準(zhǔn)確的。不幸的是,信用數(shù)據(jù)的特征非常復(fù)雜,想準(zhǔn)確的得到它的分布往往是很困難的。 五、數(shù)據(jù)真實(shí)性 這是一個(gè)比較有中國(guó)特色的問(wèn)題,雖然發(fā)達(dá)國(guó)家也有財(cái)務(wù)欺詐,但是絕對(duì)沒(méi)有中國(guó)的嚴(yán)重。由于制度的缺失,或者制度執(zhí)行的乏

11、力,在中國(guó),即使是會(huì)計(jì)師事務(wù)所審計(jì)出來(lái)的數(shù)據(jù)可能也是不可靠的。所以反財(cái)務(wù)欺詐,對(duì)于模型開(kāi)發(fā)者是面臨的嚴(yán)峻問(wèn)題。但是模型開(kāi)發(fā)者能做的只能是發(fā)現(xiàn)在統(tǒng)計(jì)意義上或者邏輯關(guān)系上出現(xiàn)的異?，F(xiàn)象。 六、數(shù)據(jù)缺失 我國(guó)銀行建立評(píng)級(jí)模型,面臨最為嚴(yán)重的問(wèn)題是數(shù)據(jù)缺失。在數(shù)據(jù)缺失非常嚴(yán)重的情況,建立一個(gè)優(yōu)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(shù)據(jù)缺失問(wèn)題如何處理。 如果一個(gè)變量缺失一定比例(例如50%)以上,只有放棄該變量;如果從經(jīng)濟(jì)學(xué)含義上,該變量確實(shí)非常重要,那么只有通過(guò)專(zhuān)家的經(jīng)驗(yàn)來(lái)尋找可替代的變量(或者變量組合)。例如,家庭地址的所屬區(qū)可能是十分重要的變量,但是并沒(méi)有被記錄,或者建模人員無(wú)法

12、從家庭地址中提煉出區(qū)域,那么可以通過(guò)郵政編碼和電話號(hào)碼結(jié)合表征區(qū)域變量。 在數(shù)據(jù)缺失不是很?chē)?yán)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(lèi)均值替代等,或者在不影響數(shù)據(jù)量的前提下也可以直接刪除數(shù)據(jù)缺失的記錄。 以上討論的都還是完全隨機(jī)缺失,這類(lèi)缺失是完全隨機(jī)發(fā)生的,不影響樣本的無(wú)偏性。但是缺失更常見(jiàn)的隨機(jī)缺失和非隨機(jī)缺失,所謂隨機(jī)缺失是指該變量的數(shù)據(jù)缺失與其他變量有關(guān),例如財(cái)務(wù)數(shù)據(jù)缺失情況與企業(yè)的大小有關(guān);非隨機(jī)缺失是該變量的缺失與本身取值有關(guān),如高收入人群的不原意提供家庭收入,財(cái)務(wù)情況差的公司不提供財(cái)務(wù)報(bào)表。 對(duì)于隨機(jī)缺失和非隨機(jī)缺失,刪除記錄是不合適的,隨機(jī)缺失可以通過(guò)已知變量對(duì)

13、缺失值進(jìn)行估計(jì);而非隨機(jī)缺失還沒(méi)有很好的解決辦法?？偨Y(jié)而言,缺值問(wèn)題還是一個(gè)需要深入研究的問(wèn)題。 七、過(guò)度擬合 由于樣本中存在噪音,所以模型的擬合優(yōu)度只能達(dá)到一定程度,這是理論能達(dá)到的最優(yōu)擬合度。有些時(shí)候,當(dāng)模型把噪音當(dāng)成了信息進(jìn)行擬合,使得擬合優(yōu)度超過(guò)了理論的最優(yōu)擬合度,過(guò)度擬合的模型實(shí)際上包含了錯(cuò)誤的信息,預(yù)測(cè)能力很差。如圖3是一個(gè)過(guò)度擬合的簡(jiǎn)單例子,對(duì)于圖中的點(diǎn),我們通過(guò)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(yōu)度要高于曲線a,但是如果本質(zhì)上y和x之間是線性關(guān)系,那么非線性擬合的模型假設(shè)是錯(cuò)誤的,較高的擬合優(yōu)度實(shí)際上是過(guò)度擬合造成的。 過(guò)度擬合可以通過(guò)評(píng)價(jià)樣本等方法來(lái)解

14、決,如圖4,當(dāng)訓(xùn)練不斷進(jìn)行,訓(xùn)練樣本的誤判率不斷降低,而評(píng)價(jià)樣本則呈現(xiàn)先降后升的情況,那么當(dāng)評(píng)價(jià)樣本的誤判率到最低時(shí),我們就應(yīng)該停止訓(xùn)練。 八、指標(biāo)選取中一些問(wèn)題 信用評(píng)級(jí)在我國(guó)還處于起步階段,而發(fā)達(dá)國(guó)家已建立起一套相當(dāng)完備的標(biāo)準(zhǔn),在很多方面我們可以借鑒已有成果,但我國(guó)的文化習(xí)慣和道德標(biāo)準(zhǔn)與發(fā)達(dá)國(guó)家之間存在很大差異,在選取指標(biāo)時(shí)應(yīng)注意國(guó)情和評(píng)估的具體目的。具體評(píng)價(jià)指標(biāo)的選取各國(guó)具有不同,如美國(guó)法律不允許將性別、年齡等個(gè)人屬性作為指標(biāo)列入消費(fèi)者信用評(píng)估體系,但這顯然是非常重要的指標(biāo),而且我國(guó)目前沒(méi)有這樣的法律規(guī)定;德國(guó)將是否服兵役作為一項(xiàng)重要指標(biāo);意大利將出生省份和婚約中對(duì)共同財(cái)產(chǎn)的要求作為重要指標(biāo);而日本則將供職公司是否上市以及公司的雇員數(shù)作為重要指標(biāo)。 九、留酌情處理權(quán) 信用評(píng)級(jí)需要留給專(zhuān)家一定的酌情處理權(quán)。一方面,在我國(guó)信用評(píng)級(jí)制度發(fā)展的起步階段,在信用體系未完善之前,信用信息的提交和披露還很不規(guī)范,信息的真實(shí)性和準(zhǔn)確性還無(wú)法得到保證,利用評(píng)估模型得出的結(jié)論固然客觀,但若模型計(jì)算所依據(jù)的信息本身有問(wèn)題還是會(huì)發(fā)生誤判;另一方面,評(píng)級(jí)模