現(xiàn)代商業(yè)銀行信用風(fēng)險度量和管理研究課件

南開大學(xué)經(jīng)濟學(xué)院金融學(xué)系李志輝教授

2006年9月18日現(xiàn)代商業(yè)銀行信用風(fēng)險

度量和管理研究南開大學(xué)經(jīng)濟學(xué)院金融學(xué)系現(xiàn)代商業(yè)銀行信用風(fēng)險

度量和管1主要內(nèi)容：商業(yè)銀行信用風(fēng)險度量和管理的重要性商業(yè)銀行信用風(fēng)險度量和管理的方法和模型我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究現(xiàn)代商業(yè)銀行信用風(fēng)險的量化度量和管理研究對我國的啟示主要內(nèi)容：商業(yè)銀行信用風(fēng)險度量和管理的重要性2信用風(fēng)險的概念和成因信用風(fēng)險是商業(yè)銀行面臨的最重要的風(fēng)險信用風(fēng)險的過度集中問題威脅著我國商業(yè)銀行的生存和發(fā)展《新巴塞爾協(xié)議》的出臺對商業(yè)銀行的信用風(fēng)險管理提出了更高的要求一、商業(yè)銀行信用風(fēng)險度量和管理的重要性信用風(fēng)險的概念和成因一、商業(yè)銀行信用風(fēng)險度量和管理的重要性3一、商業(yè)銀行信用風(fēng)險度量和管理的重要性信用風(fēng)險是指由于借款人或市場交易對手違約而導(dǎo)致?lián)p失的可能性；更為一般地說，信用風(fēng)險還包括由于借款人的信用評級的變動和履約能力的變化導(dǎo)致其債務(wù)的市場價值變動而引起的損失可能性。信用風(fēng)險根源于信用活動和交易對手遭受損失的不確定性。（一）信用風(fēng)險的概念和成因一、商業(yè)銀行信用風(fēng)險度量和管理的重要性（一）信用風(fēng)險的概念和4一、商業(yè)銀行信用風(fēng)險度量和管理的重要性McKinsey公司的研究表明，以銀行實際的風(fēng)險資本配置為參考，信用風(fēng)險占銀行總體風(fēng)險暴露的60％，而市場風(fēng)險和操作風(fēng)險則僅各占20％。對信用風(fēng)險管理不善會給商業(yè)銀行帶來災(zāi)難性的影響（如上世紀90年代以來西方幾大商業(yè)銀行倒閉案）商業(yè)銀行信用風(fēng)險的度量和管理還會影響到社會經(jīng)濟實際部門的正常運行和貨幣政策、財政政策的有效實施。（二）信用風(fēng)險是商業(yè)銀行面臨的最重要的風(fēng)險一、商業(yè)銀行信用風(fēng)險度量和管理的重要性McKinsey公司5一、商業(yè)銀行信用風(fēng)險度量和管理的重要性根據(jù)正式的公開數(shù)據(jù)，按照“一逾兩呆”口徑，2001年，四大國有商業(yè)銀行的不良貸款為18000億元，不良率為25.37％，按照“五級分類”口徑的不良率為31.1％，遠高于東南亞國家銀行1997年金融危機時的不良率。2002年以來，監(jiān)管機構(gòu)和各商業(yè)銀行逐漸加大風(fēng)險控制和不良貸款處置力度，強化不良貸款監(jiān)管，貸款不良率有下降。（三）信用風(fēng)險的過度集中問題威脅著我國商業(yè)銀行的生存和發(fā)展一、商業(yè)銀行信用風(fēng)險度量和管理的重要性根據(jù)正式的公開數(shù)據(jù)，按6一、商業(yè)銀行信用風(fēng)險度量和管理的重要性2004年，主要商業(yè)銀行不良貸款余額17176億元，比年初減少3946億元；不良貸款率為13．2％，比年初下降4．6個百分點。這是不良貸款繼2002年、2003年后的連續(xù)第三年“雙降”。但是如果考慮到不良貸款剝離和核銷因素，情況并非如此樂觀。2004年中行建行處置不良貸款合計為4364億元，超過了2004年不良貸款減少的3946億元。也即不良貸款余額反而增加了418億元。（三）信用風(fēng)險的過度集中問題威脅著我國商業(yè)銀行的生存和發(fā)展一、商業(yè)銀行信用風(fēng)險度量和管理的重要性2004年，主要商業(yè)銀7（三）信用風(fēng)險的過度集中問題威脅著我國商業(yè)銀行的生存和發(fā)展不考慮核銷額的不良貸款規(guī)?？紤]核銷額的不良貸款規(guī)模（三）信用風(fēng)險的過度集中問題威脅著我國商業(yè)銀行的生存和發(fā)展8一、商業(yè)銀行信用風(fēng)險度量和管理的重要性2003年4月，巴塞爾委員會頒布了《新巴塞爾協(xié)議》第三次征求意見稿，第三次征求意見稿基本上接近于終稿，以此為基礎(chǔ)的新協(xié)議將于今年第四季度定稿，并于2006年底在成員國付諸實施。新協(xié)議對現(xiàn)行資本協(xié)議的風(fēng)險計量方法進行了修改，規(guī)定銀行可以使用標準法和內(nèi)部評級法度量信用風(fēng)險，同時建議實力較強的銀行使用內(nèi)部評級法。（四）《新巴塞爾協(xié)議》的出臺對商業(yè)銀行的信用風(fēng)險管理提出了更高的要求一、商業(yè)銀行信用風(fēng)險度量和管理的重要性2003年4月，巴塞爾9一、商業(yè)銀行信用風(fēng)險度量和管理的重要性相對于資本監(jiān)管來說，《新巴塞爾協(xié)議》在很大程度上更注重信用風(fēng)險的管理，對商業(yè)銀行信用風(fēng)險的評估與控制提出了更高、更嚴格的要求。我國已于1996年加入了巴塞爾成員國的行列，盡管銀監(jiān)會宣布2006年我國暫不執(zhí)行新協(xié)議，中國銀行業(yè)必須盡快將信用風(fēng)險度量和管理的相關(guān)研究提上議事日程，積極借鑒新協(xié)議的有關(guān)內(nèi)容，提高我國商業(yè)銀行的信用風(fēng)險管理水平。（四）《新巴塞爾協(xié)議》的出臺對商業(yè)銀行的信用風(fēng)險管理提出了更高的要求一、商業(yè)銀行信用風(fēng)險度量和管理的重要性相對于資本監(jiān)管來說，《10古典信用風(fēng)險度量和管理方法現(xiàn)代信用風(fēng)險度量和管理模型以風(fēng)險調(diào)整為核心的績效度量方法

二、商業(yè)銀行信用風(fēng)險度量和管理的

方法和模型古典信用風(fēng)險度量和管理方法二、商業(yè)銀行信用風(fēng)險度量和管理的

11二、商業(yè)銀行信用風(fēng)險度量和管理的

方法和模型（一）古典信用風(fēng)險度量和管理方法古典信用風(fēng)險度量方法I：專家制度古典信用風(fēng)險度量方法II:Z評分模

型和ZETA評分模型二、商業(yè)銀行信用風(fēng)險度量和管理的

12（一）古典信用風(fēng)險度量和管理方法（1）專家制度的主要內(nèi)容：專家制度是一種最古老的信用風(fēng)險分析方法，它是商業(yè)銀行在長期的信貸活動中所形成的一種行之有效的信用風(fēng)險分析和管理制度。在該制度下，各商業(yè)銀行對貸款申請人進行信用分析涉及的內(nèi)容大多集中在借款人的“5C”上，即品德與聲望（Character）、資格與能力（Capacity）、資金實力(CapitalorCash)、擔(dān)保（Collateral）、經(jīng)營條件或商業(yè)周期（Condition）。1.古典信用風(fēng)險度量方法I：專家制度（一）古典信用風(fēng)險度量和管理方法（1）專家制度的主要內(nèi)容：專13表2.1銀行在信用分析中經(jīng)常使用的

財務(wù)比率指標表2.1銀行在信用分析中經(jīng)常使用的

財務(wù)比率指標141.古典信用風(fēng)險度量方法I：專家制度（一）古典信用風(fēng)險度量和管理方法（2）專家制度的缺陷和不足需要相當(dāng)數(shù)量的專門信用分析人員；實施的效果很不穩(wěn)定；與銀行在經(jīng)營管理中的官僚主義方式緊密相聯(lián)，大大降低了銀行應(yīng)對市場變化的能力；加劇了銀行在貸款組合方面過度集中的問題，使銀行面臨著更大的風(fēng)險；在對借款人進行信用分析時，難以確定共同要遵循的標準，造成信用評估的主觀性、隨意性和不一致性。1.古典信用風(fēng)險度量方法I：專家制度（一）古典信用風(fēng)險度量和15（一）古典信用風(fēng)險度量和管理方法Z評分模型（Z-scoremodel）是美國紐約大學(xué)斯特商學(xué)院教授愛德華·阿爾特曼（EdwardI.Altman）在1968年提出的。1977年他又對該模型進行了修正和擴展，建立了第二代模型ZETA模型（ZETAcreditriskmodel）。

Z評分模型的主要內(nèi)容第二代Z評分模型——ZETA信用風(fēng)險模型Z評分模型和ZETA模型的缺陷

2.古典信用風(fēng)險度量方法II：Z評分模型

和ZETA評分模型（一）古典信用風(fēng)險度量和管理方法Z評分模型（Z-score16（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II：Z評分模型

和ZETA評分模型（1）Z評分模型的主要內(nèi)容阿爾特曼的Z評分模型是一種多變量的分辨模型，他是根據(jù)數(shù)理統(tǒng)計中的辨別分析技術(shù)，對銀行過去的貸款案例進行統(tǒng)計分析，選擇一部分最能夠反映借款人的財務(wù)狀況，對貸款質(zhì)量影響最大、最具預(yù)測或分析價值的比率，設(shè)計出一個能最大程度地區(qū)分貸款風(fēng)險度的數(shù)學(xué)模型（也稱之為判斷函數(shù)），對貸款申請人進行信用風(fēng)險及資信評估。（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II17（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II：Z評分模型

和ZETA評分模型（1）Z評分模型的主要內(nèi)容阿爾特曼確立的分辨函數(shù)為：Z=0.012（X1）+0.014（X2）+0.033（X3）+0.006（X4）+0.999（X5）或：Z=1.2（X1）+1.4（X2）+3.3（X3）+0.6（X4）+0.999（X5）

X1：流動資金/總資產(chǎn)（WC/TA）X2：留存收益/總資產(chǎn)（RE/TA）X3：息前、稅前收益/總資產(chǎn)（EBIT/TA）X4：股權(quán)市值/總負債帳面值（MVE/TL）X5：銷售收入/總資產(chǎn)（S/TA）（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II18（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II：Z評分模型

和ZETA評分模型（1）Z評分模型的主要內(nèi)容這兩個公式是相等的，只不過權(quán)重的表達形式不同，前者用的是小數(shù)，后者用的是百分比，第五個比率是用倍數(shù)來表示的，其相關(guān)系數(shù)不變。阿爾特曼經(jīng)過統(tǒng)計分析和計算最后確定了借款人違約的臨界值Z0=2.675，如果Z<2.675，借款被劃入違約組；反之，如果Z≥2.675，則借款人被劃為非違約組。當(dāng)1.81<Z<2.99，阿爾特曼發(fā)現(xiàn)此時的判斷失誤較大，稱該重疊區(qū)域為“未知區(qū)”（ZoneofIgnorance）或稱“灰色區(qū)域”(grayarea)。（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II19（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II：Z評分模型

和ZETA評分模型（2）第二代Z評分模型——ZETA信用風(fēng)險模型ZETA信用風(fēng)險模型（ZETACreditRiskModel）是繼Z模型后的第二代信用評分模型，變量由原始模型的五個增加到了7個，適應(yīng)范圍更寬，對不良借款人的辨認精度也大大提高。我們可以將ZETA模型寫成下列式子：

ZETA=ax1+bx2+cx3+dx4+ex5+fx6+gx7模型中的a、b、c、d、e、f、g分別是ZETA模型中七變量各自的系數(shù)。模型中的七變量分別是：資產(chǎn)收益率、收益穩(wěn)定性指標、債務(wù)償付能力指標、累計盈利能力指標、流動性指標、資本化程度的指標和規(guī)模指標。（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II20（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II：Z評分模型

和ZETA評分模型表2.2ZETA模型與Z評分模型分辯準確性之比較

（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II21（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II：Z評分模型

和ZETA評分模型（3）Z評分模型和ZETA模型的缺陷依賴于財務(wù)報表賬面數(shù)據(jù)，忽視日益重要的各項資本市場指標，這就必然削弱模型預(yù)測結(jié)果的可靠性和及時性；缺乏對違約和違約風(fēng)險的系統(tǒng)認識，理論基礎(chǔ)比較薄弱；模型假設(shè)在解釋變量中存在著線性關(guān)系，而現(xiàn)實的經(jīng)濟現(xiàn)象是非線性的；兩個模型都無法計量企業(yè)的表外信用風(fēng)險，另外對某些特定行業(yè)的企業(yè)如公用企業(yè)、財務(wù)公司、新公司以及資源企業(yè)也不適用，因而它們的使用范圍受到較大限制。（一）古典信用風(fēng)險度量和管理方法2.古典信用風(fēng)險度量方法II22二、商業(yè)銀行信用風(fēng)險度量和管理的

方法和模型期權(quán)推理分析法(Option-theoreticapproach)：KMV模型受險價值法(VaRbasedApproach)：J.P.摩根的信用度量制模型（CreditMetrics）麥肯錫模型——信用組合觀點模型(Mckinsey’sCreditPortfolioView)瑞士信貸銀行的CreditRisk+模型現(xiàn)代信用風(fēng)險度量模型方法的比較（二）現(xiàn)代信用風(fēng)險度量和管理模型二、商業(yè)銀行信用風(fēng)險度量和管理的

23（二）現(xiàn)代信用風(fēng)險度量和管理模型1.期權(quán)推理分析法：KMV模型期權(quán)推理分析法(Option-theoreticapproach)是指利用期權(quán)定價理論對風(fēng)險債券和貸款的信用風(fēng)險進行度量的方法，其中最典型的就是位于美國舊金山市的KMV公司創(chuàng)立的違約預(yù)測模型——信用監(jiān)測模型(CreditMonitorModel)。貸款和期權(quán)的關(guān)系KMV信用監(jiān)測模型（CreditMonitormodel）KMV信用監(jiān)測模型的優(yōu)劣分析（二）現(xiàn)代信用風(fēng)險度量和管理模型1.期權(quán)推理分析法：KMV24（二）現(xiàn)代信用風(fēng)險度量和管理模型1.期權(quán)推理分析法：KMV模型（1）貸款和期權(quán)的關(guān)系默頓·米勒在1974年就曾指出，一筆銀行貸款的損益可以看作是與以借款企業(yè)資產(chǎn)為標的所賣出的一筆賣權(quán)等值的，也即圖2.1與圖2.2中的損益是等值的。A2資產(chǎn)價值BA10損益額($)損益額($)+Ox股票價格（S）-圖2.1放款銀行貸款損益圖圖2.2股票賣權(quán)的賣方損益圖（二）現(xiàn)代信用風(fēng)險度量和管理模型1.期權(quán)推理分析法：KMV251.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理模型（2）KMV信用監(jiān)測模型KMV公司建立的信用監(jiān)測模型的目的在于為了解決銀行貸款的信用風(fēng)險問題。該模型使用了兩個關(guān)系：其一，企業(yè)股權(quán)市值與它的資產(chǎn)市值之間的結(jié)構(gòu)性關(guān)系；其二，企業(yè)資產(chǎn)市值波動程度和企業(yè)股權(quán)市值的變動程度之間關(guān)系。通過這兩個關(guān)系模型，便可以求出市場上無法直接觀測到的兩個變量：企業(yè)資產(chǎn)市值及其波動程度。一旦所有涉及的變量值被算出，信用監(jiān)測模型便可以測算出借款企業(yè)的預(yù)期違約頻率(EDF)。1.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理261.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理模型（2）KMV信用監(jiān)測模型股權(quán)市值與資產(chǎn)市值之間的結(jié)構(gòu)性關(guān)系企業(yè)股權(quán)市值與它的資產(chǎn)市值之間的結(jié)構(gòu)性關(guān)系是由前面提到的貸款與期權(quán)的關(guān)系決定的。圖2.3企業(yè)股權(quán)作為期權(quán)買權(quán)的損益情況

1.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理271.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理模型（2）KMV信用監(jiān)測模型

借款企業(yè)股東的股權(quán)市值頭寸看作是持有一份以企業(yè)資產(chǎn)市值為標的的買權(quán)。正象古典布萊克-斯可爾斯-默頓模型中股票賣權(quán)定價的五變量一樣，企業(yè)股權(quán)可由下式來估價出：

其中，A—資產(chǎn)市值B—違約執(zhí)行點r—短期利率σA—該企業(yè)的資產(chǎn)市值的波動性τ—股票買權(quán)的到期日或貸款期限(或違約期限)。rBτ都可以從市場上直接觀察到，A和σA的獲得需要借助第二個關(guān)系。（2.1）1.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理281.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理模型股權(quán)市值的波動性σE與它的資產(chǎn)市值波動性σA的關(guān)系（2）KMV信用監(jiān)測模型股權(quán)市值的波動性可以在市場上直接觀察到，將公式（2.1）和（2.2）聯(lián)立在一起，通過連續(xù)的迭代，便可以最終求出A值和σA值。如果借款企業(yè)的資產(chǎn)市值呈現(xiàn)正態(tài)分布的話，我們知道違約的概率。（2.2）（2.3）1.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理291.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理模型（2）KMV信用監(jiān)測模型以上我們所推導(dǎo)和計算出的只是借款企業(yè)理論預(yù)期違約頻率，它與現(xiàn)實生活中實際所發(fā)生的預(yù)期違約頻率之間存在著很大差異。因此，KMV公司就利用其自身優(yōu)勢建立起了一個全球范圍企業(yè)和企業(yè)違約信息數(shù)據(jù)庫，計算出了各類信用等級企業(yè)經(jīng)驗預(yù)期違約頻率，從而產(chǎn)生了以這種經(jīng)驗預(yù)期違約頻率為基礎(chǔ)的信用分值來。圖2.4理論預(yù)期違約頻率的計算1.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險度量和管理30（二）現(xiàn)代信用風(fēng)險度量和管理模型（2）KMV信用監(jiān)測模型1.期權(quán)推理分析法：KMV模型圖2.5KMV模型圖示（二）現(xiàn)代信用風(fēng)險度量和管理模型（2）KMV信用監(jiān)測模型131（二）現(xiàn)代信用風(fēng)險度量和管理模型（3）KMV信用監(jiān)測模型的優(yōu)劣分析1.期權(quán)推理分析法：KMV模型與傳統(tǒng)的以會計資料為基礎(chǔ)的信用評分模型和信用評級機構(gòu)的信用評級相比，KMV的信用檢測模型具有更強的違約預(yù)測能力。圖2.6對IBM公司所做的KMV預(yù)期違約頻率和信用評級機構(gòu)對其所做的信用評級結(jié)果圖2.7對泰國銀行所做的KMV預(yù)期違約頻率和信用評級機構(gòu)對其所做的信用評級結(jié)果（二）現(xiàn)代信用風(fēng)險度量和管理模型（3）KMV信用監(jiān)測模型的優(yōu)32（3）KMV信用監(jiān)測模型的優(yōu)劣分析（二）現(xiàn)代信用風(fēng)險度量和管理模型1.期權(quán)推理分析法：KMV模型模型的使用范圍受到了限制，不適用于非上市公司；在現(xiàn)實中，并非所有借款企業(yè)都符合模型中資產(chǎn)價值呈正態(tài)分布的假定；該模型不能夠?qū)﹂L期債務(wù)的不同類型進行分辨；該模型基本上屬于一種靜態(tài)模型，但實際情況并非如此。（3）KMV信用監(jiān)測模型的優(yōu)劣分析（二）現(xiàn)代信用風(fēng)險度量和管332.受險價值法：J.P.摩根的信用度量制模型（二）現(xiàn)代信用風(fēng)險度量和管理模型信用度量制模型Creditmetrics是J.P.摩根于1997年推出的以VaR方法為基礎(chǔ)的信用風(fēng)險度量模型。受險價值方法（VaR）信用度量制模型（Creditmetrics）受險價值方法與最低風(fēng)險資本要求信用度量制模型引起若干爭議的技術(shù)問題KMV模型與信用度量制模型的比較2.受險價值法：J.P.摩根的信用度量制模型（二）現(xiàn)代信用風(fēng)34（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根的信用度量制模型（1）受險價值方法（VaR）圖2.8一支交易股票的受險價值（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根35（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根的信用度量制模型（2）信用度量制模型（Creditmetrics）為了說明信用度量制方法，考慮一筆貸款，計算其受險價值量并討論相關(guān)的技術(shù)問題。假設(shè)一筆5年期固定利率貸款，年貸款利率為6％，貸款總額為100（百萬美元）。借款企業(yè)信用等級為BBB級。（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根362.受險價值法：J.P.摩根的信用度量制模型（2）信用度量制模型（Creditmetrics）借款企業(yè)信用等級轉(zhuǎn)換的概率2.受險價值法：J.P.摩根的信用度量制模型（2）信用度量制372.受險價值法：J.P.摩根的信用度量制模型（2）信用度量制模型（Creditmetrics）對信用等級變動后的貸款市值估價2.受險價值法：J.P.摩根的信用度量制模型（2）信用度量制382.受險價值法：J.P.摩根的信用度量制模型計算受險價值量2.受險價值法：J.P.摩根的信用度量制模型計算受險價39（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根的信用度量制模型（3）受險價值方法與最低風(fēng)險資本要求監(jiān)管資本：國際清算銀行對商業(yè)銀行所規(guī)定的以風(fēng)險資

產(chǎn)為基礎(chǔ)的8%資本要求經(jīng)濟資本：貸款的受險價值為經(jīng)濟資本(EconomicCapital)利用信用度量制方法所計算出的貸款受險價值量可以較為準確地反映不同信用等級和不同期限的貸款在未來可能發(fā)生的價值損失量。因此，較之于監(jiān)管資本，經(jīng)濟資本可以更有效地保證銀行在遭受信用風(fēng)險損失的情況下能夠繼續(xù)生存下來。（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根40（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根的信用度量制模型（4）信用度量制模型引起若干爭議的技術(shù)問題

關(guān)于信用等級的轉(zhuǎn)換問題關(guān)于貸款的估價問題（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根41（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根的信用度量制模型（5）KMV模型與信用度量制模型的比較相同點：都是目前國際金融界最流行的信用風(fēng)險管理模型。兩者都幫助銀行和其它金融機構(gòu)在進行貸款等授信業(yè)

務(wù)時衡量授信對象的信用狀況，分析所面臨的信用風(fēng)

險，防止集中授信，進而為實現(xiàn)投資分散化和具體的

授信決策提供了量化的更加科學(xué)的依據(jù)，對以主觀性

和藝術(shù)性為特征的傳統(tǒng)信用分析方法提供了很好的補

充。（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根42（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根的信用度量制模型（5）KMV模型與信用度量制模型的比較差異：KMV模型對企業(yè)信用風(fēng)險的衡量指標EDF主要來自于

對該企業(yè)股票市場價格變化的有關(guān)數(shù)據(jù)的分析，而信

用度量制模型模型對企業(yè)信用風(fēng)險的衡量來自于對該

企業(yè)信用等級轉(zhuǎn)換及其概率的歷史數(shù)據(jù)的分析。這是

兩個模型最根本的區(qū)別之一。KMV模型被認為是一種動態(tài)模型，可以及時反映信用

風(fēng)險水平的變化；信用度量制模型在相當(dāng)長的一段時

間內(nèi)保持靜態(tài)特征，這有可能使得該模型的分析結(jié)果

不能及時反映企業(yè)信用狀況的變化。（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根43（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根的信用度量制模型（5）KMV模型與信用度量制模型的比較差異：KMV模型是一種向前看(forward-Looking)的方法，其

EDF指標中包含了市場投資者對該企業(yè)信用狀況未來

發(fā)展趨勢的判斷。信用度量制模型采用的是依賴信用

狀況變化歷史數(shù)據(jù)的向后看(Backward-Looking)的

方法。KMV模型與信用度量制模型所選擇的信用損失計量方

法不同。KMV模型與CreditMetrics模型對貸款的估價方法不同。（二）現(xiàn)代信用風(fēng)險度量和管理模型2.受險價值法：J.P.摩根443.麥肯錫模型——信用組合觀點模型（二）現(xiàn)代信用風(fēng)險度量和管理模型信用組合觀點模型CreditPortfolioView是多因素模

型，它在宏觀經(jīng)濟因素（如失業(yè)率、GDP增長率、

長期利率水平、匯率、政府支出及總儲蓄率）一定

的情況下，模擬了違約的聯(lián)合有條件的分布及每個

國家不同行業(yè)各種級別客戶的轉(zhuǎn)移概率。該模型在計算信用資產(chǎn)的在險價值量時，將各種影

響違約概率以及相關(guān)聯(lián)的信用等級轉(zhuǎn)換概率的宏觀

因素納入體系?？朔诵庞枚攘恐品椒ㄓ捎诩俣ú?/p>

同時期的信用等級轉(zhuǎn)換概率是靜態(tài)的和固定的而引

起的很多偏差，被視為信用度量制方法的重要補充。3.麥肯錫模型——信用組合觀點模型（二）現(xiàn)代信用風(fēng)險度量和453.麥肯錫模型——信用組合觀點模型（二）現(xiàn)代信用風(fēng)險度量和管理模型模型中解決和處理經(jīng)濟周期性因素及其影響

的方法是直接將信用等級轉(zhuǎn)換概率與宏觀因

素之間的關(guān)系模型化，如果模型是擬合的，

就可以通過制造宏觀上的對于模型的“沖擊”

來模擬信用等級轉(zhuǎn)換概率的跨時演變狀況。模型中違約概率以logit模型方式表現(xiàn)。3.麥肯錫模型——信用組合觀點模型（二）現(xiàn)代信用風(fēng)險度量和464.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信用風(fēng)險度量和管理模型CreditRisk+模型是運用保險學(xué)框架推導(dǎo)債券或貸款資產(chǎn)組合損失分布的模型。CreditRisk+模型的基本假設(shè)CreditRisk+模型框架CreditRisk+基本模型的拓展4.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信474.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信用風(fēng)險度量和管理模型（1）CreditRisk+模型的基本假設(shè)只考慮違約風(fēng)險，不考慮降級風(fēng)險；違約風(fēng)險與資本結(jié)構(gòu)無關(guān)；對一筆貸款業(yè)務(wù)，給定時間的違約概率與其他時

間的違約概率相同；對于大量債務(wù)人，任何一個特定債務(wù)人的違約概

率都很小，且特定時間內(nèi)發(fā)生的違約數(shù)目與其他

時間內(nèi)發(fā)生違約數(shù)目相互獨立。4.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信484.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信用風(fēng)險度量和管理模型（2）CreditRisk+模型框架違約事件頻率（用標準泊松分布近似違約事件的分布）損失的嚴重程度（交易對手發(fā)生損失等于債務(wù)人借款

數(shù)量減去清償數(shù)目）資產(chǎn)組合的違約損失分布4.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信494.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信用風(fēng)險度量和管理模型（3）CreditRisk+基本模型的拓展CreditRisk+還可以在單變量基礎(chǔ)上進行拓展：模型可以拓展為多期模型；違約率的變化源于許多“背景”因素，每個因素代表一

個活動部門。每個因素k由隨機變量Xk代表，它是部

門k的違約數(shù)目，假設(shè)服從Gamma分布。每個債務(wù)人

違約率均值是背景因素X的線性函數(shù)，這些因素之間

假設(shè)是相互獨立的。4.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信50（二）現(xiàn)代信用風(fēng)險度量和管理模型5.現(xiàn)代信用風(fēng)險度量模型方法的比較（二）現(xiàn)代信用風(fēng)險度量和管理模型5.現(xiàn)代信用風(fēng)險度量模型方51二、商業(yè)銀行信用風(fēng)險度量和管理的

方法和模型（三）以風(fēng)險調(diào)整為核心的績效度量方法

RAPM度量指標的計算方法——以

RARORAC指標為例RAPM度量指標的比較二、商業(yè)銀行信用風(fēng)險度量和管理的

52（三）以風(fēng)險調(diào)整為核心的績效度量方法20世紀70年代末，美國信孚銀行首次提出了風(fēng)險調(diào)整資本配置觀念風(fēng)險調(diào)整績效度量方法（RAPM）與傳統(tǒng)的主要以股本收益率（ROE）為中心的績效度量和資本分配模式的最大區(qū)別在于：將銀行收益與其所承擔(dān)的特定風(fēng)險直接掛鉤，更明確地考慮到風(fēng)險對商業(yè)銀行的巨大影響。該方法可以幫助業(yè)務(wù)管理者進行投資決策，制定不同層次上的長期戰(zhàn)略計劃；該方法還能對新引入的交易工具進行有效定價，從而實現(xiàn)具有更高增值潛力的投資。（三）以風(fēng)險調(diào)整為核心的績效度量方法20世紀70年代末，美國531.RAPM度量指標的計算方法——以RORAC為例（三）以風(fēng)險調(diào)整為核心的績效度量方法RAPM方法通常有四個度量指標，它們是：ROC（returnoncapital）——資本收益RORAC（returnonrisk-adjustedcapital）——風(fēng)險調(diào)整資本的收益RAROC（risk-adjustedreturnoncapital）——資本的風(fēng)險調(diào)整收益RARORAC（risk-adjustedreturnonrisk-adjustedcapital）——風(fēng)險調(diào)整資本的風(fēng)險調(diào)整收益1.RAPM度量指標的計算方法——以RORAC為例（三）541.RAPM度量指標的計算方法——以RORAC為例（三）以風(fēng)險調(diào)整為核心的績效度量方法RAPM的四個績效度量指標基本形式類似，都是由風(fēng)險調(diào)整的或未被調(diào)整的收益除以必要監(jiān)管資本或經(jīng)濟資本得來的，只是風(fēng)險調(diào)整的位置各不相同。下面以RARORAC指標為例詳細介紹RAPM度量指標的量化方法。（2.4）1.RAPM度量指標的計算方法——以RORAC為例（三）55RARORAC的分子是收益項，包含收入信息、廣義的“費用”、業(yè)務(wù)部門之間的轉(zhuǎn)移價格以及銀行從事各種類型業(yè)務(wù)活動的預(yù)期損失。（三）以風(fēng)險調(diào)整為核心的績效度量方法1.RAPM度量指標的計算方法——以RORAC為例RARORAC的分母是銀行為了維持其信用等級而必須保有的與其承擔(dān)的風(fēng)險相匹配的資本緩沖額，也稱為風(fēng)險資本或者經(jīng)濟資本。下圖是對分子、分母中各項的詳細說明。RARORAC的分子是收益項，包含收入信息、廣義的“費用”、56資料來源：MichaelK.Ong.,1999,InternalCreditRiskModels,RiskBooks,pp222.

RARORAC的圖2.9RARORAC的分子資料來源：MichaelK.Ong.,1999,In57預(yù)期損失是指銀行的正常經(jīng)營過程中能夠預(yù)期到的損失

額，銀行通常會為緩沖這部分損失而設(shè)置貸款損失準備金。單筆貸款的預(yù)期損失(EL)可以根據(jù)下式計算:EL＝AE×LGD×PD(2.5)

AE=OS+COM×UGD(2.6)

AE：調(diào)整的風(fēng)險暴露LGD：既定違約損失率PD：違約概率COM：貸款承諾OS：未清償貸款UGD：既定違約提用比例（三）以風(fēng)險調(diào)整為核心的績效度量方法1.RAPM度量指標的計算方法——以RORAC為例預(yù)期損失是指銀行的正常經(jīng)營過程中能夠預(yù)期到的損失

58（三）以風(fēng)險調(diào)整為核心的績效度量方法1.RAPM度量指標的計算方法——以RORAC為例違約概率可以使用信用評級機構(gòu)以歷史數(shù)據(jù)為基礎(chǔ)編制的

估計數(shù)據(jù)，也可直接利用以信用風(fēng)險度量模型為基礎(chǔ)計算

得出（如KMV公司基于企業(yè)價值模型的信用監(jiān)控系統(tǒng)）的

預(yù)期違約頻率EDF數(shù)據(jù)。既定違約損失率LGD是指在違約事件中，銀行損失占全部

風(fēng)險暴露的比例。LGD主要取決于銀行資產(chǎn)擔(dān)保的程度，

在數(shù)值上等于1減去收復(fù)率（收復(fù)率是指一旦負債人違約，

銀行有可能從債務(wù)人那里獲得補救的那部分損失占全部風(fēng)

險暴露的比率）。資產(chǎn)組合的預(yù)期損失即為單筆資產(chǎn)預(yù)期損失的加權(quán)平均和。

（三）以風(fēng)險調(diào)整為核心的績效度量方法1.RAPM度量指標的59資料來源：MichaelK.Ong.,1999,InternalCreditRiskModels,RiskBooks,pp223.

RARORAC的圖2.10RARORAC的分母資料來源：MichaelK.Ong.,1999,In60非預(yù)期損失是指與預(yù)期損失相關(guān)聯(lián)的經(jīng)估算的資產(chǎn)價值潛在損失的波動性，銀行通過保有資本金以緩解非預(yù)期損失對日常經(jīng)營活動的沖擊。1.RAPM度量指標的計算方法——以RORAC為例（三）以風(fēng)險調(diào)整為核心的績效度量方法單筆貸款的非預(yù)期損失可以根據(jù)下式計算：若違約是兩狀態(tài)事件，則違約概率即EDF的方差為：違約是一個多狀態(tài)過程，則需考慮信用等級轉(zhuǎn)換概率，此時非預(yù)期損失的表達式會復(fù)雜得多。（2.8）（2.7）非預(yù)期損失是指與預(yù)期損失相關(guān)聯(lián)的經(jīng)估算的資產(chǎn)價值潛在損失的波61（三）以風(fēng)險調(diào)整為核心的績效度量方法1.RAPM度量指標的計算方法——以RORAC為例資產(chǎn)組合的非預(yù)期損失與預(yù)期損失不同，它不等于其所包含的各單個風(fēng)險資產(chǎn)的非預(yù)期損失的線形總和，包含N個資產(chǎn)的資產(chǎn)組合的非預(yù)期損失為：其中，聯(lián)合違約概率

P(Di?Dj)=EDFi+EDFj－P(Di+Dj)，P(Di+Dj)表示至少有一個債務(wù)人違約的概率。（2.10）（2.9）（三）以風(fēng)險調(diào)整為核心的績效度量方法1.RAPM度量指標的622.RAPM度量指標的比較

（三）以風(fēng)險調(diào)整為核心的績效度量方法盡管RAPM方法的四個常用度量指標（ROC、RORAC、RAROC和RARORAC）在形式上十分類似，但是在對資本收益進行比較時，采用不同的指標會得出不同甚至相反的結(jié)果。銀行只有選擇恰當(dāng)?shù)腞APM指標才能做出正確的績效評價，才能在業(yè)務(wù)部門層次、客戶層次以及交易層次等各個層次上都進行有效的資本分配。下表是對四種RAPM度量指標的詳細比較，這些度量指標的復(fù)雜程度從ROC到RARORAC依次增加。

2.RAPM度量指標的比較（三）以風(fēng)險調(diào)整為核心的績效度63表2.7RAPM度量指標的比較（三）以風(fēng)險調(diào)整為核心的績效度量方法

標準計算方法涵義優(yōu)點局限性ROC資本收益調(diào)整的收益/必要監(jiān)管資本度量與監(jiān)管資本相關(guān)的收益率簡單直觀易于實施無法度量交易風(fēng)險RORAC風(fēng)險調(diào)整資本的收益調(diào)整的收益/經(jīng)濟資本度量與經(jīng)濟（風(fēng)險）資本相關(guān)的收益率計算資本需求時同時考慮了資產(chǎn)及非資產(chǎn)風(fēng)險傾向于持有低風(fēng)險資產(chǎn)RAROC資本的風(fēng)險調(diào)整收益風(fēng)險調(diào)整的收益/必要監(jiān)管資本將監(jiān)管資本需求和市場風(fēng)險成本相結(jié)合綜合考慮了風(fēng)險和監(jiān)管成本監(jiān)管資本只能對風(fēng)險進行有限劃分，影響了指標的準確性RARORAC風(fēng)險調(diào)整資本的風(fēng)險調(diào)整收益風(fēng)險調(diào)整的收益/經(jīng)濟資本資本緩沖額根據(jù)商業(yè)銀行要求和市場風(fēng)險進行調(diào)整所得出的純粹的經(jīng)濟資本收益率可用于不同等級資產(chǎn)的風(fēng)險決策忽略了業(yè)務(wù)的監(jiān)管成本資料來源：SanjeevPunjabi,Manyhappyreturns,Risk,June1998,pp71-76.表2.7RAPM度量指標的比較（三）以風(fēng)險調(diào)整為核心的64銀行在選擇RAPM指標時，要將指標與其所從事的各項業(yè)務(wù)相結(jié)合。

計算ROC時未進行任何風(fēng)險調(diào)整，該指標鼓勵投資者去

承擔(dān)風(fēng)險以獲取更高的收益。這種不充分的定價標準會

導(dǎo)致高風(fēng)險資本需求的增大，而高質(zhì)量的資產(chǎn)則因其相

對較低的收益而被避之門外。RORAC相對于ROC的優(yōu)勢在于其使用了經(jīng)濟資本的概

念，一般來說，風(fēng)險和收益都相對較低的交易會具有

校高的RORAC值，這也正是該指標得到廣泛青睞的原

因。偏好高“緩沖”資本的機構(gòu)會據(jù)此選擇那些吸引力較

低的交易，構(gòu)建信用質(zhì)量很高但收益較低的資產(chǎn)組合。（三）以風(fēng)險調(diào)整為核心的績效度量方法2.RAPM度量指標的比較

銀行在選擇RAPM指標時，要將指標與其所從事的各項業(yè)務(wù)相結(jié)合65RAROC指標的使用機構(gòu)會傾向于持有更多的能對市

場風(fēng)險進行彌補的資產(chǎn)，以對優(yōu)化使用現(xiàn)有的監(jiān)管資

本。該指標具有很高的實用性和有效性，因為它試圖

實現(xiàn)市場監(jiān)管限制下的風(fēng)險調(diào)整收益最大化。RARORAC技術(shù)以風(fēng)險原理和堅實的經(jīng)濟理論為基

礎(chǔ)，該指標能夠做到以最小的經(jīng)濟資本獲得最大的風(fēng)

險調(diào)整收益，但是要達到最好的效果，最好結(jié)合其他

一些目標，如收益和獲利目標。使用該指標時需要對

風(fēng)險進行精確的判定和調(diào)整以及精湛的理論基礎(chǔ)、完

備的風(fēng)險度量和跟蹤系統(tǒng)。（三）以風(fēng)險調(diào)整為核心的績效度量方法2.RAPM度量指標的比較

RAROC指標的使用機構(gòu)會傾向于持有更多的能對市

66三、我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究

商業(yè)銀行信用風(fēng)險識別模型構(gòu)造樣本采集和數(shù)據(jù)處理我國商業(yè)銀行信用風(fēng)險識別模型實證研究研究結(jié)論

三、我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究

商業(yè)銀行信用風(fēng)67(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造三、我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究主成分分析（PrincipalComponentsAnalysis）線性判別模型（LinearDiscriminantAnalysis）Logit模型BP神經(jīng)網(wǎng)絡(luò)模型（Back-propagationneural

Networks）(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造三、我國商業(yè)銀行信用風(fēng)681.主成分分析（PrincipalComponentsAnalysis）

主成分分析法是數(shù)據(jù)降維的傳統(tǒng)方法，在20世紀30年代

Hotelling(1933)提出計算主成分的迭代算法后得以廣泛

應(yīng)用。該方法是從相關(guān)矩陣內(nèi)部依賴關(guān)系的研究出發(fā)，

把一些具有錯綜復(fù)雜關(guān)系的變量歸結(jié)為少數(shù)幾個綜合因

子的多變量統(tǒng)計分析方法。我國上市公司的財務(wù)數(shù)據(jù)具有高維性（指標多）的特點，

在進行各類判別分析之前，引入主成分分析法能夠在財

務(wù)比率眾多的情況下，實現(xiàn)變量的降維，最大限度減少

變量中所含信息的丟失。(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造1.主成分分析（PrincipalComponentsA69

主成分分析法的基本思路是：

從p個原始財務(wù)指標中提取m個相互獨立主成份，每個主成份都是原來多個指標的線性組合。提取的主成份根據(jù)特征值大小排序，特征值最大的主成份對原始財務(wù)指標的解釋力度最大，如果特征值小于1，表示該主成份的解釋力度還不如直接引入一個原變量的解釋力度大。如果m（m≤p）個主成份可以解釋大部分原始財務(wù)指標的方差或者提取主成份的累計貢獻率達到80%以上，那么m維主成份空間就能夠最大限度地保留原始p維財務(wù)指標空間的信息。1.主成分分析（PrincipalComponentsAnalysis）

(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造主成分分析法的基本思路是：1.主成分分析（Principa70(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造1.主成分分析（PrincipalComponentsAnalysis）

主成份分析的具體步驟如下：原始數(shù)據(jù)標準化計算相關(guān)系數(shù)矩陣（協(xié)方差矩陣）計算特征值和特征向量計算主成份貢獻率和累計貢獻率選擇主成份個數(shù)(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造1.主成分分析（Princ71(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（LinearDiscriminantAnalysis）以主成份Y1，Y2，……Ym為基礎(chǔ)我們可以利用Fisher判別方法擬合最優(yōu)的信用風(fēng)險線性判別模型。其中Z是判別值，Yjt是t期的主成份判別指標，bj是判別系數(shù)，b0是常數(shù)項，t是樣本時間期限。（3.1）(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（Line72(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（LinearDiscriminantAnalysis）圖3.1Fisher判別方法示意圖

(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（Line73(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（LinearDiscriminantAnalysis）

Fisher判別方法的基本思想是投影，如圖3.1所示，對于本次研究中引入的m維上市公司財務(wù)指標（主成份），在原始變量X1和X2的方向上，高信用風(fēng)險組A和低信用風(fēng)險組B的觀測值都有很大程度的重疊，難以區(qū)分清楚。但是如果以X1為橫坐標，X2為縱坐標，并設(shè)法在此平面內(nèi)找到一個Y軸，使得當(dāng)X1

X2屏幕上的散點投影到Y(jié)軸上時兩組觀測值的重疊程度最小。使兩組觀測值的投影盡可能分開，就相當(dāng)于使組間差異（即組間離差平方和SSG）盡可能大的同時又使組內(nèi)差異（即組內(nèi)離差平方和SSE）盡可能小，即，

(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（Line74(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（LinearDiscriminantAnalysis）其中，Y是均值向量，Yi表示組i的均值向量，Si是i組樣本協(xié)方差矩陣，i＝1，2，……g，由于本次研究只將樣本分為兩組，所以g＝2。（3.2）(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（Line75(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（LinearDiscriminantAnalysis）本次檢驗中使用的閾值是根據(jù)“完全對稱分類原則”確定的，即閾值M的計算公式為其中Z1和Z2分別表示兩類樣本重心在空間的坐標位置，若將預(yù)測樣本數(shù)據(jù)帶入判別函數(shù)得出的Z值大于或等于M，則判定為高風(fēng)險企業(yè)，否則判定為低風(fēng)險企業(yè)。（3.3）(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造2.線性判別模型（Line76(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造3.Logit模型利用線性判別模型計算得出的Z值只是一個抽象的概念，只能用于判別而無法從直覺上解釋，Logit模型解決了這個問題。引入樣本企業(yè)財務(wù)指標后，我們可以通過Logit模型計算其在一段時間內(nèi)違約的概率，如果得出的概率大于設(shè)定的分割點，則認為該公司具有高信用風(fēng)險。Logit模型采用最大似然估計法進行參數(shù)估計，不要求樣本數(shù)據(jù)呈正態(tài)分布，這與現(xiàn)實中企業(yè)財務(wù)指標的真實情況相吻合。(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造3.Logit模型利用線性77(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造3.Logit模型假設(shè)企業(yè)違約概率為P，則1－P為企業(yè)如期歸還貸款的概率，定義P∈（－∞，＋∞）

可得，模型（3.6）即為Logistic回歸模型。（3.4）（3.5）（3.6）(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造3.Logit模型假設(shè)企業(yè)78(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造3.Logit模型設(shè)違約的高風(fēng)險企業(yè)樣本為Y1A，Y2A……，YhA，不違約的低風(fēng)險企業(yè)樣本為Y1B，Y2B……，YlB，則似然函數(shù)為：取對數(shù)似然函數(shù)（LnL）的最大化，就可以得到式（3.6）中的估計參數(shù)a0，a1，……，am。與線性判別模型不同，Logit模型沒有理論上的閾值，閾值完全需要根據(jù)研究目標來選擇。此次研究選擇0.5為為閾值，即通過Logit模型計算出公司的違約概率大于或等于0.5，則將公司判定為高風(fēng)險企業(yè)，否則判定為低風(fēng)險企業(yè)。（3.7）(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造3.Logit模型設(shè)違約的79(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造4.BP神經(jīng)網(wǎng)絡(luò)（Back-propagationneuralNetworks）

神經(jīng)網(wǎng)絡(luò)是近年來興起的現(xiàn)代智能分析技術(shù)，作為研究復(fù)雜問題的有力工具，它能夠很好地解決判別分析、Logit模型等傳統(tǒng)分類方法不能解決的信用風(fēng)險與財務(wù)指標之間關(guān)系非線性、財務(wù)指標呈厚尾分布等問題，在模型識別與分類、預(yù)測、自動控制等方面具有其他方法無法比擬的優(yōu)越性。在信用風(fēng)險識別研究中，最為常用的網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)，本次將BP神經(jīng)網(wǎng)絡(luò)對我國商業(yè)銀行的信用風(fēng)險進行識別研究。(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造4.BP神經(jīng)網(wǎng)絡(luò)（Bac80(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造4.BP神經(jīng)網(wǎng)絡(luò)（Back-propagationneuralNetworks）

人工神經(jīng)元網(wǎng)絡(luò)是根據(jù)真實人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，模擬思維過程和學(xué)習(xí)方法的人工智能系統(tǒng)?；舅悸肥牵阂唤M輸入通過一個轉(zhuǎn)換函數(shù)進行數(shù)

學(xué)轉(zhuǎn)換產(chǎn)生一個輸出。在學(xué)習(xí)和訓(xùn)練的過程中，

權(quán)重被不斷調(diào)整以使理想輸出（正確的預(yù)測）和

實際輸出（模型產(chǎn)生的預(yù)測）之間的差異最小。一個神經(jīng)網(wǎng)絡(luò)模型包括：模型的類型（前向反饋

還是后向反饋）、隱含層的個數(shù)、每個隱含層的

神經(jīng)元個數(shù)和更改權(quán)重的學(xué)習(xí)規(guī)則。(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造4.BP神經(jīng)網(wǎng)絡(luò)（Bac81基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評估模型如圖3.2所示。這是一個有n個輸入、2個輸出含M個隱層的多層前饋神經(jīng)網(wǎng)絡(luò)。圖3.2基于前饋神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評估模型

(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造4.BP神經(jīng)網(wǎng)絡(luò)（Back-propagationneuralNetworks）

基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評估模型如圖3.2所示。這是一個有82圖3.2中，第i個隱層的神經(jīng)元個數(shù)為N，W1為n×N1階權(quán)值矩陣，Wi（2≤i≤M）為Ni1×Ni階權(quán)值矩陣，WM＋1為NM×2階權(quán)值矩陣。輸入信號X＝（x1，x2，…xn）T,是企業(yè)的相關(guān)數(shù)據(jù)，可以為銀行對企業(yè)的評估數(shù)據(jù)。評估數(shù)據(jù)經(jīng)過加權(quán)之后傳播到隱層的神經(jīng)元，各隱層神經(jīng)元經(jīng)過變換函數(shù)和加權(quán)之后再輸出信息傳播到輸出結(jié)點，最后給出輸出結(jié)果。(一)商業(yè)銀行信用風(fēng)險識別模型構(gòu)造4.BP神經(jīng)網(wǎng)絡(luò)（Back-propagationneuralNetworks）圖3.2中，第i個隱層的神經(jīng)元個數(shù)為N，W1為n×N1階權(quán)值83(二)樣本采集和數(shù)據(jù)處理三、我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究樣本企業(yè)與財務(wù)指標的采集

a.樣本企業(yè)選擇b.財務(wù)指標選擇c.樣本數(shù)據(jù)的分組確定

數(shù)據(jù)的處理與分析(二)樣本采集和數(shù)據(jù)處理三、我國商業(yè)銀行信用風(fēng)險識別模型及84(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集a.樣本企業(yè)的選擇：從我國某國有商業(yè)銀行信貸管理信息系統(tǒng)中選取1999、2000、2001年三年在該行都有貸款且財務(wù)報表（資產(chǎn)負債表、利潤表和現(xiàn)金流量表）齊全的上市公司客戶，分別計算這些企業(yè)的貸款不良率，以此衡量商業(yè)銀行信用風(fēng)險的高低，符合條件的共195家企業(yè)，為保證樣本容量足夠大，我們將每家上市公司每年的財務(wù)數(shù)據(jù)作為一個樣本，因此最后得到的樣本企業(yè)為585家（195×3＝585）。

(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集a.85(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集b.財務(wù)指標的選擇：共選取用于基礎(chǔ)分析的財務(wù)指標50個全面反映盈利能力、流動性和償還能力、資產(chǎn)管理

效率、成長性、資本結(jié)構(gòu)狀況、資本市場表現(xiàn)等財

務(wù)特征既有反映企業(yè)靜態(tài)指標，也有反映財務(wù)狀況變化的

動態(tài)指標引入現(xiàn)金流量指標引入企業(yè)資本市場數(shù)據(jù)

(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集b.86(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集b.財務(wù)指標的選擇：指標分類財務(wù)指標流動性與償還能力指標流動比率，速動比率，營運資本，期末速動資產(chǎn)，利息保障倍數(shù)，資產(chǎn)短期負債率盈利能力指標（含動態(tài)指標）資產(chǎn)利潤率，資產(chǎn)報酬率，息稅前利潤，凈資產(chǎn)報酬率，銷售凈利潤率，銷售毛利率，主營業(yè)務(wù)利潤率，營運資本總資產(chǎn)比，營運資本主營業(yè)務(wù)收入比，盈利波動率資本結(jié)構(gòu)與財務(wù)杠桿指標資產(chǎn)負債比率，產(chǎn)權(quán)比率，負債股本賬面值比資產(chǎn)管理效率指標總資產(chǎn)周轉(zhuǎn)率，存貨周轉(zhuǎn)率，應(yīng)收賬款周轉(zhuǎn)率，其他應(yīng)收款周轉(zhuǎn)率，股東權(quán)益周轉(zhuǎn)率，固定資產(chǎn)周轉(zhuǎn)率，平均負債成本率成長性指標（含動態(tài)指標）盈利增長指數(shù)，LOG（固定資產(chǎn)總額），總資產(chǎn)增長率，主營業(yè)務(wù)收入增長率，留成利潤比，平均資產(chǎn)，平均股東權(quán)益，留存收益，留存收益總資產(chǎn)比，平均負債總額，凈資產(chǎn)增長率資本市場表現(xiàn)指標股本市值負債比,流通股市值負債比,股本帳面值市值比,每股收益,每股凈資產(chǎn)現(xiàn)金流量指標現(xiàn)金流量比率，現(xiàn)金流量財務(wù)費用比，主營業(yè)務(wù)收入現(xiàn)金流量占比，籌資活動凈流入與負債比率,每股現(xiàn)金流量資產(chǎn)質(zhì)量指標主營業(yè)務(wù)收入占比，銷售現(xiàn)金實現(xiàn)率，資本化率(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集b.87(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集c.樣本數(shù)據(jù)的分組確定：訓(xùn)練樣本和預(yù)測樣本的劃分：將1999年和2000年的樣本作為訓(xùn)練樣本，用于模型系數(shù)和閾值的估計；2001年的樣本作為預(yù)測樣本，用于檢驗?zāi)Ｐ偷念A(yù)測能力。低風(fēng)險企業(yè)和高風(fēng)險企業(yè)的劃分：以不良率5%作為分界線將每組的樣本企業(yè)分為兩類，將不良率低于5%的企業(yè)稱為低風(fēng)險企業(yè)，不良率不低于5%的企業(yè)作為高風(fēng)險企業(yè)。(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財務(wù)指標的采集c.88(二)樣本采集和數(shù)據(jù)處理2.數(shù)據(jù)的處理與分析a.單一財務(wù)指標獨立樣本t檢驗

對樣本企業(yè)（高風(fēng)險企業(yè)和低風(fēng)險企業(yè)）的財務(wù)指標進行獨立t檢驗的目的在于檢驗財務(wù)指標在不同類別企業(yè)之間的差異性，在兩類企業(yè)之間具有顯著差異的財務(wù)指標具有統(tǒng)計意義、與信用風(fēng)險的相關(guān)性強，是進一步分析的重點。根據(jù)SPSS軟件對全部指標進行獨立樣本t檢驗的結(jié)果,在兩類企業(yè)之間有顯著差異的財務(wù)指標共33個.(二)樣本采集和數(shù)據(jù)處理2.數(shù)據(jù)的處理與分析a.單一財務(wù)89(二)樣本采集和數(shù)據(jù)處理2.數(shù)據(jù)的處理與分析a.單一財務(wù)指標獨立樣本t檢驗

這些指標為：營運資本、資產(chǎn)利潤率、資產(chǎn)報酬率、息稅前利潤、凈資產(chǎn)報酬率、平均股東權(quán)益、期末速凍資產(chǎn)、營運資本主營業(yè)務(wù)收入比、現(xiàn)金流量比率、利息保障倍數(shù)、總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、其他應(yīng)收賬款周轉(zhuǎn)率、股東權(quán)益周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、盈利增長指數(shù)、log（固定資產(chǎn)）、總資產(chǎn)增長率、留成利潤比、留存利潤總資產(chǎn)比、資產(chǎn)負債率、產(chǎn)權(quán)比率、留存收益、盈利波動率、資產(chǎn)短期負債率、凈資產(chǎn)增長率、主營業(yè)務(wù)收入現(xiàn)金流量占比、籌資活動凈流入現(xiàn)金與負債比率、每股現(xiàn)金流量、每股收益、每股凈資產(chǎn)、股本賬面市值比。(二)樣本采集和數(shù)據(jù)處理2.數(shù)據(jù)的處理與分析a.單一財務(wù)90(二)樣本采集和數(shù)據(jù)處理2.數(shù)據(jù)的處理與分析b.主成份分析

基于獨立樣本t檢驗選出的33個財務(wù)指標，可通過主成份分析法提取指標主成份，以在盡可能保留財務(wù)指標信息的前提下，簡化模型檢驗過程。根據(jù)主成份累計貢獻率大于80%的標準，在對測試樣本進行標準化處理后，模型從33個主成份中提取了12個，同時采用方差最大化正交旋轉(zhuǎn)法，便于對主成份找到合理的經(jīng)濟解釋。(二)樣本采集和數(shù)據(jù)處理2.數(shù)據(jù)的處理與分析b.主成份分91(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究三、我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究我國商業(yè)銀行信用風(fēng)險線性判別模型研究我國商業(yè)銀行信用風(fēng)險Logit模型研究我國商業(yè)銀行信用風(fēng)險BP神經(jīng)網(wǎng)絡(luò)模型研究線性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究三、我國商業(yè)銀92(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

1.我國商業(yè)銀行信用風(fēng)險線性判別模型研究

a.模型參數(shù)：將高風(fēng)險企業(yè)定義為1，低風(fēng)險企業(yè)定義為0，引入12個主成份以337個訓(xùn)練樣本為基礎(chǔ)運用SPSS軟件建立線性判別模型，得出的信用風(fēng)險線性判別模型為：Z＝0.563Y1＋0.488Y10＋0.420Y4＋0.411Y9＋0.406Y7

各主成份進入模型的順序依次為Y1、Y7、Y10、Y9和Y4。根據(jù)主成份負荷矩陣和因子得分系數(shù)矩陣顯示的主成份與原始財務(wù)比率的相關(guān)關(guān)系，以上指標可分別被定義為盈利性指標、流動性與償還能力指標、資本結(jié)構(gòu)與財務(wù)杠桿指標、成長性指標、資產(chǎn)管理效率指標。（3.8）(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究1.我國商業(yè)銀93(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

1.我國商業(yè)銀行信用風(fēng)險線性判別模型研究

a.模型參數(shù)：根據(jù)以上Fisher判別函數(shù)分別對兩組樣本數(shù)據(jù)進行計算，高風(fēng)險樣本和低風(fēng)險樣本的平均Z值分別為0.225和-0.367，訓(xùn)練樣本中，高風(fēng)險樣本和低風(fēng)險樣本個數(shù)分別為209個和128個，則信用風(fēng)險線性判別模型的閾值為：也即，將企業(yè)財務(wù)指標帶入判別方程后，如果計算得出的Z值大于0，則該企業(yè)被判定為高風(fēng)險企業(yè)，違約可能性大；如果計算得出的Z值小于0，則該企業(yè)被判定為低風(fēng)險企業(yè)，違約可能性小。（3.9）(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究1.我國商業(yè)銀94(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

1.我國商業(yè)銀行信用風(fēng)險線性判別模型研究

b.模型的準確性：

分組判定值合計01普通方法數(shù)目01505920915573128%071.828.2100.0143.057.0100.0Bootstrap檢驗方法數(shù)目01446520915870128%068.931.1100.0145.354.7100.0表3.1Fisher線性判定模型對訓(xùn)練樣本的判定結(jié)果(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究1.我國商業(yè)銀95(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

1.我國商業(yè)銀行信用風(fēng)險線性判別模型研究

b.模型的準確性：

使用普通方法對Fisher線性判別模型的判定效果進行驗證，模型的準確率為66.2%，其中對低風(fēng)險企業(yè)判別的準確率71.8%，對高風(fēng)險企業(yè)判別的準確率為57%。使用Bootstrap檢驗方法對Fisher線性判別模型的判定效果進行驗證，模型的準確率略低于普通方法的判定效果，總準確率為63.5%，其中對低風(fēng)險企業(yè)判別的準確率68.9%，對高風(fēng)險企業(yè)判別的準確率為53.7%。模型對低風(fēng)險企業(yè)判定的準確率仍然高于高風(fēng)險企業(yè)。(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究1.我國商業(yè)銀96(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

1.我國商業(yè)銀行信用風(fēng)險線性判別模型研究

b.模型的準確性：

在統(tǒng)計學(xué)中，誤判分為兩類：第一類錯誤（拒真）和第二類錯誤（納偽）。這里，

第一類錯誤是指將高信用風(fēng)險企業(yè)誤判為低信用風(fēng)險企業(yè)的錯誤。

第二類錯誤是指將低風(fēng)險企業(yè)誤判為高信用風(fēng)險企業(yè)的錯誤。第一類錯誤的誤判代價要高得多，因為第二類錯誤只會使商業(yè)銀行損失一定的投資收益，而第一類錯誤會使商業(yè)銀行因無法收回貸款而面臨重大的經(jīng)營危機。上述Fisher線性判別模型對高風(fēng)險企業(yè)判定的準確率低于低風(fēng)險企業(yè)，這也就意味著第一類錯誤率高于第二類錯誤率。(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究1.我國商業(yè)銀97(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

1.我國商業(yè)銀行信用風(fēng)險線性判別模型研究

c.模型檢驗：

表3.2Fisher線性判定模型對測試樣本的預(yù)測結(jié)果采用Fisher線性判別模型預(yù)測樣本企業(yè)的信用風(fēng)險狀況，模型預(yù)測的準確率為60.6%，略低于訓(xùn)練樣本判定的準確率。模型對預(yù)測樣本判定的第一類錯誤低于第二類錯誤，其中第一類誤判率為32.4%，第二類誤判率為41.5%，判別模型不夠穩(wěn)定。(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究1.我國商業(yè)銀98(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

2.我國商業(yè)銀行信用風(fēng)險Logit模型研究

a.模型參數(shù)：各主成份進入模型的順序依次為Y1，Y7，Y10，Y4，Y6，Y9，依次被定義為盈利性指標、流動性與償還能力指標、資本結(jié)構(gòu)與財務(wù)杠桿指標、資產(chǎn)管理效率指標、現(xiàn)金流指標和成長性指標。根據(jù)得出的參數(shù)表，Logitstic回歸函數(shù)為：引入商業(yè)銀行客戶的財務(wù)數(shù)據(jù)并根據(jù)以上函數(shù)預(yù)測信用風(fēng)險，如果計算得出的結(jié)果小于50%，則該客戶被判定為低風(fēng)險企業(yè)；反之，將該客戶定義為高風(fēng)險企業(yè)。（3.10）(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究2.我國商業(yè)銀99(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

2.我國商業(yè)銀行信用風(fēng)險Logit模型研究

b.模型的準確性：

表3.3Logit模型對訓(xùn)練樣本的判定結(jié)果

分組判定值合計01數(shù)目01901920913990128%090.99.1100.0130.569.5100.0Logit模型的準確率為82.8%，其中對低風(fēng)險企業(yè)判別的準確率高達90.9%，但對高風(fēng)險企業(yè)判別的準確率不到70%。(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究2.我國商業(yè)銀100(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

2.我國商業(yè)銀行信用風(fēng)險Logit模型研究c.模型檢驗：

表3.4

Logit模型對測試樣本的預(yù)測結(jié)果采用Logit模型判定預(yù)測樣本企業(yè)的信用風(fēng)險狀況，模型預(yù)測的準確率達到80.0%，同訓(xùn)練樣本類似，該模型對低風(fēng)險企業(yè)的判定準確率大大高于高風(fēng)險企業(yè)的判定準確率，其中第一類誤判率為32.4%，第二類誤判率16%。Logit模型對訓(xùn)練樣本和預(yù)測樣本的判定結(jié)果基本一致，模型比較穩(wěn)定，推廣能力較強。

(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究2.我國商業(yè)銀101(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

3.我國商業(yè)銀行信用風(fēng)險BP神經(jīng)網(wǎng)絡(luò)模型研究a.模型參數(shù)：

網(wǎng)絡(luò)類型：隱層BP神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元個數(shù)：輸入層——12個節(jié)點輸出層——1個節(jié)點隱層——據(jù)學(xué)習(xí)和訓(xùn)練效果確定誤差精度：10－3傳遞函數(shù)：輸入層——雙曲正切S型函數(shù)輸出層——線性函數(shù)訓(xùn)練次數(shù)：1000次(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究3.我國商業(yè)銀1023.我國商業(yè)銀行信用風(fēng)險BP神經(jīng)網(wǎng)絡(luò)模型研究b.單隱層BP網(wǎng)絡(luò)模型的準確性和運行結(jié)果表3.4單隱層BP網(wǎng)絡(luò)模型的訓(xùn)練和預(yù)測結(jié)果3.我國商業(yè)銀行信用風(fēng)險BP神經(jīng)網(wǎng)絡(luò)模型研究b.單隱層BP103(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

3.我國商業(yè)銀行信用風(fēng)險BP神經(jīng)網(wǎng)絡(luò)模型研究c.單隱層BP網(wǎng)絡(luò)模型的準確性和運行結(jié)果隨著隱節(jié)點的增加，單隱層BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能逐步提高，總誤判比率逐步降低；隱節(jié)點超過10后，隱節(jié)點增加對提高模型判別的準確率無明顯作用，總誤判比率基本穩(wěn)定在14%左右。在整個訓(xùn)練過程中，隨著隱節(jié)點的增加，模型達到精度要求的運行步數(shù)逐漸減少，訓(xùn)練所能達到的精度逐步提高，但模型的運行時間也有明顯增加。隱節(jié)點大于5的網(wǎng)絡(luò)對訓(xùn)練樣本判別的誤判率都達到0，說明模型在訓(xùn)練過程中的自我學(xué)習(xí)和調(diào)整對提高判定準確性作用顯著；測試樣本的誤判比率仍然較高，說明BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力和穩(wěn)定性較低。(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究3.我國商業(yè)銀104(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

4.線性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較a.模型參數(shù)的比較：

線性判別模型：

指標——（按解釋力高低依次）盈利性指標、資本結(jié)構(gòu)和財

務(wù)杠桿指標、資產(chǎn)管理效率指標、成長性指標和

流動性與償還能力指標識別標準——Z值是否大于0Logit判別模型：指標——（按解釋力高低依次）流動性與償還能力指標、盈

利性指標，資本結(jié)構(gòu)和財務(wù)杠桿指標、資產(chǎn)管理

效率指標、現(xiàn)金流指標和成長性指標識別標準——分類概率大于50%(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究4.線性判別模型105(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

4.線性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較a.模型參數(shù)的比較：單隱層BP神經(jīng)網(wǎng)絡(luò)模型：當(dāng)隱節(jié)點等于10時總誤判率最低。線性判別模型和Logit模型中各個變量的系數(shù)都具有一

定的經(jīng)濟意義，代表了相對應(yīng)指標的貢獻度，與之相

對，神經(jīng)網(wǎng)絡(luò)模型是一種“黑箱”技術(shù)，他可以根據(jù)樣

本不斷調(diào)整模型，提高預(yù)測準確率，但卻沒有解釋能

力，人們無法根據(jù)網(wǎng)絡(luò)的權(quán)值得到輸入變量的貢獻度，

這是神經(jīng)網(wǎng)絡(luò)模型的主要缺陷。(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究4.線性判別模型106(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

4.線性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較b.模型準確性的比較：

表3.5

線性判別模型、Logit模型和神經(jīng)網(wǎng)絡(luò)模型準確性和預(yù)測能力的比較(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究4.線性判別模型107(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

4.線性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較b.模型準確性的比較：神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練樣本判定的準確性達到100%，明顯高于Logit模型和線Fisher性判別模型，其主要原因在于神經(jīng)網(wǎng)絡(luò)對樣本數(shù)據(jù)包含的數(shù)據(jù)特征學(xué)習(xí)得較充分，并根據(jù)樣本不斷調(diào)整模型。Logit模型判定的準確性高于Fisher線性判別模型兩種模型對高風(fēng)險企業(yè)的誤判率都高于低風(fēng)險企業(yè)的誤判率，也即第一類錯誤出現(xiàn)的概率高于第二類錯誤，誤判代價較高。(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究4.線性判別模型108(三)我國商業(yè)銀行信用風(fēng)險識別模型實證研究

4.線性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較c.模型預(yù)測能力的比較：誤判率：Logit模型<神經(jīng)網(wǎng)絡(luò)模型<Fisher線性判別模型

（20%）（33.6%）（39.4%）

BP神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)第一類錯