我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其

南開(kāi)大學(xué)經(jīng)濟(jì)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(xiǎn)

度量和管理研究主要內(nèi)容：商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的重要性商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的方法和模型我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究現(xiàn)代商業(yè)銀行信用風(fēng)險(xiǎn)的量化度量和管理研究對(duì)我國(guó)的啟示信用風(fēng)險(xiǎn)的概念和成因信用風(fēng)險(xiǎn)是商業(yè)銀行面臨的最重要的風(fēng)險(xiǎn)信用風(fēng)險(xiǎn)的過(guò)度集中問(wèn)題威脅著我國(guó)商業(yè)銀行的生存和發(fā)展《新巴塞爾協(xié)議》的出臺(tái)對(duì)商業(yè)銀行的信用風(fēng)險(xiǎn)管理提出了更高的要求一、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的重要性一、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的重要性信用風(fēng)險(xiǎn)是指由于借款人或市場(chǎng)交易對(duì)手違約而導(dǎo)致?lián)p失的可能性；更為一般地說(shuō)，信用風(fēng)險(xiǎn)還包括由于借款人的信用評(píng)級(jí)的變動(dòng)和履約能力的變化導(dǎo)致其債務(wù)的市場(chǎng)價(jià)值變動(dòng)而引起的損失可能性。信用風(fēng)險(xiǎn)根源于信用活動(dòng)和交易對(duì)手遭受損失的不確定性。（一）信用風(fēng)險(xiǎn)的概念和成因一、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的重要性McKinsey公司的研究表明，以銀行實(shí)際的風(fēng)險(xiǎn)資本配置為參考，信用風(fēng)險(xiǎn)占銀行總體風(fēng)險(xiǎn)暴露的60％，而市場(chǎng)風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)則僅各占20％。對(duì)信用風(fēng)險(xiǎn)管理不善會(huì)給商業(yè)銀行帶來(lái)災(zāi)難性的影響（如上世紀(jì)90年代以來(lái)西方幾大商業(yè)銀行倒閉案）商業(yè)銀行信用風(fēng)險(xiǎn)的度量和管理還會(huì)影響到社會(huì)經(jīng)濟(jì)實(shí)際部門(mén)的正常運(yùn)行和貨幣政策、財(cái)政政策的有效實(shí)施。（二）信用風(fēng)險(xiǎn)是商業(yè)銀行面臨的最重要的風(fēng)險(xiǎn)一、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的重要性根據(jù)正式的公開(kāi)數(shù)據(jù)，按照“一逾兩呆”口徑，2001年，四大國(guó)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(jí)分類(lèi)”口徑的不良率為31.1％，遠(yuǎn)高于東南亞國(guó)家銀行1997年金融危機(jī)時(shí)的不良率。2002年以來(lái)，監(jiān)管機(jī)構(gòu)和各商業(yè)銀行逐漸加大風(fēng)險(xiǎn)控制和不良貸款處置力度，強(qiáng)化不良貸款監(jiān)管，貸款不良率有下降。（三）信用風(fēng)險(xiǎn)的過(guò)度集中問(wèn)題威脅著我國(guó)商業(yè)銀行的生存和發(fā)展一、商業(yè)銀行信用風(fēng)險(xiǎn)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(gè)百分點(diǎn)。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(xiāo)因素，情況并非如此樂(lè)觀(guān)。2004年中行建行處置不良貸款合計(jì)為4364億元，超過(guò)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(xiǎn)的過(guò)度集中問(wèn)題威脅著我國(guó)商業(yè)銀行的生存和發(fā)展（三）信用風(fēng)險(xiǎn)的過(guò)度集中問(wèn)題威脅著我國(guó)商業(yè)銀行的生存和發(fā)展不考慮核銷(xiāo)額的不良貸款規(guī)?？紤]核銷(xiāo)額的不良貸款規(guī)模資料來(lái)源：中國(guó)銀行業(yè)監(jiān)督委員會(huì)網(wǎng)站http://一、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的重要性2003年4月，巴塞爾委員會(huì)頒布了《新巴塞爾協(xié)議》第三次征求意見(jiàn)稿，第三次征求意見(jiàn)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(guó)付諸實(shí)施。新協(xié)議對(duì)現(xiàn)行資本協(xié)議的風(fēng)險(xiǎn)計(jì)量方法進(jìn)行了修改，規(guī)定銀行可以使用標(biāo)準(zhǔn)法和內(nèi)部評(píng)級(jí)法度量信用風(fēng)險(xiǎn)，同時(shí)建議實(shí)力較強(qiáng)的銀行使用內(nèi)部評(píng)級(jí)法。（四）《新巴塞爾協(xié)議》的出臺(tái)對(duì)商業(yè)銀行的信用風(fēng)險(xiǎn)管理提出了更高的要求一、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的重要性相對(duì)于資本監(jiān)管來(lái)說(shuō)，《新巴塞爾協(xié)議》在很大程度上更注重信用風(fēng)險(xiǎn)的管理，對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的評(píng)估與控制提出了更高、更嚴(yán)格的要求。我國(guó)已于1996年加入了巴塞爾成員國(guó)的行列，盡管銀監(jiān)會(huì)宣布2006年我國(guó)暫不執(zhí)行新協(xié)議，中國(guó)銀行業(yè)必須盡快將信用風(fēng)險(xiǎn)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(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)管理水平。（四）《新巴塞爾協(xié)議》的出臺(tái)對(duì)商業(yè)銀行的信用風(fēng)險(xiǎn)管理提出了更高的要求古典信用風(fēng)險(xiǎn)度量和管理方法現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法

二、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的

方法和模型二、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的

方法和模型（一）古典信用風(fēng)險(xiǎn)度量和管理方法古典信用風(fēng)險(xiǎn)度量方法I：專(zhuān)家制度古典信用風(fēng)險(xiǎn)度量方法II:Z評(píng)分模

型和ZETA評(píng)分模型（一）古典信用風(fēng)險(xiǎn)度量和管理方法（1）專(zhuān)家制度的主要內(nèi)容：專(zhuān)家制度是一種最古老的信用風(fēng)險(xiǎn)分析方法，它是商業(yè)銀行在長(zhǎng)期的信貸活動(dòng)中所形成的一種行之有效的信用風(fēng)險(xiǎn)分析和管理制度。在該制度下，各商業(yè)銀行對(duì)貸款申請(qǐng)人進(jìn)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(shí)力(CapitalorCash)、擔(dān)保（Collateral）、經(jīng)營(yíng)條件或商業(yè)周期（Condition）。1.古典信用風(fēng)險(xiǎn)度量方法I：專(zhuān)家制度表2.1銀行在信用分析中經(jīng)常使用的

財(cái)務(wù)比率指標(biāo)1.古典信用風(fēng)險(xiǎn)度量方法I：專(zhuān)家制度（一）古典信用風(fēng)險(xiǎn)度量和管理方法（2）專(zhuān)家制度的缺陷和不足需要相當(dāng)數(shù)量的專(zhuān)門(mén)信用分析人員；實(shí)施的效果很不穩(wěn)定；與銀行在經(jīng)營(yíng)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(duì)市場(chǎng)變化的能力；加劇了銀行在貸款組合方面過(guò)度集中的問(wèn)題，使銀行面臨著更大的風(fēng)險(xiǎn)；在對(duì)借款人進(jìn)行信用分析時(shí)，難以確定共同要遵循的標(biāo)準(zhǔn)，造成信用評(píng)估的主觀(guān)性、隨意性和不一致性。（一）古典信用風(fēng)險(xiǎn)度量和管理方法Z評(píng)分模型（Z-scoremodel）是美國(guó)紐約大學(xué)斯特商學(xué)院教授愛(ài)德華·阿爾特曼（EdwardI.Altman）在1968年提出的。1977年他又對(duì)該模型進(jìn)行了修正和擴(kuò)展，建立了第二代模型ZETA模型（ZETAcreditriskmodel）。

Z評(píng)分模型的主要內(nèi)容第二代Z評(píng)分模型——ZETA信用風(fēng)險(xiǎn)模型

Z評(píng)分模型和ZETA模型的缺陷

2.古典信用風(fēng)險(xiǎn)度量方法II：Z評(píng)分模型

和ZETA評(píng)分模型（一）古典信用風(fēng)險(xiǎn)度量和管理方法2.古典信用風(fēng)險(xiǎn)度量方法II：Z評(píng)分模型

和ZETA評(píng)分模型（1）Z評(píng)分模型的主要內(nèi)容阿爾特曼的Z評(píng)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(jì)中的辨別分析技術(shù)，對(duì)銀行過(guò)去的貸款案例進(jìn)行統(tǒng)計(jì)分析，選擇一部分最能夠反映借款人的財(cái)務(wù)狀況，對(duì)貸款質(zhì)量影響最大、最具預(yù)測(cè)或分析價(jià)值的比率，設(shè)計(jì)出一個(gè)能最大程度地區(qū)分貸款風(fēng)險(xiǎn)度的數(shù)學(xué)模型（也稱(chēng)之為判斷函數(shù)），對(duì)貸款申請(qǐng)人進(jìn)行信用風(fēng)險(xiǎn)及資信評(píng)估。（一）古典信用風(fēng)險(xiǎn)度量和管理方法2.古典信用風(fēng)險(xiǎn)度量方法II：Z評(píng)分模型

和ZETA評(píng)分模型（1）Z評(píng)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(dòng)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(fù)債帳面值（MVE/TL）

X5：銷(xiāo)售收入/總資產(chǎn)（S/TA）（一）古典信用風(fēng)險(xiǎn)度量和管理方法2.古典信用風(fēng)險(xiǎn)度量方法II：Z評(píng)分模型

和ZETA評(píng)分模型（1）Z評(píng)分模型的主要內(nèi)容這兩個(gè)公式是相等的，只不過(guò)權(quán)重的表達(dá)形式不同，前者用的是小數(shù)，后者用的是百分比，第五個(gè)比率是用倍數(shù)來(lái)表示的，其相關(guān)系數(shù)不變。阿爾特曼經(jīng)過(guò)統(tǒng)計(jì)分析和計(jì)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(shí)的判斷失誤較大，稱(chēng)該重疊區(qū)域?yàn)椤拔粗獏^(qū)”（ZoneofIgnorance）或稱(chēng)“灰色區(qū)域”(grayarea)。（一）古典信用風(fēng)險(xiǎn)度量和管理方法2.古典信用風(fēng)險(xiǎn)度量方法II：Z評(píng)分模型

和ZETA評(píng)分模型（2）第二代Z評(píng)分模型——ZETA信用風(fēng)險(xiǎn)模型ZETA信用風(fēng)險(xiǎn)模型（ZETACreditRiskModel）是繼Z模型后的第二代信用評(píng)分模型，變量由原始模型的五個(gè)增加到了7個(gè)，適應(yīng)范圍更寬，對(duì)不良借款人的辨認(rèn)精度也大大提高。我們可以將ZETA模型寫(xiě)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(biāo)、債務(wù)償付能力指標(biāo)、累計(jì)盈利能力指標(biāo)、流動(dòng)性指標(biāo)、資本化程度的指標(biāo)和規(guī)模指標(biāo)。（一）古典信用風(fēng)險(xiǎn)度量和管理方法2.古典信用風(fēng)險(xiǎn)度量方法II：Z評(píng)分模型

和ZETA評(píng)分模型表2.2ZETA模型與Z評(píng)分模型分辯準(zhǔn)確性之比較

（一）古典信用風(fēng)險(xiǎn)度量和管理方法2.古典信用風(fēng)險(xiǎn)度量方法II：Z評(píng)分模型

和ZETA評(píng)分模型（3）Z評(píng)分模型和ZETA模型的缺陷

依賴(lài)于財(cái)務(wù)報(bào)表賬面數(shù)據(jù)，忽視日益重要的各項(xiàng)資本市場(chǎng)指標(biāo)，這就必然削弱模型預(yù)測(cè)結(jié)果的可靠性和及時(shí)性；缺乏對(duì)違約和違約風(fēng)險(xiǎn)的系統(tǒng)認(rèn)識(shí)，理論基礎(chǔ)比較薄弱；模型假設(shè)在解釋變量中存在著線(xiàn)性關(guān)系，而現(xiàn)實(shí)的經(jīng)濟(jì)現(xiàn)象是非線(xiàn)性的；兩個(gè)模型都無(wú)法計(jì)量企業(yè)的表外信用風(fēng)險(xiǎn)，另外對(duì)某些特定行業(yè)的企業(yè)如公用企業(yè)、財(cái)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。二、商業(yè)銀行信用風(fēng)險(xiǎn)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(xiǎn)價(jià)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(guān)點(diǎn)模型(Mckinsey’s

CreditPortfolioView)瑞士信貸銀行的CreditRisk+模型現(xiàn)代信用風(fēng)險(xiǎn)度量模型方法的比較（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型（二）現(xiàn)代信用風(fēng)險(xiǎn)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(jià)理論對(duì)風(fēng)險(xiǎn)債券和貸款的信用風(fēng)險(xiǎn)進(jìn)行度量的方法，其中最典型的就是位于美國(guó)舊金山市的KMV公司創(chuàng)立的違約預(yù)測(cè)模型——信用監(jiān)測(cè)模型(CreditMonitorModel)。貸款和期權(quán)的關(guān)系KMV信用監(jiān)測(cè)模型（CreditMonitormodel）KMV信用監(jiān)測(cè)模型的優(yōu)劣分析（二）現(xiàn)代信用風(fēng)險(xiǎn)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(biāo)的所賣(mài)出的一筆賣(mài)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(jià)值BA10損益額($)損益額($)+Ox股票價(jià)格（S）-圖2.1

放款銀行貸款損益圖圖2.2股票賣(mài)權(quán)的賣(mài)方損益圖1.期權(quán)推理分析法：KMV模型（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型（2）KMV信用監(jiān)測(cè)模型KMV公司建立的信用監(jiān)測(cè)模型的目的在于為了解決銀行貸款的信用風(fēng)險(xiǎn)問(wèn)題。該模型使用了兩個(gè)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(dòng)程度和企業(yè)股權(quán)市值的變動(dòng)程度之間關(guān)系。通過(guò)這兩個(gè)關(guān)系模型，便可以求出市場(chǎng)上無(wú)法直接觀(guān)測(cè)到的兩個(gè)變量：企業(yè)資產(chǎn)市值及其波動(dòng)程度。一旦所有涉及的變量值被算出，信用監(jiān)測(cè)模型便可以測(cè)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(xiǎn)度量和管理模型（2）KMV信用監(jiān)測(cè)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(mǎi)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(xiǎn)度量和管理模型（2）KMV信用監(jiān)測(cè)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(biāo)的的買(mǎi)權(quán)。正象古典布萊克-斯可爾斯-默頓模型中股票賣(mài)權(quán)定價(jià)的五變量一樣，企業(yè)股權(quán)可由下式來(lái)估價(jià)出：

其中，A—資產(chǎn)市值

B—違約執(zhí)行點(diǎn)

r—短期利率

σA—該企業(yè)的資產(chǎn)市值的波動(dòng)性

τ—股票買(mǎi)權(quán)的到期日或貸款期限(或違約期限)。

rBτ都可以從市場(chǎng)上直接觀(guān)察到，A和σA的獲得需要借助第二個(gè)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(xiǎn)度量和管理模型股權(quán)市值的波動(dòng)性σE與它的資產(chǎn)市值波動(dòng)性σA的關(guān)系（2）KMV信用監(jiān)測(cè)模型股權(quán)市值的波動(dòng)性可以在市場(chǎng)上直接觀(guān)察到，將公式（2.1）和（2.2）聯(lián)立在一起，通過(guò)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(huà)，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(xiǎn)度量和管理模型（2）KMV信用監(jiān)測(cè)模型以上我們所推導(dǎo)和計(jì)算出的只是借款企業(yè)理論預(yù)期違約頻率，它與現(xiàn)實(shí)生活中實(shí)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(shì)建立起了一個(gè)全球范圍企業(yè)和企業(yè)違約信息數(shù)據(jù)庫(kù)，計(jì)算出了各類(lèi)信用等級(jí)企業(yè)經(jīng)驗(yàn)預(yù)期違約頻率，從而產(chǎn)生了以這種經(jīng)驗(yàn)預(yù)期違約頻率為基礎(chǔ)的信用分值來(lái)。圖2.4

理論預(yù)期違約頻率的計(jì)算（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型（2）KMV信用監(jiān)測(cè)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(xiǎn)度量和管理模型（3）KMV信用監(jiān)測(cè)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(huì)計(jì)資料為基礎(chǔ)的信用評(píng)分模型和信用評(píng)級(jí)機(jī)構(gòu)的信用評(píng)級(jí)相比，KMV的信用檢測(cè)模型具有更強(qiáng)的違約預(yù)測(cè)能力。圖2.6對(duì)IBM公司所做的KMV預(yù)期違約頻率和信用評(píng)級(jí)機(jī)構(gòu)對(duì)其所做的信用評(píng)級(jí)結(jié)果圖2.7對(duì)泰國(guó)銀行所做的KMV預(yù)期違約頻率和信用評(píng)級(jí)機(jī)構(gòu)對(duì)其所做的信用評(píng)級(jí)結(jié)果（3）KMV信用監(jiān)測(cè)模型的優(yōu)劣分析（二）現(xiàn)代信用風(fēng)險(xiǎn)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(shí)中，并非所有借款企業(yè)都符合模型中資產(chǎn)價(jià)值呈正態(tài)分布的假定；該模型不能夠?qū)﹂L(zhǎng)期債務(wù)的不同類(lèi)型進(jìn)行分辨；該模型基本上屬于一種靜態(tài)模型，但實(shí)際情況并非如此。2.受險(xiǎn)價(jià)值法：J.P.摩根的信用度量制模型（二）現(xiàn)代信用風(fēng)險(xiǎn)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(xiǎn)度量模型。受險(xiǎn)價(jià)值方法（VaR）信用度量制模型（Creditmetrics）受險(xiǎn)價(jià)值方法與最低風(fēng)險(xiǎn)資本要求信用度量制模型引起若干爭(zhēng)議的技術(shù)問(wèn)題KMV模型與信用度量制模型的比較（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型2.受險(xiǎn)價(jià)值法：J.P.摩根的信用度量制模型（1）受險(xiǎn)價(jià)值方法（VaR）圖2.8

一支交易股票的受險(xiǎn)價(jià)值（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型2.受險(xiǎn)價(jià)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(shuō)明信用度量制方法，考慮一筆貸款，計(jì)算其受險(xiǎn)價(jià)值量并討論相關(guān)的技術(shù)問(wèn)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(wàn)美元）。借款企業(yè)信用等級(jí)為BBB級(jí)。2.受險(xiǎn)價(jià)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(jí)轉(zhuǎn)換的概率2.受險(xiǎn)價(jià)值法：J.P.摩根的信用度量制模型（2）信用度量制模型（Creditmetrics）對(duì)信用等級(jí)變動(dòng)后的貸款市值估價(jià)2.受險(xiǎn)價(jià)值法：J.P.摩根的信用度量制模型計(jì)算受險(xiǎn)價(jià)值量（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型2.受險(xiǎn)價(jià)值法：J.P.摩根的信用度量制模型（3）受險(xiǎn)價(jià)值方法與最低風(fēng)險(xiǎn)資本要求監(jiān)管資本：國(guó)際清算銀行對(duì)商業(yè)銀行所規(guī)定的以風(fēng)險(xiǎn)資

產(chǎn)為基礎(chǔ)的8%資本要求經(jīng)濟(jì)資本：貸款的受險(xiǎn)價(jià)值為經(jīng)濟(jì)資本(EconomicCapital)利用信用度量制方法所計(jì)算出的貸款受險(xiǎn)價(jià)值量可以較為準(zhǔn)確地反映不同信用等級(jí)和不同期限的貸款在未來(lái)可能發(fā)生的價(jià)值損失量。因此，較之于監(jiān)管資本，經(jīng)濟(jì)資本可以更有效地保證銀行在遭受信用風(fēng)險(xiǎn)損失的情況下能夠繼續(xù)生存下來(lái)。（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型2.受險(xiǎn)價(jià)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(zhēng)議的技術(shù)問(wèn)題

關(guān)于信用等級(jí)的轉(zhuǎn)換問(wèn)題關(guān)于貸款的估價(jià)問(wèn)題（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型2.受險(xiǎn)價(jià)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(diǎn)：都是目前國(guó)際金融界最流行的信用風(fēng)險(xiǎn)管理模型。兩者都幫助銀行和其它金融機(jī)構(gòu)在進(jìn)行貸款等授信業(yè)

務(wù)時(shí)衡量授信對(duì)象的信用狀況，分析所面臨的信用風(fēng)

險(xiǎn)，防止集中授信，進(jìn)而為實(shí)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(duì)以主觀(guān)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(bǔ)

充。（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型2.受險(xiǎn)價(jià)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(duì)企業(yè)信用風(fēng)險(xiǎn)的衡量指標(biāo)EDF主要來(lái)自于

對(duì)該企業(yè)股票市場(chǎng)價(jià)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(duì)企業(yè)信用風(fēng)險(xiǎn)的衡量來(lái)自于對(duì)該

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

兩個(gè)模型最根本的區(qū)別之一。

KMV模型被認(rèn)為是一種動(dòng)態(tài)模型，可以及時(shí)反映信用

風(fēng)險(xiǎn)水平的變化；信用度量制模型在相當(dāng)長(zhǎng)的一段時(shí)

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(shí)反映企業(yè)信用狀況的變化。（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型2.受險(xiǎn)價(jià)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(biāo)中包含了市場(chǎng)投資者對(duì)該企業(yè)信用狀況未來(lái)

發(fā)展趨勢(shì)的判斷。信用度量制模型采用的是依賴(lài)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(jì)量方

法不同。

KMV模型與CreditMetrics模型對(duì)貸款的估價(jià)方法不同。3.麥肯錫模型——信用組合觀(guān)點(diǎn)模型（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型信用組合觀(guān)點(diǎn)模型CreditPortfolioView是多因素模

型，它在宏觀(guān)經(jīng)濟(jì)因素（如失業(yè)率、GDP增長(zhǎng)率、

長(zhǎng)期利率水平、匯率、政府支出及總儲(chǔ)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(gè)

國(guó)家不同行業(yè)各種級(jí)別客戶(hù)的轉(zhuǎn)移概率。該模型在計(jì)算信用資產(chǎn)的在險(xiǎn)價(jià)值量時(shí)，將各種影

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

因素納入體系?？朔诵庞枚攘恐品椒ㄓ捎诩俣ú?/p>

同時(shí)期的信用等級(jí)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(bǔ)充。3.麥肯錫模型——信用組合觀(guān)點(diǎn)模型（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型模型中解決和處理經(jīng)濟(jì)周期性因素及其影響

的方法是直接將信用等級(jí)轉(zhuǎn)換概率與宏觀(guān)因

素之間的關(guān)系模型化，如果模型是擬合的，

就可以通過(guò)制造宏觀(guān)上的對(duì)于模型的“沖擊”

來(lái)模擬信用等級(jí)轉(zhuǎn)換概率的跨時(shí)演變狀況。模型中違約概率以logit模型方式表現(xiàn)。4.瑞士信貸銀行的CreditRisk+模型

（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型CreditRisk+模型是運(yùn)用保險(xiǎn)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)代信用風(fēng)險(xiǎn)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(xiǎn)，不考慮降級(jí)風(fēng)險(xiǎn)；違約風(fēng)險(xiǎn)與資本結(jié)構(gòu)無(wú)關(guān)；對(duì)一筆貸款業(yè)務(wù)，給定時(shí)間的違約概率與其他時(shí)

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

率都很小，且特定時(shí)間內(nèi)發(fā)生的違約數(shù)目與其他

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

（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型（2）CreditRisk+模型框架

違約事件頻率（用標(biāo)準(zhǔn)泊松分布近似違約事件的分布）損失的嚴(yán)重程度（交易對(duì)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)代信用風(fēng)險(xiǎn)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(jìn)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(gè)因素代表一

個(gè)活動(dòng)部門(mén)。每個(gè)因素k由隨機(jī)變量Xk代表，它是部

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

違約率均值是背景因素X的線(xiàn)性函數(shù)，這些因素之間

假設(shè)是相互獨(dú)立的。（二）現(xiàn)代信用風(fēng)險(xiǎn)度量和管理模型5.現(xiàn)代信用風(fēng)險(xiǎn)度量模型方法的比較二、商業(yè)銀行信用風(fēng)險(xiǎn)度量和管理的

方法和模型（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法

RAPM度量指標(biāo)的計(jì)算方法——以

RARORAC指標(biāo)為例

RAPM度量指標(biāo)的比較（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法20世紀(jì)70年代末，美國(guó)信孚銀行首次提出了風(fēng)險(xiǎn)調(diào)整資本配置觀(guān)念風(fēng)險(xiǎn)調(diào)整績(jī)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(jī)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(xiǎn)直接掛鉤，更明確地考慮到風(fēng)險(xiǎn)對(duì)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(jìn)行投資決策，制定不同層次上的長(zhǎng)期戰(zhàn)略計(jì)劃；該方法還能對(duì)新引入的交易工具進(jìn)行有效定價(jià)，從而實(shí)現(xiàn)具有更高增值潛力的投資。1.RAPM度量指標(biāo)的計(jì)算方法——以RORAC為例（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法RAPM方法通常有四個(gè)度量指標(biāo)，它們是：ROC（returnoncapital）——資本收益RORAC（returnonrisk-adjustedcapital）——風(fēng)險(xiǎn)調(diào)整資本的收益RAROC（risk-adjustedreturnoncapital）——資本的風(fēng)險(xiǎn)調(diào)整收益RARORAC（risk-adjustedreturnonrisk-adjustedcapital）——風(fēng)險(xiǎn)調(diào)整資本的風(fēng)險(xiǎn)調(diào)整收益1.RAPM度量指標(biāo)的計(jì)算方法——以RORAC為例（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法RAPM的四個(gè)績(jī)效度量指標(biāo)基本形式類(lèi)似，都是由風(fēng)險(xiǎn)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(jì)資本得來(lái)的，只是風(fēng)險(xiǎn)調(diào)整的位置各不相同。下面以RARORAC指標(biāo)為例詳細(xì)介紹RAPM度量指標(biāo)的量化方法。（2.4）RARORAC的分子是收益項(xiàng)，包含收入信息、廣義的“費(fèi)用”、業(yè)務(wù)部門(mén)之間的轉(zhuǎn)移價(jià)格以及銀行從事各種類(lèi)型業(yè)務(wù)活動(dòng)的預(yù)期損失。（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法1.RAPM度量指標(biāo)的計(jì)算方法——以RORAC為例RARORAC的分母是銀行為了維持其信用等級(jí)而必須保有的與其承擔(dān)的風(fēng)險(xiǎn)相匹配的資本緩沖額，也稱(chēng)為風(fēng)險(xiǎn)資本或者經(jīng)濟(jì)資本。下圖是對(duì)分子、分母中各項(xiàng)的詳細(xì)說(shuō)明。資料來(lái)源：MichaelK.Ong.,1999,InternalCreditRiskModels,RiskBooks,pp222.

RARORAC的圖2.9RARORAC的分子預(yù)期損失是指銀行的正常經(jīng)營(yíng)過(guò)程中能夠預(yù)期到的損失

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

AE=OS+COM×UGD(2.6)

AE：調(diào)整的風(fēng)險(xiǎn)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(xiǎn)調(diào)整為核心的績(jī)效度量方法1.RAPM度量指標(biāo)的計(jì)算方法——以RORAC為例（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法1.RAPM度量指標(biāo)的計(jì)算方法——以RORAC為例違約概率可以使用信用評(píng)級(jí)機(jī)構(gòu)以歷史數(shù)據(jù)為基礎(chǔ)編制的

估計(jì)數(shù)據(jù)，也可直接利用以信用風(fēng)險(xiǎn)度量模型為基礎(chǔ)計(jì)算

得出（如KMV公司基于企業(yè)價(jià)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(xiǎn)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(fù)債人違約，

銀行有可能從債務(wù)人那里獲得補(bǔ)救的那部分損失占全部風(fēng)

險(xiǎn)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。

資料來(lái)源：MichaelK.Ong.,1999,InternalCreditRiskModels,RiskBooks,pp223.

RARORAC的圖2.10RARORAC的分母非預(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(jià)值潛在損失的波動(dòng)性，銀行通過(guò)保有資本金以緩解非預(yù)期損失對(duì)日常經(jīng)營(yíng)活動(dòng)的沖擊。1.RAPM度量指標(biāo)的計(jì)算方法——以RORAC為例（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法單筆貸款的非預(yù)期損失可以根據(jù)下式計(jì)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(gè)多狀態(tài)過(guò)程，則需考慮信用等級(jí)轉(zhuǎn)換概率，此時(shí)非預(yù)期損失的表達(dá)式會(huì)復(fù)雜得多。（2.8）（2.7）（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法1.RAPM度量指標(biāo)的計(jì)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(gè)風(fēng)險(xiǎn)資產(chǎn)的非預(yù)期損失的線(xiàn)形總和，包含N個(gè)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(gè)債務(wù)人違約的概率。（2.10）（2.9）2.RAPM度量指標(biāo)的比較

（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法盡管RAPM方法的四個(gè)常用度量指標(biāo)（ROC、RORAC、RAROC和RARORAC）在形式上十分類(lèi)似，但是在對(duì)資本收益進(jìn)行比較時(shí)，采用不同的指標(biāo)會(huì)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(biāo)才能做出正確的績(jī)效評(píng)價(jià)，才能在業(yè)務(wù)部門(mén)層次、客戶(hù)層次以及交易層次等各個(gè)層次上都進(jìn)行有效的資本分配。下表是對(duì)四種RAPM度量指標(biāo)的詳細(xì)比較，這些度量指標(biāo)的復(fù)雜程度從ROC到RARORAC依次增加。

表2.7RAPM度量指標(biāo)的比較（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法

標(biāo)準(zhǔn)計(jì)算方法涵義優(yōu)點(diǎn)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(jiǎn)單直觀(guān)易于實(shí)施無(wú)法度量交易風(fēng)險(xiǎn)RORAC風(fēng)險(xiǎn)調(diào)整資本的收益調(diào)整的收益/經(jīng)濟(jì)資本度量與經(jīng)濟(jì)（風(fēng)險(xiǎn)）資本相關(guān)的收益率計(jì)算資本需求時(shí)同時(shí)考慮了資產(chǎn)及非資產(chǎn)風(fēng)險(xiǎn)傾向于持有低風(fēng)險(xiǎn)資產(chǎn)RAROC資本的風(fēng)險(xiǎn)調(diào)整收益風(fēng)險(xiǎn)調(diào)整的收益/必要監(jiān)管資本將監(jiān)管資本需求和市場(chǎng)風(fēng)險(xiǎn)成本相結(jié)合綜合考慮了風(fēng)險(xiǎn)和監(jiān)管成本監(jiān)管資本只能對(duì)風(fēng)險(xiǎn)進(jìn)行有限劃分，影響了指標(biāo)的準(zhǔn)確性RARORAC風(fēng)險(xiǎn)調(diào)整資本的風(fēng)險(xiǎn)調(diào)整收益風(fēng)險(xiǎn)調(diào)整的收益/經(jīng)濟(jì)資本資本緩沖額根據(jù)商業(yè)銀行要求和市場(chǎng)風(fēng)險(xiǎn)進(jìn)行調(diào)整所得出的純粹的經(jīng)濟(jì)資本收益率可用于不同等級(jí)資產(chǎn)的風(fēng)險(xiǎn)決策忽略了業(yè)務(wù)的監(jiān)管成本資料來(lái)源：SanjeevPunjabi,Manyhappyreturns,Risk,June1998,pp71-76.銀行在選擇RAPM指標(biāo)時(shí)，要將指標(biāo)與其所從事的各項(xiàng)業(yè)務(wù)相結(jié)合。

計(jì)算ROC時(shí)未進(jìn)行任何風(fēng)險(xiǎn)調(diào)整，該指標(biāo)鼓勵(lì)投資者去

承擔(dān)風(fēng)險(xiǎn)以獲取更高的收益。這種不充分的定價(jià)標(biāo)準(zhǔn)會(huì)

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

對(duì)較低的收益而被避之門(mén)外。

RORAC相對(duì)于ROC的優(yōu)勢(shì)在于其使用了經(jīng)濟(jì)資本的概

念，一般來(lái)說(shuō)，風(fēng)險(xiǎn)和收益都相對(duì)較低的交易會(huì)具有

校高的RORAC值，這也正是該指標(biāo)得到廣泛青睞的原

因。偏好高“緩沖”資本的機(jī)構(gòu)會(huì)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(xiǎn)調(diào)整為核心的績(jī)效度量方法2.RAPM度量指標(biāo)的比較

RAROC指標(biāo)的使用機(jī)構(gòu)會(huì)傾向于持有更多的能對(duì)市

場(chǎng)風(fēng)險(xiǎn)進(jìn)行彌補(bǔ)的資產(chǎn)，以對(duì)優(yōu)化使用現(xiàn)有的監(jiān)管資

本。該指標(biāo)具有很高的實(shí)用性和有效性，因?yàn)樗噲D

實(shí)現(xiàn)市場(chǎng)監(jiān)管限制下的風(fēng)險(xiǎn)調(diào)整收益最大化。

RARORAC技術(shù)以風(fēng)險(xiǎn)原理和堅(jiān)實(shí)的經(jīng)濟(jì)理論為基

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

險(xiǎn)調(diào)整收益，但是要達(dá)到最好的效果，最好結(jié)合其他

一些目標(biāo)，如收益和獲利目標(biāo)。使用該指標(biāo)時(shí)需要對(duì)

風(fēng)險(xiǎn)進(jìn)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(xiǎn)度量和跟蹤系統(tǒng)。（三）以風(fēng)險(xiǎn)調(diào)整為核心的績(jī)效度量方法2.RAPM度量指標(biāo)的比較

三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究

商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造樣本采集和數(shù)據(jù)處理我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究研究結(jié)論

(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究主成分分析（PrincipalComponentsAnalysis）線(xiàn)性判別模型（LinearDiscriminantAnalysis）Logit

模型BP神經(jīng)網(wǎng)絡(luò)模型（Back-propagationneural

Networks）1.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(jì)30年代

Hotelling(1933)提出計(jì)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(lài)關(guān)系的研究出發(fā)，

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

子的多變量統(tǒng)計(jì)分析方法。我國(guó)上市公司的財(cái)務(wù)數(shù)據(jù)具有高維性（指標(biāo)多）的特點(diǎn)，

在進(jìn)行各類(lèi)判別分析之前，引入主成分分析法能夠在財(cái)

務(wù)比率眾多的情況下，實(shí)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(xiǎn)識(shí)別模型構(gòu)造

主成分分析法的基本思路是：

從p個(gè)原始財(cái)務(wù)指標(biāo)中提取m個(gè)相互獨(dú)立主成份，每個(gè)主成份都是原來(lái)多個(gè)指標(biāo)的線(xiàn)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(duì)原始財(cái)務(wù)指標(biāo)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(gè)原變量的解釋力度大。如果m（m≤p）個(gè)主成份可以解釋大部分原始財(cái)務(wù)指標(biāo)的方差或者提取主成份的累計(jì)貢獻(xiàn)率達(dá)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(cái)務(wù)指標(biāo)空間的信息。1.主成分分析（PrincipalComponentsAnalysis）

(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)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(biāo)準(zhǔn)化計(jì)算相關(guān)系數(shù)矩陣（協(xié)方差矩陣）計(jì)算特征值和特征向量計(jì)算主成份貢獻(xiàn)率和累計(jì)貢獻(xiàn)率選擇主成份個(gè)數(shù)(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造2.線(xiàn)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(xiǎn)線(xiàn)性判別模型。其中Z是判別值，Yjt是t期的主成份判別指標(biāo)，bj是判別系數(shù)，b0是常數(shù)項(xiàng)，t是樣本時(shí)間期限。（3.1）(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造2.線(xiàn)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(xiǎn)識(shí)別模型構(gòu)造2.線(xiàn)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(duì)于本次研究中引入的m維上市公司財(cái)務(wù)指標(biāo)（主成份），在原始變量X1和X2的方向上，高信用風(fēng)險(xiǎn)組A和低信用風(fēng)險(xiǎn)組B的觀(guān)測(cè)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(biāo)，X2為縱坐標(biāo)，并設(shè)法在此平面內(nèi)找到一個(gè)Y軸，使得當(dāng)X1

X2屏幕上的散點(diǎn)投影到Y(jié)軸上時(shí)兩組觀(guān)測(cè)值的重疊程度最小。使兩組觀(guān)測(cè)值的投影盡可能分開(kāi)，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(shí)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(xiǎn)識(shí)別模型構(gòu)造2.線(xiàn)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(xiǎn)識(shí)別模型構(gòu)造2.線(xiàn)性判別模型（LinearDiscriminantAnalysis）本次檢驗(yàn)中使用的閾值是根據(jù)“完全對(duì)稱(chēng)分類(lèi)原則”確定的，即閾值M的計(jì)算公式為其中Z1和Z2分別表示兩類(lèi)樣本重心在空間的坐標(biāo)位置，若將預(yù)測(cè)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(xiǎn)企業(yè)，否則判定為低風(fēng)險(xiǎn)企業(yè)。（3.3）(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造3.Logit模型利用線(xiàn)性判別模型計(jì)算得出的Z值只是一個(gè)抽象的概念，只能用于判別而無(wú)法從直覺(jué)上解釋?zhuān)琇ogit模型解決了這個(gè)問(wèn)題。引入樣本企業(yè)財(cái)務(wù)指標(biāo)后，我們可以通過(guò)Logit模型計(jì)算其在一段時(shí)間內(nèi)違約的概率，如果得出的概率大于設(shè)定的分割點(diǎn)，則認(rèn)為該公司具有高信用風(fēng)險(xiǎn)。Logit模型采用最大似然估計(jì)法進(jìn)行參數(shù)估計(jì)，不要求樣本數(shù)據(jù)呈正態(tài)分布，這與現(xiàn)實(shí)中企業(yè)財(cái)務(wù)指標(biāo)的真實(shí)情況相吻合。(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)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L(zhǎng)ogistic回歸模型。（3.4）（3.5）（3.6）(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造3.Logit模型設(shè)違約的高風(fēng)險(xiǎn)企業(yè)樣本為Y1A，Y2A……，YhA，不違約的低風(fēng)險(xiǎn)企業(yè)樣本為Y1B，Y2B……，YlB，則似然函數(shù)為：取對(duì)數(shù)似然函數(shù)（LnL）的最大化，就可以得到式（3.6）中的估計(jì)參數(shù)a0，a1，……，am。與線(xiàn)性判別模型不同，Logit模型沒(méi)有理論上的閾值，閾值完全需要根據(jù)研究目標(biāo)來(lái)選擇。此次研究選擇0.5為為閾值，即通過(guò)Logit模型計(jì)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(xiǎn)企業(yè)，否則判定為低風(fēng)險(xiǎn)企業(yè)。（3.7）(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)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(lái)興起的現(xiàn)代智能分析技術(shù)，作為研究復(fù)雜問(wèn)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(lèi)方法不能解決的信用風(fēng)險(xiǎn)與財(cái)務(wù)指標(biāo)之間關(guān)系非線(xiàn)性、財(cái)務(wù)指標(biāo)呈厚尾分布等問(wèn)題，在模型識(shí)別與分類(lèi)、預(yù)測(cè)、自動(dòng)控制等方面具有其他方法無(wú)法比擬的優(yōu)越性。在信用風(fēng)險(xiǎn)識(shí)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(duì)我國(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)進(jìn)行識(shí)別研究。(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)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(shí)人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能，模擬思維過(guò)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(guò)一個(gè)轉(zhuǎn)換函數(shù)進(jìn)行數(shù)

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

權(quán)重被不斷調(diào)整以使理想輸出（正確的預(yù)測(cè)）和

實(shí)際輸出（模型產(chǎn)生的預(yù)測(cè)）之間的差異最小。一個(gè)神經(jīng)網(wǎng)絡(luò)模型包括：模型的類(lèi)型（前向反饋

還是后向反饋）、隱含層的個(gè)數(shù)、每個(gè)隱含層的

神經(jīng)元個(gè)數(shù)和更改權(quán)重的學(xué)習(xí)規(guī)則。基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)信用評(píng)估模型如圖3.2所示。這是一個(gè)有n個(gè)輸入、2個(gè)輸出含M個(gè)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(píng)估模型

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

圖3.2中，第i個(gè)隱層的神經(jīng)元個(gè)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(hào)X＝（x1，x2，…xn）T,是企業(yè)的相關(guān)數(shù)據(jù)，可以為銀行對(duì)企業(yè)的評(píng)估數(shù)據(jù)。評(píng)估數(shù)據(jù)經(jīng)過(guò)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(guò)變換函數(shù)和加權(quán)之后再輸出信息傳播到輸出結(jié)點(diǎn)，最后給出輸出結(jié)果。(一)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型構(gòu)造4.BP神經(jīng)網(wǎng)絡(luò)（Back-propagationneuralNetworks）(二)樣本采集和數(shù)據(jù)處理三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究樣本企業(yè)與財(cái)務(wù)指標(biāo)的采集

a.樣本企業(yè)選擇

b.財(cái)務(wù)指標(biāo)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1.樣本企業(yè)與財(cái)務(wù)指標(biāo)的采集a.樣本企業(yè)的選擇：從我國(guó)某國(guó)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(cái)務(wù)報(bào)表（資產(chǎn)負(fù)債表、利潤(rùn)表和現(xiàn)金流量表）齊全的上市公司客戶(hù)，分別計(jì)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(xiǎn)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(cái)務(wù)數(shù)據(jù)作為一個(gè)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(cái)務(wù)指標(biāo)的采集b.財(cái)務(wù)指標(biāo)的選擇：共選取用于基礎(chǔ)分析的財(cái)務(wù)指標(biāo)50個(gè)全面反映盈利能力、流動(dòng)性和償還能力、資產(chǎn)管理

效率、成長(zhǎng)性、資本結(jié)構(gòu)狀況、資本市場(chǎng)表現(xiàn)等財(cái)

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

動(dòng)態(tài)指標(biāo)引入現(xiàn)金流量指標(biāo)引入企業(yè)資本市場(chǎng)數(shù)據(jù)

(二)樣本采集和數(shù)據(jù)處理1.樣本企業(yè)與財(cái)務(wù)指標(biāo)的采集b.財(cái)務(wù)指標(biāo)的選擇：指標(biāo)分類(lèi)

財(cái)

務(wù)

指

標(biāo)

流動(dòng)性與償還能力指標(biāo)

流動(dòng)比率，速動(dòng)比率，營(yíng)運(yùn)資本，期末速動(dòng)資產(chǎn)，利息保障倍數(shù)，資產(chǎn)短期負(fù)債率盈利能力指標(biāo)（含動(dòng)態(tài)指標(biāo)）資產(chǎn)利潤(rùn)率，資產(chǎn)報(bào)酬率，息稅前利潤(rùn)，凈資產(chǎn)報(bào)酬率，銷(xiāo)售凈利潤(rùn)率，銷(xiāo)售毛利率，主營(yíng)業(yè)務(wù)利潤(rùn)率，營(yíng)運(yùn)資本總資產(chǎn)比，營(yíng)運(yùn)資本主營(yíng)業(yè)務(wù)收入比，盈利波動(dòng)率

資本結(jié)構(gòu)與財(cái)務(wù)杠桿指標(biāo)資產(chǎn)負(fù)債比率，產(chǎn)權(quán)比率，負(fù)債股本賬面值比資產(chǎn)管理效率指標(biāo)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(fù)債成本率成長(zhǎng)性指標(biāo)（含動(dòng)態(tài)指標(biāo)）盈利增長(zhǎng)指數(shù)，LOG（固定資產(chǎn)總額），總資產(chǎn)增長(zhǎng)率，主營(yíng)業(yè)務(wù)收入增長(zhǎng)率，留成利潤(rùn)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(fù)債總額，凈資產(chǎn)增長(zhǎng)率資本市場(chǎng)表現(xiàn)指標(biāo)股本市值負(fù)債比,流通股市值負(fù)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(biāo)現(xiàn)金流量比率，現(xiàn)金流量財(cái)務(wù)費(fèi)用比，主營(yíng)業(yè)務(wù)收入現(xiàn)金流量占比，籌資活動(dòng)凈流入與負(fù)債比率,每股現(xiàn)金流量資產(chǎn)質(zhì)量指標(biāo)主營(yíng)業(yè)務(wù)收入占比，銷(xiāo)售現(xiàn)金實(shí)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(cái)務(wù)指標(biāo)的采集c.樣本數(shù)據(jù)的分組確定：訓(xùn)練樣本和預(yù)測(cè)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(jì)；2001年的樣本作為預(yù)測(cè)樣本，用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力。低風(fēng)險(xiǎn)企業(yè)和高風(fēng)險(xiǎn)企業(yè)的劃分：以不良率5%作為分界線(xiàn)將每組的樣本企業(yè)分為兩類(lèi)，將不良率低于5%的企業(yè)稱(chēng)為低風(fēng)險(xiǎn)企業(yè)，不良率不低于5%的企業(yè)作為高風(fēng)險(xiǎn)企業(yè)。(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(cái)務(wù)指標(biāo)獨(dú)立樣本t檢驗(yàn)

對(duì)樣本企業(yè)（高風(fēng)險(xiǎn)企業(yè)和低風(fēng)險(xiǎn)企業(yè)）的財(cái)務(wù)指標(biāo)進(jìn)行獨(dú)立t檢驗(yàn)的目的在于檢驗(yàn)財(cái)務(wù)指標(biāo)在不同類(lèi)別企業(yè)之間的差異性，在兩類(lèi)企業(yè)之間具有顯著差異的財(cái)務(wù)指標(biāo)具有統(tǒng)計(jì)意義、與信用風(fēng)險(xiǎn)的相關(guān)性強(qiáng)，是進(jìn)一步分析的重點(diǎn)。根據(jù)SPSS軟件對(duì)全部指標(biāo)進(jìn)行獨(dú)立樣本t檢驗(yàn)的結(jié)果,在兩類(lèi)企業(yè)之間有顯著差異的財(cái)務(wù)指標(biāo)共33個(gè).(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(cái)務(wù)指標(biāo)獨(dú)立樣本t檢驗(yàn)

這些指標(biāo)為：營(yíng)運(yùn)資本、資產(chǎn)利潤(rùn)率、資產(chǎn)報(bào)酬率、息稅前利潤(rùn)、凈資產(chǎn)報(bào)酬率、平均股東權(quán)益、期末速凍資產(chǎn)、營(yíng)運(yùn)資本主營(yíng)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(zhǎng)指數(shù)、log（固定資產(chǎn)）、總資產(chǎn)增長(zhǎng)率、留成利潤(rùn)比、留存利潤(rùn)總資產(chǎn)比、資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、留存收益、盈利波動(dòng)率、資產(chǎn)短期負(fù)債率、凈資產(chǎn)增長(zhǎng)率、主營(yíng)業(yè)務(wù)收入現(xiàn)金流量占比、籌資活動(dòng)凈流入現(xiàn)金與負(fù)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b.主成份分析

基于獨(dú)立樣本t檢驗(yàn)選出的33個(gè)財(cái)務(wù)指標(biāo)，可通過(guò)主成份分析法提取指標(biāo)主成份，以在盡可能保留財(cái)務(wù)指標(biāo)信息的前提下，簡(jiǎn)化模型檢驗(yàn)過(guò)程。根據(jù)主成份累計(jì)貢獻(xiàn)率大于80%的標(biāo)準(zhǔn)，在對(duì)測(cè)試樣本進(jìn)行標(biāo)準(zhǔn)化處理后，模型從33個(gè)主成份中提取了12個(gè)，同時(shí)采用方差最大化正交旋轉(zhuǎn)法，便于對(duì)主成份找到合理的經(jīng)濟(jì)解釋。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)性判別模型研究我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)Logit模型研究我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)BP神經(jīng)網(wǎng)絡(luò)模型研究線(xiàn)性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果比較(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

1.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)性判別模型研究

a.模型參數(shù)：將高風(fēng)險(xiǎn)企業(yè)定義為1，低風(fēng)險(xiǎn)企業(yè)定義為0，引入12個(gè)主成份以337個(gè)訓(xùn)練樣本為基礎(chǔ)運(yùn)用SPSS軟件建立線(xiàn)性判別模型，得出的信用風(fēng)險(xiǎn)線(xiàn)性判別模型為：Z＝0.563Y1＋0.488Y10＋0.420Y4＋0.411Y9＋0.406Y7

各主成份進(jìn)入模型的順序依次為Y1、Y7、Y10

、Y9和Y4。根據(jù)主成份負(fù)荷矩陣和因子得分系數(shù)矩陣顯示的主成份與原始財(cái)務(wù)比率的相關(guān)關(guān)系，以上指標(biāo)可分別被定義為盈利性指標(biāo)、流動(dòng)性與償還能力指標(biāo)、資本結(jié)構(gòu)與財(cái)務(wù)杠桿指標(biāo)、成長(zhǎng)性指標(biāo)、資產(chǎn)管理效率指標(biāo)。（3.8）(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

1.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)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(duì)兩組樣本數(shù)據(jù)進(jìn)行計(jì)算，高風(fēng)險(xiǎn)樣本和低風(fēng)險(xiǎn)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(xiǎn)樣本和低風(fēng)險(xiǎn)樣本個(gè)數(shù)分別為209個(gè)和128個(gè)，則信用風(fēng)險(xiǎn)線(xiàn)性判別模型的閾值為：也即，將企業(yè)財(cái)務(wù)指標(biāo)帶入判別方程后，如果計(jì)算得出的Z值大于0，則該企業(yè)被判定為高風(fēng)險(xiǎn)企業(yè)，違約可能性大；如果計(jì)算得出的Z值小于0，則該企業(yè)被判定為低風(fēng)險(xiǎn)企業(yè)，違約可能性小。（3.9）(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

1.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)性判別模型研究

b.模型的準(zhǔn)確性：

分組判定值合計(jì)01普通方法數(shù)目01505920915573128%071.828.2100.0143.057.0100.0Bootstrap檢驗(yàn)方法數(shù)目01446520915870128%068.931.1100.0145.354.7100.0表3.1Fisher線(xiàn)性判定模型對(duì)訓(xùn)練樣本的判定結(jié)果(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

1.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)性判別模型研究

b.模型的準(zhǔn)確性：

使用普通方法對(duì)Fisher線(xiàn)性判別模型的判定效果進(jìn)行驗(yàn)證，模型的準(zhǔn)確率為66.2%，其中對(duì)低風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率71.8%，對(duì)高風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率為57%。使用Bootstrap檢驗(yàn)方法對(duì)Fisher線(xiàn)性判別模型的判定效果進(jìn)行驗(yàn)證，模型的準(zhǔn)確率略低于普通方法的判定效果，總準(zhǔn)確率為63.5%，其中對(duì)低風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率68.9%，對(duì)高風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率為53.7%。模型對(duì)低風(fēng)險(xiǎn)企業(yè)判定的準(zhǔn)確率仍然高于高風(fēng)險(xiǎn)企業(yè)。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

1.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)性判別模型研究

b.模型的準(zhǔn)確性：

在統(tǒng)計(jì)學(xué)中，誤判分為兩類(lèi)：第一類(lèi)錯(cuò)誤（拒真）和第二類(lèi)錯(cuò)誤（納偽）。這里，

第一類(lèi)錯(cuò)誤是指將高信用風(fēng)險(xiǎn)企業(yè)誤判為低信用風(fēng)險(xiǎn)企業(yè)的錯(cuò)誤。

第二類(lèi)錯(cuò)誤是指將低風(fēng)險(xiǎn)企業(yè)誤判為高信用風(fēng)險(xiǎn)企業(yè)的錯(cuò)誤。第一類(lèi)錯(cuò)誤的誤判代價(jià)要高得多，因?yàn)榈诙?lèi)錯(cuò)誤只會(huì)使商業(yè)銀行損失一定的投資收益，而第一類(lèi)錯(cuò)誤會(huì)使商業(yè)銀行因無(wú)法收回貸款而面臨重大的經(jīng)營(yíng)危機(jī)。上述Fisher線(xiàn)性判別模型對(duì)高風(fēng)險(xiǎn)企業(yè)判定的準(zhǔn)確率低于低風(fēng)險(xiǎn)企業(yè)，這也就意味著第一類(lèi)錯(cuò)誤率高于第二類(lèi)錯(cuò)誤率。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

1.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)性判別模型研究

c.模型檢驗(yàn)：

表3.2Fisher線(xiàn)性判定模型對(duì)測(cè)試樣本的預(yù)測(cè)結(jié)果采用Fisher線(xiàn)性判別模型預(yù)測(cè)樣本企業(yè)的信用風(fēng)險(xiǎn)狀況，模型預(yù)測(cè)的準(zhǔn)確率為60.6%，略低于訓(xùn)練樣本判定的準(zhǔn)確率。模型對(duì)預(yù)測(cè)樣本判定的第一類(lèi)錯(cuò)誤低于第二類(lèi)錯(cuò)誤，其中第一類(lèi)誤判率為32.4%，第二類(lèi)誤判率為41.5%，判別模型不夠穩(wěn)定。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

2.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)Logit模型研究

a.模型參數(shù)：各主成份進(jìn)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(biāo)、流動(dòng)性與償還能力指標(biāo)、資本結(jié)構(gòu)與財(cái)務(wù)杠桿指標(biāo)、資產(chǎn)管理效率指標(biāo)、現(xiàn)金流指標(biāo)和成長(zhǎng)性指標(biāo)。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(hù)的財(cái)務(wù)數(shù)據(jù)并根據(jù)以上函數(shù)預(yù)測(cè)信用風(fēng)險(xiǎn)，如果計(jì)算得出的結(jié)果小于50%，則該客戶(hù)被判定為低風(fēng)險(xiǎn)企業(yè)；反之，將該客戶(hù)定義為高風(fēng)險(xiǎn)企業(yè)。（3.10）(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

2.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)Logit模型研究

b.模型的準(zhǔn)確性：

表3.3Logit模型對(duì)訓(xùn)練樣本的判定結(jié)果

分組判定值合計(jì)01數(shù)目01901920913990128%090.99.1100.0130.569.5100.0Logit模型的準(zhǔn)確率為82.8%，其中對(duì)低風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率高達(dá)90.9%，但對(duì)高風(fēng)險(xiǎn)企業(yè)判別的準(zhǔn)確率不到70%。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

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

表3.4

Logit模型對(duì)測(cè)試樣本的預(yù)測(cè)結(jié)果采用Logit模型判定預(yù)測(cè)樣本企業(yè)的信用風(fēng)險(xiǎn)狀況，模型預(yù)測(cè)的準(zhǔn)確率達(dá)到80.0%，同訓(xùn)練樣本類(lèi)似，該模型對(duì)低風(fēng)險(xiǎn)企業(yè)的判定準(zhǔn)確率大大高于高風(fēng)險(xiǎn)企業(yè)的判定準(zhǔn)確率，其中第一類(lèi)誤判率為32.4%，第二類(lèi)誤判率16%。Logit模型對(duì)訓(xùn)練樣本和預(yù)測(cè)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(qiáng)。

(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

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

網(wǎng)絡(luò)類(lèi)型：隱層BP神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元個(gè)數(shù)：輸入層——12個(gè)節(jié)點(diǎn)輸出層——1個(gè)節(jié)點(diǎn)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(xiàn)性函數(shù)訓(xùn)練次數(shù)：1000次3.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)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(zhǔn)確性和運(yùn)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(cè)結(jié)果(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

3.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)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(zhǔn)確性和運(yùn)行結(jié)果隨著隱節(jié)點(diǎn)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(diǎn)超過(guò)10后，隱節(jié)點(diǎn)增加對(duì)提高模型判別的準(zhǔn)確率無(wú)明顯作用，總誤判比率基本穩(wěn)定在14%左右。在整個(gè)訓(xùn)練過(guò)程中，隨著隱節(jié)點(diǎn)的增加，模型達(dá)到精度要求的運(yùn)行步數(shù)逐漸減少，訓(xùn)練所能達(dá)到的精度逐步提高，但模型的運(yùn)行時(shí)間也有明顯增加。隱節(jié)點(diǎn)大于5的網(wǎng)絡(luò)對(duì)訓(xùn)練樣本判別的誤判率都達(dá)到0，說(shuō)明模型在訓(xùn)練過(guò)程中的自我學(xué)習(xí)和調(diào)整對(duì)提高判定準(zhǔn)確性作用顯著；測(cè)試樣本的誤判比率仍然較高，說(shuō)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(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

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

線(xiàn)性判別模型：

指標(biāo)——（按解釋力高低依次）盈利性指標(biāo)、資本結(jié)構(gòu)和財(cái)

務(wù)杠桿指標(biāo)、資產(chǎn)管理效率指標(biāo)、成長(zhǎng)性指標(biāo)和

流動(dòng)性與償還能力指標(biāo)識(shí)別標(biāo)準(zhǔn)——Z值是否大于0

Logit判別模型：指標(biāo)——（按解釋力高低依次）流動(dòng)性與償還能力指標(biāo)、盈

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

效率指標(biāo)、現(xiàn)金流指標(biāo)和成長(zhǎng)性指標(biāo)識(shí)別標(biāo)準(zhǔn)——分類(lèi)概率大于50%(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

4.線(xiàn)性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果比較a.模型參數(shù)的比較：?jiǎn)坞[層BP神經(jīng)網(wǎng)絡(luò)模型：當(dāng)隱節(jié)點(diǎn)等于10時(shí)總誤判率最低。線(xiàn)性判別模型和Logit模型中各個(gè)變量的系數(shù)都具有一

定的經(jīng)濟(jì)意義，代表了相對(duì)應(yīng)指標(biāo)的貢獻(xiàn)度，與之相

對(duì)，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(cè)準(zhǔn)確率，但卻沒(méi)有解釋能

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

這是神經(jīng)網(wǎng)絡(luò)模型的主要缺陷。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

4.線(xiàn)性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果比較b.模型準(zhǔn)確性的比較：

表3.5

線(xiàn)性判別模型、Logit模型和神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確性和預(yù)測(cè)能力的比較(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

4.線(xiàn)性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果比較b.模型準(zhǔn)確性的比較：神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本判定的準(zhǔn)確性達(dá)到100%，明顯高于Logit模型和線(xiàn)Fisher性判別模型，其主要原因在于神經(jīng)網(wǎng)絡(luò)對(duì)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(zhǔn)確性高于Fisher線(xiàn)性判別模型兩種模型對(duì)高風(fēng)險(xiǎn)企業(yè)的誤判率都高于低風(fēng)險(xiǎn)企業(yè)的誤判率，也即第一類(lèi)錯(cuò)誤出現(xiàn)的概率高于第二類(lèi)錯(cuò)誤，誤判代價(jià)較高。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

4.線(xiàn)性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果比較c.模型預(yù)測(cè)能力的比較：誤判率：Logit模型<神經(jīng)網(wǎng)絡(luò)模型<Fisher線(xiàn)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(lèi)錯(cuò)誤的概率接近50%，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)模型不具有對(duì)高風(fēng)險(xiǎn)企業(yè)的判別能力。Fisher判別模型出現(xiàn)第二類(lèi)錯(cuò)誤的概率最高，約為41.5%，但相對(duì)于第一類(lèi)錯(cuò)誤，第二類(lèi)錯(cuò)誤的代價(jià)較小。因此，從實(shí)際應(yīng)用的角度來(lái)講，盡管Fisher模型的誤判率高于神經(jīng)網(wǎng)絡(luò)，前者的預(yù)測(cè)能力更強(qiáng)。Logit模型出現(xiàn)第一類(lèi)錯(cuò)誤和第二類(lèi)錯(cuò)誤的概率均最低，預(yù)測(cè)能力高于其他兩類(lèi)模型。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

4.線(xiàn)性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果比較d.模型穩(wěn)定性的比較：所有樣本總誤判率：神經(jīng)網(wǎng)絡(luò)模型<Logit模型<Fisher線(xiàn)性判別模型

（10.6%）（18.9%）（37.4%）

神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本的誤判率為0，對(duì)預(yù)測(cè)樣本的誤判率卻高達(dá)33.6%，判別模型泛化能力和穩(wěn)定性較差。Logit模型和Fisher判別模型對(duì)預(yù)測(cè)樣本的誤判率略高于模型對(duì)訓(xùn)練樣本的誤判率，穩(wěn)定性較強(qiáng)。因此，從穩(wěn)定性來(lái)看，Logit模型高于線(xiàn)性判別模型，神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性最差。(三)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型實(shí)證研究

綜上所述，根據(jù)我國(guó)某商業(yè)銀行上市公司客戶(hù)財(cái)務(wù)數(shù)據(jù)和不良貸款率數(shù)據(jù)，可分別得出我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)線(xiàn)性判別模型、Logit模型和BP神經(jīng)網(wǎng)絡(luò)模型。線(xiàn)性判別模型的準(zhǔn)確性和預(yù)測(cè)能力不高；BP神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本判定的準(zhǔn)確性高達(dá)100%，但是穩(wěn)定性和推廣能力差，預(yù)測(cè)能力非常有限；Logit判別模型識(shí)別和預(yù)測(cè)的準(zhǔn)確性能夠達(dá)到80%，穩(wěn)定性強(qiáng)。我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別最優(yōu)模型為L(zhǎng)ogit模型。(四)研究結(jié)論

三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究

1.基于我國(guó)商業(yè)銀行上市公司貸款客戶(hù)財(cái)務(wù)信息和履約數(shù)據(jù)，能夠建立商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型，為商業(yè)銀行判定借款人的質(zhì)量和經(jīng)營(yíng)業(yè)績(jī)、降低信用風(fēng)險(xiǎn)提供較為可靠的依據(jù)，同時(shí)也為借款人加強(qiáng)企業(yè)內(nèi)部管理，擺脫財(cái)務(wù)困境提供有價(jià)值的參考信息，剔除異常值后的上市公司會(huì)計(jì)報(bào)表數(shù)據(jù)是可用的。從檢驗(yàn)結(jié)果可以看出，盡管根據(jù)客戶(hù)財(cái)務(wù)信息和貸款不良率建立的風(fēng)險(xiǎn)識(shí)別模型的判定結(jié)果與信用風(fēng)險(xiǎn)的實(shí)際情況不完全相符，但Logit模型的預(yù)測(cè)能力達(dá)到80%，誤差水平可以接受，判別結(jié)果具有一定的可信度。(四)研究結(jié)論

三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究

2.主成份分析可以有效解決我國(guó)企業(yè)財(cái)務(wù)數(shù)據(jù)高維性和多重共線(xiàn)性的特點(diǎn)，在不丟掉主要數(shù)據(jù)信息的前提下集中體現(xiàn)了他們的類(lèi)別特色，使判別模型更具說(shuō)服力。此次檢驗(yàn)從50個(gè)財(cái)務(wù)指標(biāo)抽取出12個(gè)主成份，主成份累計(jì)貢獻(xiàn)率達(dá)到80%，在簡(jiǎn)化后續(xù)檢驗(yàn)過(guò)程的同時(shí)最大限度保留了原始數(shù)據(jù)信息。根據(jù)旋轉(zhuǎn)后的主成份負(fù)荷矩陣和因子得分系數(shù)矩陣中主成份和原始財(cái)務(wù)指標(biāo)的相關(guān)關(guān)系，各主成份被賦予不同的經(jīng)濟(jì)意義。(四)研究結(jié)論

三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究

3.在借款企業(yè)的各類(lèi)財(cái)務(wù)指標(biāo)中，流動(dòng)性與償還能力指標(biāo)、盈利性指標(biāo)，資本結(jié)構(gòu)和財(cái)務(wù)杠桿指標(biāo)、資產(chǎn)管理效率指標(biāo)、現(xiàn)金流指標(biāo)和成長(zhǎng)性指標(biāo)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的影響最大。各類(lèi)模型引入的主成份基本相同，Logit模型比線(xiàn)性判別模型多納入了成長(zhǎng)性指標(biāo)。但在不同的模型中，主成份的貢獻(xiàn)率各不相同，成長(zhǎng)性指標(biāo)的解釋力最不穩(wěn)定。盈利性指標(biāo)與企業(yè)的獲利能力密切相關(guān)，是影響商業(yè)銀行信用風(fēng)險(xiǎn)的關(guān)鍵指標(biāo)，對(duì)信用風(fēng)險(xiǎn)的解釋力高于資本結(jié)構(gòu)和財(cái)務(wù)杠桿指標(biāo)、資產(chǎn)管理效率指標(biāo)和現(xiàn)金流指標(biāo)。(四)研究結(jié)論

三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究

4.Logit模型是我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別最優(yōu)模型。Logit判別模型識(shí)別和預(yù)測(cè)的準(zhǔn)確率能夠達(dá)到80%左右，模型對(duì)訓(xùn)練樣本和預(yù)測(cè)樣本的判別結(jié)果差別不大，穩(wěn)定性高，推廣能力強(qiáng)，是目前我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)最優(yōu)識(shí)別模型。

5.線(xiàn)性判別模型判定和預(yù)測(cè)的準(zhǔn)確率不高，但是穩(wěn)定性和推廣能力強(qiáng)，而且相對(duì)與其他兩類(lèi)模型，線(xiàn)性模型對(duì)出現(xiàn)第一類(lèi)錯(cuò)誤的概率略低，由于第一類(lèi)錯(cuò)誤的代價(jià)比第二類(lèi)錯(cuò)誤大得多，線(xiàn)性模型的判別結(jié)果也具有一定的參考價(jià)值。(四)研究結(jié)論

三、我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究6.BP神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本判定的準(zhǔn)確率達(dá)到100%，這源于神經(jīng)網(wǎng)絡(luò)技術(shù)獨(dú)特的自我學(xué)習(xí)和調(diào)整能力，但是模型預(yù)測(cè)能力非常有限，不能直接用于我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別過(guò)程，需要對(duì)網(wǎng)絡(luò)進(jìn)行技術(shù)調(diào)整以提高推廣能力。

BP神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本判定的準(zhǔn)確性高達(dá)100%，但對(duì)預(yù)測(cè)樣本判定的準(zhǔn)