国内商业银行信贷风险管控探微范文

本站小编为你精心准备了国内商业银行信贷风险管控探微参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

一、普通参数组对于资产组合Ⅰ的模拟

这一模拟是以普通参数组为基础，包括了一个固定的40%回收率，24%的资产相关性，表2来自转移矩阵，利差来自Nelson-Siegel曲线（Nelson，Siegel1987），其中，零息债券的到期时间为t的利率通过公式（1）给出：在此普通参数组中，我们仍需假设其他一些个自得参数。包括一些盯市的收益或损失，模拟的次数和决定是否使用方差逐次减少的技术等。一个关键的参数就是如何使一个年度违约率应用到一个短期久期头寸上。

表3显示了在输入普通参数组，在各种不同置信水平VAR和ES的情况下对于资产组合Ⅰ模拟的结果。分析表3的起点是运用预期损失的分析估算模型的有效性。设资产组合中评级为AAA的占80%，评级为AA的占17%，评级为A的占3%，如果这些权数分别乘以他们的违约率（分别设为1、4、10个基点）和违约损失LGD（1减回收率），就得出违约状态下的损失，假设存款为一年期限，就得出违约状态下的损失为（0.8*0.0001+0.17*0.0004+0.03*0.0010）*0.6=1.1。在转移模型中，预期损失将会更高，但在此由一年期违约概率转变为一个月的违约概率更能证明相关问题。不同的转移技术解释了各种预期损失的差别。例如，银行4估计出最高的预期损失，这一点与其最保守的假设相一致。

要分析模拟结果产生的预期损失，分析由违约引起的比例和由评级转移引起的比例是很重要的。我们假设两个参者去模拟违约过程。他们都要运用相同的模拟系统（CreditManager）和相同的参数输入，并且除了转移到违约一级的概率其他转移概率设为0，评级保持不变的概率逐渐增加。这样，我们就可以把违约对于总体损失的贡献独立出来。而另一个参与者使用的违约模型和转移模型并不是用来分解模拟结果的，而是用来测量敏感度分析的。表4展示了分解的结果。由于违约引起的预期损失3倍于因转移而引起的预期损失，这一点即使对于由高质量资产组成的资产组合Ⅰ也成立。表中结果表明在较低的置信水平，评级的转移是风险的重要来源，但随着置信水平的增加，违约引起的风险变得相对重要。在99.99%的置信水平下，几乎所有的风险都来自违约。从表4可以看出，VAR和ES在置信水平为99.9%时还是较小的，但达到99.99%后，VAR和ES显著增加。在置信水平为99.9%时，信用的在险价值CreditVAR和市场风险相比是无关的。然而，一旦置信水平达到99.99%，信用风险就成为风险来源的主要部分。

用来计算对预期损失具有很大影响的违约概率的数学公式，几乎对ES和VAR没有什么影响。因为资产组合中短期信贷的权重较小，收益率分布的尾部部分很大程度上取决于大额发行者的的违约程度。这种模拟结果的相似性随着置信水平的提升而增加。例如，在置信水平为99.99%时，ES的最高值和最低值的比率为1.04，而在置信水平为99.00%时，这种比率为2.16。这个结论对VAR也成立。随着置信水平的增加，违约或评级降级情况就会集聚，在极端的情况下（置信水平接近100%），所有的发行者都会违约。为确定模拟结果的统计意义，模拟参与者在CreditManager输出结果的基础上，应该报告VAR估计的置信边界。置信边界就是所观察到的观察量超出VAR的符合二项分布的随机变量：n×（1-α）n为模拟结果的个数；α为置信水平。

例如，如果来自100000模拟结果的置信水平为99.99%的VAR，则预期的超出VAR的数量是100000*（1-0.9999）=10。均值为n×（1-α）姨的二项分布的标准差为，二项分布的标准差随着模拟数量n的增加而增加，但个别的模拟结果更加分散。置信边界在置信水平为99.00%和99.90%时的VAR是非常准确的。在100000模拟后，显示出的标准差为0%。然而随着置信水平增加到99.99%，VAR的不确定性也在增加。模拟的离散度如图1所示。

二、运用普通参数组对资产组合Ⅱ的模拟结果

资产组合Ⅱ中含有到期时间小于一年的资产的比例要比资产组合Ⅰ小，但这些资产的平均到期时间大于一个月，因此，这些资产由年度违约率向更短时期违约率转变的相关性更小。模拟结果如表5和图2所示：之前我们做过的观察结果也可以运用在资产组合Ⅱ上，可以看出，有一些短时期资产组成的资产组合，至少有一项资产违约的概率大约为12%。这个资产组合Ⅱ包含平均违约率为0.22%的62个信贷者，假设他们之间是独立的，则至少一项资产违约的概率估计为：1-（1-0.22%）62=12.8%银行1、2、3、4的预期损失都在20个基点左右，银行5较高。我们可以看出他们的尾部测量相似，表明出现这些差别并不是由于计算的错误，而是由于定义的差别。表6对展示了对模拟结果分解为违约和评级降级的状况。表中结果显示由违约原因引起的预期损失略小于50%（47.6%）。这一结果要比资产组合Ⅰ的75.6%小，主要是因为资产组合Ⅱ的久期较大。另外，即使置信水平在99.99%，由评级降级引起的VAR和ES也不能忽略不计。

不过，在置信水平为99.00%和99.90%时，资产组合Ⅱ的VAR和ES要大于资产组合Ⅰ，但是在置信水平为99.99%时，却变小了。这都说明了相同的原因：资产集中度。在非常高的置信水平下，信用风险并不是来自平均评级级别或信用质量，而是来自资产集中度。即使有一很低的违约率，在某一置信水平下，占有很大权重的信贷资产违约发生，那么违约影响还是很严重的。因为资产组合Ⅰ中资产集中程度要大于资产组合Ⅱ，所以它的VAR和ES要确实高于资产组合Ⅱ，即使资产组合Ⅱ的总体评级状况更低。从另一方面来说，一个信贷质量高的组合不定它的风险就低，在一个高置信水平下，资产的多样化起关键性作用。

三、我国商业银行使用

CreditMetrics模型的政策建议近年来，尽管我国商业银行在信贷风险度量方面做了很大努力，但是离现代信用风险度量模型特别是CreditMetrics模型的使用要求还有一段的距离。为了使CreditMetrics模型能更好地衡量商业银行信贷风险，我们必须做好以下准备工作。

（一）技术层面建设

1.建立信贷风险基础数据库，强化数据管理。CreditMetrics模型的建立需要进行大量的参数估计，包括违约率、回收率、信用等级转换概率等，他们的估计都是以历史数据为基础的。缺少这些历史统计数据，就不能对信贷违约率和损失率进行统计分析，CreditMetrics模型所需的信用风险概率分布、信用转移矩阵就无从产生。

2.加强银行内部评级与外部评级相结合。获取商业银行借款人的信用评级的级别有两种渠道，一是通过银行内部评级得到，另一种就是通过信用评级机构（外部评级）获得。从外部评级机构来说，西方信用评级的数据一般都是由穆迪、标准普尔这样的国际知名评级机构提供的，这些机构起步早，具有一整套完整的、成熟的评级系统，而我国信用评级机构虽然处于发展初期，但是在建立自己的信用风险度量模型时决不能照搬别人的数据，而是需要制定出符合中国国情的评级标准和评级方法，以使银行内部信用评级能与之相结合。

（二）制度层面建设

1.企业制度基础。目前我国国有银行存在的主要问题是，内部治理结构中委托人、人责权利不明，风险承担主体不明，从而无法建立完善的风险内控机制和激励机制。因此，我们应继续深化银行的股份制改革，优化股权结构，完善内部治理机制，健全风险管理机构的独立性，这样，才能保证CreditMetrics模型等技术的实施。

2.监管制度基础。目前我国银监会对商业银行信用风险的监管主要通过对资产负债比例指标的监控完成。为有效实施CreditMetrics模型和采用内部评级法，银监会需调整和改进监管内容和方式，包括确立数据收集、违约概率估计方法、评级体系标准及银行内控机制建设要求等。

3.金融市场制度基础。CreditMetrics风险管理技术的运用需要有效的完善的金融市场环境，包括利率的市场化、增强市场的流动性、健全信用衍生产品市场等，为CreditMetrics风险管理技术的实施提供一个良好的外部环境。

（三）文化层面建设

1.提高银行对信用风险的辨识、评估能力，对现代风险管理方法和技术的吸收、借鉴能力和风险管理模型的开发运用能力。

2.要强化银行全体员工的风险观念和意识，使他们不仅要意识到风险的重要性，还要以科学的态度去处理风险，具备不断学习风险管理新知识的愿望和探索先进风险管理新方法的精神，确立现代风险观念。

3.强化人力资源管理。商业银行对风险的辨识、计量、分析与防范过程中，必须落实到人，责任明确。总之，我国商业银行将CreditMetrics模型应用到信用风险度量正处于起步阶段，在世界经济全球化、国际银行业竞争日趋激烈的状况下，将先进的信用风险度量模型应用到我国商业银行中，对于提升我国商业银行的国际竞争力，增强我国的综合国力具有深远的意义。我国商业银行风险管理任重而道远。

作者：郭玉敏刘阳单位：国家开发银行天津分行