控烟信用风险度量模型的历史演进、动因与启什么教育示
摘要
本文首先将信用风险度量模型分成三类：古典分析模型、过渡模型和现代度量模型。接着分别描述了这三类模型典型代表并做出评论：比较了基于多元判别方法的线性模型和递归分类树模型；着重分析了几种信用等级迁移矩阵之间出现差异的原因；分析了CreditMetrics、KMV及CreditRisk+的理论基础和重要特点并进行了比较。本文指出信用风险度量模型历史演进的动力有三种：对原有模型假设、理论基础的质疑；决策需要；市场竞争结构与利润压力。对我们的有益启示是：改变传统的信用风险管理范式势在必行；要努力培育流动性好的债权资产交易市场；需要研究以信用风险衍生工具为核心的化解信用风险的金融工程方法。
关键词：信用风险度量、信用等级迁移矩阵、CreditMetrics 、KMV、CreditRisk+
The Evolution of Credit Risk Measurement Models, Incentives and Implications
SHI xiao jun
（Beijing University of Aeronautics and Astronautics; CCID）
Abstract
It is propod that Credit risk models are classified into three categories: classic classification model, transition model, and modern measurement model. Typical models that can be reprentatives of the three ones and prented and analyzed. We compare DA and RPA models, analyzed differences among fours ts of rating migration matrixes, prent insights of the foundation and intuitions of the three famous modern models. Incentives propel evolution are generalized as inquiry and doubts about the foundation, decision needs, competitions and profit press. The most important implications are we have to change, it’s important to foster a liquid market for debts, and it’s urgent to rearch on credit derivatives centered financial engineering method to deal with credit risk issues in China.
Keywords:
credit risk measurement/credit rating migration matrix/ CreditMetrics /KMV/CreditRisk+
在过去20年里，信用风险的度量模型已有一个长足的发展，本文将回顾这段发展历史，揭示其背后基本哲学的演变及其对我国的启示意义。
皮肤黑黄适合穿什么颜色的衣服 信用风险度量模型分类
首先，我们将信用风险度量模型分成三类，即古典的信用分类模型；现代信用风险度量模型及它们之间的过渡模型。这种划分着重揭示了信用风险度量模型背后的思想的演变：古典的信用分析方法的特征可归纳为以下3点：1)古典的信用分析方法是一种按信用风险相对比较进行的分类，这个分类可以是二分法，比如Altman的Z计分系列、RPA分类、神经网络分类等，也可以是多分法，例如利用Z计分的不同大小可将信用分成类似于S&P及Moody的多个信用等级；但不论怎样，它们都只是一种序数（ordinal）的分类（更准确地说是一种排序），而并不能指出风险的大小。2)古典的信用风险分析是在单项资产基础上进行的信用风险大小分类。古典信用分析都是针对单项资产或单个受信人的，它会不可避免地导致信用风险集中问题 。3)古典信用分析通常是以会计信息作为数量分析基础，也就是说它是盯住帐面的，向后看的，假设历史在将来仍会重演。所谓的现代信用风险模型典型的代表有J.P. Morgan的CreditMetrics、KMV的EDF、CSFB的CreditRisk+等，它们的特
点则与以上三点相对：1)它们都有关于信用风险大小的明确的定义，可以认为上面三种模型对风险的定义是类VaR（Value-at-risk）思想的，它们可以给出在一定定义框架下信用风险绝对大小的度量，所以可称它们是基数的（cardinal）。2)通常，关于企业有两大类数据可作分析的依据，一种是会计信息，它记录的是企业在历史上的表现；另一种则是公司的股票价格数据，它反映的是投资者（或整个市场）对该公司的未来的预期。与古典信用分析模型不同的是，现代信用风险模型要综合利用这两类信息，采用所谓盯住市场的思想。盯住市场的思想有其深刻的意义，它意味着银行在采用这样的风险度量模型时，经营战略要彻底改变。3)现代信用风险度量模型最显著地区别于古典信用分析方法的特点在于它是基于资产组合的基础之上的风险度量。这一点和盯住市场的思想一样，具有根本转变银行经营战略的深刻意义。那么，体现这两组相对思想转变过程的模型则可归入过渡类，其中最为重要的是Altman等人研究的信用等级迁移概率矩阵模型。在这个模型中明确地体现出了盯住市场的思想，并为CreditMetrics构造组合基础的度量框架奠定了基础。
在过去20年里，信用风险的度量模型的演进脉络大致可以归纳如下图1所示：
图1 信用风险度量模型演进的梗概
凤凰古城
2古典信用分析模型：基于DA的多元线性模型与RPA方法 溢价发行债券
（1） Altman基于DA的多元线性模型
古典的多元线性模型是在Beaver（1967）开创性的研究基础上发展出来的，在学术界最为大家接受的是两类多元统计分析方法：一类是多元判别分析方法（DA），这是最为广泛接受的方法，代表人物是Altman；另外一种方法是非参数统计方法递归分类树（Recrusive Participating Tree Analysis，简称RPA），对这类方法尽管在后来的研究（Frydman [1989]、张维 [2000]）中表明分类效率要高于DA，但它的影响并不及DA方法产生出来的Z，Z’，Zeta影响大。
（2）DA与RPA的比较
关于RPA的操作步骤可参见Frydman [1989]，张维 [2000]。这两篇文献均得出结论认为RPA分类准确度比DA要高。实际上，这个结果是由两种方法的分类过程及假设决定的。
首先，这两种方法都是贝叶斯分类过程（亦即从一个含有破产、非破产的样本总体中，抽取典型的子空间Ω，由这个子空间的信息构建模型，然后再对总体中的其它随机事件 进
行分类。亦即求 或 ，I代表破产、II代表破产）。而且在RPA中的重新代替风险和DA中的错分成本几乎是同一概念。
但是，对线性DA只有在假设样本服从正态分布及等协方差的条件下才具有最好的分类效率。这一点从下图2中可以直观地看出。
假设I：样本D（破产）及样本ND（非破产）服从正态分布、等协方差，在临界值为C时，则PND,D即将不破产的错分成破产的概率，即如图中B阴影区域的面积。如果我们改变假设，采用假设II，假定两个样本服从图中所示的偏斜分布，则PND,D变为A+B了，明显地比假设I条件下要大。不幸的是，很多情况下，假设I条件过于严格。而RPA是一种非参数方法，它对样本的分布没有任何要求，这使RPA比DA具有优势。
图 2 两种假设下的错分概率比较
第三点，RPA的分类是一种序贯的过程，也就是连续地重复分割；而DA是一次性的综合相关因素的分割过程。RPA的过程更近似于更有利于提高判断的效率。
3过渡模型：等级迁移概率矩阵
信用等级迁移矩阵(credit rating migration probability matrix)描述的是在一段时间内，债务人信用品质发生变化（上升或下降，违约仅是下降的一个极端情况，或用Markov链的术语来说违约是下降的一个吸收状态）而使它的信用等级由原始的等级转变为更好或更差的等级的概率。此时将受约于信用风险的资产因信用品质的变化而产生的结果不只简单地视为违约或不违约两种状态，而是根据市场的评价不断地确定它的信用状态，这里很显然包含了盯住市场的思想。如果说各等级的违约率的研究是出于一种很自然的想法，那么等级迁移概率矩阵这一研究则体现出信用风险管理思想的深刻改变，它意味着盯住市场观点的引入，而盯住市场思想背后意味着管理实践的变革：由对受约于信用风险的资产“购买——持有”（buy-and-hold）的消极战略转向更积极的类似基金运作的交易策略，同时亦为信用衍生工具的使用奠定了基础。
关于信用等级迁移的研究的开拓性工作首先应归功于Altman等人的工作（1991a、1991b、1992a、1992b）；后来两个评级公司Moody和S&P也对此作了详细的研究（如Moody’s [1997]，S&P [1997]），两家评级公司还会在一定时间内利用新的数据修订它们的报告。Altman的系列文章中使用的技术是Markov链模型（Altman和Kao [1991a]）。
有意思的是对这3个研究结果的比较 ，表2给出了1年时期的四种（AAA, AA, A, BBB, BB, CCC）信用等级的迁移矩阵。
表2 四种信用等级迁移矩阵的比较（1年）
Aaa/AAA Aa/AA A/A Baa/BBB Ba/BB B/B Caa/CCC Def. C/D RW
AAA(A/K) 94.3 5.5 0.1 0.0 0.0 0.0 0.0 0.0 -
Aaa(M) 88.3 6.2 1.0 0.2 0.0 0.0 0.0 0.0 4.3
AAA(S&P) 88.5 8.1 0.7 0.1 0.1 0.0 0.0 0.0 2.6
AA (A/K) 0.7 92.6 6.4 0.2 0.1 0.1 0.0 0.0 -
Aa(M) 1.2 86.8 5.8 0.7 0.2 0.0 0.0 0.0 5.4
铜湾镇AA(S&P) 0.6 88.5 7.6 0.6 0.1 0.1 0.0 0.0 2.4
A(A/K) 0.0 2.6 92.1 4.7 0.3 0.2 0.0 0.0 -
A(M) 0.7 2.3 86.1 4.7 0.6 0.1 0.0 0.0 6.0
A(S&P) 0.1 2.3 87.6 5.0 0.7 0.2 0.0 0.4 3.6
BBB(A/K) 0.0 0.0 5.5 90.0 2.8 1.0 0.1 0.3 -
Baa(M) 0.0 0.3 3.9 82.5 4.7 0.6 0.1 0.3 7.7
BBB(S&P) 0.0 0.3 5.5 82.5 4.7 1.0 0.1 0.2 5.7
BB(A/K) 0.0 0.0 0.0 6.8 86.1 6.3 0.9 0.0 -
相信未来作者Ba(M) 0.0 0.1 0.4 4.6 79.0 5.0 0.4 1.1 9.4
BB(S&P) 0.0 0.1 0.6 7.0 73.8 7.6 0.9 1.0 8.9
B(A/K) 0.0 0.0 0.2 1.6 1.7 93.7 1.7 1.1 -
B(M) 0.0 0.0 0.1 0.6 5.8 3.1 3.5 10.5 7.8
蛏子的做法B(S&P) 0.0 0.1 0.2 0.4 6.0 72.8 3.4 4.9 12.2
