信用风险计量模型比较

信用风险计量模型比较（精选6篇）

篇1：信用风险计量模型比较

信用风险计量模型CPV：

CreditPortfolioView模型。20世纪90年代末麦肯锡公司研发的CreditPortfolioView模型运用蒙特卡洛模拟技术和计量经济学相结合分析贷款组合的信用风险。将宏观经济因素纳入模型，建立起宏观经济变量与信用风险的联系。CreditPortfolioView模型通过逐步加入宏观变量冲击来模拟转移概率的变化，该模型根据现实宏观经济数据通过蒙特卡洛模拟得出贷款违约率，并不依赖历史数据，历史数据只是对那些非违约的转移概率进行计算。CreditPortfolioView模型采纳的VAR方法具有较强的前瞻性，可视为对基本信用计量方法的补充，并克服了一般模型不同时期转移概率一成不变的假设。同时具有违约概率模型和盯市模型的双重功能，该模型最重要的创新在于运用宏观经济因素的变动来计量信用风险的变化。

不同模型的基本要素比较：

压力测试流程

对商业银行房地产贷款进行压力测试时，首先选择风险因子，哪些风险因子会触发银行的信贷资产发生损失。接着设计压力情景，情景的设定要严峻于正常状况，极端却有可能发生，通常采用历史情景和专家设计两种情景设定方式，通过构建风险传导模型，得出压力测试的结果。然后分析银行近期的经营状况，是否能够承受假设的极端情景下造成的损失。最后根据评估的结果，银行可以结合对未来宏观经济变化的预期判断提前制定相应的防御措施。

实证分析

1、被解释变量：房地产不良贷款率替代违约率

2、解释变量：消费者价格指数（CPI）、国内生产总值（GDP）、3-5年期贷款利率（R）、股票价格指数（INDEX）、广义货币供应量（M2）、固定资产投资（INVEST）、城市人均季度总收入（IPH）、国房景气指数（NHBI）及消费者信心指数（CCI）这9个宏观经济变量。选取季度数据进行实证分析。其中，商业银行不良贷款率数据来自银监会网站，其他数据来自Wind数据库和国家统计局数据库。

3、数据调整：

（1）价格调整。在所选取的9个经济变量中，有4个是名义变量∶国内生产总值、广义货币供应量、城市居民可支配收入、固定资产投资额，它们会因为物价水平的变动而受到影响。因此在进行回归分析前，要对这些名义变量进行价格调整，排除价格因素对这些指标的影响。本文以2003年4季度为基期，计算各期的CPI数值，用各期相应的CPI数值去除国内生产总值、广义货币供应量、固定资产投资额、城市人均季度总收入的名义值得到各变量的实际值。

（2）季节调整。一般情况下，经济指标的季度和月度数据包含4种变动要素，分别是季节变动要素、长期趋势要素、不规则要素和循环要素。自然条件、社会制度与风俗等因素都会造成经济时间序列的周期变动，因此受季节变动要素影响所产生的这种周期性变化在经济分析中称为季节波动。对于时间序列，季节性因素会导致统计数据不能客观反映经济变化规律，因而在经济统计分析中除掉季节波动因素的影响，需要对季度数据和月度数据进行季节调整。本文用SPSS19.0对国内生产总值和固定资产投资额等进行季节调整。

（3）多重共线性分析：

在存在多重共线性的情况下，当一个变量发生变化时，另一个变量也会随之发生变化，很难衡量每一个解释变量对总体 R2的贡献，因此有必要采取一定策略对解释变量引入回归方程加以筛选。本文使用 SPSS 19.0软件，采用向后筛选策略对解释变量进行筛选以剔除变量的多重性。

上述分析结果表明，应该重新建立回归方程，这里采用向后筛选策略让SPSS19.0软件自动完成解释变量的筛选，观测每一步检验的变化情况，同时进行强影响点探测与残差分析，分析结果如表5.2。

第五个P值都小于0.05，适用。

4、模型检验

（1）拟合优度

（2）回归方程显著性检验

（3）回归系数显著性检验

（4）残差检验

5、模型建立

6、压力测试（核心）

篇2：信用风险计量模型比较

1.KMV模型(或EDF模型)

该模型是由KMV公司于1995年开发的违约预测模型,以估算借款企业的预期违约概率(EDF)而见长.其经济思想是:越企业的资产价值超出负债价值则企业有动力偿还债务;否则，企业将会违约。该模型认为违约过程是内生的过程，即违约概率是公司资本结构、资产回报波动性和当前资产价值的函数。它利用股票的市场数据和默顿的期权定价理论，估计企业资产的当前市值和波动率，然后由公司负债计算出公司的违约点。并计算借款人的违约距离，最后根据企业的违约距离与预期违约率EDF之间的对应关系计算出该企业的预期违约率。

该模型是个动态模型，利用实时变化的上市公司的股票价格计算公司的预期违约率，在国外已经得到了广泛地比较有效的应用。但该模型不适用于非上市公司，所以这限制了骑在发展中国家新兴股票市场的应用。并且该模型假定利率不变，这限制了其在长期贷款或利率敏感性信用工具上的运用。另外该模型假定资本结构静态不变以及资产收益正态分布都可能与实际情况不符。

KMV模型在我国银行信用风险的管理中应用条件还相当地不成熟。因为该模型需要大量的上市公司数据。虽然其在理论上比较完善，但在我国现行的市场体制下，市场的有效性问题和如何确定市场上大量非流通股的价值问题成为应用该模型的主要障碍;并且我国上市公司披露的信息质量不高，股价指数和经济增长相背离，这都促成了该模型在我国应用的局限性。

2.Creditmetrics模型

该模型是由J.P.Morgan在开发的，也得到国外众多金融机构的广泛应用。该模型通过运用在险价值(VAR)对贷款和私募债券等非交易资产进行股价和风险计算，衡量投资组合的风险暴露程度，认为信用风险是由债务人的信用状况决定，将借款人的`信用评级、评级转移矩阵、违约贷款的回收率、债券市场上的信用风险价差纳入一个同意的框架并计算出贷款的市场价值和波动性，得出个别贷款或贷款组合的VAR值。

该模型即可应用于信用风险的计量，还可应用于市场风险和操作风险的计量，并用统一的计量口径表达。该模型率先提出资产组合信用风险的度量框架，是多状态模型，能更精确地计量信用风险的变化和损失值并且能看出各信用工具在整个组合的信用风险中的作用，为投资者的科学决策提供量化依据。但该模型假定无风险利率是不变的，未反映出市场风险和潜在的经济环境变化。

不管怎样，该模型将VAR方法应用于信用风险度量有利于商业银行准确合理地衡量准备金和银行经济资本水平。但该模型严格依赖于由评级公司提供的信用评级及国家和行业长期的历史数据，然而我国商业银行在现阶段不论是信用评级还是数据库建设都处于起步阶段。因此，在目前状况下，该模型应用于我国的信用风险管理的实际操作性不强。

3.CreditPortfolioView模型

该模型是Wilson(1987,)发展的一个风险模型，是从宏观经济环境的角度来分析借款人的信用等级变迁，并建立麦肯锡模型。与其他模型相比，该模型中决定违约概率的不是资产价格、经验参数和随机模拟结果，而是GDP增长率、失业率、长期利率水平、汇率、政府支出及总储蓄率等宏观经济变量。该模型认为迁移概率在不同类型的借款人和不同商业周期之间是不稳定的，并且一些宏观变量服从二阶自相关，迁移概率在商业周期期间变动较大，在衰退期间变动比在扩张期间更大。该模型还根据以上多种宏观因素，对不同等级的违约和转移概率的联系条件分布进行模拟。其与宏观经济联系紧密。当经济状况恶化时，降级和违约增加;而当经济好转时，降级和违约减少。

该模型将宏观因素纳入其中并且对风险暴露采取盯市法，适用于不同国家和行业。但是该模型的局限性在于取得每个行业的违约数据较困难并且未考虑微观经济因素，特别是企业个体特征等。

就在我国的应用而言，该模型考虑了宏观经济因素对信用等级转移的影响然而宏观经济因素的个数及各因素的经济含义及她们与信用级别转移的具体函数关系都难以确定和检验，所以该模型在我国应用前景不大。

4.CreditRisk+模型

该模型是由瑞士银行金融产品开发部在开发的信用风险管理系统。它是采用保险业中广泛应用的统计学模型来推导债券及其组合的价值分布。该模型认为违约率的不确定性和违约损失的不确定性都很显著，应按风险暴露大小将贷款组合划分成若干频段，以降低不精确的程度，并将各频段的损失分布加总，可得到贷款组合的损失分布。

该模型假定单比债券或贷款的违约前景服从于泊松分布，不同期间违约事件彼此独立。其计算出的结果是封闭性的，不采用模拟技术并且该模型集中于违约风险需要估计的变量很少，对于每个组合只需要知道违约概率和风险投资。但该模型忽略信用等级的变化只取决于远期利率并且没有考虑市场风险和信贷期限的变动，也不能处理非线性金融产品，如期权和外汇掉期，影响了模型的应用范围。

就我国而言，该模型中仅当借款人在一个固定的期限之前违约时才被认定为损失发生，而由市场价值变动而引起的损失不计入其中，这种对损失的定义与我国传统的妆面价值核算更一致。更重要的是它与我国现行的银行贷款五级分类标准和银行会计制度有很多相似之处，对我国商业银行的信用风险度量有重要的指导意义。但其设定每一笔贷款都是独立的在我国基本是不可能的，而它们又是该模型的基本输入因子。

篇3：现代信用风险度量模型比较分析

1、KMV模型

1993年, KMV公司利用布莱克-斯科尔斯-默顿模型 (BSM Model) 提出了著名的信用监测模型 (Credit Monitor Model) , 后经Longstaff和Schwarz (1995) 、Dsa (1995) 和Zhou (1997) 的进一步扩展, 形成了一种违约预测模型, 估计借款企业违约概率的方法。KMV模型将股权视为企业资产的看涨期权, 以股票的市场数据为基础, 利用默顿的期权定价理论, 估计企业资产的当前市值和波动率, 再根据公司的负债计算出公司的违约点, 然后计算借款人的违约距离, 最后根据企业的违约距离与预期违约率之间的对应关系, 求出企业的预期违约率。KMV模型的优点在于:第一, 根据企业的资产市值估计信用风险波动状况, 将市场信息纳入违约概率;第二, 模型是一种动态模型, 可以随时根据企业股票的市价来更新模型的输入数据, 反映信用风险水平的变化;第三, 模型是一种“向前看”的模型, 在一定程度上克服了依赖历史数据“向后看”的数理统计模型的缺陷。KMV的缺点是:第一, 无法确定是否必须使用估计技术来获得企业的资产价值、企业资产收益率的期望值和波动性等数据, 估计的准确率不能确定。第二, 假定利率是事先确定的, 限制了将KMV模型应用于期限长的贷款 (1年以上) 和其他利率敏感性工具。第三, 隐含地假定当风险债券的到期日趋向于零时, 信用风险利差亦趋向于零, 但实证研究否定这一结论。第四, 使用历史数据来确定预期违约率, 其隐含的假设是经济状况是静止的, 此假设不合情理。

2、Credit Metrics模型

Credit Metrics模型是1997年美国J.P.摩根等七家国际著名金融机构共同开发的信用风险度量模型, 被称为信用度量术。它不仅能够识别传统的诸如贷款、债券等投资工具的信用风险, 还可以用于掉期、互换等金融衍生工具的风险识别, 因而该模型迅速成为风险管理标准模型之一。Credit Metrics模型的优点是:一是违约概念进行了拓展, 认为违约也包括债务人信用等级的恶化;二是该模型的应用非常广泛, 包括传统的贷款、固定收益证券、贸易融资和应收账款等商业合同, 而且其高级版还能够处理掉期合同、期货合同以及其他衍生工具;三是在对债务价值的分布有正态分布假设下解析方法和蒙特卡罗模拟法, 在一定程度上避免了资产收益率正态性的硬性假设。Credit Metrics模型的缺点在于:一是大量证据表明信用等级迁移概率并不遵循马尔可夫过程, 而是跨时期相关的;二是模型中违约率直接取自历史数据平均值, 但实证研究表明, 违约率与宏观经济状况有直接关系, 不是固定不变的;三是没有考虑市场风险。市场和经济状况的改变, 如利率、股指、汇率、失业率的变化等, 可能导致违约或者信用等级的变动;四是模型通过股权回报关系来估计资产回报关系, 而这可能影响估计的精确性。

3、Credit R isk+模型

Credit R isk+模型是瑞士银行金融产品开发部于1996年开发的信用风险管理系统, 它是应用保险经济学中的保险精算方法来计算债务组合的损失分布。它是一个违约模型, 把信用评级的升降看作是市场风险, 在任何时期只考虑违约和不违约这两种事件状态, 重点研究期望损失和非期望损失。在Credit R isk+信用风险附加计量模型中, 每一笔贷款被视作小概率违约事件, 并且每笔贷款的违约概率都独立于其他贷款, 这样, 贷款组合违约概率的分布接近泊松分布。模型的优点:一是该模型处理能力很强, 可以处理数万个不同地区、不同部门、不同时限等不同类型的风险暴露;二是模型集中于违约分析, 所需要估计变量很少, 只需要违约率、违约波动率和损失的严重性;三是根据组合价值的损失分布函数可直接计算组合的预期损失和非预期损失, 比较简便。模型的缺点:一是模型对于输入因子———单个债务人的违约率没有详细阐述;二是忽略了信用等级变化, 因而认为任意债权人的债务价值是固定不变的;三是将风险暴露划出频段并凑成整数, 这影响了计算结果的精确性。

4、Credit Portfolio View模型

Credit Portfolio View模型是由Mc Kinsey公司于1998年应用计量经济学理论和蒙特卡罗模拟法, 从宏观经济环境的角度来分析债务人的信用等级迁移, 开发出的一个多因素信用风险度量模型。该模型在Credit Metrics的基础上, 对周期性因素进行了处理, 将评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量之间的关系模型化, 并通过蒙地卡罗模拟技术模拟周期性因素的“冲击”来测定评级转移概率的变化。模型的优点:Credit Portfolio view模型将各种影响违约概率以及相关联的信用等级转换概率的宏观因素纳入了自己的体系中, 克服了Credit Metrics模型由于假定不同时期的信用等级转换概率是静态的和固定的而引起的很多偏差。模型的缺点:一是实施这一模型需要可靠的数据, 而每一个国家、每一行业的违约信息往往较难获得;二是模型使用经调整后的信用等级迁移概率矩阵的特殊程序, 而调整则基于银行信贷部门积累的经验和信贷周期的主观判断。

二、四大模型的比较 (见表1)

1、模型对风险的界定

Credit Metrics主要是从市场盯市角度界定风险, Credi R isk+模型或KMV模型本质上是违约模式模型, Credit Portfolio View模型既可以被当作盯市模式模型使用又可以当作违约模式模型使用。

2、风险来源

Credit Metrics和KMV模型以Merton理论为分析基础, 一家企业的资产价值和资产价值的波动性是违约风险的关键驱动因素。在Credit Portfolio View中, 驱动因素是一些宏观因素, 而Credit Risk+中则是违约率及其波动性。然而, 如果以多因素模型的方式来分析, 四种模型都可以看作是有相同的根源, 模型中风险驱动因素和相关性在一定程度上可以被看作是与宏观因素相联系的。

3、信用事件的波动率

在Credit Metrics中, 违约概率和信用等级转换概率被模型化为基于历史数据的固定的或离散的值;在KMV模型中, 股票价格的变化以及股票价格的波动性成为预测违约率的基础;在Credit Portfolio View模型中, 违约概率是一套呈正态分布的宏观因素和冲击的一个对数函数;在Credit Risk+模型中, 每笔贷款违约的概率被看作是可变的。

4、回收率

贷款等信用资产的损失分布和Va R的计算不仅仅取决于违约的概率, 而且也取决于损失的严重程度或给定违约下的损失率 (LGD) 。在Credit Metrics模型中, 估计的回收率的标准差被纳入了Va R的计算;在KMV模型中, 回收率被看作是一个常数;Credit Portfolio View模型中回收率的估计是通过蒙特卡罗模拟法进行的;在Credit Risk+模型中, 损失的严重程度被凑成整数并进行分组, 从而得到次级的贷款组合, 然后将任何次级贷款组合的损失的严重程度视为一个常数。

5、数量方法

Credit Metrics模型对单项贷款的VAR的计算可通过解析方法实现, 但对大规模的贷款组合则往往通过模拟技术求解;Credit Portfolio View模型也采用模拟技术解;Credit R isk+模型能够生成关于损失的概率密度函数的逻辑分析解;KMV模型通过解析技术实现风险评价。

6、模型的适用对象

Credit Metrics模型和KMV模型适用于公司和大客户信用风险的度量, Credit Risk+模型适用于银行对零售客户的信用风险度量, 而Credit Portfolio View模型适用于对宏观经济因素变化敏感的投机级债务人的信用风险度量。

三、信用风险模型在我国应用中存在的问题及建议

1、数据缺乏

由于信用制度不健全、信用体系尚未建立, 所以有关公司历史违约数据和规范债券评级统计数据严重缺乏, 很难把违约距离转化成实际违约率。同时, 利率尚未市场化等为转移矩阵的建立以及信用价差的确定造成了困难。

2、一些参数的稳定性假设问题

由于我国现阶段相关机制不健全, 资产收益的相关度不稳定, 使得信用计量模型对资产组合的分析难以恰当反映组合风险的未来状况, 使得模型对未来风险的预测能力有较大的影响。

3、肥尾问题

我国证券市场股价不仅波动幅度大, 而且极端值出现的概率并不算小, 因此资产收益的非正态性问题也即肥尾问题应该受到重视。由以上分析可知, 目前各种模型在我国的应用缺乏必要的条件, 总体环境还不成熟, 但也必须看到该理论技术所体现的现代金融市场条件下的基本信用风险管理思想和理念是值得学习和借鉴的。针对我国存在的问题, 提出以下建议:一是尽快建立企业违约数据库, 为银行直接的信贷决策提供参考, 同时也为科学量化的信用风险管理建立基础。二是普及和发展信用管理中介服务行业, 进一步完善信用评级制度, 这是信用风险管理的必要前提。三是积极发展和完善证券市场, 提高市场信息的透明度以及信息效率, 以平抑证券市场的过度投机, 削减异常波动性, 为银行信用风险管理提供良好的金融环境。

摘要：金融危机的爆发以及《巴塞尔新资本协议》的正式实施, 为银行业进行信用风险管理提出新的挑战。本文对国际上信用风险管理实践中应用最为广泛的现代信用风险度量模型进行了分析比较, 提出我国商业银行应用信用风险模型中的问题, 并给出相关建议。

关键词：信用风险,度量模型,违约概率

参考文献

[1]曹道胜、何明升:商业银行信用风险模型的比较及其借鉴[J].金融研究, 2006 (10) .

[2]朱小宗、张宗益:现代信用风险度量模型剖析与综合比较分析[J].财经研究, 2004 (9) .

[3]王毅春、孙林岩:现代信用风险模型特征比较研究[J].当代经济科学, 2004 (3) .

篇4：个人信用评估模型的比较研究

[关键词] 个人信用评估Logistic回归神经网络

个人信用评估的主要目的是对可能引起信用风险的因素进行定性分析、定量计算,以测量消费者的违约概率,为授信方决策提供依据。

在我国，商业银行的信用分析与评估技术还处于传统的比例分析阶段，该方法的最大缺陷在于指标和权重的确定带有很大的主观性,使得评估结果与消费者个人的实际信用状况有很大出入，远不能满足商业银行对消费信贷安全性的准确测量。因此需要引入科学方法来确定有效指标,并建立准确的定量模型来解决信用评估问题。

本文的目的在于：根据我国商业银行的具体情况，结合国际上目前较为流行的个人信用评估方法，就国内外个人信用评估领域使用较多的判别分析、Logistic回归、神经网络方法以及分类树法，利用中国商业银行的数据分别建立评估模型并对它们进行比较,最后给出有关结论。以此研究我国商业银行个人信用风险评估问题。

一、指标与样本数据

本文随机选取我国某商业银行某城市分行的个人汽车贷款1253个样本作为样本总体，按照银行的标准将其划分为“好”客户（293人），“坏”客户（960人），并将其随机分为两组，其中的四分之三作为训练样本用于构建模型，剩下的四分之一作为保留样本对模型的性能进行检验。参考银行客户贷款申请表及还款记录，选取类别(class)，性别(sex )，年龄(age)，婚姻〔marry〕，受教育状况(edu)，月均收入(income)，行业(company)，职业(job)，共八个指标。模型中class为被解释变量，sex, age, marry, edu，income, company, job为解释变量。

表1个人信用指标定义表

二、信用评估模型的构建

1.Logistic回归

在本建模总体中，由于将一个“好”客户错分为“坏”客户（即第一类错误）所造成的平均利润损失Ｌ和将一个“坏”客户错分为“好”客户（即第二类错误）所引起的平均坏账损失Ｄ很难估计出来。为简单起见，将它们取为相等。将选取的训练样本（共940个）使用SAS EnterpriseMiner,选择stepwise方法选择最优的自变量指标进入方程对因变量进行拟合，自变量指标进入方程的顺序是:edu, sex, marry, income, age, job；company被剔除，最后得到式(1)的回归方程。

2.分类树

分类树方法的思想是把所有申请表的答案分成不同的组，然后依据每组中多数成员是好还是坏而判别每个组为好或坏。申请数据组A首先被分成两个组，在针对申请人最终无法偿还贷款方面，相对于未分开的总体组来说每个分开组的内部成员具有更相似的性质。每个这样的组又经过一分为二，得到更具有相似性质的更多小组，这样的过程不断重复。当小组内的成员达到树的终止节点条件時，分区程序停止。然后每个终止节点被分类为“好”的或“坏”的，整个过程可以用一个树的形式来表示（参见图1）。

图1修剪后的分类树

本文使用CART算法建立分类树模型。依据国外学者的研究结果（Lyn C.Thomas，2000）,在本研究样本总量为1253的情况下，为了防止样本训练过度，设定节点最小样本数目为5（节点中较少的一类样本的数量已经不超过预先设定的5个，此时停止分割）。这棵分类树共产生了14个叶节点。

3.神经网络方法

神经网络模型的建立主要需考虑两方面的问题：一是确定网络结构；二是学习参数的调整。本文使用只包含一个隐含层的BP神经网络模型，并采用试值法确定隐含层结点数。

表2隐含层节点数的影响

我们分别就隐结点数为1、2、3、4、5、6、7的情况进行了模拟，各种网络的输出情况见表2。对于保留样本，综合分析第一类错误、第二类错误和总误判率，可以得出当隐含层结点数为5时，总误判率最低且第二类错误比率也最低。采用同样的方法，我们最终选定了神经网络模型的学习率η=0.4，惯性参数α=0.6。

三、不同模型结果比较

由于Logistic回归具有假设条件少、具有可解释性和操作简单的特点，这里将其作为线性方法建模的代表，将其与非参数方法（分类树和神经网络）进行比较。

1.比较之一：错误分类率

实际上，以总的损失最小为标准是衡量模型优劣最合适的评价方法。但是在实际问题中,上述两类错误造成的损失往往是未知的而且难以精确的估计出来。因此,这里将综合考虑总错分率、第一类错误比率和第二类错误比率，以此作为弥补。

从表3中可以看出，就本文的建模数据而言：

(1)3种模型对测试样本的总错误分类率均高于训练样本的总错误分类率。这说明仅用训练样本计算的错误分类率还不能真正地反映模型的预测能力，对测试样本的错分率才是对模型预测能力的一个较好的评估。

(2)就测试样本的总错误分类率而言,logistic回归、分类树、神经网络的总错误分类率均在15%～17%之间，差别不大。这说明所比较的3种方法均具有一定的分辨能力,能够在相当程度上将“好”客户和“坏”客户区分开来。

(3)在使用logistic回归、分类树法和神经网络3种方法对测试样本进行分类时,其第二类错误的比率均较高，最低的神经网络方法也达到37.65%。就模型的稳健性而言，理论上Logistic回归作为一种线性建模方法其稳健性应优于非参数方法，而我们的实证结果表明神经网络方法最优。因此,综合总错分率、第二类错误比率和稳健性看,神经网络方法是一种较好的方法。

2.比较之二：模型验证的全程比较分析

图2和图3是将Logistic回归、分类树、神经网络三种方法所得的模型验证曲线放一起进行比较。图3是图2的累积分布形式。

将25%的测试集数据(在建模过程中从未用过的)根据模型算出分值，这样就可以定义“好”（1）与“坏”（0）值。将这些观察点按信用评估分值从大到小排列（模型中，分值大意味着“好”，分值小意味着“坏”）。排列好后将所有观察点大致分为10份，每一份中约有测试集中10%的观察点，然后依次对这10份中每一份内的“好”与“坏”进行计算，算出“好”的比率。比如在第一个10%中有31个观察点，其中29个是“好”，2个是“坏”；在100%处，可以看到“好”的比率约为3%。将10份“好”的比率绘成图形，连线而成得到图2。

图2 模型验证比较图图3 模型验证累积分布比较图

可以看出两图形的曲线并不平滑，有凹凸，表明模型的效果在某些范围内并不很好，这是因为采集的样本数据数量有限造成的。这些不平滑会对信用评估的应用产生一定的影响。三个模型的分类结果图放在一起比较，可以方便地得出上面已分别陈述过的结论：

神经网络模型要比其他两个模型的分类效果更好些，因为其更加平滑；而分类树模型比回归模型要好一些；实际上在全程范围内三种模型的分类效果几乎同样的好，这点与国外的研究结论一致（A.D. Lovie and P. Lovie，1986）。

四、结论

由于我国个人征信工作刚刚起步，信用记录有限，导致信用数据的信息缺失和我国目前还没有形成经过验证的信用指标体系。基于上述原因，虽然logistic回归被国外证明为一种相当成熟的评估模型，却不能很好的适应我国现阶段的个人信用指标的多样性、不确定性和大量信息缺失等特点。相比之下神经网络方法由于其所具有的自学习能力、容错能力和泛化能力，更适用于我国目前个人信用问题的研究。

篇5：信用风险计量模型比较

一、传统信用卡信用风险管理模型信用评分模型一直在我国商业银行度量信用卡透支信用风险管理中处于垄断地位。该方法是指将影响顾客信用品质的项目细分，依其重要程度分别给予不同加权值，评估完成后将每个项目的得分加总，求得代表该客户信用总分，依临界点决定是否核准申请。信用评分的设计，即评分项目的选取除依靠经验外，可利用统计方法就历史资料中按优劣等随机抽取样本，分别分析其属性，从而选取其中有显著效果的若干项。但随着《新巴塞尔资本协议》的签订，一方面更加强调风险控制机制，资本金的需求与信用卡的信贷资产质量紧密挂钩；另一方面，监管机构也将加大对发卡行风险管理制度的检查和监督力度，以确保发卡行稳健经营。这使得信用评分方法不能够满足新巴塞尔协议的时代要求，传统的信用风险度量模型严重滞后于信用卡业务发展的矛盾更加突出。因此我们需要对国外信用风险管理中的新模型进行深入研究，以求找到适用我国信用卡信用风险管理的更好方法。

二、国外信用风险度量新模型1.KMV模型。该模型是KMV公司于1993年开发的CreditMonitor Mode（l违约预测模型）。该模型的理论基础是默顿将期权定价理论运用于有风险的贷款和债券估值中的工作，债券的估价可以看作是基于公司资产价值的看涨期权，当公司的市场价值下降至一定水平以下，公司就会对其债务违约。KMV模型通过计算一个公司的预期违约率来判断他的违约情况。2.Credit Metrics模型。J.P.摩根公司和一些合作机构于1997年推出Credit Metrics方法（信用度量术）。该模型是通过度量信用资产组合价值大小进而确定信用风险大小的模型，给出了一个测量信用资产价值大小的具体方法，并由此判定一个机构承担风险的能力。该模型以信用评级为基础，计算某项贷款或某组合贷款违约的概率，然后计算该贷款同时转变为坏账的概率。该模型通过计算风险价值数值，以求反映出银行某个或整个信贷组合一旦面临信用级别变化或违约风险时所应准备的资本金数值。该模型的核心思想是组合价值的变化不仅要受到资产违约的影响，而且资产等级的变化也对其价值产生影响。3.CPV模型。该模型是麦肯锡公司在1998年开发的CreditPortfolio View（信贷组合审查系统）。该方法是分析贷款组合风险和收益的多因素模型，它运用计量经济学和蒙特·卡罗模拟来实现，最大的特点是考虑了当期的宏观经济环境，比如GDP增长率、失业率、汇率、长期利率、政府支出和储蓄等宏观经济因素。模型认为信用质量的变化是宏观经济因素变化的结果。CPV模型将宏观经济因素与违约和转移概率相联系，进而计算出风险价值。4.Credit Risk＋模型。CSFP(瑞士信贷银行金融产品部)开发的Credit Risk＋（信用风险附加）模型，应用了保险业中的精算方法来得出债券或贷款组合的损失分布。该模型是一种违约模型，只考虑债券或贷款是否违约，并假定这种违约遵从泊松过程，与公司的资本结构无关。实质是将信用风险的不确定性分解为违约率的不确定性、违约损失率的不确定性及违约波动率的不确定性。

篇6：信用风险计量模型比较

在评估商业银行整体信用风险时,债务人的信息一般不会传递到风险管理部门,导致在缺少违约数据时传统方法的分析十分复杂甚至难以进行.基于贝叶斯方法的潜在因素模型可以有效解决无法获得特定债务人信用质量的.问题,并能够在宏观经济环境变动时准确评估违约风险强度变化,从而避免低估风险.利用MCMC模拟方法对商业银行数据的实证分析表明,潜在因素模型不仅推断方法及模拟途径简洁清晰,估计结果更加精确,而且在贝叶斯框架下具有较强的灵活性,适合在不同的数据约束条件下应用,便于国内风险分析人员采用.

作 者：丁东洋 周丽莉 DING Dong-yang ZHOU Li-li 作者单位：丁东洋,DING Dong-yang(南昌大学公共管理学院,江西,南昌,330031;天津财经大学,统计系,天津,300222)

周丽莉,ZHOU Li-li(南昌大学经管学院,江西,南昌,330031;西南财经大学,统计学院,四川,成都,610074)