信用风险模型比较
現行信用風險模型之評估
徐如慧
一、前言
近十年來，歐美國際型銀行已陸續建置信用風險管理系統，將機構業務引發風險予以模型化，協助銀行辨識、量化、監督、控制、及管理對橫跨不同地理區位和產品業務衍生的風
險。信用風險模型可供銀行作為風險管理和績效評量之參考依據，如信用報告、交易決策、客戶獲利分析、授信訂價、資產組合管理、貸款損失準備、員工薪資、及經濟資本配置等。
銀行在設計機構內部信用風險模型時，必須通盤考量各個層面，包括營業類別、信用品質、市場變數、和總體經濟環境等之變化，並提供銀行分析風險邊際貢獻度和絕對貢獻度之能
力，瞭解資產組合中風險集中情形，而非侷限在計算客戶違約機率（probability of default，簡稱PD）之單一目的，如此方可改善銀行整體信用評估之能力。
除前述功能外，信用風險模型尚可作為金融監理與檢查之參考基準；惟監理主管機關必須確保滿足下列四項原則方可：銀行風險管理是以模型為參酌依據、模型建構概念必須正
確、對模型產出結果進行有效性驗證、及銀行資本計提必須符合一致性與相容性之原則。不
過，模型使用者還必須克服資料不足(data limitations)和模型有效性驗證(model validation)這兩道難關。
隨著國際金融環境快速變遷，巴塞爾銀行監理委員會(The Basel Committee on Banking Supervision)已於一九九六年公布「資本協定內含市場風險修正案」(Overview of the Amendment to the Capital Accord to Incorporate Market Risks)，將市場風險納入最低資本
適足（銀行自有資本與風險加權資產二者比率）規範中。目前，銀行業者已大量引用市場風
險模型於其法定資本計提中。然而，市場風險和信用風險是兩種截然不同的風險類型；也就
是說，信用風險模型並非市場風險模型之延申，這些差異反映在資料不足和模型驗證兩方面
上，致使有必要建立不同類型的風險模型系統和資料庫。信用風險模型係以個別風險因素為
主，如違約機率、回收率和信用品質變動等，以及系統性或資產組合風險因素（如相關度和
集中度等）。由此觀之，資料稀少性係因違約事件發生頻率不高，及信用風險所需觀察期間
較長所致；再者，大部分信用工具並不需要逐日鑑價，而信用風險相關歷史資料亦無法對信14
用工具未來價格進行預測。基此，在設定信用風險模型參數時，可藉由假設條件和資料替代
變數之輔助。就模型驗證言，其困難度明顯高於市場風險模型之回溯測試(backtesting)。1
市場風險模型採用的觀察期限僅為數日而已，但信用風險模型所需時間通常為一年以上。而
觀察期限愈長，且信賴區間較高，均降低信用風險模型之精確度。同理，計量驗證亦需要多
年期資料，並涵蓋多個信用循環期在內。這些都是造成信用風險模型所需資料不足的原因。
另一方面，若信用模型之應用觸角已及於風險管理和資本配置時，監理主管機關必須留
意歷史資料不足之影響。資料觀察值愈多，觀察期間愈長，模型精準度愈高。由於資料不足
是模型建置最大阻礙，因此模型參數可透過簡化假設條件並依賴多重資料來源予以克服。值
得注意的是，假設條件通常具有簡化分析的目的，致使模型偏離實務運作的軌道。因此，這
些假設條件對風險模型評估之適當性，仍有待商榷。
若銀行內部模型係作法定資本計提之用途時，監理主管機關必須確定內部模型可精確反
映資產組合風險全貌和資本管理方法。另外，在評估信用損失承受目標臨界值(credit loss quantiles)及其所需經濟資本時，其精準度亦無法掌握；但目前尚無定期檢視信用風險模型
精確度之方法。
當模型供作金融檢查與監理用途的話，主管機關必須依據內部和外部驗證程序，甚至可
能需要訂定有關模型合理建置流程，以及銀行模型結果品質相容性等方面之定性和定量標
準。
風險模型之績效評估可從三個層面進行：模型建置概念、參數設定與估計、及有效性驗
證等。本文擬就各項議題深入討論，俾供國內金融監理主管機關及相關單位對信用風險管
理，能有進一步瞭解，找出正確具體執行新巴塞爾資本協定（The New Basel Capital Accord，簡稱Basel II）信用風險內部評等法之前置準備工作，避免耗去不必要的成本和資
源，變相增加機構建置內部評等法之困難度。
本文架構如下：第二節分析建置信用風險模型時會使用到的概念法，內容涵蓋信用損失
測量、機率密度函數、條件vs.無條件模型、及信用暴險相關度等。第三節討論模型參數設
定與估計；第四節為模型驗證，包括回溯測試、壓力測試、敏感度分析、及獨立監督與管理
模型等；第五節為結語。
二、信用風險模型概念法
在評估信用風險模型績效時，首先會遭遇到模型概念多樣化之問題，讓銀行業者無從選
擇適用機構的風險管理方法。2
概念法(conceptual methodology)涉及層面很廣。假設模型具有金融監理與檢查功能的
15
話，那麼這些建構概念對模型精確度和法定資本之影響，就必須詳加評估，並尋求實證研究的支持。模型建構概念反映在主要解釋變數之選擇上。銀行業者可依據貸款資產組合特徵和機構內部信用文化而定，自行選擇使用何種模型建構概念。
大致來說，模型建構概念的範圍，可分為六個主題討論：（1）觀察期限之選擇；（2）信用損失衡量方法，即違約模組和市價評估模組；（3）信用損失機率密度函數；（4）條件vs.
無條件模型；（5）信用總合法；及（6）違約事件獨立性(如違約相關度等)。茲分述如下。
1.觀察期限
銀行監督信用風險時，可採用不同的觀察期間。最常使用的方法有兩種：按信用工具
之變現期間（liquidation period），如授信工具本身的到期日或定期流動性所需時間；
或者，選擇統一時間期限適用所有資產類型。
銀行選擇「持有至到期日為止」（hold-to-maturity）之信用損失概念方法，此種觀察
期限的考量基礎為該項信用工具至到期日為止的暴險情形，以及信用交易市場不大
等。然而，大多數銀行在評估信用損失時，會以一年觀察期限為主。選擇此種觀察期
限的銀行，其考量層面包括：另行籌措資本以彌補該期間內蒙受損失；銀行採取損失
減輕措施（如購入或賣出信用保護等），以消弭在未來期間內由資產組合引發之損失；
新債務人資訊可能予以揭露；違約機率資料可能會公布；可能備妥內部預算、資本計
畫與會計報表；及在授信契約更新時通常會予以審查。
少數銀行選用五年觀察期間或其他期限，甚至有些銀行會選擇數個不同期限，對模型
進行測試。某些機構專屬的零售模型可按各項暴險事件的獨特性質，自行選擇資產專
屬（或特定資產組合專屬）持有期間。
2.信用損失之測量
一般而言，信用損失（credit loss）的定義為：資產組合現行價值（current value）
和未來價值之間的差距。在估計信用損失機率密度函數時，必須先算出該資產組合現
行價值，以及定約期末未來價值的機率分配。有關現行價值和未來價值之定義，均視
模型建置者對信用損失抱持的觀念而定。
目前，大多數銀行採用的信用損失概念有兩種：違約模組和市價評估模組。
(1)違約模組（default-mode）
在違約模組中，惟借款人在計畫期間內發生違約的話，信用損失方成立。以標準定
期貸款為例：在無違約事件發生時，信用損失並不會產生；若違約事件成立的話，
信用損失會等於銀行信用暴險額（credit exposure，違約時的欠款金額）和未來淨
回收之現值（即借款人現金支付扣除算出費用）二者間的差距。
16
違約模組在定義信用工具的現行價值和未來價值時，必須符合信用損失概念。定期
貸款的現行價值等於信用暴險額（如帳面價值）。該筆貸款未來價值會視借款人是
否在計畫期間內違約而定。若無違約，貸款未來價值會以期末信用暴險（經暴險部
位調整，加上期間內本金支付額度在內）而定。若借款人違約，則貸款未來價值會
以回收率（recovery rate）計算之。3
假定已知信用工具現值，但未來價值並不確定時：在違約模組下，銀行必須就各項
授信交易特徵（如貸款、保證、及交易對手風險等），按照三項隨機變數，估計聯
合機率分配。這三個隨機變數分別為信用暴險額、以0或1來表示在計畫期間內
是否發生違約、及違約損失率等。
茲以未預期損失法（unexpected losses，簡稱UL）為例說明。通常，經濟資本配
置系統會預先假設信用損失機率密度函數類似beta分配，並據此算出整個資產組
合損失的平均數和標準差。經濟資本配置流程會簡化資本決策過程，直接以資產組
合信用損失之標準差的倍數計算。一般來說，市場參與者將此種方法稱為未預期損
失法。
在違約模組中，未預期損失法必須要有兩個參數：資產組合之預期損失和未預期損
失。各筆授信預期損失（expected loss，簡稱EL或μ）就等於違約損失率、違約
機率4、及預期信用暴險額三者乘積。因此，整個資產組合之預期損失等於各筆授
信案件預期損失的總和。而資產組合之信用損失標準差（σ），等於各筆貸款信用
損失標準差（σi）與該筆貸款和整個資產組合之信用損失相關度（ρi）二者乘積之
總和即可。5簡言之，在違約模組中，整個資產組合之信用損失可以違約損失率、
違約機率、信用暴險額、及單筆授信交易與整個資產組合之信用損失相關度等參數
表示出來。不過，信用風險模型建置流程中應注意違約預估之精確度和模型假設條
件之驗證（如假設隨機變數彼此無關、某些特定變數為已知數、及未預期損失對照
在信用損失承受目標臨界值之分配），以提高模型整體可信度。
大多數國際型銀行都會核定其大型企業客戶所屬的信評等級。一般來說，銀行在核
定某位客戶或某特定授信案件之信用評等時，會考量下列一項或三項因素：（1）1
傳統的「數字」方式，依據客戶財務和其他特徵資訊如國家地區和企業部門代碼等，
主觀核定信評等級；（2）使用由模型零售商提供的商用信用評分模型；或（3）使
用銀行內部自行研發的信用評分模型。另一方面，銀行會依信用評分模型和其他資
訊，核定小型和中間市場客戶、或甚至是個別小額客戶之內部信評等級。通常，銀
行在建置內部風險信評等級時，會與外部信用評等機構之債信評等（如S&P或
17
Moody’s對企業債券進行評等）進行對照。舉例來說，某銀行內部評等系統中，第
1等級的貸款可能對照在S&P債券評等介於AA到AAA級；第2等級的貸款或許
對照債信評等為A級者，依此類推；而最差一級的評等假定為第10等級的話，就
可能對應在「信評最差情況」，或直接以「違約」視之。在信用模型觀察期間中，
貸款違約機率可透過當前信用評等落到違約區域內的機率算出。此種信評等級變動
的概況，通常會以信評等級轉置矩陣（transition matrix）表示；假定已知某客戶
當前信評等級，則該名客戶信評等級移動到另一個信評等級之機率，即可從行與欄
交叉處取得評等變動機率值。
(2)市價評估模組（mark-to-market mode）
另一種看待信用損失的方法就是市價評估模組，即當資產品質惡化時信用損失立即
產生。在定約期初和期末時，信用資產組合必須經過市場價格的調整；而信用損失
就反映在價值差異上。市價評估模組認為，違約事件可能會導致資產信用狀況改
變，並對銀行財務狀況產生影響。因此，除違約機率外，這些模型還會考量信評等
級落在其他未違約的評等區段內之機率（透過前述評等轉置矩陣）。6
市價評估模組計算信用工具現行價值與未來價值（mark-to-market，也就是經過市
場價值調整之意）的方法有兩種：定約現金流量折現法和風險中立評量法。所謂定
約現金流量折現法（discounted contractual cash flow approach，簡稱DCCF），
通常以J.P. Morgan研發的CreditMetrics為代表。未違約貸款之現行價值等於未
來定約現金流量之折現值。若某筆貸款已有內部評等的話，其信用價差（credit
spread）等於同等債信評等之公司債的信用價差。是故，當已知貸款現值時，未
來價值會依期末評等以及該信評等級所對應的信用價差市場期限結構而定。也就是
說，該筆貸款在期間內各個時點的價值會有所不同，以反映借款人信評等級變動或
是信用價差市場期限結構之情形。當然，該筆貸款的內部評等可能落在「違約」區
域內；因此，已違約貸款之現行價值，不應再以定約現金流量的折現值為依據。7
雖然定約現金流量折現法易於瞭解和實行，但卻不符合當前盛行的財務理論。尤其
是，具有相同評等或是違約機率的企業貸款，卻適用相同的折現率。若企業並未違
約，則該筆貸款之未來價值就和違約損失率無關。若銀行同時持有企業優先順位和
次順位貸款的話，無論預期回收率(若未來違約事件發生)是否一樣，這些貸款的未
來價值會完全相同。雖然財務理論通常假設資產價值會受到資產報酬率和市場報酬
率之影響，但在定約現金流量折現法下，銀行對兩家具相同評等之企業進行放款
時，卻採用相同折現率率，即使這兩家企業面對經濟景氣循環或是系統性因素之反18
應不一，仍缺乏合理的論點依據。
不過，風險中立評量法（risk-natural valuation approach，簡稱RNV）可避免前
述問題發生。本法係以Merton研究為依據，採用企業價值和破產結構模型。KMV
的PortfolioManagerTM和KPMG的Loan Analysis SystemTM堪稱代表模型。市
場參與者多採用此法訂定衍生性金融商品之價格。在此架構中，當企業資產價值低
於支應債務水準時，違約事件宣告成立。有別於定約現金流量折現法，風險中立評
量法會將偶發支付款項（contingent payments）予以折現：
＊狀況一：假設某筆款項將於t日到期，且借款人至t時點為止尚未發生違約，則授信單位收到該筆放款交易的實際金額就等於定約金額。
＊狀況二：假設借款人在t時點發生違約時，則授信單位會收回一部分的貸款，其金額等於1－LGD。
＊狀況三：若借款人在t時點之前發生違約，則授信單位在t時點將無法收回任何款項。
由此觀之，貸款可視作一組以借款人現行資產之現值所衍生出來的契約行為，而貸
款價值就等於這些衍生契約之現值總和。這些契約偶發的現金流量所適用的折現
率，會視無風險利率期限結構和風險中立訂價計算而定。
簡單來說，風險中立訂價方法就是對借款人於各個期間內之違約機率進行調整（必
須將違約相關市場之風險溢價納入計算之中）。至於調整規模的大小，則取決於借
款人資產之預期報酬率和價值波動。若資產報酬率係按資產訂價模型（capital
asset pricing model，即CAPM）計算時，預期資產報酬率可以市場預期報酬率和
企業與市場相關度推算出來。如此一來，在風險中立評量法下，貸款訂價模式就符
合標準的財務理論，而在考量價格調整時，也會通盤考量違約機率、違約損失率、
及借款人與系統性風險相關度等層面。
有關信用損失衡量頗具爭議之論點，包括違約定義、期間選擇、違約模組vs.市價
評估模組、及現金流量折現法vs.風險中立評量法等。分述如下：
在信用風險模型中，當貸款已落在事前定義「最糟情境」（worst state）時，該筆
貸款將以違約視之。然而，若「最糟情境」之定義不明確時，進而將影響違約、信
用損失、及信用損失機率密度函數之估計。8
就期間選擇方面，由於違約模組內含兩種絕對性質（違約vs.未違約），因此在捕
19
捉信用事件效果的能力方面，可能對期間長短特別敏感。舉例來說，一年期違約模
組是否可精確算出由多年期限貸款所組成的資產組合之暴險度，並不明確。針對這
項缺點，銀行必須採用特殊方式予以調整，例如計算在整個期間內信用工具之違約
機率（即分別就一年期、兩年期貸款，計算其一年和兩年的違約機率；依此類推）。
不過，此種調整方式可能會導致模型出現不一致的情況，即多年期的違約機率所採
用的損失相關度，可能是以一年期為依據計算出來的。
違約模組和市價評估模組都可以計算信用品質惡化時銀行遭受的損失。各種模組皆
有其優勢，例如市價評估模組具有多重違約情境分析，而較簡單的違約模組僅具有
二維違約情境（即違約vs.無違約）。至於模組優勢之判定，深受模型結果和應用
之影響。例如，某銀行已利用信用風險模型對資產組合進行績效評量，結果卻發現
可能違約模組比較適合；反之，若由高流動性的信用工具所組成的資產組合來說，
銀行訂價決策應考量信用損失的定義，因而與信用價差變動有關的市價評估模型略
勝一籌。
綜括來說，現金流量折現法和風險中立評量法皆可以貸款訂價二分法視之，且理論
比實務更為鮮明。無論何種方法，其貸款價值都是以未來現金流量之折現值為依
據。然而，二者主要差異在於如何計算折現因子。現金流量折現法係採用非參數法：
銀行會按信評等級將債務發行人予以分類，而這些發行人的信用價差會按各個信評
等級之平均數計算。反之，風險中立評量法會將訂價方式予以結構化，即以單一整
合架構對各筆貸款同時進行訂價。
再者，計量經濟理論指出：結構化較高之估計值，愈能充分利用有限資料，但其缺
點在於無法判讀模型錯誤建置（misspecification）之問題，即非參數估計值和模
型假設不符或者模型結果不佳（如參數估計存在誤差或資料不足等）。整體來說，
這兩種方法對貸款價值的看法不一。僅管如此，若債務市場十分有效率，且風險中
立評量法所搭配的假設條件能夠成立的話，則這兩種市價評估模組計算資產組合總
合價值的方法，其差距應不至太大。
3.信用損失機率密度函數
信用風險模型是透過信用損失機率密度函數之觀念，量化特定期間內資產組合之風
險。許多模型可完整估算信用損失機率密度函數，進而求得一些統計值如平均數、標
準差、或信用損失承受目標臨界值等。代表的機構專屬模型包括CreditRisk＋TM、
PortfolioManager TM、CreditPortfolio View TM和CreditMetrics TM等。
銀行業對於信用損失機率密度函數的「標準」形狀，已達到共識。其圖形和市場風險20
並不相同。後者損失機率密度函數呈常態分配；然信用損失分配並非呈常態，而是呈
現特別偏向大額損失分配之特徵，意即在既定的平均數和標準差下，大額損失發生的
機率會高於常態分配發生的機率。為何銀行業界並無「標準的」資產組合信用損失機
率密度函數？其中一項理由為個別暴險部位之信用損失建置的困難度遠高於市場風
險；除此之外，信用風險模型必須課予多項假設條件，而這些限制條件（及有關信用
相關度之假設等），對模型產出有決定性影響。
在信用風險管理中，損失分配的精確度是項非常重要的議題。在信用風險模型中，信
用損失承受目標臨界值會落在99~99.98%之間，與市場風險值模型之目標損失
（95~99%之間）相較之下，確實存在明顯的差異。由於信用風險機率分配具有長尾
之特質，因此為支應信用損失承受目標臨界值之內所需法定資本計提額，必須大於支
應市場風險損失目標區間內的法定資本計提額，此乃歸因於信用風險承受目標之估計
誤差大小和尾端分配形狀而定。另外，信用損失機率密度分配的尾端對假設條件的敏
感度，也是相當重要的課題。
4.條件vs.無條件模型
銀行是個深受經濟景氣循環影響的行業，存在所謂的「經濟景氣循環深化效果」
（pro-cyclicality effect）。當景氣衰退時，貸款品質與還款機率下降，信用風險高估
之結果致使銀行緊縮信用（credit crunch），影響企業與個人投資行為，進而加深景
氣衰退的幅度。反之，當景氣繁榮時，銀行低估交易對手信用風險，擴大放款，經濟
成長過熱，最終產生通貨膨脹之虞。9
簡單來說，所謂無條件模型（unconditional model）是以借款人或授信案件專屬資訊
為主要分析對象。而條件模型（conditional model）會考量整體經濟環境對信用風險
的影響，如國內外就業水準、通貨膨脹、股價指數和利率、甚至於特定部門財務健全
指標等之趨勢和水準值。
無條件信用風險模型包括未預期損失法以及兩種機構專屬模型CreditMetrics TM和CreditRisk＋TM等在內。在這三種模型架構中，違約機率和相關度效果必須依賴歷史違
約資料和特定借款人資訊（如內部信評等級），資料期間最好能涵蓋多個信用循環期。
在由具有相同內部信評等級的借款人所組成之資產組合中，無論是在信用循環中那一
個時點，其信用損失標準差預測值都會十分接近。目前來說，這些模型無法捕捉經濟
景氣循環之影響；例如，在經濟景氣循環高點（低點）時，債務人信評等級呈現改善
（惡化）之趨勢。不過，這並不代表在整個經濟景氣循環期間內，資產組合（由同一
組債務人組成者）的信用損失標準差會完全一樣。當債務人的信評等級予以調升或調
21
降時，其違約機率也會隨之調整。
條件模型之代表為McKinsey的CreditPortfolioView TM。在此架構中，信評等級轉置
矩陣和總體經濟環境密切相關，例如在循環爬升（衰退）期間，轉置矩陣向上調升（向
下調降）之可能性大增。此種現象獲得授信銀行實務運作以及實證研究結果的支持。
其他機構專屬的零售模型，會依不同條件而定。以KMV的PortfolioManager TM模型
為例，資產價值、報酬率和價格波動等估計值，會以當前股票價格為參考依據。
大多數信用風險模型係按精算法推算無條件之違約機率/信評等級轉置估計值，以及
模型變數彼此間的長期平均相關度。不過，在某特定時點來看，長期平均值極有可能
誤判短期展望，因後者深受總體經濟環境之影響。在估計違約機率時，就算銀行已知
某些總體變數對貸款績效的影響甚大，但是在無條件模型之下，卻會將此等變數排除
在外。反之，條件模型會考量貸款持有期間正處於高度違約期間的可能性；其缺點為
當信用循環期間已進入下坡時，可能會低估信用損失；當信用循環期間已從谷底彈升
時，模型可能會高估信用損失。另外，信用循環效果完整表達並不容易，且可能提高
參數估計之不確定性。
無論信用風險模型建置應採用條件法還是無條件法，有關模型穩定度和可信度之重要
性，尚需藉由實證研究。
5.信用總合法
信用風險可就個別資產進行測量，尤其是針對大型企業和資本市場工具；反之，經彙
整後的總合資料，可用以量化具類似風險的小額貸款風險。
大多數信用風險模型可就不同產品個別建置信用風險評量機制時，其使用概念並無所
不同。然而，銀行在利用有效資料估計參數值的實務階段中，才會看出這些模型彼此
間的差異。大多數國際型銀行已就企業和資本市場工具個別評估信用風險（此種方法
稱為「由下而上分層策略法」，即bottom-up approach）；另一種方法則是利用總合資
料來量化消費者、信用卡或其他消費金融資產組合之風險，稱為「由上而下全盤策略
法」（top-down approach）。然而，實務上並不易分辨這兩種模型之差異。舉例來說，
假設模型使用借款人專屬資訊並將貸款列入適當信評等級，就算總合資料可用以推算
這些參數，但此種方法卻可歸納為分層策略法。
由下而上分層策略模型在計算各筆貸款之信用風險時，會依資產組合中債務人信用狀
況而定。各特定暴險部位會對應到適當的信評等級，並以違約機率和/或評等變動機
率表示。10另外，這些模型也可計算各筆授信交易之違約損失率；然後再總合這些資
料，得到整個資產組合之風險概況，並同時達到風險分散之效果。
22
就消費金融來說，模型建置過程所使用的概念亦十分類似。不過，受到暴險事件數目
之影響，通常會以由上而下全盤策略法為主。譬如說，將具類似風險特徵的貸款（如
信用評等、年齡、及所在地理區位等）組合成暴險區塊之後，再予以分類並量化各個
信評等級中的信用風險即可。在估計信用損失分配時，會利用各個暴險區塊內的時間
序列資料，以算出（年）總合違約機率和違約損失率；而不是統合考量群組中各筆貸
款之違約與評等變動風險。
如前所述，「由上而下全盤策略法」和「由下而上分層策略法」之區別並不明確；關
鍵之處在於銀行是否有意義區分借款人類型。即使在分層策略法中，銀行經常會引用
總合資料來估計個別借款者相關參數值；如將個別借款人之信評等級（由下而上）對
照在以彙整資料為主（由信評公司公布、或是由銀行內部統計由上而下之總合資料的
平均值）的轉置矩陣中，即為實務一例。其他重要性可反映在總合資料之正確性，以
及與銀行實際資產組合之相容度等；若未達這兩項標準的話，總合資料將會低估銀行
暴險概況之影響。
6.違約事件獨立性
沒有一家持有具風險分散之資產組合的銀行，會期待所有債務人在同一時間內全體發
生違約。根據經驗法則指出，影響債務人信用狀況的因素，有時彼此之間產生相互的
關連。因此，信用風險衡量必須考量風險離散度；即不同借款人彼此之間，其信用損
失趨動因子是否具有連動關係，如違約或評等變動之相關度、及違約損失率和暴險部
位之相關度等。而風險離散度可用標準差或是完整的信用損失機率密度函數表示。不
同模型採用的方法並不相同，使用者必須找出這些方法之異同。
違約事件/評等變動、違約損失率、及暴險部位等變數間的相關度，對模型產出結果
之影響極大。舉例說明：屬於同一產業或位於相同國家地區內之企業者，其財務狀況
可能受類似因素牽引；換言之，這些企業財務狀況之改善或惡化會有所關連。同理，
就企業所屬同一產業別、相同的違約損失率、以及因動用信用額度所引發的暴險部位
等變數來說，其產業平均惡化或改善的情形可能更甚於長期平均水準。11
就實務上來說，銀行要察覺此等潛在關連並予以模型化，確實不易。一般受到資料不
足的限制，模型並無法捕捉風險因子彼此間之相關度；尤其是，違約/評等變動以及
違約/違約損失率之間的相關度，違約/評等變動和暴險部位間的相關度、以及違約損
失率和暴險部位間的相關度等，均已事前假設為0。目前信用風險模型所考量的相關
度效果，僅及於不同客戶彼此間的違約/評等變動而已。廣義來說，銀行在處理違約/
評等變動相關度問題時，可使用結構法或縮約法。
23
結構模型（structural models）得以CreditMetrics TM和PortfolioManager TM為代表。
結構模型法特別偏好個體經濟模型，據以判斷個別客戶違約或評等變動情形。若資產
現行價值已低於門檻規定如客戶債務水準時，違約即可成立。在市價評估模組中，客
戶資產價值變動（假設已觸及不同門檻水準值時）可用以判定客戶信評等級變動情
形。假設某客戶當前信評等級為BBB級，其淨值明顯增加且金額龐大時，其信評等
級將調升至AAA級水準。同理，若淨值減少且金額不小的話，則信評等級將會予以
降等。一般用作判斷客戶評等變動之隨機變數，包括違約（如客戶資產價值或淨值等）
在內，統稱為評等變動驅動變數（migration risk factor）。在結構模型下，評等變動
驅動變數就是模型建置者必須預先設定的；也就是說，模型建置者必須估計或假設不
同借款人違約/評等變動驅動變數間之相關度。
縮約模型（reduced-form models）代表範例為CreditRisk＋TM和CreditPortfolio
View TM。有別於結構模型以特定個體經濟過程算出客戶的違約和評等變動資料，縮約
模型假定客戶違約機率/評等變動轉置（或資產組合各項組成分子的違約機率）和所
謂的背景因子（background factors）等二者間存在函數關係。這些背景因子包括可
觀察變數如總體經濟活動指標，和不可觀察的隨機變數。在縮約模型中，個別客戶的
財務狀況會受到共同或相關背景因子（會提高客戶違約機率和評等變動之相關度者）
之影響；基此，縮約模型特別訂定的假設條件為，不同客戶彼此間的違約和評等變動
並無任何關連。
三、參數設定與估計
貸款和其他變數資料不足，除嚴重影響違約和評等變動程序之設定外，模型產出結果通常也僅反映出幾種資訊來源彙整後之風險概況而已。12而信用風險模型需要較長觀察期間的要求，也大幅提高參數估計之困難度。因此，違約估計程序需要多年期資料，最好是內含多個信用循環。即使個別違約機率可以精確模型化，然資產組合整體違約機率之彙整流程，仍會受到資料稀少性的影響，進而降低變數相關性之可信度。
目前資料不足之問題是藉由簡化假設條件予以克服。這些假設條件涵蓋範圍如下：
＊信用損失因子彼此間無關（即具獨立性）；
＊若干特定變數(如違約損失金額)在某些模型中會以非隨機變數視之，但在參數估計與
結構模型假設條件下，卻視為已知數（known with certainty）；
＊在統計上，屬同一暴險區塊內的所有借款人將視為相同（identical）；及
＊假定模型參數穩定。
24
不過，這些假設條件通常都是主觀判定，且有關支持模型建置者選擇之實證分析並不
多。目前有關假設條件之敏感度的實務測試研究，仍付之闕如；某些模型參數估計如貸款內
部評等之核定、或借款人所屬產業或多種產業別之核定等，仍依賴人為判斷。然主觀判定或
假設條件對模型精確度之影響，卻又不易觀察出來。
簡單來說，在信用風險模型中，致使信用損失產生之信用事件可分為下列四種類型：（1）
違約損失率變動；（2）在計畫期間內信用狀況改變，可從評等變動或違約機率改變判斷而得；
（3）在市價評估模型中信用價差改變；及（4）銀行特定授信暴險部位發生變動。這四種信
用事件各自有其專屬模型，並獲得市場實務運作之支持：大部分模型均假設不同類型信用事
件之相關度為0，即使相關度十分明顯時亦不例外。例如違約和違約損失率、信用價差和暴
險部位變動等完全無關；在此等假設條件下，各個信用事件專屬模型就不會有互動關係存
在。這些議題之重要性以及不同估計方法對模型產出結果之影響，仍值得深入研究。13本節擬就違約損失率、違約/評等變動、違約和/或評等變動之相關度、信用價差、暴險
水準、及資料蒐集與系統能力等六項議題進行分析。
(1)違約損失率（loss rate given defaults）
違約損失率可由個人貸款資料、公司債歷史資料（一般是指批發信用）、或貸款群組
總合時間序列資料（係指消費者信用）推算出來。就模型假設條件來說，現行信用
風險模型通常假定違約損失率取決於授信交易之結構特徵，包括產品類型（如商業
貸款或信用卡貸款）、優先順位、擔保品類型、及貸款創始所在地區等。這些變數將
決定違約損失率。14
通常違約損失率可視為已知數或隨機變數，端視模型假設條件而定。若違約損失率
為隨機變數，並已知授信交易特徵時，通常所有借款人或在定約期間內之違約損失
率會以同分配（identical distribution）視之。此外，一般模型假設條件還包括：不
同借款人違約損失率之相關度為0，且違約損失率波動之系統性風險並不存在；同一
位借款人各筆授信交易的違約損失率完全不相關（即具獨立性）；以及違約損失率和
其他三種信用事件類型完全無關（即企業違約損失率會和該產業中其他企業發生違
約或是信評等級遭降無關之意）。
另一方面，違約損失率的機率分配，也會透銀行內部違約機率歷史資料(按暴險區塊
分類)、自貿易協會報告或公開資訊取得之損失資料、諮詢顧問持有客戶違約損失率
之專屬資料、信評公司持有公司債違約損失率歷史資料、及專業授信人員經驗判斷
等不同資訊來源彙整後而得。而各家銀行估計模型之複雜度各不相同，其資訊來源
也大不相同。15某些銀行偏好直覺判斷。若銀行可取得大額貸款歷史資料的話，可
25
能會採取客觀實證分析之方式；如此一來，違約損失率可反映出自不同資料來源和
主觀判斷所取得的量化資訊彙整之情形。
值得注意的是，資料可信度會影響估計精確性。某些銀行在訂定企業客戶（即使不
在美國境內者）參數值時，幾乎完全以取得公開評等之美國公司債歷史損失資料為
主。若按照這些結果推斷其他國家地區之情形，可能會因各國對破產法和算出
（workout）實務運作有所差異而引發爭議。另外，對暴險規模呈明顯偏態分配之資
產組合言，若假定違約損失率為已知的話，可能會造成信用損失機率密度函數尾端
有低估之情形發生。
然而，最具爭議的假設條件就是借款人違約損失率具獨立性，忽略銀行授信可能出
現產業集中度之問題，如商業不動產貸款都集中在同一地理區位內。對於同位借款
人持有各筆交易之特徵十非類似或信評等級相同時，這項假設條件將備受質疑。
除上述者外，違約密度獨立性之假設，可能低估信用損失程度。因為當產業整體承
受壓力時，該產業借款人之違約損失率可能會增加。通常違約損失率之樣本估計期
間並不長。這些爭議論點都值得模型建置者和相關單位（尤其是監理主管機關）進
一步研究。
2.違約/評等變動
通常信用風險模型在判定客戶違約或評等變動時，會合併考量下列兩個參數：個別客
戶之違約機率或是評等轉置矩陣，及全體客戶之違約和評等變動相關度。這些參數之
估計程序如下：
(1)違約機率/信評等級轉置矩陣之估算
一般將歷史資料對照在違約機率/轉置矩陣之方法有兩種：精算法和企業價值理論
法。
精算法（actuarial-based approach）適用於結構模型和縮約模型。其基本原則為：
利用借款人違約歷史資料，對具類似特徵客戶之違約機率/評等變動進行預測。其
中一種方法為信用評分模型。某些大型國際銀行已自行開發企業和/或消費金融客
戶之信用評分模型；而其他則向零售業者購買信用評分資料。一般銀行在開發企業
客戶內部信用評分模型時，其資料是以銀行內部貸款資料或是在公司債市場歷史違
約紀錄等為主。
另一種精算法稱為暴險區塊法（risk segmentation），即按照借款人可觀察特徵予
以分類。在任何一個暴險區塊中，所有借款人和評等變動驅動變數之隨機特性，在
統計上將視為完全相同；即同一個暴險區塊內所有客戶的違約機率/轉置矩陣完全26
相同。對大型企業交易對手言，暴險區塊之劃分係以某些特定因素而定，如內部信
用評等、規模、及所屬國家地區和產業別等。對消費金融方面，暴險區塊之劃分通
常會以產品類型（如信用卡或住宅抵押貸款）和借款人專屬資訊（如信用卡評分、
國家地區、州/省等）而定。假定同一個暴險區塊內所有借款人具相同違約機率和/
或信用評等轉置矩陣的話，模型建置者會使用該暴險區塊內借款人的歷史違約平均
值和/或評等變動資料來估計變數。就實務運作方面，違約平均值會受到資料不足
的影響，尤其是當暴險區塊定義十分狹隘時，更為明顯。
另一種將歷史觀察資料對照在客戶專屬違約機率/轉置矩陣之方法就是企業價值理
論法（equity-based approach）。16在結構模型下，暴險區塊法通常用以估計大型
與中間市場商業客戶之違約機率，並交叉檢視由精算法求得之估計值。資料內容包
括企業負債資訊、股票價格資料和當前市場價格、價格波動資料、該企業資產經濟
價值之變動率和波動率等。假定企業資產價值低於負債並引發違約可能性時，其違
約機率可由選擇權模型推算出來。由KMV公司研發的模型，還可計算當前資產價
值偏離違約門檻之標準差數目，通常稱之為「違約距離」（distance to default）。
在已知企業違約距離時，其違約機率會按照具有相同違約距離（違約差距）之企業
的歷史違約頻率求算而得。
模型建置者在使用外部機構提供的輔助資料時，必須判定這些資料母體和研究中的
暴險區塊是否類似；若否，模型建置者通常會主觀調整這些資料。不過，若銀行可
取得損失率資料，但仍缺乏違約機率資料的話，模型建置者可利用違約損失率假設
條件，自行推算出違約機率之歷史資料。17銀行在核定信用所屬暴險區塊時，對佐
證資料（如財報分析）之依賴程度－根據授信對象所屬產業別、或利潤收益位址－
仍有相當差異。當然，模型建置者主觀判斷仍有決定性的影響。
一般來說，我們可以從資料可取得性，來判斷究竟何種違約機率/轉置矩陣計算方
法較為恰當。對大型企業客戶言，多數大型國際銀行在核定借款人所屬暴險區塊
時，內部信用評等被視為一項重要變數，甚至在某些情形下為唯一評定標準。然而，
大多數銀行保存的總合歷史資料，都是按廣義貸款類型或商業額度而定，並非依照
風險等級分類。再者，具有內部經濟資本配置系統之銀行，通常會按風險等級將資
料分類儲存；不過，資料庫期限也僅數年而已。此外，某些銀行並不會就業已核定
所屬暴險區塊之暴險事件，予以重新評估。
另一方面，信用評等公司和其他研究單位所發布的歷史績效研究資料，通常按信用
評等類別，提供長達二十餘年或以上的違約、損失、及評等變動等資料。不過，這
27
些公布資料內含地域和產業資訊，可能不適合作為貸款資產組合之特徵。18
再者，銀行引用外部資料時，必須先就評等類型進行對照。而對照程序可透過四種
基本方法（無論是單一或混合使用）進行：第一種方法，銀行將各個內部信評等級
中的歷史違約頻率，和由外部債信評等公司提供的違約頻率，按評等類別兩相對
照。第二種方法為，接受銀行和債信評等公司二者評等之借款人，其銀行內部信評
等級和債信評等公司信評等級進行比較。不過，此種對照程序可能不適合以中間市
場客戶或非美國企業為資產組合中主要暴險區塊成分者。第三種方法，擴大企業母
體，並對未經債信評等公司正式評等的企業建置虛擬（pseudo）評等，以利銀行
進行內外部信評等級之對照工作。最後一種方法，主觀比較銀行核定內部信評等級
之標準和債信評等公司發布信評等級之標準。
(2)違約和/或評等變動之相關度
在結構模型和縮約模型中，違約和/或評等轉置相關度是判定資產組合信用損失機
率密度函數之重要因子。在結構模型中，客戶間評等變動驅動變數之相關度會用以
表示這項獨立性。在縮約模型中，客戶間違約和/或評等轉置之相關度，會反映出
可觀察與不可觀察背景因子和違約機率/評等轉置矩陣連結之估計程序。相關度效
果之模型化，得以個別暴險部位（一般為中間市場和大型企業客戶）或是同質性高
的暴險部位群組（一般為消費金融）為主。
雖然某些銀行在訂定評等變動驅動變數之相關度時，十分地主觀；但大多數銀行仍
依據實證研究分析為主，並保留些許主觀評斷空間。有關模型相關度計算之實證研
究，均採用精算法或企業價值理論法；甚至，這兩種方法可作交叉檢查之用。
就前者言，第一種方式就是暴險區塊法之延申，適用於結構模型和縮約模型。在統
計上，各個暴險區塊內借款人皆同。已知特定暴險區塊之違約機率後，該暴險區塊
違約機率變異數和評等變動驅動變數相關度，會存在一對一的關係。19通常，各筆
貸款之違約相關度可彙整暴險區塊內違約機率歷史波動而得。另一種類似逆向思考
的方式，是利用暴險區塊內總合（年）違約機率共變數歷史資料，推算在不同暴險
區塊中各借款人評等變動驅動變數之相關度。
而企業價值理論法僅適用於結構模型，假設各借款人的評等變動驅動變數會等於企
業資產現值。原則上，利用企業資產價值歷史資料即可推算出相關度；而企業資產
價值歷史資料又可從Merton模型股票價格歷史資料求出。20
資料不足也會明顯影響到違約/評等變動之設定。多年期資料能反映較長的信用循
環或甚至最佳情況（即假定模型誤設或參數不穩定並不存在），有助於提高違約機28
率/評等轉置相關度估計之正確度。
為讓估計程序更具意義，模型建置者會設定許多重要的簡化假設條件，包括：對評
等變動驅動變數機率分配訂定聯合常態條件或其他參數條件；評等變動驅動變數和
違約損失率、信用價差、及暴險部位之交叉獨立性；各暴險區塊內借款人同分配；
本年度和下一年度之違約和評等變動頻率具獨立性；及參數穩定性。位於信用損失
機率密度函數尾部極端部位可能對這些假設條件十分敏感。實際上，有關這些假設
支持論點之分析並不多，且目前尚無模型對主要參數或假設條件進行敏感度測試之
實務標準。再者，一般在估計信用風險時，會假定所有參數和假設條件皆為已知條
件，以排除參數和模型不確定性和/或不穩定所引發之爭議。
以精算法所計算的參數值，具回溯性（backward-looking）；不過理論上，以企業
價值理論法計算的參數值，則具有前瞻性（forward-looking）。然而，後者課予的
假設條件比較有特色，即所有股票價格變動皆反映當前企業經濟價值之變動，而非
股票市場價格變動，且股票價格可反映出所有可取得資訊－在某些無公開揭露資訊
政策之國家地區內，此項效率市場假說爭議頗大。有關精算法和企業價值理論法之
相對精確度，必須由實證研究方可。
除美國地區外，其他國家地區持有的公司債歷史資料並不多，甚至貸款資料亦出現
窘境。在其他國家地區使用美國債務人資料所衍生的問題更多，此乃歸因於各國破
產法和銀行實務不同所致。在美國境內，受評公司債和銀行放款相較下，前者違約
機率和多種相關度可能低於後者（即銀行貸款的違約機率、多種相關度模式、風險
分散度等均不高）。
3.信用價差
有關信用價差的研究，仍處起步階段。大部分使用市價評估模型建置信用風險時，會
將信用價差期限結構視為已知常數值。21信用價差資料不易取得，而某筆債務和無風
險債務之間的收益價差，並不會考量流動性差異而給予調整。
4.暴險水準
許多信用工具之暴險程度高低，並非以未來隨機事件發生與否而定。而訂約信用額度
即為「信用相關選擇」（credit-related optionality）之最佳範例：在固定期間內，銀
行同意客戶預支現金，且最高信用額度隨客戶不同。當客戶信用品質惡化時，訂約信
用額度動用率會隨之提高，反映出其他資金籌措管道之成本或是該名客戶不易取得資
金之事實。22在信用相關選擇之下，動用率(drawdown rate) 通常視為客戶期末信用
評等的已知函數。以一年期且未經動用之信用額度為例，客戶期末動用率會以該信評
29
等級之客戶的平均動用經驗為依據。
在違約模組中，由於僅有兩種信評等級可供選擇，因此可採用較為簡單的方法。事實
上，未動用信用額度之授信案件會轉換為貸款同等暴險額（loan equivalent
exposure，簡稱LEE），以利與定期貸款進行比較。而貸款同等暴險額會依預期客戶
破產後之動用情形而定。23
有關暴險水準之爭議論點，先以信用額度為例說明。銀行可能會假定客戶未來動用率
與其信用品質改變之間無關，因而導致系統性低估該筆授信交易之貸款同等暴險額和
風險。
其次，有關衍生性商品契約之信用相關選擇的處理亦有爭論。當前技術水準並不易以
蒙地卡羅法對信用風險模型和銀行風險值模型進行測試，以模擬在衍生性商品契約期
限內市場價值隨機變動之情形。因此，一般信用相關選擇會在信用風險模型中，納入
衍生性商品有關之非隨機貸款同等暴險額，即該項工具當前市場價值再加上附加
（add-on）未來暴險額。這項附加未來暴險額會依計算方法之複雜度而有所不同；某
些銀行會忽略潛在未來暴險情形，並直接以0取代之；不過，有些銀行會考量參照資
產歷史價格波動情形。24
大多數信用風險模型均假設：OTC衍生性商品契約於未來期間之未預期暴險變動情
形，和所有其他契約之變動及銀行交易對手信用品質改變無關。這兩項假設條件都可
能影響信用風險模型之結果。譬如，在衍生性商品契約中，交易對手之信用風險暴險
可能存在正相關（如對持有石油遠期契約之銀行，可能會預料石油價格產生明顯變
動）。
5.執行：資料蒐集與系統能力
再次強調，信用風險模型之精確性端視歷史資料完整與否。簡言之，模型變數應予以
更新，並反映當前所有可用資訊。由於資訊有限，實際上銀行並不會經常重新估計參
數，且估計期限也由月到年不等。然信用風險模型建置也需要系統輔助，資料蒐集也
可能耗時幾個星期以上。不過，銀行資料蒐集之困難程度，可能取決於模型選用方法
而定。舉例說明：使用精算法並以產業相關度為依據的模型，會受到新資料取得之頻
率而定，而採用企業價值理論法之模型就必須要經常更新資料。
信用風險計算方法不同，模型驗證與測試所需時間亦長短不一。信用損失機率密度函
數模型可能只需要幾分鐘即可獲得估計結果。不過，許多模型會使用蒙地卡羅模擬法
計算出完整的資產組合損失分配，惟受到變動來源數目和估算暴險部位數目之影響，
此種計算程序相當複雜，甚至花上幾天或更長的時間。因此，許多銀行無法精確計算30
資產組合機率密度分配情形，而改以不同簡化假設條件予以克服。在未來，銀行可能
就實際使用的模擬數值進行微調，並引用更具效率之技巧，以解決計算方面的問題。
有些金融機構會在「某個時點」評估信用損失機率密度函數，並假設資產組合成分在
一定期間內保持不變。在此情況下，信用損失機率密度函數將予以重新估計，不過估
計頻率不高，從月到年不等。在極端情況下，銀行並不會更新初步階段所推算出來的
機率密度函數。在判定信用損失機率密度函數重新估計之最適頻率時，資產組合成分
變動速度與大小，係為重要考量的因素。
四、模型有效性驗證
若銀行按內部評等模型提列法定資本時，監理主管機關必須十分有把握確定內部模型可
精確反映資產組合風險全貌和法定資本計提之方法。在市場風險模型方面，回溯測試為檢視
模型良好與否之不二法門，然信用風險模型有效性驗證之難度更高。市場風險模型所需觀察
期限為數天，而信用風險模型所需觀察期間則長達一年或數年不等。在信用風險模型中，較
長的觀察期間再加上較高的目標損失值，對模型精確度確實造成不小的挑戰。有效性驗證之
量化標準需要多年期並內含多個信用循環之資料。
另一方面，信用風險衡量使用的信賴區間應大於市場風險。但仍有幾項爭議未決，如高
信賴區間是否可合理暨精確估算出來、模型假設條件對分配尾部和資本支應風險之影響為
何、及使用高信賴區間是否會導致銀行資本計提完全取決於模型選取，或造成機構資本計提
不一致之情形等。因此，這些都是銀行內部和外部對模型有效性進行驗證時面臨之困難。
此外，銀行簿與交易簿相較下，前者暴險規模較大且觀察期間較長。因此，信用風險估
計誤差可能會影響銀行整體穩健營運之評估。甚至，當銀行簿並未逐日鑑價時，其帳上損失
可能會在無預警情況下累積到相當顯著水準。
目前業界尚無定期檢視信用風險模型精確度之統一架構。不過十分確定的是：模型敏感
度測試在模型有效性驗證方面十分重要。再者，銀行內部操作模型之環境－包括管理監督之
金額、內部控制品質、壓力測試嚴謹度、信用事件報告流程和其他傳統特徵等－在銀行風險
管理架構評估中，仍有其重要地位。
綜括來說，模型驗證可分由四個面向進行：
＊回溯測試（驗證事前估計預其損失和未預期損失是否符合事後發生實況）；
＊壓力測試（在不同經濟條件中分析模型產出之結果）；
＊敏感度分析（在不同經濟條件中分析模型產出之結果）；及
＊獨立審查與監督模型。
31
無庸置疑，模型驗證為銀行未來面臨之重要挑戰。茲分述如下：
1.回溯測試
受到資料不足之限制，市場風險回溯測試並不容易轉換為信用風險模型驗證中。前者
至少需要250個交易日之預測和已實現損失資料；在信用風險模型中，類似標準會反
映在數年資料之需求上。
以有限資料對樣本以外未預期信用損失進行回溯測試之方法，仍有待商榷。實務上
言，沒有任何一種回溯測試程式可完成信用風險或未預期損失估計之驗證工作。當銀
行完成事前估計和事後結果分析時，會特別就預期損失和實際損失進行比較。然而，
在比較過程中，並不會強調模型預估的準確性。雖然有關回溯測試方面的研究有限，
但以信用風險模型推算資本計提之正確度所面臨的困難，會反映在較高法定資本要求
上。
銀行在驗證模型有效性時，會採用多種不同方法，包括所謂的「市場實際檢查」
（market-based reality checks），如分組分析、報酬率分析、及市場信用風險價差和
銀行訂價模型之比較。不過，這些方法端視市場對資本水準（分組分析）或信用價差
（報酬率分析）之認知正確，並以具良好穩健的假設條件之輔助方可，否則會引發模
型相容性與一致性之爭議。而這項論點對監理主管機關特別重要。
2.壓力測試
壓力測試係針對模型穩定性，如違約機率之估計或風險因子聯合機率分配，設定特定
經濟事件並判斷銀行對抗此種衝擊所需資本為何。壓力測試涵蓋經濟事件包括在危機
期間內特定部門績效、或是在信用循環極端處所產生的損失值等。
在理論上，穩健的壓力測試可補強回溯測試不足之處。不過，銀行似乎尚無充分資源
進行壓力測試。就銀行整體來說，壓力測試程序並未正式開發、或只是零散執行而已。
壓力測試事件包括信用評等或市場價差惡化、違約損失率改變、違約機率改變和相關
度結構改變等。
3.敏感度分析
另外，模型有效性驗證之實務運作亦缺乏敏感度測試，即模型結果對參數值或重要假
設之敏感度。在某些專利模型中，使用者並不知道參數假設以及結構性假設為何，因
此不易執行敏感度測試和參數修正。某些大型國際級銀行會就一些因素，如違約機率
和其波動、違約損失率、及內部信評等級之核定等，進行敏感度分析。然而，各家銀
行分析深度有所不同。
4.模型監督與報告之管理
32
前面的討論多集中在數學和技術層面之驗證。然而，模型操作之內部環境也是十分重
要的。受高階管理階層監督之金額、放款人員之獲利性、內部控制品質、及其他信用
有關特徵等，都在信用風險管理架構中佔有一席之地。
由於當前信用風險模型發展未臻成熟，許多模型開發者甚至兼任模型使用者（即銀行
風險管理人）雙重角色，僅少數銀行已將模型交由獨立審查與稽核負責。當信用風險
模型已成為營業績效評量和薪資分配之參照依據時，銀行必須確保這些模型業經適當
監督，以避免產生潛在利益衝突。這項潛在衝突在內部貸款評等系統中十分明顯。雖
然有些機構會透過信用評分模型驗證內部評等機制，但絕大部分機構仍依賴放款人員
判斷，據以核定交易對手之信評等級。
銀行應保存信用風險模型建置程序和使用方法等相關文件，以及任何壓力測試結果。
不過，銀行在估計模型參數時，有時會透過未經揭露方法取得專屬諮詢資料而定。更
進一步言，模型有效性驗證分析未經開發之事實，會引起監督品質和完整性之爭議。
五、結語
信用風險模型可提升銀行內部風險管理能力，並提供金融監理與檢查之用途。但是，當
資產組合模型用作銀行計算資本適足率之前，監理主管機關必須檢視銀行風險管理作業制度
是否妥當、模型引用的概念必須正確，模型產出結果必須經過有效性驗證、銀行資本計提必
須符合機構一致性、並克服資料不足和模型驗證之困難等。本文係依據國際型銀行建置信用
風險模型之經驗與效果為主，將影響模型結果之來源分成三大類，即概念法、參數設定與估
計、及模型驗證等，並指出多項頗具爭議性之問題，供主管機關訂定信用風險有關目標參數
值，如違約損失率和違約暴險額等，並作為金融監理與審查之參考。
值得注意的是，模型引進與應用必須考量國內金融與經濟環境，如法令規定、實務操作、
及金融創新等，予以適當調整與修正，以符合國情所需，提高模型使用度與正確性。茲以經
濟議題為例。台灣為一小型開放經濟體系，深受國際總體經濟環境變化之影響。但那些總體
經濟因子應進入信用風險模型、如何將經濟因素予以模型化、銀行授信交易對手於景氣循環
期間內違約變化情形、或對違約概況和經濟景氣循環直接課予無相關之假設條件、或模型對
經濟敏感度等，實為學術理論和實務運作、金融和經濟等層面交叉探討重點作業之一。
根據巴塞爾銀行監理委員會公布新資本適足規範並計畫於二○○六年正式實施，預料主
管機關未來審閱銀行資本管理與風險管理之困難度更高，除定性標準外，定量標準之穩健性
更不容忽視。國內金融機構與相關單位在處理積弊已久問題之餘，應重新思考以完整暨健全
風險管理程序取代以規模大小作為銀行經營優劣標準，急起直追國際風險管理與應用之腳
33
信用风险量化的4种模型
信贷风险管理的信用评级方法 信贷风险管理是当今金融领域的一个重要课题。银行在贷款或贷款组合的风险度量中特别注意运用信贷风险管理的工具。除了专家系统、评分系统和信用打分系统等传统方法外，新的信贷风险管理方法主要有KMV模型、JP摩根的VAR模型、RORAC模型和EVA模型。 1、KMV——以股价为基础的信用风险模型 历史上，银行在贷款决策时，曾经长时间忽视股票的市价。KMV模型基于这样一个假设——公司股票价格的变化为企业信用度的评估提供了可靠的依据。从而，贷款银行就可以用这个重要的风险管理工具去处理金融市场上遇到的问题了。尽管很少有银行在贷款定价中将KMV模型作为唯一的信用风险指示器，但非常多的银行将其用为信贷风险等级的早期报警工具。 KMV实际上是一个度量违约风险的期权模型，是由买入期权推演而来的。 KMV扭转了看待银行贷款问题的视角，从借款企业的普通股持有者的视角来看贷款偿还(回报)的激励问题。换句话说，它将持有普通股视为与持有一家公司资产的买入期权相同。基本原理如图所示： （1）KMV是如何工作的？ 假设普通股持有者拥有公开交易公孙的股票，公司债务是一张一年期的单一贴现票据（single discount note）,票面价值是B.上图显示的是从普通股持有者方面来看的贷款偿还问题。 在图中，若公司资产的价值跌到OB以下（以左，如OA1）,股的持有者就不会偿还那个等于OB的债务。当然，如果选择违约，他就必须将对公司资产的控制权转让给贷款银行，公司所有者的普通股就一文不值了。然而，若公司资产的价值是OA2，公司就会偿还债务OB，而保留其余的价值BA2.在KMV模型中，公司债务的票面价值B就是买入期权中的约定价格。可以看到公司的风险底线（downside risk）被限制在OL，因为“有限责任”保护了普通股的持有人。从而，对一个好公司的股票持有者的回报有一个有限的底线和一个无限延长的上限。 KMV从贷款于期权之间的这种联系之中得到了EDF模型（估计违约频率模型）。以下对EDF作简要介绍。
债券信用风险计量 课后测验100分
债券信用风险计量课后测验100分 一、单项选择题 1. 单变量分析中样本数据识别异常点时，将变量按从小到大的顺 序进行排序，确定异常值的位置，将（）值规为异常值。 A. 小于2%分位数和大于99%分位数 B. 小于2%分位数和大于98%分位数 C. 小于1%分位数和大于99%分位数 D. 小于1%分位数和大于98%分位数 描述：样本异常点识别 您的答案：C 题目分数：10 此题得分：10.0 2. LOESS回归，是一种局部拟合，当选择点x进行拟合时，x临近 点的权重是根据它与点x的来确定的，即距离点x越近，权重越 （）。 A. 高 B. 低 C. 与权重无关 D. 不能确定 描述：变量平滑处理方法 您的答案：A 题目分数：10 此题得分：10.0 3. ROC曲线描述了在一定累计好客户比例下的累计坏客户比例，模 型的区分能力越强，ROC曲线越往（）靠近。 A. 左下角 B. 左上角 C. 右上角 D. 右下角 描述：统计模型开发阶段验证-区分能力验证 您的答案：B 题目分数：10 此题得分：10.0 二、多项选择题 4. 影子评级模型的基本组成要件主要有（）。 A. 统计模型
B. 专家经验调整 C. 公司治理架构和政府支持因素调整 D. 评级推翻 描述：影子评级模型 您的答案：B,C,D,A 题目分数：10 此题得分：10.0 5. 在构建多变量回归模型之前，应对每个单变量分别进行分析， 以决定哪些变量是可以进入下一阶段多变量分析的。其中检验区分能力分析的统计量有（）。 A. AR统计量 B. K-S统计量 C. Somers'd统计量 D. Phi系数 描述：单变量分析-区分能力分析 您的答案：B,C,A 题目分数：10 此题得分：10.0 6. 单变量分析包括（）。 A. 缺失值和异常值处理 B. 变量转换 C. 区分能力分析 D. Logistic回归 描述：单变量分析-变量转换 您的答案：C,B,A 题目分数：10 此题得分：10.0 三、判断题 7. 债券评级模型一般会分为两个维度，发债主体评级模型和债项 评级模型。（） 描述：P22，债券信用风险模型 您的答案：正确 题目分数：10 此题得分：10.0 8. AUC系数表示ROC曲线下方的面积。AUC系数越高，模型的风险 区分能力越强。（） 描述：统计模型开发阶段验证-区分能力验证
信用风险度量
信用风险管理技术手段的演变 信用风险管理是指银行通过风险的识别、计量、评价、控制及风险处理等方法，预防、规避、分散或转移经营中的信用风险，从而降低或避免资产损失，保证银行经营安全效用最大化的一系列措施及方法的总和。 一、传统的信用风险管理方法 1、专家方法 它是由一些富有经验的专家凭借自己的专业技能和主观判断，对贷款企业的一些关键因素权衡以后，评估其信用风险，做出相应的信贷决策。其中最常见的就是5C分析法，主要从借款人的道德品质(Character)、还款能力(Capacity) ,资本实力(Capital),担保(Collateral)和经营环境条件(Condition)五个方面定性分析以判别借款人的还款意愿和还款能力，从而作为银行发生信贷、信贷监测和信用政策调整的依据。 2、贷款评级法 贷款评级法实际上就是对资产及资产组合的信用状况进行评价，并针对不同级别的贷款提取不同的损失准备。典型的是美国的贷款五类分级方法即把贷款分为五级:正常、关注、次级、可疑、损失。在实际应用中，为了更加精确地考察贷款的风险性大小，通常又将这五个等级细分为9级或10级，与对债券的评级具有一定的对应关系。目前我国对贷款正在实行的是5级分类制度。 3、信用评分模型 信用评分模型或评分系统是将反映借款人经济状况或影响借款人信用状况的若干指标(借款企业的财务比率、资产负债结构等)赋予一定权重，通过某些特定方法得到能够反映信用状况的信用综合分值或违约概率值，并将其与基准值相比来决定是否给予贷款并对贷款定价。
二、新资本协议内部评级体系与现代信用风脸度量管理模型 随着资本市场的迅速发展、融资的非中介化、证券化趋势以及金融创新工具的大量涌现，信用风险的复杂性也日益显著。人们认为以财务比率为基础的统计分析方法不能反映借款人和证券发行人的资产在资本市场上快速变化的动态价值；同时金融全球化、证券化、衍生化使得企业的融资渠道越来越多，银行竞争越来越激烈，贷款利差缩小，鉴于此，一系列信用风险度量的新方法相继提出。新巴塞尔资本协议提出了内部评级法。国际大银行纷纷创建自己的信用风险评估系统，开发了一系列信用风险度量模型，完成了由传统信用分析向现代信用风险管理方法上的飞跃。比较有代表性的有：CreditMetrics (由JPMorgan于1997 年给出), KMV (由KMV公司于1993 年给出),CreditRisk+(由Credit Suisse First Boston)于1997 年给出。 三、信用风险的转移技术 正是由于信用悖论的存在，金融市场上出现了信用衍生工具。信用衍生工具指参与交易的双方签订一种金融合约，允许将信用风险从其他风险中分离出来，从交易的一方转移至另一方。信用衍生工具通过表外持有合成信用头寸或以索取权的形式对冲表内风险，将信用风险从其他风险中剥离出来并转移给交易对手，形成了风险的对冲转移机制，可以同时实现风险集中度下降和维持好客户关系两大原本冲突的目标以有效解决“信用悖论”问题。 由于信用衍生产工可以在不变动其资产负债表资产的情况下，将信用风险从市场风险中分离出来，进行单独有效的管理，极大地增强了信用风险管理的灵活性，其发展速度非常快，如图1.2所示。信用衍生产工的种类很多，主要有总收益互换(Total Return Swaps)、和信用违约产品(Credit Default Swaps)、信用利差产品(Credit Spread Products)及信用联结票据(Credit-Linked Notes)等。
信用风险的度量方法
一、信用风险度量方法与模型 １．传统的信用风险评价方法 （１）要素分析法。 要素分析法是通过定性分析有关指标来评价客户信用风险时所采用的专家分析法。 常用的要素分析法是５Ｃ要素分析法，它主要集中在借款人的道德品质（Ｃｈａｒａｃｔｅｒ）、还款能力（Ｃａｐａｃｉｔｙ）、资本实力（Ｃａｐｉｔａｌ）、担保（Ｃｏｌｌａｔｅｒａｌ）和经营环境条件（Ｃｏｎｄｉｔｉｏｎ）五个方面进行全面的定性分析，以判别借款人的还款意愿和还款能力。 根据不同的角度，有的将分析要素归纳为“５Ｗ”因素，即借款人（Ｗｈｏ）、借款用途（Ｗｈｙ）、还款期限（Ｗｈｅｎ）、担保物（Ｗｈａｔ）及如何还款（Ｈｏｗ）。 还有的归纳为“５Ｐ”因素，即个人因素（Ｐｅｒｓｏｎａｌ）、借款目的（Ｐｕｒｐｏｓｅ）、偿还（Ｐａｙｍｅｎｔ）、保障（Ｐｒｏｔｅｃｔｉｏｎ）和前景（Ｐｅｒｓｐｅｃｔｉｖｅ）。 无论是“５Ｃ”、“５Ｗ”还是“５Ｐ”，其共同之处都是先选取一定特征目标要素，然后对每一要素评分，使信用数量化，从而确定其信用等级，以其作为其销售、贷款等行为的标准和随后跟踪监测期间的政策调整依据。 （２）特征分析法。 特征分析法是目前在国外企业信用管理工作中应用较为普遍的一种信用分析工具。它是从客户的种种特征中选择出对信用分析意义最大、直接与客户信用状况相联系的若干因素，将其编为几组，分别对这些因素评分并综合分析，最后得到一个较为全面的分析结果。
一般所分析的特征包括客户自身特征、客户优先性特征、信用及财务特征等。特征分析法的主要用途是对客户的资信状况做出综合性的评价，它涵盖了反映客户经营实力和发展潜力的所有重要指标，这种信用风险分析方法主要由信用调查机构和企业内部信用管理部门使用。 （３）财务比率分析法。 信用风险往往是由财务危机导致的，因此，可以通过及早发现和找出一些特征财务指标，判断评价对象的财务状况和确定其信用等级，从而为信贷和投资提供决策依据。 财务比率综合分析法就是将各项财务分析指标作为一个整体，系统、全面、综合地对企业财务状况和经营情况进行剖析、解释和评价。这类方法的主要代表有杜邦财务分析体系和沃尔比重评分法。 杜邦财务分析体系是由美国杜邦公司创立的，它以净值报酬率为龙头，以资产净利润率为核心，重点揭示企业获利能力及其前因后果，通过对某项综合性较强的财务比率的逐层分解，将相关财务指标联系起来，形成一个综合体系，以便清楚地反映各项财务指标的相互关系。 沃尔比重评分法是由财务综合评价领域的著名先驱者之一亚历山大·沃尔创立的，他把若干个财务比率用线性关系结合起来，以此评价企业的信用水平。他选择了七种财务比率，即流动比率、产权比率、固定资产比率、存货周转率、应收账款周转率、固定资产周转率和自有资金周转率，分别给定各自的分数比重，通过与标准比率（行业平均比率）进行比较，确定各项指标的得分及总体指标的累计分数，从而得出企业财务状况的综合评价，继而确定其信用等级。 ２．多变量信用风险判别模型 多变量信用风险判别模型是以财务会计信息为基础，以特征财务比率为解释变量，运用数量统计方法建模。多变量信用风险判别模型主要
信用风险的度量
信用风险的度量
信用风险的度量 信用风险的古老历史，也是最为复杂的风险种类。 对信用风险的研究包括风险的衡量与管理，信用风险的衡量是问题的核心和管理的前提，也是研究的重点。 方法众多，篇幅巨大，这里以商业银行风险管理的视角进行了解。 定义 信用风险是指由于借款人或市场交易对手违约而导致的损失的可能性； 更为一般地讲，信用风险还包括由于借款人的信用评级的变动和履约能力的变化导致其债务的市场价值变动而引起的损失可能性。 狭义的信用风险是指银行信用风险,即信贷风险; 广义的信用风险是指所有因客户违约或不守信而给信用提供者带来损失的风险. 信贷风险的风险因素(一) 信贷风险是外部因素和内部因素共同作用的结果。
外部因素是指由外界决定、商业银行无法控制的因素，例如国家经济状况的改变、社会政治因素的变动以及自然灾害等不可抗拒因素。 内部因素是指商业银行对待信贷风险的态度，它直接决定了其信贷资产质量的高低和信贷风险的大小，这种因素渗透到商业银行的贷款政策、信用分析和贷款监督等信贷管理的各个方面。4 借款人经营状况、财务状况、利润水平的不确定性以及信用登记状况的多变性； 宏观经济发展状况的不稳定性； 自然社会经济生活中可变事件的不确定性； 经济变量的不规则变动。 其他：社会诚信水平和信用状况、心理预期、信息的充分性、道德风险等 信贷风险的风险因素(二) 信用风险的识别 单一法人客户的信用风险识别 集团法人客户的信用风险识别 个人客户的信用风险识别 贷款组合的信用风险识别 单一法人客户的信用风险识别
基本信息分析 财务分析 非财务因素分析 管理层风险分析 行业风险分析 生产经营风险分析 担保分析 保证、抵押、（动产）质押、留置和定金集团法人客户的信用风险识别 整体状况分析 信用风险特征分析 个人客户的信用风险识别 基本信息分析 个人信贷产品风险分析 个人住宅抵押贷款 个人零售贷款 循环零售贷款（我国尚无此业务） 贷款组合的信用风险识别 组合类单笔贷款的相关性 正相关——集中于特定行业、业务 系统性风险 负相关：风险分散化
C16084债券信用风险计量 课后测试100分
一、单项选择题 1. 在影子评级方法中，当违约数据缺乏、只能获得债务人的外部 评级时，因变量不再是简单的二元变量（如违约和非违约），而是有序多分类因变量，如AAA,AA+,AA,AA-等。对于此类因变量，应采用（）进行多变量分析。 A. 有序多分类logistic回归模型 B. 多重线性回归 C. 泊松回归 D. 负二项回归 描述：多变量分析 您的答案：A 题目分数：10 此题得分：10.0 2. （）步骤不属于信用风险统计模型建模过程。 A. 数据清洗及分析 B. 多变量分析 C. 设计模型特例调整事项 D. 模型校准 描述：统计模型开发 您的答案：C 题目分数：10 此题得分：10.0 3. LOESS回归，是一种局部拟合，当选择点x进行拟合时，x临近 点的权重是根据它与点x的来确定的，即距离点x越近，权重越（）。 A. 高 B. 低 C. 与权重无关 D. 不能确定 描述：变量平滑处理方法 您的答案：A 题目分数：10 此题得分：10.0
二、多项选择题 4. 若采用最简单常用的多变量分析模型，也就是线性回归模型时， 当出现下述哪种情况时，选择备选模型，并对其进行手工调整 （）。 A. 统计模型结果和专家经验判断严重背离 B. 对于特定资产组合缺乏充分的数据积累 C. 开发样本的代表性较差 D. 定性指标权重显著高于定量指标权重 描述：多变量分析 您的答案：A,C,D,B 题目分数：10 此题得分：10.0 5. 在单变量分析中，为实现变量同一量纲，达到变量间可比进行 变量转换。另外，通过转换还可以将连续变量离散化，进一步平滑噪音，提高运算效率，常见方法有（）。 A. Logistic转换 B. WOE转换 C. 极差化处理 D. LOESS回归 描述：单变量分析-变量转换 您的答案：B,A,C 题目分数：10 此题得分：10.0 6. 单变量分析包括（）。 A. 缺失值和异常值处理 B. 变量转换 C. 区分能力分析 D. Logistic回归 描述：单变量分析-变量转换 您的答案：A,C,B 题目分数：10 此题得分：10.0 三、判断题
企业信用风险评估模型分析
企业信用风险评估模型 企业信用风险评估是构建社会信用体系的重要构成要素，也是企业信用风险管理的 核心环节。企业信用风险评估涉及四个基本的概念，即信用、信用风险、信用风险管理以及信用风险评估。本节重点为厘清基本概念，并介绍相关企业信用风险评估操作。 I —、企业信用风险评估概念 企业信用风险评估是对企业信用情况进行综合评定的过程，是利用各种评估方法，分析受评企业信用关系中的履约趋势、偿债能力、信用状况、可信程度并进行公正审查和评估的活动。 信用风险评估具体内容包括在收集企业历史样本数据的基础之上，运用数理统计方法与各种数学建模方法构建统计模型与数学模型，从而对信用主体的信用风险大小进行量化测度。 I 二、企业信用风险评估模型构建 (一）信用分析瘼型概述 — 在信用风险评估过程中所使用的工具——信用分析模型可以分为两类，预测性模型和管理性模型。预测性模型用于预测客户前景，衡量客户破产的可能性；管理性模型不具有预测性，它偏重于均衡地揭示和理解客户信息，从而衡量客户实力。 计分模型 Altman的Z计分模型是建立在单变量度量指标的比率水平和绝对水平基础上的多变量模型。这个模型能够较好地区分破产企业和非破产企业。在评级的对象濒临破产时，Z 计分模型就会呈现出这些企业与基础良好企业的不同财务比率和财务趋势。 2.巴萨利模型
巴萨利模型（Bathory模型）是以其发明者Alexander Bathory的名字命名的客户资信分析模型。此模型适用于所有的行业，不需要复杂的计算。其主要的比率为税前利润/营运资本、股东权益/流动负债、有形资产净值/负债总额、营运资本/总资产。 Z计分模型和巴萨利模型均属于预测性模型。 3.营运资产分析模型 营运资产分析模型同巴萨利模型一样具有多种功能，其所需要的资料可以从一般的财务报表中直接取得。营运资产分析模型的分析过程分为两个基本的阶段：第一阶段是计算营运资产（working worth);第二阶段是资产负债表比率的计算。从评估值的计算公式中可以看出，营运资产分析模型流动比率越高越好，而资本结构比率越低越好。 《 营运资产分析模型是管理性模型，与预测性模型不同，它着重于流动性与资本结构比率的分析。由于净资产值中包含留存收益，因而营运资产分析可以反映企业的业绩。 □第三章企业征信业务 又因为该模型不需要精确的业绩资料，可以有效地适用于调整后的账目。通过营运资产和资产负债表比率的计算，确定了衡量企业规模大小的标准，并对资产负债表的评估方法进行了考察，可以确定适当的信用限额。 4.特征分析模型 特征分析模型采用特征分析技术对客户所有财务和非财务因素进行归纳分析；从客户的种种特征中选择出对信用分析意义最大、直接与客户信用状况相联系的若干特征，把它们编为几组，分别对这些因素评分并综合分析，最后得到一个较为全面的分析结果。 (二）企业信用风险评估模型构建① 1.预测性风险模型构建——Z计分模型
信用风险量化模型
银行风险量化评级模型 银行根据巴塞尔新资本协议对内部评级法的要求及借鉴国际银行业经验，采用信用风险评级模型，通过此模型测算客户违约概率、违约损失率等风险参数。 将客户信用等级分为三等九级，即AAA、AA、A、BBB、BB、B、CCC、CC、C级。从AAA级到C级风险逐及递增。在内部评级结果运用于确定授信额度上，表现为授信额度以企业净资产为基数，乘以一个与企业评级相对应的信用系数；客户信用等级高，对应的信用系数大，则相应的授信额度就高；客户信用等级低，对应的信用系数小，则相应的授信额度就低。内部评级结果除了影响授信额度外，还被用于进行简单的贷款定价，如某银行将借款人评级等级与贷款利率浮动水平联系起来，信用等级高的借款人其贷款利率在基准利率的基础上下浮动，等级越高，下浮幅度越大；信用等级低的借款人其贷款利率在基准利率的基础上上浮，等级越低，上浮幅度越大，从而起到覆盖风险成本的作用。 通过建立有效的程序来获得和更新有关借款人财务状况和贷款特性的重要信息，并在掌握重要信息的基础上及时更新借款人评级，对可能影响借款人违约概率、违约损失率的因素进行持续监测，并根据掌握的信息对客户和业务进行重
新评级。同时，独立部门必须至少每年检查一次银行评级体系及其运行状况，包括信用风险控制职能的运作和对违约概率、违约损失率等风险要素的估计。 在开发评级模型和评级系统等“硬件”设施的同时，设计了内部评级体系运行的组织架构，明确了风险管理、信贷等有关部门的职能分工，从管理制度等“软件”方面保证评级体系的正常运行。内部评级体系的运行由风险管理部、信贷经营部、合规部三个部门分工合作完成，其中风险管理部门负责制定客户信用评级办法，组织专家对信用评级的指标体系、模型方法和参数标准进行论证，负责设计、开发、维护评级系统；信贷部门负责确定评级人员，组织、推进和实施客户信用评级；合规部门则负责指导、检查和监督信用等级审定工作。
个人信贷风险评估模型建立
个人信贷风险评估模型 建立 Company number：【WTUT-WT88Y-W8BBGB-BWYTT-19998】
个人信贷风险评估模型建立 摘要 随着我国商业银行个人消费贷款突飞猛进的发展，总量和规模与日俱增，个人消费贷款违约事件也屡见不鲜，因此商业银行个人消费贷款客户的信用评价也更显重要。 本文通过合理假设数学模型，研究确定银行个人信贷风险的评估标准。在实际中，影响贷款风险性的因素涉及很多方面，我们在题目中所给因素的基础上，选择和添加了十组较为重要的影响因素，并对其进行量化处理。 论文内容可分为三个层次：首先，我们在对大量真实样本数据分析的基础上，确定了信贷风险评分中十项影响因素的取值，并通过矩阵运算、程序设计、均值算法、数据统计、方程求解等方法，确定了各项指标的评分系数，进而最终确定了评估个人信贷风险的评分函数；其次，在确定评分函数的基础上计算贷款评分的临界值，并依次对客户进行信用评分等级划分；最后，随机选择了十位客户的数据进行检验，得出通过建立的评估模型和所求的数据与实际情况基本一致，且具有简便、易用的特点。 一、问题的提出 2008年9月美国金融市场风云再起，雷曼兄弟控股公司破产，美洲银行收购美林集团和AIG集团陷入危机。由此引发了美国金融市场的强烈震撼，并在国际金融市场掀起滔天巨浪，旷日持久的美国次贷危机中与演变成一场严峻的全球经济危机，未及一年多来，贸易骤减，企业倒闭，失业增加，各国经济特别是发达国家的经济呈现出一片萧条的景象。 “古为今用，史为实用”。前车之鉴，反思效实。所以，次贷风险的度量和防范就成为当前一个重要研究内容，而次贷风险的防范应该从信贷开始。因此，研究分析银行的客户信用程度，偿还能力等指标对银行的更好运作有着举足轻重的作用。 二、问题分析 中国人民银行颁布的《关于开展个人消费信贷指导意见》中要求各中资商业银行加大对消费贷款的支持力度，刺激消费从而带动经济发展。个人消费贷款将成为银行贷款投向的一个重点，但是消费贷款不同于其他贷款，其客户分散，贷款规模较小，且笔数多，成本高，风险远远高于其他贷款。所以银行应当加强消费信贷风险管理，建立健全信贷风险管理机制及评分标准，以保证贷款的安全性。而对贷款进行风险评估和量化研究则是银行信贷风险管理的一个必要手段。
商业银行信用风险管理
XX大学 大数据时代下商业银行信 用风险管理 XXX论文 XXX 2012/12/23
大数据时代下商业银行信用风险管理 摘要美国次贷危机引发了大数据时代下商业银行信用风险管理的反思。信用风险是银行业面对的主要风险之一，如何有效地度量和管理信用风险是银行风险 管理者尤为关注的问题，本文简要介绍了传统的信用风险度量方法和现代信 用风险度量模型，在此基础上提出基于新巴塞尔协议的商业银行信用风险管 理和基于信用衍生产品的商业银行信用风险管理方法，以期对我国商业银行 信用风险管理有所启示。 关键词次贷危机，信用风险传染，信用风险，信用风险度量，信用风险管理 一．引言 从单一的信贷市场风波发展为全球性金融危机造成美国次贷危机破坏力一再升级，房地美和房利美被美国政府强行“国有化”，雷曼兄弟申请破产，美林被收购，高盛和摩根史丹利转型为银行控股公司，美国最大储蓄银行华盛顿互惠银行被收购。关键是信用风险的大爆发，动摇了金融体系稳定的基础。此次危机是因债券市场和衍生品市场引发的，但其基础却是美国的次级住房按揭贷款，导火索和根源都是贷款这个基础资产的风险集中爆发。 首先，信用社会的基础要求当事人有足够的动力来履约，但这一基础被削弱了。第二，信贷消费成为普遍的生活方式和经济特征，加深了信用风险的影响程度，第三，金融机构房地产信贷的过快增长和信贷标准降低，导致信用风险过快积累并最终爆发。仅有上述两项还不足以形成全面的信用风险，信贷过快膨胀和信贷条件不断降低才造就了引爆危机的充分条件。 信用风险传染可能会导致大面积的信用风险违约，引发严重的金融事件。目前美国次级债券市场危机既可以看做一种信用风险传统的结果：房屋贷款者违约使得贷款回收困难，导致以贷款为基础的衍生品包括各种产品价格下降进而导致投资基金亏损甚至破产，市场信心也可能被破坏。 因此可见，信用风险是银行业面对的主要风险之一，如何有效地度量和管理信用风险是银行风险管理者尤为关注的问题。 二．银行信用风险的产生
信用风险评估方法及其比较
信用风险评估方法及其比较 本篇论文目录导航： 【题目】中国网络保险信用风险的控制研究 【第一章】网络保险信用风险防控分析绪论 【第二章】网络保险信用风险的影响因素及其作用机理 【第三章】信用风险评估方法及其比较 【4.1 - 4.3】网络保险信用风险度量模型的构建 【4.4 4.5】信用风险Logit回归结果与多元线性回归分析 【结论/参考文献】网络保险信用风险的管理研究结论与参考文献 第三章信用风险评估方法及其比较 3.1 信用风险评估的概念 所谓的信用风险评估是指找出一些可能引起信用风险的因素，并利用定量和定性的方法对这些因素进行系统的分析，找出其中引起信用风险的最主要的影响因素，或者是直接运用相关的计量模型来计算出发生信用风险的概率，例如，如果通过相关模型找出某一企业的违约概率很大，那么担保机构就不会为该企业担保，银行也不会为该企业贷款。之所以有信用风险的评估，实际上的主要目的对评估对象的违约风险进行预测，也就是为了控制信用风险。对保险公司来说，
信用风险评估主要是对投保人来说的，如果说投保人的信用风险较高，可能收取的保费就比较多，反之如果投保人的信用较好可能降低该投保人的保费，也就是说，保险公司一般都会利用科学的信用评级方法，对投保人的信用状况进行合理的评估来降低信用风险，但是随着网络保险的发展，保险公司面临的信用风险发生了一些转变，一般的信用评级方法已不在适合于网络保险业务。网络保险的信用风险评估就是以一般保险公司的信用评估理论为基础，利用针对网络保险设计的评估模型，对在互联网上投保人的信用状况进行评估。 3.2 信用风险的评估方法 3.2.1 传统评估方法 由于市场经济的发展，人们对于市场信用风险评估方法的研究也比较早，随着市场经济的不断变化，人们对于信用风险的评估方法也在不断地改进和创新。经过多年的发展，如今存在着多种信用评估方法，本文将那些较早出现的信用评估方法称为传统的信用评估方法，与之相对应的就称为现代评估方法。并且由于信用评估方法的种类较多，本文就不一一都做介绍，只对那些影响力较大、较为典型的几种评估方法做出描述。 （1）专家系统法。所谓的专家系统法，就是一些掌握着专业的知识和具有丰富的经验的高素质人才组成的评估团队，他们利用他们的专业知识和工作经验，以及一些统计分析工具对信用风险的评估对象进行主观上的分析判断，它是过去应用最为广泛的一种信用风险分析方法，对如今的一些信用风险分析方法产生了深远的影响。在专
信用风险的分析与计量
试题 一、单项选择题 1. 境内证券公司在开展场外股权衍生品业务的时候，所签署的协议为（）。 A. NAFMII B. SAC C. ISDA D. GMRA E. 衍生品协议 描述：交易对手信用风险 您的答案：B 题目分数：10 此题得分：10.0 2. 风险管理的主要流程不包括（）。 A. 风险识别 B. 风险计量 C. 风险提示 D. 风险控制 E. 风险报告 描述：金融市场和风险管理-风险管理流程 您的答案：B 题目分数：10 此题得分：0.0 二、多项选择题 3. 证券公司在日常的业务开展过程中，会遇到哪些类风险（） A. 市场风险 B. 信用风险 C. 操作风险 D. 流动性风险 描述：金融市场和风险管理-风险类型 您的答案：A,D,B,C 题目分数：10 此题得分：10.0 4. 在信用风险计量过程中，期望损失涉及到的风险因子包括（）。 A. 违约率(PD) B. 违约损失率(LGD)
C. 久期(D) D. 经济资本（EC） E. 违约风险暴露(EAD) 描述：信用风险度量 您的答案：A,B,E 题目分数：10 此题得分：10.0 5. 国内金融机构在信用风险管理过程中遇到的问题有（）。 A. 违约事件少，缺乏相应的处置经验 B. 法律不完善，对违约，破产过程中非违约方的保护不明确 C. 由于复杂的担保关系，交易对手资质难以确认 D. 国内交易对手协议的内容需要进一步标准化 E. 交易对手账户内的资金无法做到隔离 描述：信用风险管理展望 您的答案：E,A,D,B,C 题目分数：10 此题得分：10.0 6. 信用风险的主要分类有（）。 A. 交易对手信用风险 B. 贷款信用风险 C. 发行人信用风险 D. 法律风险 E. 声誉风险 描述：信用风险概述 您的答案：B,A 题目分数：10 此题得分：10.0 7. 衍生产品违约风险敞口包括（）。 A. 期望风险敞口(Expected Exposure) B. 期望正风险敞口(Expected Positive Exposure) C. 期望负风险敞口(Expected Negative Exposure) D. 最大可能风险敞口(Maximum Likely Exposure) E. 未来可能风险敞口(Potential Future Exposure) 描述：信用风险度量 您的答案：B,A,E,D 题目分数：10 此题得分：10.0 8. 发行人信用风险缓释方法包括如下哪些（）。
客户信用分析模型型剖析
客户信用分析模型（Z计分模型、巴萨利模型等） 客户信用分析模型 客户信用分模型分为两类：预测模型和管理模型。预测模型用于预测客户前景，衡量客户破产的可能性，Z计分模型和巴萨利模型属于此类，两者都以预测客户破产的可能性为目标。 客户信用分析之预测模型－Z计分模型 信用评分法的基本思想是，财务指标反映了企业的信用状况，通过对企业主要财务指标的分析和模拟，可以预测企业破产的可能性，从而预测企业的信用风险。最初的Z计分模型由 Altman在1968年构造。 其中：Z1主要适用于上市公司，Z2适用于非上市公司，Z3适用于非制造企业。 Z1＝1.2*X1 + 1.4*X2 + 3.3*X3 + 0.6*X4 + 0.999*X5 其中 X1 ＝（流动资产-流动负债）/资产总额 X2 ＝留存收益/资产总额 X3 ＝（利润总额+利息支出）/资产总额 X4 ＝权益市场值/负债总额 X5 ＝销售收入/总资产 一般地，Z值越低企业越有可能破产。如果企业的Z值大于2.675，则表明企业的财务状况良好，发生破产的可能性较低。反之，若Z值小于1.81，则企业存在很大的破产风险。如果Z值处于两者之间，则企业的财务状况非常不稳定。 Z2＝0.717*Xl + 0.847*X2 + 3.107*X3 + 0.420*X4 + 0.998*X5 其中 X1 ＝（流动资产一流动负债）/资产总额 X2 ＝未分配利润/资产总额 X3 ＝（利润总额+利息支出）/资产总额 X4 ＝权益/负债总额 X5 ＝销售收入/总资产 Z3＝6.56*X1 + 3.26*X2 + 6.72*X3 + 1.05*X4 其中 X1 ＝（流动资产-流动负债）/资产总额 X2 ＝未分配利润/资产总额 X3 ＝（利润总额+折旧+摊销+利息支出）/资产总额 X4 ＝所有者权益/负债总额 Altman认为，根据上述公式计算的Z值，如果Z小于1.23，风险很大；Z大于2.9风险较 小。
商业银行信用风险预警模型
商业银行信用风险预警支持模型及其系统 一?引言 商业银行是经营风险的组织,能否很好地管理信用风险将关系到商业银行的生存和发展?现有对信用风险管理的研究,不论是5C法?Z-Score还是KVM模型等,都倾向判断信用风险的大小?这些研究的方向沿着“逐步求精”的思想,从判别 信用风险的相对大小到判别信用风险的绝对大小?然而,信用风险的大小是内外 部环境不断变化的,具有易变性;同时它也随时间而不断变化,具有时变性?虽然,对单一时间点信用风险的研究在信用风险研究中,可以度量及比较信用风险的大小,但在商业银行信用风险管理的实务中,还需要解决什么时间?由什么依据决定需要对信用风险进行度量,以及对度量结果采取怎样避险措施的问题? 对预警(Early-Warning)的研究最早来源于军事,指通过预警飞机?预警雷达等工具提前发现?分析和判断敌人的进攻信号,并把这种信号的威胁程度 传递给指挥部门,以提前采取应对措施?在经济领域,穆尔首先采用多种指标综合方法构建美国宏观经济预警系统?在信用风险管理方面,首先将信用风险预警和 将预警系统(EWS)的概念应用到信用风险管理的是Fisk,预警被认为是对风险的提前预测?将预警理论应用到信用风险预警,现有的研究大多集中在对单一时间点?信用风险大小转化成预警级别的研究,如基于人工神经网络的信用风险预警?基于灰色模型的信用风险预警等等?这些研究从本质上看都是对信用风险度量方法的应用和延伸,缺乏对信用风险整个生命周期内预警的研究? 本文通过对商业银行信用风险生命周期的研究,结合企业预警理论,研究商 业银行信用风险预警的三个阶段,在分析商业银行信用风险预警各个阶段的目标和实现步骤的基础上,研究信用风险预警的概念模型,最后运用系统分析的方法,研究商业银行信用风险预警支持系统的系统结构? 二?信用风险的生命周期和信用风险预警的过程 传统的信用风险定义为包括借款人?债券发行人或金融交易对方在内的交易对手由于各种原因不能完全履约致使金融机构?投资人或交易对方遭受损失的可能性?从狭义上讲,信用风险就指信贷风险?通过对风险概念的梳理,从风险承担 者(即商业银行)的角度来看,信用风险即由于交易对手是否违约的最终结果和商业银行认为交易对手是否违约之间的偏差,这种差异可能对商业银行造成损失? 信贷交易是产生信用风险的一种交易,商业银行的交易对手即贷款人?根据 贷款人借贷的实际情况,对一个贷款人信用风险产生到结束的时间阶段可以用图1表示?该过程一直持续到借贷合同到期,贷款人做出是否违约的决策为止,即信贷交易信用风险的生命周期?在生命周期内,商业银行如果始终认为贷款人一定
个人信用卡申请风险评估模型
申请风险评估模型是指通过对消费信贷申请人的资信状况进行评估来预测其未来严重拖欠和坏账概率的模型。申请风险评估模型在信贷风险管理中有着非常重要的作用，因为其评估结果是信贷审批的主要依据之一。 与国外银行信用卡业务相比，我国各商业银行的信用卡业务的风险管理水平较低，管理手段与方法比较落后。缺乏一套有效的申请评估方法是阻碍个人信用卡业务进一步开展的主要因素之一。如何提高我国商业银行信用卡的信用风险管理水平，从而提高信用卡的盈利能力，使其在与外资银行的竞争中处于不败之地是本文的出发点。本文尝试利用层析分析法(AHP)和BP 神经网络相结合的组合评价方法对信用卡申办人进行信用等级评估，寻求降低信用卡的信用风险的有效措施。 一、AHP -BP 神经网络模型 1.模型构建的出发点 传统的B P 神经网络模型研究的重点是围绕着如何确定网络的输入、输出层维数的建模问题。然而，当研究复杂系统建模时，由于影响因素过多，不能确定冗余因素和有用因素，不能将输入的因素简化，这样在输入信息空间 维数较大时，网络不仅结构复杂，而且训练时间也很长，从而降低网络性能，影响计算准确度。因此，本文尝试利用层析分析法作为B P 神经网络的前处理，通过已有的专家判断、比较、评价等手段将多个变量的重要程度数量化，以其结果作为B P 神经网络的输入值，以减小B P 神经网络的结构的复杂性，从而缩短训练时间，并充分利用B P 神经网络强大的容错能力和抗干扰能力，提高模型的效率。 2.两种方法集成的可行性分析 以往国内商业银行对信用风险评估相关的数据重视不足，造成有效信息的缺失，而A H P -B P 神经网络模型仍具有神经网络采用分布式存储结构的特点，具有很强的容错能力，少量单元的局部缺损不会造成整个网络的瘫痪，适合实际操作。 信用卡风险评估是一个较为复杂的过程，涉及各方面 的因素，而且各影响因素与衡量结果之间并不完全是线性关系。而A H P -B P 神经网络模型具有很强的非线性映射能力。AHP -BP 神经网络模型自适应能力强，能不断地接受新样本、不断学习，以调整模型。商业银行以不断更新滚动数据训练模型，使评估结果更符合实际，形成动态评估过程(见图1)。 福州大学管理学院 许速群 张岐山 杨美英 申请风险评估模型 信用卡个人
[财务管理]CSFP信用风险附加模型
CSFP信用风险附加模型（CSFP Credit Risk Plus Model）CSFP信用风险附加模型概述 基于保险思想的CSFP信用风险附加模型。瑞士信贷银行开发的信用风险附加模型，与家庭火险的财产险承保人在为确定保险费时所使用的模型相似。其重点度量在违约和不违约两种状态下的预期到的损失或未预期到的损失，是一个违约模式模型(DM)。 CSFP信用风险附加模型不把信用评级的升降和与此相关的信用价差变化视为一笔贷款的VAR(信用风险)的一部分，而只看作是市场风险，它在任何时期只考虑违约和不违约这两种事件状态，计量预期到和未预期到的损失。在CSFP信用风险附加计量模型中，违约概率不再是离散的，而被模型化为具有一定概率分布的连续变量。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。CSFP信用风险附加计量模型考虑违约概率的不确定性和损失大小的不确定性，并将损失的严重性和贷款的风险暴露数量划分频段，计量违约概率和损失大小可以得出不同频段损失的分布，对所有频段的损失加总即为贷款组合的损失分布。 CSFP信模型、KMV模型及Credit Metrics模型的区别 1.在风险的界定方面 Credit Metrics模型属于盯市模型(MTM)；CSFP信用风险附加计量模型属于违约模型(DM)；而KMV模型既可被当作MTM模型，也可被当作DM模型。 2.在风险驱动因素方面 在KMV模型和Credit Metrics模型中，风险驱动因素是企业资产价值及其波动性；而在CSFP信用风险附加计量模型中，关键的风险驱动因素是经济中可变的违约率均值。 3.在信用事件的波动性方面 在Credit Metrics模型中，违约概率被模型化为基于历史数据的固定的或离散的值；而在KMV模型和CSFP信用风险附加计量模型中，违约概率是可变的，但服从于不同的概率分布。 4.在信用事件的相关性方面 各模型具有不同的相关性结构，KMV模型和Credit Metrics模型是多变量正态；而CSFP信用风险附加计量模型是独立假定或与预期违约率的相关性。 5.在回收率方面 在KMV模型的简单形式中，回收率是不变的常数；在CSFP信用风险附加计量模型中，损失的严重程度被凑成整数并划分为不同的频段，在频段内回收率是不变的； 6.在计量方法方面
信用风险量化的4种模型
信贷风险管理的信用评级方法 信贷风险管理的新方法 信贷风险管理是当今金融领域的一个重要课题。银行在贷款或贷款组合的风险度量中特别注意运用信贷风险管理的工具。除了专家系统、评分系统和信用打分系统等传统方法外，新的信贷风险管理方法主要有KMV模型、JP摩根的VAR模型、RORAC模型和EVA模型。 1、KMV——以股价为基础的信用风险模型 历史上，银行在贷款决策时，曾经长时间忽视股票的市价。 KMV模型基于这样一个假设——公司股票价格的变化为企业信用度的评估提供了可靠的依据。从而，贷款银行就可以用这个重要的风险管理工具去处理金融市场上遇到的问题了。尽管很少有银行在贷款定价中将KMV模型作为唯一的信用风险指示器，但非常多的银行将其用为信贷风险等级的早期报警工具。 KMV实际上是一个度量违约风险的期权模型，是由买入期权推演而来的。 KMV扭转了看待银行贷款问题的视角，从借款企业的普通股持有者的视角来看贷款偿还(回报)的激励问题。信用中国https://www.wendangku.net/doc/cc3563364.html, 我们共同打造换句话说，它将持有普通股视为与持有一家公司资产的买入期权相同。基本原理如图所示： （1）KMV是如何工作的？ 假设普通股持有者拥有公开交易公孙的股票，公司债务是一张一年期的单一贴现票据（single discount note）,票面价值是B.上图显示的是从普通股持有者方面来看的贷款偿还问题。 在图中，若公司资产的价值跌到OB以下（以左，如OA1）,股的持有者就不会偿还那个等于OB的债务。当然，如果选择违约，他就必须将对公司资产的控制权转让给贷款银行，公司所有者的普通股就一文不值了。然而，若公司资产的价值是OA2，公司就会偿还债务OB，而保留其余的价值BA2.在KMV模型中，公司债务的票面价值B就是买入期权中的约定价格。可以看到公司的风险底线（downside risk）被限制在OL，因为“有限责任”保护了普通股的持有人。从而，对一个好公司的股票持有者的回报有一个有限的底线和一个无限延长的上限。 KMV从贷款于期权之间的这种联系之中得到了EDF模型（估计违约频率模型）。以下对EDF作简要介绍。 使用前面描述的期权方法，普通股的市场价值可以用一个买入期权的价值来评估，模型如下： E=f(A，，r，B，ζ) (1) 其中：公司资产的市场价值(A)及其市场价值的波动( )，不能直接观察到，是由公司股票的市场价值及其波动和公司债务的账面价值估计的；公司的违约发生点(B)是短期债务的全部价值加上长期未偿付债务的一半价值之和；贷款的到期
中小企业信用风险评估模型比较
［提要］本文立足于我国中小企业融资难现状，从中小企业产业特点出发，在比较分析国内外信用风险度量技术的基础上，借鉴先进的信用风险度量方法，为金融机构提出切实可行的信用风险识别评估模型组合，以破解中小企业融资难困境。 关键词：中小企业；信用风险；模型 中图分类号：Ｆ２７文献标识码：Ａ 收录日期：２０１４年７月３日 引言 作为市场经济的活力之源，中小企业支撑着国民经济“半壁江山”。随着近年外部市场及金融环境趋紧，中小企业发展面临诸多挑战，最突出的就是信用风险导致的融资困难。中小企业融资渠道狭窄，银行信贷是其主要融资渠道，但由于信息不对称造成的逆向选择和道德风险，使银行对中小企业有惜贷趋势。因此，破解中小企业融资困难的关键首先在于完善中小企业各类信用数据库，为银行信贷提供数据支撑；其次要立足国情，学习先进测量技术，开发适合中小企业特点的信用风险度量方法，构建信用风险识别、评估模型，系统评价企业信用风险，改变企业与银行信息不对称的现状，破解中小企业融资困境。信息系统的建设与共享是一项长期而艰巨的任务，目前我国已经认识到数据库在中小企业信用风险管理中的重要性，人行征信中心的企业信用信息数据库已经逐渐成熟，司法、环保、社保、质检等中小企业信用数据已经逐步共享完善。所以，目前当务之急是合理设计中小企业信用评价模型，为银行信贷提供技术支持，降低信用风险。 一、传统信用风险度量模型分析 传统信用风险分析评估方法已相当成熟，在国内外银行信贷决策中应用较多，主要包含专家制度法、信用评级法、信用评分法。 （一）专家制度法。20世纪70年代前，企业信用风险评估主要是银行专家依据品格、资本、偿付能力、抵押品、经济周期等5C要素进行主观判断，后来衍生出5P模型（个人因素、目的因素、偿还因素、保障因素、前景因素）和5W模型（借款人、借款用途、还款期限、担保物、如何还款）。纵观这三种模型，都是定性分析，无法量化风险水平，而且严重依赖专家的主观判断，这会造成银行信贷决策官僚主义作风盛行，降低银行在金融市场中的应变能力，同时专家制度在对借款人进行信用分析时，难以确定共同遵循的标准，造成信用评估的随意性和不一致性。 （二）信用评级法。信用评级法是美货币监理署开发的，该方法将现有贷款安全级别分为5类：正常类、关注类、次级类、可疑类、损失类，后来细化为10类：AAA、AA、A、BBB、BB、B、CCC、CC、C、D（标注普尔）。评级后再根据级别提取不同贷款准备金率。 （三）信用评分法。和前两种方法相比，信用评分法是一个量化法，最著名的模型就是Z计分模型（Z-score）：它的基本思想是利用数理统计中的辨别方法分析银行的贷款情况，建立一个可以在最大程度上区分信贷风险度的模型，得到最能够反映借款人的财务状况的好坏，具有预测和分析价值的比率，从而对企业进行信用风险状况评估。模型如下： Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 变量解释： X1=流动资本/总资产；X2=留存收益/总资产；X3=息税前收益/总资产；X4=优先股和普通股市值/总负债；X5=销售额/总资产=主营业务收入净额/总资产。 判断准则： Z<1.8，财务状况较差，信用风险高，拒绝贷款；1.8≤Z≤2.99，为灰色区，误判的概率较大；2.99