信用分析（銀行對借款人還款能力的調查）

概述

信用分析是對債務(wù)人的道德品格、資本實(shí)力、還款能力、擔保及環(huán)境條件等進(jìn)行系統分析，以確定是否給與貸款及相應的貸款條件。

古典方法

因此，在信貸決策過(guò)程中，信貸管理人員的專(zhuān)業(yè)知識、主觀(guān)判斷以及某些要考慮的關(guān)鍵要素權重均為最重要的決定因素。

在專(zhuān)家制度法下，絕大多數銀行都將重點(diǎn)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（capital or cash）、擔保（collateral）、經(jīng)營(yíng)條件或商業(yè)周期（condition）。也有些銀行將信用分析的內容歸納為“5w”或“5p”。“5w”系指借款人（who）、借款用途（why）、還款期限（when）、擔保物（what）、如何還款（how）；“5p”系指個(gè)人因素（personal）、目的因素（purpose）、償還因素（payment）、保障因素（protection）、前景因素（perspective）。這種方法的缺陷是主觀(guān)性太強，只能作為一種輔助性信用分析工具。

特征分析模型是目前在國外信用管理模型中應用較為普遍的一種新的信用分析工具，本質(zhì)上它也屬于傳統的信用分析和評價(jià)方法。該模型的主要用途就是對客戶(hù)的資信狀況做出綜合性的評價(jià)，并以定量化的方式，對客戶(hù)的授信做出評定。

它是從客戶(hù)的種種特征中選擇出對信用分析意義最大、直接與客戶(hù)信用狀況相聯(lián)系的若干因素，將其編為幾組，分別對這些因素評分并綜合分析，最后得到一個(gè)較為全面的分析結果。目前，特征分析方法主要由信用調查機構和企業(yè)內部信用管理部門(mén)使用。

貸款評級分類(lèi)模型是金融機構在美國貨幣監理署（occ）最早開(kāi)發(fā)的評級系統基礎上拓展而來(lái)，occ對貸款組合分為正常、關(guān)注、次級、可疑、損失等5類(lèi)，并要求對不同的貸款提取不同比例的損失準備金以彌補貸款損失。

在我國，1998年以前各商業(yè)銀行貸款分類(lèi)的方法一直沿用財政部《金融保險企業(yè)財務(wù)制度》的規定，把貸款分為正常、逾期、呆滯、呆賬四類(lèi)，后三類(lèi)合稱(chēng)不良貸款，簡(jiǎn)稱(chēng)“一逾兩呆法”。這一方法低估了不良貸款，因為它沒(méi)包括仍支付利息尚未展期的高風(fēng)險貸款。

1998年我國開(kāi)始借鑒國際監管經(jīng)驗，對貸款分類(lèi)進(jìn)行改革，按照風(fēng)險程度將貸款劃分為正常、關(guān)注、次級、可疑、損失五類(lèi)，即五級分類(lèi)方法。2003年12月中國銀監會(huì )發(fā)布文件決定自2004年1月1日起，我國所有經(jīng)營(yíng)信貸業(yè)務(wù)的金融機構正式實(shí)施貸款五級分類(lèi)制度。

信用評分方法是對反映借款人經(jīng)濟狀況或影響借款人信用狀況的若干指標賦予一定權重，通過(guò)某些特定方法得到信用綜合分值或違約概率值，并將其與基準值相比來(lái)決定是否給予貸款以及貸款定價(jià)，其代表為z計分模型。

z計分模型是Altman1968年提出的以財務(wù)比率為基礎的多變量模型。該模型運用多元判別分析法，通過(guò)分析一組變量，使其在組內差異最小化的同時(shí)實(shí)現組間差異最大化，在此過(guò)程中要根據統計標準選入或舍去備選變量，從而得出z判別函數。

根據z值的大小同衡量標準相比，從而區分破產(chǎn)公司和非破產(chǎn)公司。1995年，對于非上市公司，Altman對z模型進(jìn)行了修改，得到z′計分模型。Altman、Haldeman和Narayannan在1977年對原始的z計分模型進(jìn)行擴展，建立的第二代的zeta信用風(fēng)險模型。該模型在公司破產(chǎn)前5年即可有效劃分出將要破產(chǎn)的公司，其中破產(chǎn)前1年準確度大于90%，破產(chǎn)前5年的準確度大于70%。

新模型不僅適用于制造業(yè)，而且其有效性同樣適用于零售業(yè)。上述兩種模型中，zeta分類(lèi)準確度比z計分模型高，特別是破產(chǎn)前較長(cháng)時(shí)間的預測準確度相對較高。由于方法簡(jiǎn)便、成本低、效果佳，上述方法應用十分廣泛。

值得注意的是該類(lèi)模型構建中的數理方法，綜合以來(lái)，主要有以下幾種：

1．判別分析法（discriminant analysis）

判別分析法（discriminant analysis，簡(jiǎn)稱(chēng)DA）是根據觀(guān)察到的一些統計數字特征，對客觀(guān)事物進(jìn)行分類(lèi)，以確定事物的類(lèi)別。它的特點(diǎn)是已經(jīng)掌握了歷史上每個(gè)類(lèi)別的若干樣本，總結出分類(lèi)的規律性，建立判別公式。當遇到新的事物時(shí)，只要根據總結出來(lái)的判別公式，就能判別事物所屬的類(lèi)別。

da的關(guān)鍵就在于建立判別函數。目前，統計學(xué)建立判別函數常用方法有：一是未知總體分布情況下，根據個(gè)體到各個(gè)總體的距離進(jìn)行判別的距離判別函數；二是已知總體分布的前提下求得平均誤判概率最小的分類(lèi)判別函數，也稱(chēng)距離判別函數，通常稱(chēng)為貝葉斯（bayes）判別函數；三是未知總體分布或未知總體分布函數前提下的根據費歇（fisher）準則得到的最優(yōu)線(xiàn)性判別函數。

2．多元判別分析法（multivariate discriminant analysis）

多元判別分析法（MDA）是除美國外的其他國家使用最多的統計方法。多元線(xiàn)性判別分析法，可以具體為一般判別分析（不考慮變量篩選）和定量資料的逐步判別分析（考慮變量篩選）。但應用多元判別分析（MDA）有三個(gè)主要假設：變量數據是正態(tài)分布的；各組的協(xié)方差是相同的；每組的均值向量、協(xié)方差矩陣、先驗概率和誤判代價(jià)是已知的。該種方法的不足之處是必須建立在大量的、可靠的歷史統計數據的基礎之上，這在發(fā)展中國家如中國是難以具備的前提條件。

3．logit分析判別方法

logit分析與判別分析法的本質(zhì)差異在于前者不要求滿(mǎn)足正態(tài)分布或等方差，從而消除了MDA模型的正態(tài)分布假定的局限性。其模型主要采用了logistic函數。

該模型的問(wèn)題在于當樣本點(diǎn)存在完全分離時(shí)，模型參數的最大似然估計可能不存在，模型的有效性值得懷疑，因此在正態(tài)的情況下不滿(mǎn)足其判別正確率高于判別分析法的結果。另外該方法對中間區域的判別敏感性較強，導致判別結果的不穩定。

4．神經(jīng)網(wǎng)絡(luò )分析法（artificial neural network，簡(jiǎn)稱(chēng)ANN）

神經(jīng)網(wǎng)絡(luò )分析法是從神經(jīng)心理學(xué)和認知科學(xué)研究成果出發(fā)，應用數學(xué)方法發(fā)展起來(lái)的一種具有高度并行計算能力、自學(xué)能力和容錯能力的處理方法。它能有效解決非正態(tài)分布、非線(xiàn)性的信用評估問(wèn)題，其結果介于0與1之間，在信用風(fēng)險的衡量下，即為違約概率。神經(jīng)網(wǎng)絡(luò )分析方法應用于信用風(fēng)險評估的優(yōu)點(diǎn)在于其無(wú)嚴格的假設限制且具有處理非線(xiàn)性問(wèn)題的能力。Altman、Marco和Varetto（1994）在對意大利公司財務(wù)危機預測中應用了神經(jīng)網(wǎng)絡(luò )分析法；Coats及Fant（1993）Trippi采用神經(jīng)網(wǎng)絡(luò )分析法分別對美國公司和銀行財務(wù)危機進(jìn)行預測，取得較好效果。然而，要得到一個(gè)較好的神經(jīng)網(wǎng)絡(luò )結構，需要人為隨機調試，需要耗費大量人力和時(shí)間，加之該方法結論沒(méi)有統計理論基礎，解釋性不強，所以應用受到很大限制。

5．聚類(lèi)分析法（cluster analysis）

聚類(lèi)分析（cluster analysis）屬于非參數統計方法。信用風(fēng)險分析中它根據由借款人的指標計算出的在樣本空間的距離，將其分類(lèi)。這種方法一個(gè)主要優(yōu)點(diǎn)是不要求總體的具體分布；可對變量采用名義尺度，次序尺度，因此該方法可用于定量研究，也可對現實(shí)中的無(wú)法用數值精確表述的屬性進(jìn)行分析。這很適用于信用風(fēng)險分析中按照定量指標（盈利比、速動(dòng)比等）和定性指標（管理水平、信用等級等）對并不服從一定分布特性的數據信息分類(lèi)的要求。例如，Lundy運用該方法對消費貸款申請者的典型信用申請數據及年齡、職業(yè)、婚否、居住條件進(jìn)行處理分成6類(lèi)并對每類(lèi)回歸評分，它不僅將借款人進(jìn)行有效的分類(lèi)而且幫助商業(yè)銀行確定貸款方式策略。

6．k近鄰判別法（k-Nearest Neighbor）

k近鄰判別法在一定距離概念下按照若干定量變量從樣本中選取與確定向量距離最短k個(gè)樣本為一組，適用于初始分布和數據采集范圍限制較少時(shí)，減小了以函數形式表達內容的要求。另外，knn通過(guò)將變量在樣本整體范圍內分為任意多決策區間，而近似樣本分布。

Tametal將之用于信用風(fēng)險分析，取馬氏距離，從流動(dòng)性、盈利性、資本質(zhì)量角度選出的19個(gè)變量指標，對樣本分類(lèi)，經(jīng)比較其分類(lèi)結果的準確性不如lda、lg以及神經(jīng)網(wǎng)絡(luò )。原因在于在同樣的樣本容量下，若對具體問(wèn)題的確存在特定的參數模型并可能找出時(shí)，非參數方法不及參數模型效率高。

7．層次分析法（AHP）

該方法強調人的思維判斷在決策過(guò)程中的作用，通過(guò)一定模式使決策思維過(guò)程規范化，它適用于定性與定量因素相結合、特別是定性因素起主導作用的問(wèn)題，企業(yè)信用等級綜合評價(jià)就是這種定性因素起主導作用的問(wèn)題。AHP法的基本步驟是：建立遞階層次結構，構造判斷矩陣，求此矩陣的最大特征根及其對應的特征向量，確定權重，并進(jìn)行一致性檢驗。

8．其他方法

此外還存在著(zhù)其他眾多的方法：probit法、因子－logistic法、模糊數學(xué)方法、混沌法及突變級數法、灰關(guān)聯(lián)熵、主成分分析綜合打分法、主成分分析與理想點(diǎn)的結合方法、原蟻群算法、數據包絡(luò )判別法等等。關(guān)于這些方法的應用，將在后面的實(shí)證部分進(jìn)行探討。

現代方法

20世紀80年代以來(lái)，受債務(wù)危機的影響，各國銀行普遍重視對信用風(fēng)險的管理和防范，工程化的思維和技術(shù)逐漸被運用于信用風(fēng)險管理的領(lǐng)域，產(chǎn)生了一系列成功的信用風(fēng)險量化管理模型。現代信用風(fēng)險的計量模型按其計量的風(fēng)險層次分為三種類(lèi)型：一是單個(gè)交易對手或發(fā)行人的計量模型，二是資產(chǎn)組合層次的計量模型，三是衍生工具的計量模型。

交易對手或發(fā)行人層次的計量模型

（一）基于期權定價(jià)技術(shù)的風(fēng)險計量模型。

Merton發(fā)現銀行以折現方式發(fā)放一筆面值為d的貸款所得到的支付和賣(mài)出一份執行價(jià)格d的看跌期權所得到的支付相等。因此有風(fēng)險貸款的價(jià)值就相當于一個(gè)面值為d的無(wú)違約風(fēng)險貸款的價(jià)值加上一個(gè)空頭賣(mài)權。貸款的賣(mài)權價(jià)值取決于5個(gè)變量，即企業(yè)資產(chǎn)的市場(chǎng)價(jià)值、企業(yè)資產(chǎn)的市場(chǎng)價(jià)值的波動(dòng)性、貼現貸款的面值、貸款的剩余期限以及無(wú)風(fēng)險利率。

基于企業(yè)的市場(chǎng)價(jià)值和其波動(dòng)性的不可觀(guān)測性，1995年美國KMV公司開(kāi)發(fā)了KMV模型，該模型又稱(chēng)為預期違約概率模型（expected default frequency，簡(jiǎn)稱(chēng)edf），模型使用企業(yè)股權的市場(chǎng)價(jià)值和資產(chǎn)的市場(chǎng)價(jià)值之間的結構性關(guān)系來(lái)計算企業(yè)資產(chǎn)的市場(chǎng)價(jià)值；使用企業(yè)資產(chǎn)的波動(dòng)性和企業(yè)股權的波動(dòng)性之間的結構關(guān)系來(lái)計算企業(yè)資產(chǎn)的波動(dòng)性，同時(shí)統計在一定標準差水平上的公司在一年內破產(chǎn)的比例，以此來(lái)衡量具有同樣標準差的公司的違約概率。

該模型是實(shí)際中應用最為廣泛的信用風(fēng)險模型之一。該模型理論依據在很多方面與Black-Scholes（1973），Merton（1974）以及Hull和White（1995）的期權定價(jià)方法相似。其基本思想是，當公司的價(jià)值下降至一定水平時(shí)，企業(yè)就會(huì )對其債務(wù)違約。根據有關(guān)分析，KMV發(fā)現違約最頻繁的分界點(diǎn)在公司價(jià)值等于流動(dòng)負債±長(cháng)期負債的50%時(shí)。有了公司在未來(lái)時(shí)刻的預期價(jià)值及此時(shí)的違約點(diǎn)，就可以確定公司價(jià)值下降百分之多少時(shí)即達到違約點(diǎn)。要達到違約點(diǎn)資產(chǎn)價(jià)值須下降的百分比對資產(chǎn)價(jià)值標準差的倍數稱(chēng)為違約距離。違約距離=（資產(chǎn)的預期價(jià)值－違約點(diǎn)）/資產(chǎn)的預期價(jià)值×資產(chǎn)值的波動(dòng)性。該方法具有比較充分的理論基礎，特別適用于上市公司信用風(fēng)險。

KMV模型的優(yōu)點(diǎn)在于其將違約與公司特征而不是公司的初始信用等級聯(lián)系在一起，使其對債務(wù)人質(zhì)量的變化更加敏感；同時(shí)，它通過(guò)股票價(jià)格來(lái)測算上市公司的預期違約概率，因而市場(chǎng)信息也能被反映在模型當中，使其具有一定的前瞻性，模型的預測能力較強；并且，由于該模型使用的變量都是市場(chǎng)驅動(dòng)的，表現出更大的時(shí)變性，因此持有期的選擇比信用度量術(shù)模型更加靈活。

（二）基于風(fēng)險價(jià)值var的信用度量模型。

var是指在正常的市場(chǎng)條件和給定的置信水平上，用于評估和計量金融資產(chǎn)在一定時(shí)期內可能遭受的最大價(jià)值損失。在計算金融工具的市場(chǎng)風(fēng)險的var時(shí)，關(guān)鍵的輸入變量是金融資產(chǎn)目前的市場(chǎng)價(jià)格和波動(dòng)性。由于貸款缺乏流動(dòng)性，因此貸款的市場(chǎng)價(jià)值和波動(dòng)性不能觀(guān)測。

JP Morgan（1997）銀行開(kāi)發(fā)了信用度量制（credit metrics?）系統，該系統解決了諸如貸款和私募等非交易性資產(chǎn)的估值和風(fēng)險計算。該方法基于借款人的信用評級、信用轉移矩陣、違約貸款的回收率、債券市場(chǎng)上的信用風(fēng)險價(jià)差計算出貸款的市場(chǎng)價(jià)值及其波動(dòng)性，推斷個(gè)別貸款或組合的var，從而對貸款和非交易資產(chǎn)進(jìn)行估價(jià)和信用風(fēng)險評價(jià)。

信用度量制模型的優(yōu)點(diǎn)在于其第一次將信用等級轉移、違約率、違約回收率、違約相關(guān)性納入了一個(gè)統一的框架來(lái)度量信用風(fēng)險。該模型適用于商業(yè)信用、債券、貸款、貸款承諾、信用證、以及市場(chǎng)工具（互換、遠期等）等信貸資產(chǎn)組合的風(fēng)險計量。但該模型在應用中存在以下問(wèn)題：違約率直接取自歷史數據平均值，但實(shí)證研究表明，違約率與宏觀(guān)經(jīng)濟狀況有直接關(guān)系，并非固定不變，假定資產(chǎn)收益服從正態(tài)分布，但實(shí)證研究表明實(shí)際分布多呈現厚尾特征；關(guān)于企業(yè)資產(chǎn)收益之間的相關(guān)度等于公司證券收益之間的相關(guān)度的假設有待驗證方法計算結果對于這一假定的敏感性很高。

（三）基于保險精算的creditrisk +系統。

Credit Suisse First Boston（CSFB，1997）銀行開(kāi)發(fā)的信用風(fēng)險附加（creditrisk +）系統的主導思想源于保險精算學(xué)，即損失決定于災害發(fā)生的頻率和災害發(fā)生時(shí)造成的損失或破壞程度，它不分析違約的原因，而且該模型也只針對違約風(fēng)險而不涉及轉移風(fēng)險，特別適于對含有大量中小規模貸款的貸款組合信用風(fēng)險分析。

該方法基于這樣一些假設：貸款組合中任何單項貸款發(fā)生違約與否是隨機的；每項貸款發(fā)生違約的可能性是獨立的，因而這個(gè)方法假設貸款組合中單項貸款的違約概率分布服從Possion分布。信用風(fēng)險附加模型的優(yōu)點(diǎn)在于，它只要求有限的輸入數據，基本上只有貸款組合中各組的貸款違約率、違約率波動(dòng)率和風(fēng)險暴露，因此貸款損失很容易計算。

（四）以宏觀(guān)模擬為基礎建立的Creditportfolio View系統。

該信用組合觀(guān)點(diǎn)系統由mckinsey公司開(kāi)發(fā)（Wilson，1997），它是一個(gè)違約風(fēng)險的宏觀(guān)經(jīng)濟模擬系統。由于商業(yè)周期因素影響違約的概率，麥肯錫公司將周期性的因素納入計量模型中，該系統在credit metrics的基礎上，對周期性因素進(jìn)行了處理，將評級轉移矩陣與經(jīng)濟增長(cháng)率、失業(yè)率、利率、匯率、政府支出等宏觀(guān)經(jīng)濟變量之間的關(guān)系方法化，并通過(guò)Monte Carlo法模擬周期性因素的“沖擊”來(lái)測定評級轉移概率的變化，分析宏觀(guān)經(jīng)濟形勢變化與信用違約概率及轉移概率的關(guān)系，進(jìn)而分析不同行業(yè)或部門(mén)不同信用級別的借款人的信用風(fēng)險程度。

該模型的優(yōu)點(diǎn)在于其將各種影響違約概率和信用等級變化的宏觀(guān)因素納入了自己的體系之中，并且給出了具體的損失分布，能夠刻畫(huà)回收率的不確定性和因國家風(fēng)險帶來(lái)的損失；對所有的風(fēng)險暴露都采用盯市法，更適用于對單個(gè)債務(wù)人和一組債務(wù)人進(jìn)行信用風(fēng)險度量。其主要適用于對對宏觀(guān)經(jīng)濟因素變化敏感的投機級債務(wù)人的信用風(fēng)險度量。

資產(chǎn)組合層次的計量模型

現代資產(chǎn)組合理論（MPT）表明適當地利用資產(chǎn)之間的相關(guān)關(guān)系可以有效地降低風(fēng)險并改善資產(chǎn)組合的風(fēng)險－收益狀況。然而流動(dòng)性很差的貸款和債券組合存在著(zhù)收益的非正態(tài)性、收益和相關(guān)系數的不可觀(guān)測性等問(wèn)題，這使得資產(chǎn)組合理論不能簡(jiǎn)單地運用這些組合中去。收益的非正態(tài)性使得基于兩矩（均值和方差）而構建的資產(chǎn)組合理論只有增加偏度和峰度兩矩才能較好地進(jìn)行描述。歷史價(jià)格和交易數據的缺乏造成了使用歷史的時(shí)間序列數據計算收益率、方差以及收益之間的協(xié)方差和相關(guān)系數變得極為困難。資產(chǎn)組合層次的信用風(fēng)險計量模型正是通過(guò)克服這些問(wèn)題而發(fā)展起來(lái)的。這類(lèi)模型大體上可以分為兩大類(lèi)：一類(lèi)是尋求計算證券組合的全部風(fēng)險－收益的交替關(guān)系，如KMV的資產(chǎn)組合管理模型；另一類(lèi)是集中風(fēng)險維度和組合的var計算，如Creditmetrics資產(chǎn)組合模型。

衍生工具的信用風(fēng)險計量模型

衍生工具可以可分為利率衍生工具和信用衍生工具。前者按其風(fēng)險－收益特性可以分為對稱(chēng)性衍生工具，主要是指遠期、期貨和互換，而期權屬于非對稱(chēng)性衍生工具，其風(fēng)險－收益特征表現出典型的非線(xiàn)性。而后者主要通過(guò)采用分解和組合技術(shù)改變資產(chǎn)的整體風(fēng)險特征，如信用互換、信用期權以及信用遠期等。

衍生工具的信用風(fēng)險與表內業(yè)務(wù)存在許多區別。首先，合約的無(wú)違約價(jià)值對交易對手而言必須為負值；其次，交易對手一定處于財務(wù)困境之中；再次，在任一違約概率水平上，衍生工具結算一般采取軋差方式，其違約遭受的損失往往低于同等金額的貸款違約的損失；最后，銀行和其他金融機構都是用其它許多機制來(lái)降低違約的概率和損失。鑒于此，研究者相繼提出許多計量模型，但主要集中在互換和期權兩類(lèi)衍生工具上。

信用衍生產(chǎn)品的定價(jià)是信用風(fēng)險管理研究領(lǐng)域的難點(diǎn)問(wèn)題。目前，學(xué)術(shù)界和實(shí)務(wù)界主要有三類(lèi)定價(jià)信用衍生產(chǎn)品的方法：基于保險理論的定價(jià)，基于復制技術(shù)的定價(jià)和基于隨機模型的定價(jià)。在基于保險理論的定價(jià)方法中，保險公司承擔了投保人的信用風(fēng)險，因而必須得到一定的保險費作為補償。這種定價(jià)方法是一種基于保險公司歷史違約數據庫的統計方法，應用范圍很窄，只能對存在歷史違約數據的信用衍生產(chǎn)品提供保險。而基于復制技術(shù)的定價(jià)需要逐一確定投資組合中所有頭寸的價(jià)值，對于結構復雜的信用衍生產(chǎn)品來(lái)說(shuō)，這種技術(shù)很難實(shí)現。基于隨機模型的定價(jià)是現在的主流方向，其中強度模型和混合模型的應用十分廣泛。