商业银行信用风险量化管理的研究与应用

魏思琪

（上海市育才中学，上海 201801）

一、引言

商业银行是现代金融体系中的重要组成部分，其作为一个金融机构，在运行过程中也面临各种风险，如信用风险、信誉风险、操作风险、市场风险、政策风险、流动性风险、安全风险、战略风险、法律风险等。根据麦肯锡公司的研究，信用风险在银行所有风险中占到60%；世界银行的研究也显示，信用风险是让银行破产的最常见的因素。从我国银行业监督管理委员会发布的2019年年报可知，银行业金融机构的不良贷款余额从2012年的1.07万亿元增至2019年的2.41万亿元，不良贷款率则从1.56%增至1.86%[1]，整体呈现出逐步增长的趋势，在一定程度上揭示了商业银行所面临的信用风险有加剧的趋势。而信用风险一旦爆发，则会带来风险传播和恶化的负面效应，使系统性风险加剧。在大力提倡“双循环”的时代背景下，商业银行既要主动适应战略调整，做强消费金融、优化信贷结构，又要谨慎对待可能面临的挑战，避免金融性风险集聚[2]。因此，如何科学评估和预警信用风险的问题不容忽视。实践过程中，已经发展出一系列模型，能够对商业银行信用风险进行量化评估和管理，具体类别又可分为信用评分模型、信用风险理论模型、商用信用风险模型等。不同的模型有不同的适用场景和优缺点，本文将简单介绍商业银行量化管理的相关模型及其适用场景，并利用计算实例对其现实应用作进一步探究。

二、商业银行信用风险管理体系的构建

在传统的信用风险管理框架体系中，信用风险是从识别开始、以度量承接、以预警结束的一个单向传递的过程，三项要素难以构成一个业务闭环。实际应用中，信用风险管理框架模型更应该是一个闭环，如利用风险度量和预警的结果反向验证模型的有效性[3]。信用风险管理体系的运行目标可以总结为：实现风险管理范围的全面性、保证流程完整性、调动人员积极性、提升方法有效性。目标确定之后，可以用PDC来衡量信用风险管理体系的整体效果。其中，专业度（proficiency）衡量技术人员依据不同情形建模的专业能力，扩散度（diffusion）衡量操作人员对风险管理工具及模型的熟悉程度和应用水平，能够利用已有模型得出相关的信用评级结果即可。当然，操作人员通常也是企业贷前调查和贷后管理的对接人[4]，需要向技术人员反馈实践中的最新情况，比如信用风险的新成因、原先流程中存在的漏洞等。转换度（convention）则是技术人员将操作人员对信用管理流程及模型开发上的建议进行转化，并对已有模型进行升级的能力。在信用风险管理中，PDC三者的提高能够提升整个管理体系的运行效果，促进信用风险管理水平的全面提升。

三、常见信用风险量化模型

本文综合比较世面上的信用风险度量模型，分析其基本原理和应用场景，从而将信用风险量化模型分为信用评分模型、信用风险理论模型和商业信用风险模型三类。

1.信用评分模型

2.信用风险理论模型

信用风险理论模型，又称信用风险定价模型，主要分为结构模型和强度模型。结构模型诞生于20世纪60年代，布莱克和斯科尔斯在研究期权定价时，发现构造一个由标的股票和无风险债券的适当组合是建立期权定价模型的关键，故结构模型假定公司债务结构固定不变，这使得公司市场价值与债务账面价值的比率会根据资产价值的增长发生较大变动。强度模型未对资本结构作出假设，其权益市场价值与债务账面价值的比率相对平稳，同时该模型中的违约率和回收率均被设为外生变量，从而模型被大大简化。

3.商业应用模型

商业应用中的信用风险度量模型按照其对信用损失计量方式的不同，分为违约模型，如KMV公司的Portfolio Manager模型、基于保险精算的“Credit Risk+”模型，以及盯市模型，如J.P.摩根的Credit Metrics模型[5]、麦肯锡的Credit Portfolio View模型。前者只考虑借款人发生实际违约后的损失，后者则将借款人在贷款后发生的信用等级变换等状况也纳入考虑。Credit Metrics模型认为，信贷资产价值同时受到违约事件以及债务人信用等级转移的影响，故该模型利用盯市模式来刻画VaR值，即信用风险值。Credit Metrics模型在模拟信贷资产的价值变化时，将贷款方的信用评级、评级变化状况、违约贷款回收率等多种因素考虑在内，进一步计算所银行所发放贷款的市场价值变动，并由此计算VaR。Credit Metrics模型优势在于将VaR引入信用风险管理中，规避了资产收益率的正态性假设，将违约概念的内涵丰富化，拓展到债务人信用等级恶化的情况，从而考虑信用价差问题。

四、Credit Metrics的实际算例

尽管Credit Metrics模型缺乏在我国应用的基本条件，不妨以此来演示信用风险VaR的具体计算过程。假定某期初评级AA级企业向银行借款1000万元，期限4年，贷款利率固定为5%，由此计算商业银行拥有该笔贷款一年后的99%置信度下的VaR。

在计算之前，需要获取企业所在评级的违约概率以及信用转移矩阵。在西方国家，标准普尔或穆迪这样的专业信用评级机构通常会搜集、整理并发布各企业的信用评级以及不同信用评级企业的信用转移矩阵，一年期的信用转移矩阵如表1所示。根据表1第2行，可知期初评级为AA的企业在期末转移到不同评级的具体概率。

表1 一年期的信用转移矩阵（节选）

为计算该笔贷款在1年后的价值变动，需计算公司转移为其他信用等级时对应的贷款价值。根据Credit Metrics模型，在贷款违约时的本金按照企业所在信用评级而拥有不同的回收率。按照信用评级公司对历史数据的分析，AA等级企业在贷款违约后平均能回收54.4%的本金，即本算例中企业的1000万元贷款在1年后直接违约的剩余价值是VDefault=1000×54.4%=544（万元）。

表2中是各个信用评级公司的远期利率，以1年后信用等级变换为AAA级为例，计算贷款的价值。

表2 各等级公司的远期利率

按照同样的原理，可计算得到债务人企业在期末转换为各信用等级时的贷款价值。以AA级贷款一年期末维持评级不变的价值为基准，计算出贷款在1年期末的价值变化与相应概率，如表3所示。

表3 贷款1年期末的价值变化分布

五、加强商业银行信用风险管理的建议

1.银行间信息共享

为防止信息不对称可能造成的大规模损失，商业银行之间应采取信息共享模式，尽量阻断信用风险的传播途径，培养一个公平竞争的良好市场环境，科学界定划分金融业务，有利于推动信用风险模型的优化迭代，商业银行对信用风险进行更加科学的评估，使商业银行对信用风险的防范更加有效。

2.与互联网巨头合作

目前银行使用的信用风险管理模型多为内部经营数据和财务报表数据，随着大数据时代的到来，银行除了开展行业内部合作之外，更应该和拥有更大数据量的互联网巨头合作，通过搭建数据平台，获取并监测用户的消费行为数据和社交行为数据，为现有信用风险模型提供更多数据源，从而达到对信用风险走向进行更加精准的预测，优化调整自身信贷管理机制的目的[6]。

3.优化信贷行业结构

虽然商业银行能够利用大数据以及各类信用风险管理模型对信用风险进行度量和预警，但为了从源头上控制信用风险，商业银行必须优化信贷结构，顺应时代发展潮流，提高社会发展重点企业中长期贷款和信用贷款占比，加大对薄弱领域的信贷支持，降低其融资门槛，同时保持金融政策的稳定性和持续性[3]，使商业银行自身培养良好的风险评估能力，从而优化银行信贷资产整体质量，减少信用风险的发生概率。

六、结论

随着经济全球化程度不断加深，企业融资形式、融资结构和融资渠道也在不断改变，使得企业经营活动愈发呈现出多元化的势态。现如今企业在不断改革创新的同时，为了获取更多的利润，有时还会选择通过拓宽企业经营领域范围，扩大企业市场规模，来提升企业整体盈利能力，但随之而来的是其经营风险也逐渐增加。由于多种不确定因素影响，在这一类生产经营活动中，很有可能潜伏着各类财务危机，在日后进而升级为信用风险危机，最终危害企业健康发展，破坏金融市场的稳定性。

金融科技的迅猛发展催生了小额信贷市场，蚂蚁借呗、京东白条以及各类小额贷款公司瞄准了个体的金融服务需求，为其提供小额信用贷款。这不仅为我国金融市场注入了前所未有的活力，同时也给商业银行带来了极大的竞争压力。面对竞争，商业银行可能选择降低企业客户的贷款申请标准和个体客户的信用卡申请门槛，以及提高个体用户的信用卡额度。与之相应的，银行的不良资产率在逐年攀升，释放了信用风险正在增强的危险信号，但这也使信用风险增加。银行可以根据建议加强信用风险管理，从而实现自身的长效经营。