信用風(fēng)險評估與管理-預(yù)覽頁
【正文】 開始提供全國消費(fèi)者個人信用調(diào)查報告。 ?一般的信用評級應(yīng)基于上述系統(tǒng)的評估結(jié)果 ， 非標(biāo)準(zhǔn)案例可由高級信貸人員進(jìn)行專門評估 。 UESTC 20 信用風(fēng)險指標(biāo) （續(xù)） ?3， 客戶財務(wù)信息的質(zhì)量 相對而言 ， 應(yīng)使用經(jīng)會計師事物所審計的財務(wù)報表 。 ?顯然 ， 對四大國有商業(yè)銀行的現(xiàn)有不良資產(chǎn)或新產(chǎn)生的不良資產(chǎn) ， 不能再采用此種方式進(jìn)行剝離和消化 。 UESTC 25 我國商業(yè)銀行的信貸風(fēng)險管理 （續(xù)） ?按照新巴塞爾資本協(xié)議和國外經(jīng)驗(yàn) ， 銀行信貸風(fēng)險高低由其可能遭受的違約損失確定 ， 因此信貸風(fēng)險應(yīng)與違約損失一致 ， 被評價企業(yè)違約概率越大信用級別越低 。但對零散的大額貸款，要求必須選擇高級評級法進(jìn)行組合評級。 UESTC 28 ?總而言之，內(nèi)部評級系統(tǒng)將實(shí)現(xiàn)對銀行的全部信用風(fēng)險進(jìn)行多維度計量分析，制定完整的信貸政策組合，以及確定一段時期內(nèi)重點(diǎn)支持和退出的業(yè)務(wù)領(lǐng)域。銀行采用違約率計算信用風(fēng)險和對貸款評級 ， 便于將內(nèi)部信用風(fēng)險評級和外部評級進(jìn)行匹配和對比 ， 以保證評級結(jié)果的準(zhǔn)確性 。 UESTC 31 評級為企業(yè)帶來的經(jīng)濟(jì)效益 ?某企業(yè)如果擬發(fā)行債券 ， 發(fā)行額為 5000萬美元 （ 期限為 7年 ， 利率 14％ ） ， 其發(fā)行總成本為 99萬美元 ， 其中發(fā)行人支付兩個評級機(jī)構(gòu)評級的費(fèi)用為 3萬美元 。 ? 如大通銀行 、 美國國家銀行 、 花旗銀行等已經(jīng)開發(fā)出能夠不斷更新的信用風(fēng)險分析的全球系統(tǒng) 。 ? 企業(yè)破產(chǎn)是信用風(fēng)險極端情景 ， 這種二元情景：要么破產(chǎn)；要么不破產(chǎn) ， 已有較長歷史研究 。比弗 ,William Beaver），通過對同等資產(chǎn)規(guī)模的79個失敗企業(yè)和成功企業(yè)進(jìn)行對比分析后提出，即通過個別財務(wù)比率走勢來預(yù)測企業(yè)的信用風(fēng)險。其中最具代表性的是美國 Altman 在 1968年對美國破產(chǎn)和非破產(chǎn)生產(chǎn)企業(yè)進(jìn)行觀察后，采用了 22個財務(wù)比率經(jīng)過數(shù)理統(tǒng)計篩選建立了著名的 5變量 Zscore模型和在此基礎(chǔ)上改進(jìn)的“ ZETA”判別分析模型。 ?破產(chǎn)前一年識別的準(zhǔn)確率達(dá) 94%，對 33個非破產(chǎn)樣本識別的錯誤率為 1%； ?破產(chǎn)前第二年，對破產(chǎn)樣本識別的準(zhǔn)確率為 72%，非破產(chǎn)樣本識別的錯誤率為 6%。 UESTC 43 非上市公司 Z計分模型（續(xù)） ?1995年 Altman針對非上市公司對 Z計分模型中變量 x4進(jìn)行了修正 。 UESTC 46 因子分析 （ factor analysis） 或主成分分析（ principal ponents analysis） ?將具有復(fù)雜關(guān)系的影響因子歸結(jié)為少數(shù)綜合影響因子的一種多變量統(tǒng)計分析方法 。 UESTC 47 主成分分析 （續(xù)） ?在現(xiàn)實(shí)經(jīng)濟(jì)生活中 ， 影響違約因素很多 ， 如企業(yè)經(jīng)營 、財務(wù)狀況 、 還款意愿 、 擔(dān)保品價值 、 政府干預(yù)等 ， 這些因素對違約發(fā)生有不同貢獻(xiàn) 。 ?好的判別準(zhǔn)則可使以上五組的分布（就違約率而言）重迭較少 。 ? 簡言之 ， 該方法將一組信用數(shù)據(jù)輸入 ， 通過轉(zhuǎn)換 ， 產(chǎn)生出信用評價輸出 ， 在學(xué)習(xí)和訓(xùn)練過程中 ， 權(quán)重被不斷調(diào)整 ，使理想輸出與實(shí)際輸出之間偏差最小 。 UESTC 52 神經(jīng)網(wǎng)絡(luò)模型（續(xù)） ?1993年 ， Coats和 Fant將神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于美國公司的危機(jī)預(yù)警； 94年 ， Altman和 Marco等用于意大利 公司； 96 年以后 ， CASA(Center for Adaptive Systems Applications， 適應(yīng)系統(tǒng)應(yīng)用中心 ， 位于 New Mexico新墨西哥州 )應(yīng)用 1985~95年間的數(shù)據(jù)作為樣本開發(fā)出應(yīng)用于大型公司信用風(fēng)險管理的神經(jīng)網(wǎng)絡(luò)模型 。 穆迪 (1990)和標(biāo)準(zhǔn)普爾(1991)修正了該模型并作為其常規(guī)金融分析工具 。 UESTC 56 預(yù)期違約頻率 （續(xù)） ?長期以來，由于銀行忽略了股票市場價格在放貸決策中的作用， KMV在模型中融入了股票市場價格，認(rèn)為當(dāng)公司市場價值下降到某一水平之后，公司就會對其債務(wù)違約，由此將股權(quán)價值與信用風(fēng)險有機(jī)聯(lián)系起來。 ?VaR方法在銀行信用風(fēng)險度量、風(fēng)險資本配置等方面已表示出重要的應(yīng)用價值。在統(tǒng)計上反映具隨機(jī)變量特征的目標(biāo)對其平均值的 離散 程度，可用方差、標(biāo)準(zhǔn)差等來描述。 cVa RPob ???? 1}{PrUESTC 61 VaR方法（續(xù)） ?如某投資機(jī)構(gòu)持有某種金融資產(chǎn) ， 經(jīng)計算：在 95%的置信水平下 ， 該資產(chǎn)的日 VaR值為 500萬元 （ 損失額 ） ， 即該投資機(jī)構(gòu)有 95%的把握認(rèn)為該金融資產(chǎn)在未來 24小時內(nèi) ， 由市場價格波動所帶來的損失不會超過 500萬元 ， 或者說 ， 損失超過 500萬元的可能只有 5%。 UESTC 64
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1