第11章_信用風(fēng)險(編輯修改稿)
2025-03-22 13:34 本頁面
【文章內(nèi)容簡介】 債的可能性 收入的不穩(wěn)定性 ：收入的大幅度變動會提高了借款人在任何資本結(jié)構(gòu)中無法按期償本付息的可能性 抵押品 ?特定市場因素： ? 商業(yè)周期 金融機(jī)構(gòu)在評估借款人違約可能性時，一個很重要的因素是必須考慮經(jīng)濟(jì)正處于商業(yè)周期的哪一階段 經(jīng)濟(jì)不景氣時，生產(chǎn)的耐用消費品部門的公司，其業(yè)績一般會比生產(chǎn)煙草和食品的非耐用消費品部門的公司 差 ? 利率水平 高利率預(yù)示著實行了緊縮的貸幣政策。不僅籌資成本增高、籌資來源減少，而且高利率一般與高信用風(fēng)險成正相關(guān)。高水平的利率會刺激借款人從事過量的風(fēng)險活動，也只能鼓勵風(fēng)險較大的顧客前來借款 信用評分模型 屬于定量模型，通過運用所觀察的有關(guān)借款人特征的資料計算其違約可能性，或把借款人分成不同的違約風(fēng)險等級 ? 為了使用信用評分模型，金融機(jī)構(gòu)人員需確定反應(yīng)特定種類借款人風(fēng)險的指標(biāo)，如對于消費貸款而言，需要確定借款人的收入、資產(chǎn)、年齡、職業(yè)等；對于商業(yè)貸款要明確現(xiàn)金流、財務(wù)比率等信息 ?信用評分模型可以分為三大類別： ? 線性概率模型 線性概率模型將以往的數(shù)據(jù)，例如財務(wù)比率，放入模型中說明以前貸款償還的經(jīng)驗。用來說明過去償付貸款表現(xiàn)的各因素的相對重要性，可以用來預(yù)測新貸款的償還可能性 p和違約概率（ PD） ? 簡單的講 ， 舊貸款 (i)分成兩個觀察組 ，即違約的 (PDi=1)和沒有違約的 (PDi=0)。 然后 ， 用線性回歸將這些觀察值與有 j個數(shù)據(jù)的一組自變量 (Xij)相聯(lián)系 ， 這些變量反映了第 i個借款人數(shù)量信息 (比如杠桿比率或收益 )。 j是對說明過去還款經(jīng)歷的第 j項變量的重 要性的估計 ? 例如 ， 假設(shè)有兩個因素影響借款人過去的違約行為：杠桿比率 （ D/E） 和銷售額資產(chǎn)比率 （ S/A） 。 基于以前的違約經(jīng)驗 ， 線性可能性模型可以估計成： Zi= （ D/Ei） + （ S/Ai） ? 假設(shè)一個預(yù)期借款者的 D/E=03， S/A=。 預(yù)期違約可能性 （ Zi） 估計為： ? Zi = （ ） + （ ） = 缺點：預(yù)測的違約可能性會落在 0— 1區(qū)間之外， 而 Logit模型克服了這個缺陷 LOGIT模型 ?F（ PDi） = 將 PDi=，得到 F（ PDi） = F（ PDi）是 Pdi的邏輯轉(zhuǎn)換值 線性判別模型 判別式模型則根據(jù)借款人的觀察特征值（ Xj）將其分為高違約風(fēng)險和低違約風(fēng)險兩個級別 Altman根據(jù)美國上市公司的情況設(shè)計出了判別分析模型 ，判別式函數(shù)如下所示： 指標(biāo) Z取決于借款人各種財務(wù)比率的價值 ， 以及這些比率所占的權(quán)重 ， 而這些權(quán)重大小取決于對歷史的觀察結(jié)果 Z=++++ ? X1 = 流動資本 /總資產(chǎn)比率 ? X2 = 留存收益 /總資產(chǎn)比率 ? X3 = 息稅前收益 /總資產(chǎn)比率 ? X4 = 凈資產(chǎn)市場價值 /長期負(fù)債的帳面價值比率 ? X5 = 銷售額 /總資產(chǎn)比率 Z的值越高 ， 借款人的違約風(fēng)險級別越低 ， 當(dāng)?shù)陀?， 借款人處于一個較高的風(fēng)險等級 ， ，中等風(fēng)險 ， 高于 例如 ， ? 一潛在的借款公司的金融比率值如下： ? X1= X2=0 X3= X4= X5= ? X2等于 0和 X3為負(fù)數(shù)表明該公司在近期的收入為負(fù)或發(fā)生了損失 。 同樣 ， X4也表明借款人的杠桿比率很高 ， X1= X5=當(dāng)?shù)?， 并且銷售也較穩(wěn)定 。 Z = () + (0) + () + () + () Z = + 0 + + Z = 根據(jù) Altman的信用評分模型，任何 Z的分值低于 ? ：違約 與不違約。但是，現(xiàn)實世界中違約情況是多層次的 ? ，以及變量 X在任何時期是不變的，而且在線性判別模型中假設(shè)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1