【導(dǎo)讀】{ "error_code": 17, "error_msg": "Open api daily request limit reached" }

　　

【正文】 觀經(jīng)濟(jì)周期波動的態(tài)勢分析和信用周期評價 的 一種 計量經(jīng)濟(jì)學(xué) 信用風(fēng)險評價 方法。 CPV 模型的主要思想 是 在 對 信用資產(chǎn)的在險價值 計量 時， 考慮 了 宏觀經(jīng)濟(jì) 因素對信用等級轉(zhuǎn)換概率 的 影響， 確定 動態(tài)的信用風(fēng)險轉(zhuǎn)移概率。 CPV模型將利率、經(jīng)濟(jì)增長率、失業(yè)率等宏觀經(jīng)濟(jì)變量 與 借款人 違約及信用等級轉(zhuǎn)移概率 聯(lián)系在一起， 應(yīng) 用計量經(jīng)濟(jì)學(xué)模型， 綜合 分析歷史數(shù)據(jù) ， 對 基于經(jīng)濟(jì)狀況和風(fēng)險期的組合損失分布 進(jìn)行 計算 ， 從 而 生成違約（轉(zhuǎn)移）概率分布。麥肯錫公司借用 了 Wilson的建模思想， 構(gòu)建 宏觀模擬模型，以有條件轉(zhuǎn)移矩陣取代以歷史數(shù)據(jù)為基礎(chǔ)的無條件轉(zhuǎn)移矩陣，并求出對經(jīng)濟(jì)周期敏感的 VaR值。 CPV模型 具體 構(gòu)建 步驟： 假 設(shè) Yt 為一定宏觀因素所構(gòu)成的經(jīng)濟(jì)狀態(tài)， Xt 為系統(tǒng)宏觀變量 (包括 GDP增長率 、 失業(yè)率 等 )的集合， vt 為非系統(tǒng)宏觀變量 (指 經(jīng)濟(jì)體系 受到的 隨機(jī)沖擊或創(chuàng)新 )的集合 。則： Yt= g(Xt， vt)； Pt= f(Yt) 式中， Xt 為 已知， vt 可用 蒙特卡羅模擬法 求出。 根據(jù)此方法 ，對轉(zhuǎn)移矩陣中的其他元素進(jìn)行調(diào)整， 計 算出以宏觀經(jīng)濟(jì)狀態(tài)為條件的未來各期的轉(zhuǎn)移概率模擬值，得到未來各期的有條件的模擬轉(zhuǎn)移矩陣， 從而 計算出對經(jīng)濟(jì)周期敏感的未來各期的 VaR 值。 CPV 模型 包括兩個重要組成部分，一個是多因素系統(tǒng)違約風(fēng)險模型，另一個是計算資產(chǎn)組合信貸敞口離散時間的損失分布。 系統(tǒng)違約風(fēng)險模型主要用來模擬各個國家不同行業(yè)的各種信用級別群體違 ① 王順 .金融風(fēng)險管理，北京：中國金融出版社， 2021： 8485. A 銀行信貸項目風(fēng)險管理研究 17 約和 信用等級轉(zhuǎn)移概率的聯(lián)合條件分布，其概率是由 GDP、失業(yè)率、利率、匯率和總儲蓄率等宏觀經(jīng)濟(jì)因素決定。 該模型認(rèn)為信用周期跟隨經(jīng)濟(jì)周期而變化，違約概率和信用等級轉(zhuǎn)移率都是與經(jīng)濟(jì)狀態(tài)緊密相連的。 CPV認(rèn)為多樣化有助于減少損失不確定性；即使在最多樣化的投資組合里，大量系統(tǒng)風(fēng)險仍然存在；資產(chǎn)組合的系統(tǒng)風(fēng)險主要是由宏觀經(jīng)濟(jì)運行狀況所導(dǎo)致的，當(dāng)經(jīng)濟(jì)變差時，違約和等級下降的數(shù)量就會增加；經(jīng)濟(jì)中的不同部門對宏觀經(jīng)濟(jì)沖擊的反映是各不相同的，高 β 行業(yè)對經(jīng)濟(jì)周期性變化的反應(yīng)最敏感。 CPV 提出將宏觀經(jīng)濟(jì)因子與違約和信用等級轉(zhuǎn)移概率聯(lián)系 在一起，構(gòu)建如下多因素系統(tǒng)違約風(fēng)險模型： Yjt=β j0+β j1Xj1t+? +β jmXjmt +ε jt 式中， j代表某個國家或行業(yè)，并假定每個宏觀 經(jīng)濟(jì)變量都服從二級一元自回歸模型，并假定條件違約概率采用邏輯函數(shù)形式，則： )exp(1 1 Yp jtjt ??? t 期條件違約概率被確定且邏輯函數(shù)的形式能確保概率的大小不會超過 Yjt式， 式 中 Xj， t= Xj1t， Xj2t? Xjmt， 代表 國家或行業(yè) j 在 t 期的宏觀經(jīng)濟(jì)指數(shù) 。ε jt為誤差項， ε jt≈ N(0, σ j)。β j=β j1, ? β jm,代表 國家或行業(yè) j 的 風(fēng)險因子的評價系數(shù)。每一個宏觀經(jīng)濟(jì)指數(shù)可以用二級單偏差自回歸模型（ AR2） 進(jìn)行統(tǒng)計： eXXX tijtijijtijijijtij ,2,2,1,1,0, ???? ?? ??? 式中 ， xj,i,t1, xj,i,t2表示 宏觀經(jīng)濟(jì)指數(shù) xj,i,t的滯后量， ?0,ij， ?1,ij，?2,ij 為回歸系數(shù)， etij , 為服從正態(tài)分布的誤差項。 模型 CPV 模擬信貸損失 模型 構(gòu)建步驟，首先確定經(jīng)濟(jì) 所處的狀態(tài)，其次估計每個行業(yè)部門的條件轉(zhuǎn)移與累積違約概率，最后確定損失分布。 在 CPV 模擬信貸損失模型 中，違約率與經(jīng)濟(jì)環(huán)境有很大關(guān)聯(lián)，在經(jīng)濟(jì)衰退時期，違約率會高于違約事件的均值，信用降級的事件會增加，升級的情況會減少。因此，在經(jīng)濟(jì)衰退時期： A 銀行信貸項目風(fēng)險管理研究 18 1?SDPPSDt? 在經(jīng)濟(jì)繁榮時期，則 1?SDPPSDt? 式中， SDPt表示投機(jī)級債務(wù)人的違約率； φ SDP 是其相應(yīng)的無條件違約概率的歷史平均數(shù)。據(jù)此調(diào)整信用等級轉(zhuǎn)移概率矩陣 Φ M 中 的信用等級轉(zhuǎn)移概率，生成以經(jīng)濟(jì)狀態(tài)為 條件的信用等級轉(zhuǎn)移概率矩陣： )/( , SDPpMM tj ?? 具體可調(diào)整為：當(dāng) pjt/φ SDP＞ 1時，信用等級下降的概率增加；而 當(dāng) pjt/φSDP＜ 1 時，信用等級下降的概率減少。當(dāng)模擬任何時間 t=1,2,? ,T的 pjt，則可以生成一個多期的信用等級轉(zhuǎn)移概率矩陣： .)/(,...,1 ,??? Tt tjT SD PpMM ?① 第三章 A 銀行信貸項目風(fēng)險識別 已有貸款風(fēng)險識別和評估模型評價 A 銀行信貸項目風(fēng)險管理文化 A 銀行 是新中國成立的第一家國有商業(yè)銀行， 前身最早可追溯到 1951 年成立 的農(nóng)業(yè)合作銀行， 是 中國四大銀行 之一。 A銀行 一直位居 世界五百強 企業(yè)之列，排名 “ 世界銀行 1000 強 ” 第 8 位。 A 銀行 2021 年 成功實現(xiàn) “A+H” 內(nèi)地香港兩地上市 ， 總市值在 全球上市銀行 中 排名 第 5位 。 A銀行奉行穩(wěn)健的信貸項目風(fēng)險管理戰(zhàn)略，在從國家專業(yè)銀行向國有獨資商業(yè)銀行轉(zhuǎn)軌 過程中 ， 不斷優(yōu)化信貸項目風(fēng)險管理運行架構(gòu)， 提高 風(fēng)險管理水平。 A 銀行自 2021 年起，通過經(jīng)濟(jì)資本管理 手段，以計量、分配和控制各部門各行業(yè)和區(qū)域的風(fēng)險敞口， 對信貸項目進(jìn)行有效 風(fēng)險 管理。 2021 年以來，采取了一系列旨在改善 信貸 項目 管理基礎(chǔ)架構(gòu) ① 徐成賢，薛宏剛 .金融工程：計算技術(shù)與方法，北京：科學(xué)出版社， 2021:392394. A 銀行信貸項目風(fēng)險管理研究 19 的重要舉措，構(gòu)建了涵蓋政策指引、行業(yè)政策、區(qū)域政策和客戶名單制的信貸政策體系，實施差異化的信貸管理策略；推進(jìn)信貸審批體制改革，建立獨立審批人制度，逐步實現(xiàn)信貸業(yè)務(wù)的集中審查審批和網(wǎng)上作業(yè) ； 制定了新資本協(xié)議實施規(guī)劃，完成了內(nèi)部評級法的主要項目建設(shè)，啟動了市場風(fēng)險內(nèi)部模型法和操作風(fēng)險高級計量法。 2021 年， 構(gòu)建 了全面風(fēng)險管理體系 ； 加強風(fēng)險管理部門的獨立性和問責(zé)制，向二級分行和支行派駐風(fēng)險主管或風(fēng)險經(jīng)理 ； 進(jìn)一步完善風(fēng)險管理工具和系統(tǒng)，升級改造信貸管理系統(tǒng)（ CMS）， 全面推行法人客戶信貸資產(chǎn) 十二級貸款 分類 管理 ， 不僅對傳統(tǒng)的五級分類進(jìn)行了細(xì)化，還從原來以定性為主的劃分標(biāo)準(zhǔn)轉(zhuǎn)向以定量為主，從部門分離運作到明確分工、相互配合的工作流程，從以手工操作為主轉(zhuǎn)向以電子化操作為主，將信貸資產(chǎn)劃分與代后管理融為一體， 推行風(fēng)險限額管理，加快風(fēng)險量化技術(shù)在風(fēng)險管理流程中的應(yīng)用。以內(nèi)部歷史數(shù)據(jù)的風(fēng)險計量結(jié)果為基礎(chǔ)改進(jìn)經(jīng)濟(jì)資本計量，并將經(jīng)濟(jì)資本計量范圍從信用風(fēng)險擴(kuò)展至市場風(fēng)險及操作風(fēng)險，從境內(nèi)分行擴(kuò)展至海外分行。 A 銀行已有貸款風(fēng)險識別和評估模型評價 A銀行構(gòu)建了全面風(fēng)險管理體系， 應(yīng)用大量 諸如 將 五級分類細(xì)化的十二級 貸款分類法、 回歸分析法、聚類分析法、因子分析法 和 多元判別分析 等 貸款風(fēng)險識別和評估模型。 傳統(tǒng)的信貸風(fēng)險度量方法容易受主觀因素的影響，而且對人的素質(zhì)要求極高；傳統(tǒng)的以主要財務(wù)指標(biāo)為基礎(chǔ) 的信貸風(fēng)險識別計量 模型 由于其 假設(shè)條件的區(qū)別 ， 優(yōu)缺點并存 。 優(yōu)點 主要體現(xiàn) 在 這些模型 有較強的解釋性， 風(fēng)險識別計量 模型 的 變量系數(shù) 一般均 有一定的涵義，缺點 主要體現(xiàn) 在 其假設(shè)條件 較為嚴(yán)格， 而往往 現(xiàn)實中 的相關(guān) 數(shù)據(jù)難以滿足 模型的 條件 要求 ，因為銀行 信貸風(fēng)險 存在諸多 不確定性的因素， 這些不確定性 因素對 銀行 信貸風(fēng)險的影響實際上 難以 用確切的定量關(guān)系 進(jìn)行描述 。 而且由于財務(wù)會計的信息并不能全面地反映企業(yè)經(jīng)營的實際信息及外部環(huán)境的變化；現(xiàn)實實際往往是非線性的，基于線性假設(shè)的線性識別模型和線性概率模型的準(zhǔn)確率有局限性； 雖然 隨著發(fā)展 可以采用對數(shù)變換等技術(shù)手段和方法 進(jìn)一步予以 改進(jìn)，但同時 還 會 出現(xiàn)其他變量涵義不清晰等系列 問題和不足，缺乏必要的理論支持 。 A 銀行信貸項目風(fēng)險管理研究 20 基于 Elman神經(jīng)網(wǎng)絡(luò)的評估模型建立 Odom(1990)將神經(jīng)網(wǎng)絡(luò)分析方法引入到信用風(fēng)險測度之后，神經(jīng)網(wǎng)絡(luò)分析方法得到較快的發(fā)展和實踐應(yīng)用。 運用 基于 Elman 神經(jīng)網(wǎng)絡(luò) 的 風(fēng)險識別 方法對商業(yè)銀行信貸風(fēng)險進(jìn)行評估， 能夠 較 好地反映信貸過程中的非線性因素， 能較為快速地進(jìn)行風(fēng)險評估度量并有效降低銀行信貸風(fēng)險， 信貸風(fēng)險評估 測度準(zhǔn)確性較高 。E1man 神經(jīng)網(wǎng)絡(luò)更有利于解決非線性問題，由于其 克服了傳統(tǒng)分析 方法在分析 過程 中 的復(fù)雜性 和模型函數(shù) 選擇 的困難， 因此 在 非線性 條件 下的 更方便 模式識別 、建模 與 計算。 神經(jīng)網(wǎng)絡(luò)模型 基本 思想 最先提出 神經(jīng)網(wǎng)絡(luò) 是在人腦模型領(lǐng)域，那里的隱單元表示神經(jīng)元，當(dāng)?shù)竭_(dá)神經(jīng)元細(xì)胞的信號超過了特定的臨界值時，神經(jīng)元細(xì)胞就會被激活。在 神經(jīng)網(wǎng)絡(luò) 計算方法中，單層 神經(jīng)網(wǎng)絡(luò) 將回歸函數(shù)設(shè)計為： )()( 10 XWhx TmmMm m ??? ?? ? ??? 式中， β 0， β 1， ? β m, ?1 ， W1,? , ?m ， Wm 是未知參數(shù)， )( XWh Tmm?? 稱為神經(jīng)網(wǎng)絡(luò)的 隱單元， h稱作激活函數(shù)并通常作如下 s型函數(shù)： Reh ??? ? ?? ? ),1/(1)( 除了 s型函數(shù)， h有時會用高斯核函數(shù) eh ?? ?? 2)( 表示，這樣 )( XWh Tmm??在神經(jīng)網(wǎng)絡(luò)中用 ?mmWXh /)( ? 來替代，于是得到以下徑向基網(wǎng)絡(luò)： }/e x p {)( 2210 ??? mmMm m WXx ???? ?? ? Elman 神經(jīng)網(wǎng)絡(luò) 由 輸入層、 關(guān)聯(lián)層、 隱層和輸出層 四層 遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)組成 。 Elman 神經(jīng)網(wǎng)絡(luò)的 輸入層、隱層 和 輸出層的連接類似于前饋網(wǎng)絡(luò)，輸入層的單元僅起 到 信號傳輸 的 作用，輸出層單元 則 起 到 線性加權(quán) 的 作用。隱層單元的傳遞可采用線性或非線性函數(shù)， 關(guān)聯(lián)層 用來記憶隱層單元前一時刻的輸出值。 Elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式 如下 ： A 銀行信貸項目風(fēng)險管理研究 21 ))(()( 3 kXwGkY ? )))1(()(()( 21 ??? kUwkXwFkX e )1()( ?? kXkX e 其 中 ， Y， X， U， Xe 分別表示 m維輸出結(jié)點向量， n維中間層結(jié)點單元向量，r 維輸入向量和 n 維反饋狀態(tài)向量。 w3， w2， w1分別表示中間層到輸出層、輸入層到中間層、 關(guān)聯(lián)層 到中間層的連接權(quán)值。 G(k)為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合。 F(k)為中間層神經(jīng)元的傳遞函數(shù)，采用邏輯斯蒂函數(shù) 表示： ensig n??? 1 1)(log Elman 神經(jīng) 網(wǎng)絡(luò)采用誤差平方和函數(shù)進(jìn)行權(quán)值修正 后的公式如下： ?? ??? nk ww kYkYwE 1 2])()([)( 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建 確立 銀行信貸風(fēng)險評估 Elman模型 結(jié)構(gòu)可以用 Elman神經(jīng)網(wǎng)絡(luò)模型輸入 輸出 的 節(jié)點數(shù) 、 隱含層數(shù)量 與 各隱含層 的 節(jié)點數(shù)來表示。 輸入節(jié)點的數(shù)量是信貸風(fēng)險測評指標(biāo)的數(shù)量， Elman 模型的輸出節(jié)點數(shù) 既 可以 輸出 一個，也可以 輸出 多個 ； 分類模型 的 輸出節(jié)點數(shù)量 可以 采用假定條件， 假 設(shè)貸款 信用等級為 m級， 那么， Elman模型輸出節(jié)點數(shù) 則是 m 或 log2m。 一般我們 將有多個輸出的網(wǎng)絡(luò)模型 變 為 多個只有一個 輸出的網(wǎng)絡(luò)模型 ，以簡化網(wǎng)絡(luò)結(jié)構(gòu)。 在此，我們按 A銀行的 業(yè)務(wù)需要，將貸款 信用 等級分為 AAA、 AA、 A、 B、 BB、 BBB 六級，并參照信用評分法，將 模型的輸 出轉(zhuǎn)換成一個連續(xù)型的變量，其取值范圍與不同的信用等級相對應(yīng) 如 下 表（ 表 31） ： 表 31 模型輸出與信用等級轉(zhuǎn)換關(guān)系表 信用等級 訓(xùn)練階段模型輸出 應(yīng)用階段模型輸出 AAA O． 95 （ ， ） AA 0． 85 （ ， ) A 銀行信貸項目風(fēng)險管理研究 22 A O． 75 （ ， ) B O． 65 （ ， ) BB O． 55 （ ， ) BBB O． 45 （ ， ) 我們采用擴(kuò)張法確定隱含層節(jié)點數(shù)的合理范圍， 通過 實驗確 認(rèn) 較好的隱含層節(jié)點數(shù)介于輸入 與輸出節(jié)點數(shù) 之和的 50%70%范圍；并且 隱含層節(jié)點數(shù) m須小于N1(N 為訓(xùn)練樣本數(shù) )。 Elman 神經(jīng)網(wǎng)絡(luò)模型 與 模型本身 結(jié)構(gòu)、樣本數(shù)據(jù) 特點和 數(shù)量 、模型 初始權(quán)值和 模型的學(xué)習(xí)參數(shù)等多種因素有關(guān)。 Elman 模型的求解速度等價于 BP 學(xué)習(xí)算法的收斂速度，用達(dá)到指定誤差精度時的學(xué)習(xí)次數(shù)表示。學(xué)習(xí)率 η 、動量因子 ? 和收斂誤差界值 E(w)等是 Elman 神經(jīng)網(wǎng)絡(luò) 模型 算法訓(xùn) 練速度的影響參數(shù) 。 學(xué)習(xí)率η 取值范圍為 0η 1； 動量