導(dǎo)語：信用風(fēng)險(xiǎn)評(píng)級(jí)研究論文一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

內(nèi)容提要:我國的銀行業(yè)進(jìn)行信用風(fēng)險(xiǎn)評(píng)級(jí),雖然在技術(shù)上有一定的“后發(fā)優(yōu)勢”,但是絕對(duì)不是簡單的“直接拿來”。信用風(fēng)險(xiǎn)的內(nèi)部評(píng)級(jí)工作需要根植于內(nèi)部數(shù)據(jù),開發(fā)適合中國實(shí)際情況的評(píng)級(jí)模型。本文從銀行內(nèi)部評(píng)級(jí)的角度,對(duì)信用風(fēng)險(xiǎn)評(píng)級(jí)的若干問題進(jìn)行了討論,并提出了適當(dāng)?shù)奶幚矸绞健?/p>

關(guān)鍵詞:信用評(píng)級(jí)風(fēng)險(xiǎn)防范議題

一、引言

新巴塞爾協(xié)議的核心內(nèi)容是內(nèi)部評(píng)級(jí),包括了市場風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)。市場風(fēng)險(xiǎn)由于數(shù)據(jù)都來之外部資本市場,而且方法成熟,需要我們自行研究的較少;操作風(fēng)險(xiǎn)的計(jì)量方法還不夠成熟;信用風(fēng)險(xiǎn),雖然方法成熟,但是需要使用內(nèi)部數(shù)據(jù),從而更多的需要我們自行開發(fā)研究,而且對(duì)于中國的銀行業(yè),傳統(tǒng)的信貸業(yè)務(wù)仍是比重最大的業(yè)務(wù),所以信用風(fēng)險(xiǎn)評(píng)級(jí)是目前我國銀行研究的重點(diǎn),也是內(nèi)部評(píng)級(jí)的突破口。

信用風(fēng)險(xiǎn)評(píng)級(jí)模型的基本思想是從已有信用表現(xiàn)的歷史數(shù)據(jù)中提煉信息,得到客戶屬性和行為變量與客戶違約概率之間的函數(shù)關(guān)系,從而來預(yù)測未來的客戶信用狀況。這種函數(shù)關(guān)系,是廣義上的對(duì)應(yīng)關(guān)系,并不一定存在顯式的表達(dá)。

盡管信用風(fēng)險(xiǎn)計(jì)量有很多領(lǐng)域還處于研究階段,不過信用風(fēng)險(xiǎn)評(píng)級(jí)發(fā)展較早,從1968年奧爾特曼(Altman)引入的Z-score模型開始,到現(xiàn)在的logistic模型、機(jī)器學(xué)習(xí)等方法,在發(fā)達(dá)國家,不論是理論研究,還是實(shí)際應(yīng)用,信用風(fēng)險(xiǎn)評(píng)級(jí)都已經(jīng)相當(dāng)?shù)某墒臁Ｄ敲次覀兪欠窨梢灾苯影醽硎褂媚?信用風(fēng)險(xiǎn)內(nèi)部評(píng)級(jí)模型,方法的選擇固然重要,但是好的方法并不一定對(duì)應(yīng)好的結(jié)果,實(shí)際上模型表現(xiàn)更多的決定于問題本身情況和問題解決的處理細(xì)節(jié)。我國的銀行業(yè)進(jìn)行信用風(fēng)險(xiǎn)評(píng)級(jí),雖然在技術(shù)上的有一定的“后發(fā)優(yōu)勢”,但是絕對(duì)不是簡單的“直接拿來”。信用風(fēng)險(xiǎn)的內(nèi)部評(píng)級(jí)工作需要根植于內(nèi)部數(shù)據(jù),來開發(fā)適合中國實(shí)際情況的評(píng)級(jí)模型。本文從銀行內(nèi)部評(píng)級(jí)的角度,對(duì)信用風(fēng)險(xiǎn)評(píng)級(jí)的若干問題進(jìn)行了討論,并提出了適當(dāng)?shù)奶幚矸绞健?/p>

二、數(shù)據(jù)特性

不同的數(shù)據(jù)特性適用不同的模型。例如,判別分析要求自變量符合多元正態(tài)分布;而Logistic回歸對(duì)于數(shù)據(jù)的分布要求比較低,而且在處理綱目數(shù)據(jù)方面有著非常大的優(yōu)越性。在變量不服從多元正態(tài)分布的情況下,Logistic回歸優(yōu)于判別回歸;但是如果變量服從多元正態(tài)分布,那么線性判別規(guī)則是最優(yōu)的。而機(jī)器學(xué)習(xí)類的模型,對(duì)于分布要求不高,而且處理離散變量也有明顯的優(yōu)勢,例如決策樹、神經(jīng)網(wǎng)絡(luò)。

模型沒有絕對(duì)的最優(yōu),必須按照數(shù)據(jù)情況來選擇合適的模型。數(shù)據(jù)情況的統(tǒng)計(jì)分析,是十分重要的,即使國外已經(jīng)有經(jīng)驗(yàn)表明某種模型表現(xiàn)優(yōu)異,也有結(jié)合實(shí)際的建模數(shù)據(jù)進(jìn)行分析。如果我國的數(shù)據(jù)情況與國外不同,不符合該模型的假定,該模型就不可取。

所以,建模的第一步工作就是分析數(shù)據(jù)情況,討論各種可能模型的適用性,初步確定符合數(shù)據(jù)情況的模型框架。

三、分布的變化

既然信用評(píng)級(jí)的基本思想是從歷史數(shù)據(jù)中提煉信息來預(yù)測未來的客戶信用狀況。那么,即使我們從歷史數(shù)據(jù)中提煉出了完整的信息,如果歷史數(shù)據(jù)與未來情況不同,預(yù)測的可信度也會(huì)成為問題。

一個(gè)比較典型的問題是宏觀經(jīng)濟(jì)的變化。宏觀經(jīng)濟(jì)的變化對(duì)于整體違約概率的影響是非常大的,如圖1所示,美國歷年來的公司違約情況。公司客戶的評(píng)級(jí)往往主要依據(jù)公司的財(cái)務(wù)數(shù)據(jù)來得出結(jié)論,而實(shí)際上,即使是相同的財(cái)務(wù)比例,在不同的宏觀經(jīng)濟(jì)情況下,也有不同的表現(xiàn)。公司類客戶同樣還要考慮整體行業(yè)的演變過程,根據(jù)經(jīng)濟(jì)學(xué)理論,行業(yè)生命周期往往經(jīng)歷萌芽期-擴(kuò)展期-成熟期-衰退期四個(gè)周期。

在消費(fèi)者評(píng)分模型中,還有一個(gè)問題是人口漂移。我國目前正處在精神文明和物質(zhì)文明高速發(fā)展的階段,人口特性變化很快,如打工族的出現(xiàn)、貸款購房的增加、家用轎車消費(fèi)增加等。這些變化會(huì)導(dǎo)致潛在信用消費(fèi)人群和信用觀念的變化。這種隨著經(jīng)濟(jì)環(huán)境、人口結(jié)構(gòu)和生活方式的變遷使樣本人群的范圍和特質(zhì)發(fā)生變化,一般被稱為人口漂移。人口漂移會(huì)使原有評(píng)分標(biāo)準(zhǔn)下的評(píng)價(jià)結(jié)果與現(xiàn)實(shí)情況不符,這時(shí)就應(yīng)適當(dāng)?shù)恼{(diào)整權(quán)值修正人口漂移帶來的偏差,并不斷更新作為訓(xùn)練樣本的數(shù)據(jù)。

在宏觀經(jīng)濟(jì)的變化引起的違約概率的整體變化,需要建立宏觀經(jīng)濟(jì)模型來調(diào)整客戶評(píng)級(jí);而類似人口漂移等問題,數(shù)據(jù)結(jié)構(gòu)都已經(jīng)發(fā)生了變化,需要經(jīng)常的更新訓(xùn)練樣本,升級(jí)評(píng)級(jí)模型。評(píng)級(jí)模型有個(gè)別模型本身對(duì)于分布變化的這類問題有一定的解決能力,例如最近鄰法,它可以直接加入新的申請(qǐng)者或刪除老的用戶的方式動(dòng)態(tài)升級(jí)系統(tǒng),從而克服人口漂移帶來的問題。

四、拒絕推斷

當(dāng)我們使用訓(xùn)練樣本進(jìn)行模型研究的時(shí)候,所有訓(xùn)練樣本都是已經(jīng)有信用表現(xiàn)的客戶,即都是曾經(jīng)被授信的客戶,而申請(qǐng)被拒絕的客戶不在其列。但是當(dāng)我們使用模型的時(shí)候,卻面對(duì)了所有的可能客戶(即包括了按照以前的標(biāo)準(zhǔn)被授信或者被拒絕的客戶),既然我們模型從來就不認(rèn)識(shí)被拒絕客戶,又如何對(duì)他們作出判斷呢?所謂“拒絕推斷”(refusereference)是指如何從被拒絕的申請(qǐng)人中鑒別出應(yīng)向其授信的申請(qǐng)人的問題。模型開發(fā)者面臨的情況。

在完全不準(zhǔn)確(近乎隨機(jī))的信用評(píng)分的情況下,躍為較為精確的評(píng)級(jí)模型,“拒絕推斷”造成的影響不是很嚴(yán)重。當(dāng)然實(shí)際情況不會(huì)如此,即使是簡單的專家選擇,也會(huì)使得訓(xùn)練樣本有偏。而開始使用模型后,由于人口漂移等諸多因素,原有的信用評(píng)級(jí)模型隨著時(shí)間的流逝而漸漸失效,從而需要不斷地更新?！熬芙^推斷”是信用操作中無法回避的重要問題,目前主要的解決有部分接受法、混合分解法等。

1.部分接受法

這是一種解決這類問題的較理想的方法,但是卻不會(huì)受到經(jīng)營者的歡迎。部分接受法就是在未被授信的客戶集中進(jìn)行隨機(jī)的取樣,批準(zhǔn)他們的貸款申請(qǐng),然后觀察其以后的行為。這些申請(qǐng)者,被賦以相應(yīng)的權(quán)重,然后和那些通過原有規(guī)則獲得批準(zhǔn)的客戶(或者是它們當(dāng)中的隨機(jī)取樣)聯(lián)系在一起,這將會(huì)帶來完全隨機(jī)的人群樣本,可以用來創(chuàng)建新的評(píng)級(jí)模型。但是經(jīng)營者往往不愿意這樣做,他們的理由就是既然那些客戶已經(jīng)被認(rèn)為是沒有好的信用質(zhì)量,批準(zhǔn)他們的信用申請(qǐng)會(huì)帶來損失。但是,如果授信方接收了當(dāng)中一些人的申請(qǐng),那么就可以通過建立更加具有預(yù)測能力的模型再長期獲利。在任何情況下,授信方的利潤都不會(huì)因?yàn)檫@些取樣而受到太大的影響,因?yàn)檫@些取樣都是經(jīng)過仔細(xì)挑選的。關(guān)于部分接受法的研究還需要更加廣泛的工作,不過有一點(diǎn)可以肯定的是,這個(gè)方法需要前臺(tái)經(jīng)營部門和風(fēng)險(xiǎn)管理部門的通力合作和預(yù)先的計(jì)劃。

2.混合分解法

這是一種在沒有任何關(guān)于人群信息的情況下,估計(jì)兩種人群比例的方法。使用這種方法的前提是關(guān)于好壞人群的性質(zhì)分布的假設(shè)。特別是,必須假設(shè)知道這些分布就等同于知道一些參數(shù)的值,而這些值是可以通過數(shù)據(jù)估計(jì)的。這種方法的關(guān)鍵就在于將假定的優(yōu)質(zhì)客戶分布與假定的劣質(zhì)客戶分布的加權(quán)平均作為觀察值的分布與整體樣本分布的匹配。如此得到的整體樣本分布稱為“混合分布”。

這一方法可以讓人們能夠利用已知分布的一些優(yōu)異性質(zhì),但它的弊端也很明顯,就是關(guān)于好壞分布的假設(shè)必須是準(zhǔn)確的。不幸的是,信用數(shù)據(jù)的特征非常復(fù)雜,想準(zhǔn)確的得到它的分布往往是很困難的。

五、數(shù)據(jù)真實(shí)性

這是一個(gè)比較有中國特色的問題,雖然發(fā)達(dá)國家也有財(cái)務(wù)欺詐,但是絕對(duì)沒有中國的嚴(yán)重。由于制度的缺失,或者制度執(zhí)行的乏力,在中國,即使是會(huì)計(jì)師事務(wù)所審計(jì)出來的數(shù)據(jù)可能也是不可靠的。所以反財(cái)務(wù)欺詐,對(duì)于模型開發(fā)者是面臨的嚴(yán)峻問題。但是模型開發(fā)者能做的只能是發(fā)現(xiàn)在統(tǒng)計(jì)意義上或者邏輯關(guān)系上出現(xiàn)的異?，F(xiàn)象。

六、數(shù)據(jù)缺失

我國銀行建立評(píng)級(jí)模型,面臨最為嚴(yán)重的問題是數(shù)據(jù)缺失。在數(shù)據(jù)缺失非常嚴(yán)重的情況,建立一個(gè)優(yōu)秀的模型幾乎是不可能的,所以在此討論在能建模的前提下,數(shù)據(jù)缺失問題如何處理。公務(wù)員之家

如果一個(gè)變量缺失一定比例(例如50%)以上,只有放棄該變量;如果從經(jīng)濟(jì)學(xué)含義上,該變量確實(shí)非常重要,那么只有通過專家的經(jīng)驗(yàn)來尋找可替代的變量(或者變量組合)。例如,家庭地址的所屬區(qū)可能是十分重要的變量,但是并沒有被記錄,或者建模人員無法從家庭地址中提煉出區(qū)域,那么可以通過郵政編碼和電話號(hào)碼結(jié)合表征區(qū)域變量。

在數(shù)據(jù)缺失不是很嚴(yán)重的情況下,我們可以采用缺值替代的方法,例如均值替代、同類均值替代等,或者在不影響數(shù)據(jù)量的前提下也可以直接刪除數(shù)據(jù)缺失的記錄。

以上討論的都還是完全隨機(jī)缺失,這類缺失是完全隨機(jī)發(fā)生的,不影響樣本的無偏性。但是缺失更常見的隨機(jī)缺失和非隨機(jī)缺失,所謂隨機(jī)缺失是指該變量的數(shù)據(jù)缺失與其他變量有關(guān),例如財(cái)務(wù)數(shù)據(jù)缺失情況與企業(yè)的大小有關(guān);非隨機(jī)缺失是該變量的缺失與本身取值有關(guān),如高收入人群的不原意提供家庭收入,財(cái)務(wù)情況差的公司不提供財(cái)務(wù)報(bào)表。

對(duì)于隨機(jī)缺失和非隨機(jī)缺失,刪除記錄是不合適的,隨機(jī)缺失可以通過已知變量對(duì)缺失值進(jìn)行估計(jì);而非隨機(jī)缺失還沒有很好的解決辦法?？偨Y(jié)而言,缺值問題還是一個(gè)需要深入研究的問題。

七、過度擬合

由于樣本中存在噪音,所以模型的擬合優(yōu)度只能達(dá)到一定程度,這是理論能達(dá)到的最優(yōu)擬合度。有些時(shí)候,當(dāng)模型把噪音當(dāng)成了信息進(jìn)行擬合,使得擬合優(yōu)度超過了理論的最優(yōu)擬合度,過度擬合的模型實(shí)際上包含了錯(cuò)誤的信息,預(yù)測能力很差。如圖3是一個(gè)過度擬合的簡單例子,對(duì)于圖中的點(diǎn),我們通過線性擬合和非線性擬合得到擬合曲線a和b,顯然的曲線b的擬合優(yōu)度要高于曲線a,但是如果本質(zhì)上y和x之間是線性關(guān)系,那么非線性擬合的模型假設(shè)是錯(cuò)誤的,較高的擬合優(yōu)度實(shí)際上是過度擬合造成的。

過度擬合可以通過評(píng)價(jià)樣本等方法來解決,如圖4,當(dāng)訓(xùn)練不斷進(jìn)行,訓(xùn)練樣本的誤判率不斷降低,而評(píng)價(jià)樣本則呈現(xiàn)先降后升的情況,那么當(dāng)評(píng)價(jià)樣本的誤判率到最低時(shí),我們就應(yīng)該停止訓(xùn)練。

八、指標(biāo)選取中一些問題

信用評(píng)級(jí)在我國還處于起步階段,而發(fā)達(dá)國家已建立起一套相當(dāng)完備的標(biāo)準(zhǔn),在很多方面我們可以借鑒已有成果,但我國的文化習(xí)慣和道德標(biāo)準(zhǔn)與發(fā)達(dá)國家之間存在很大差異,在選取指標(biāo)時(shí)應(yīng)注意國情和評(píng)估的具體目的。具體評(píng)價(jià)指標(biāo)的選取各國具有不同,如美國法律不允許將性別、年齡等個(gè)人屬性作為指標(biāo)列入消費(fèi)者信用評(píng)估體系,但這顯然是非常重要的指標(biāo),而且我國目前沒有這樣的法律規(guī)定;德國將是否服兵役作為一項(xiàng)重要指標(biāo);意大利將出生省份和婚約中對(duì)共同財(cái)產(chǎn)的要求作為重要指標(biāo);而日本則將供職公司是否上市以及公司的雇員數(shù)作為重要指標(biāo)。

九、留酌情處理權(quán)

信用評(píng)級(jí)需要留給專家一定的酌情處理權(quán)。一方面,在我國信用評(píng)級(jí)制度發(fā)展的起步階段,在信用體系未完善之前,信用信息的提交和披露還很不規(guī)范,信息的真實(shí)性和準(zhǔn)確性還無法得到保證,利用評(píng)估模型得出的結(jié)論固然客觀,但若模型計(jì)算所依據(jù)的信息本身有問題還是會(huì)發(fā)生誤判;另一方面,評(píng)級(jí)模型是統(tǒng)計(jì)意義上的函數(shù)關(guān)系,對(duì)于個(gè)別的特例情況,不一定能得到合理的評(píng)級(jí)。所以,在實(shí)際工作中應(yīng)對(duì)此保留酌情處理的權(quán)利,根據(jù)專家的經(jīng)驗(yàn)和授信方的具體要求對(duì)評(píng)級(jí)進(jìn)行認(rèn)定或者調(diào)整。