導語：銀行信用風險度思路論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

內容摘要:本文通過對我國銀行業信用風險度量的現狀分析,提出了應用蒙特卡洛模擬技術進行銀行信用風險度量的新思路。筆者在借鑒國外信用風險度量模型建模思想的基礎上,采用銀行不良貸款率作為反映信用風險的指標,應用時間序列模型,嘗試采用蒙特卡洛模擬實現對不良貸款率的信用價值計算。

關鍵詞:信用風險蒙特卡洛模擬銀行不良貸款率

信用風險是銀行面臨的最重要也是最棘手的風險,如何對信用風險進行度量,以提高信用風險管理水平,是全世界銀行界面臨的難題,更是我國銀行業加入WTO之后的最大難題。我國各商業銀行在長期發展過程中建立了自己的一套風險管理方法,主要強調的是貸款投向的政策性、合法性、貸款運行的安全性以及“審貸分離”原則等。而在風險識別和度量方面不精確,定量分析不足,缺乏風險管理的量化手段。銀行在信用風險度量方面關注的僅是某一筆貸款的信用風險,并沒有從組合管理的角度對信用風險進行度量與管理。

目前,國際上常用的度量信用風險高級模型主要有四個,分別為:由美國J•P•Morgan公司開發的CreditMetrics模型,該模型的基礎是在給定的時間段內估計貸款及債券產品資產組合將來價值變化的分布狀況;以計算預期違約概率而見長的KMV模型,對所有股權公開交易的主要公司和銀行的違約可能性做出預測并實時更新;由瑞士信貸銀行金融產品部(CSFP)開發的CreditRisk+模型,采用保險精算學的分析框架來推導信貸組合的損失分布,模型具有非常規整的數學形式;麥肯錫公司開發研制的CreditPortfolioView模型,提出了聯系宏觀經濟變量和違約及轉移概率的方法。

在目前條件下,我國的商業銀行還不可能建立類似于CreditMetrics模型的高級銀行內部風險度量模型。由于高級信用風險模型的建立需要進行大量的風險因子數據,例如違約概率、違約回收率等,這些參數的估計是以歷史經驗數據為基礎的。而我國商業銀行目前都不能提供此類數據,也沒有統一可信的外部評級機構提供相關數據。所以,目前我國商業銀行要想利用現有模型或建立自己的高級信用風險度量模型,并利用這些模型對信用風險進行管理的條件還未成熟,還需等待數據的積累和內部體制的建立。

蒙特卡洛模擬在銀行信用風險度量模型中的應用

蒙特卡洛(MonteCarlo)模擬方法又名隨機模擬法或統計試驗法,其解決問題的基本思想是首先構造與描述該類問題有相似性的概率分布模型,使分布模型的某些特征(如隨機事件或隨機變量的均值等)與問題的解答聯系起來,然后通過對分布模型進行隨機模擬或抽樣實驗來計算這些特征的統計值,最后給出所求解的近似值。這種方法具有思想新穎、直觀性強、簡便易行的優點,由于計算機的普及而在許多領域得到了廣泛的應用。

蒙特卡洛模擬技術作為一種計算方法,在對銀行信用風險度量模型中的應用可歸納為三個方面,對應模型實施的三個階段:首先,產生風險因子的隨機估計,作為模型的輸入變量。其次,模擬組合損失的分布與計算VaR(信用風險價值),作為模型的輸出。基于蒙特卡洛模擬則可以進一步估計資產的價值分布,計算VaR,其輸出結果可應用于經濟資本計算、業績評估、限額設定以及風險對沖等,也可以由蒙特卡洛模擬生成宏觀經濟變量的取值,來模擬宏觀經濟狀態,進而得到調整后的違約概率。最后,用蒙特卡洛模擬檢驗由參數化方法得到的模型的有效性。

由于信用評級制度不完備、各種歷史數據的缺乏等原因,我國目前尚不具備建立和實施高級信用風險度量模型的客觀條件。本文選擇了一個可行的切入點來展開研究,由于蒙特卡洛模擬方法不需要大量的歷史數據,且靈活而強有力,因此本文從蒙特卡洛模擬這一計算方法的角度對信用風險度量問題展開研究。

度量銀行不良貸款率的VaR實證研究

本文認為在一定的置信水平下,商業銀行一年中貸款這一金融資產組合在未來特定的一段時間內(一年)的最大可能損失,可以用一年后的不良貸款率在這一置信水平下的最大可能值來衡量。根據不良貸款率在一定置信水平下的最大可能值就可以估計合理的信貸風險準備金和經濟資本。本文的實證內容是用蒙特卡洛模擬方法計算市場正常波動情形下,商業銀行在未來(下一年末)不良貸款率的最大可能值,即在給定置信水平下計算不良貸款率的VaR,并分析關鍵變量選取不同的隨機過程時是如何影響VaR的。

(一)模型的設定

本文假定銀行的信用風險管理水平較高,貸款業務分散,未集中于某一行業或特定關系客戶,這樣不良貸款率就只反映了宏觀經濟狀態所帶來的系統性風險。因此,當期的不良貸款率可以表示為上期的不良貸款率與宏觀市場因子共同作用的結果。基于以上假定,由以下單變量時間序列模型來計算當期不良貸款率:

過程①指市場因子rt遵循白噪聲過程。白噪聲過程是個穩定過程,其隱含的意思是各期市場因子均不相關,適用于表示模型無法解釋的純隨機波動。過程②指市場因子rt遵循一階自回歸過程。rt除了受當期隨機擾動的影響,還受自身的滯后量rt-1的影響。過程③指市場因子rt遵循一般自回歸移動平均過程ARMA(1,1)。rt除了受當期隨機擾動和自身滯后量的影響,還受到上一期的隨機擾動εt-1的影響。

確定模擬的步驟為:選擇(1)式的三個隨機過程中的一個,并挑選參數;根據隨機過程,產生相應的隨機數——宏觀市場因子;根據第2步中隨機市場因子,由(2)式計算當期的不良貸款率;重復第2、3步盡可能多次,如5000次,得到一系列當期不良貸款率的數值,從大到小排序,就可以找出給定置信水平下的VaR。

(二)模型參數的選取

本文選擇貸款風險分類法中對不良貸款的定義,以中國民生銀行股份有限公司2004年年度報告中公布的2002年以來的各年末的不良貸款率為依據進行數據模擬。由于缺乏足夠多的歷史數據和經驗有效的計量經濟模型,模型的參數只能靠定性(考慮參數的經濟意義和統計特性)和試算的方法來選取。

1.時間段的選取。本文以季度為時間段進行模擬運算,即每次模擬以上一年末的不良貸款率為初始值,模擬四次得到本年末的不良貸款率。

2.白噪聲εt的標準差σ的選取。VaR是衡量市場正常波動情況下的風險狀況,且所選擇的時間段僅為一個季度,所以宏觀市場因子的波動幅度不宜過大。當rt=εt時,用水晶球(CrytalBall)軟件對σ取不同值時的ert進行了5000次模擬試算,得到其取值范圍。根據試算,本文確定σ取0.05。因為σ取0.05時,一個季度中不良貸款率變化的幅度在20%左右,是可以接受的結果。

3.AR(1)過程中系數的選取。與白噪聲過程相比,當04.ARMA(1,1)過程中系數b的選取。由于ert對b的取值并不敏感,特別是當b取值在0到1時,ert的取值范圍幾乎沒有什么變化。考慮到b的經濟意義,它反映上期的非預期波動對市場因子的影響持續到了本期,故影響能力應該并不大,所以b取0.2。

(三)模擬結果與比較

確定參數取值后,(1)式模型的3個過程可以表述為:

本文分別用三種隨機過程,并分別以2002年末和2003年末的不良貸款率為初始值,對2003年末和2004年末的不良貸款率進行蒙特卡洛模擬計算。模擬次數取5000次,置信水平取99%和95%。通過概率密度分布圖和預測結果來看,三種過程都符合對模擬結果的要求。

第一,三種過程模擬出的不良貸款率的均值都在不同程度上大于實際值,這一點具有現實意義,體現了謹慎性的原則。因為作為用來評價銀行信用風險的模型,若它得到的風險度量指標的均值小于實際值的話,就等于直接高估了銀行資產的價值,對預期損失估計不足。

第二,VaR的模擬結果也都大于實際值,這更是必須的條件。如果只是對預期損失估計不足,準備金提取不夠,如果連VaR都估計不足,銀行將大大放松對風險的控制和管理,當風險真正成為損失,銀行的準備金和經濟資本將肯定不夠彌補,嚴重的話將導致銀行破產。

第三,三個過程所得到的不良貸款率的概率密度分布均右偏,體現了信用風險的基本特征即信用風險具有收益和損失不對稱的風險特征。宏觀市場因子的波動只對收益產生有限的正面影響,卻對收益有相當的系統性負面影響,不良貸款率較大的情況出現的概率比正態分布時要大。

第四,三種過程的結果又有一定的差別,體現了本文選擇三種隨機過程來進行模擬的初衷,即分析蒙特卡洛模擬方法中關鍵變量隨機過程選擇的重要影響。

(四)預測值

以2004年末的不良貸款率(1.31%)為初始值,分別用三種隨機過程模擬5000次得到2005年末不良貸款率的預測值如表1。即2005年末該銀行的不良貸款率有95%的可能性小于1.5393(白噪聲)、2.0751(一階自回歸)、2.2252(一般自回歸移動平均);有99%的可能性小于1.6634(白噪聲)、2.5595(一階自回歸)、2.7647(一般自回歸移動平均)。

加強我國商業銀行信用風險度量的措施

從以上現狀分析與實證研究中可以看出,目前在我國商業銀行實施信用風險度量的高級模型尚有很多困難和阻礙。我國要不斷改善金融市場的內外部環境,逐步地提高商業銀行的信用風險度量與管理水平。目前可考慮以下措施:

完善我國資本市場,發展獨立的信用評估中介機構,以增強市場信號的力度和透明度。優化風險管理制度,這是提高信用風險度量技術水平的內部基礎,以保證風險水平符合管理層制定的目標和策略,提高風險收益比。以多種方法進行數據準備,并大力發展數據庫技術,建立信用風險評估的數據基礎。選擇適當范圍先引入量化分析,分步評估技術和管理水平,從而最終實現整個信用風險管理體系的科學化、標準化和制度化。