信用風險評級的若干議題

1、信用風險評級的若干議題 內(nèi)容提要:我國的銀行業(yè)進行信用風險評級,雖然在技術(shù)上有一定的“后發(fā)優(yōu)勢”,但是絕對不是簡單的“直接拿來”。信用風險的內(nèi)部評級工作需要根植于內(nèi)部數(shù)據(jù),開發(fā)適合中國實際情況的評級模型。本文從銀行內(nèi)部評級的角度,對信用風險評級的若干問題進行了討論,并提出了適當?shù)奶幚矸绞健?關(guān)鍵詞:信用評級 風險防范議題 一、 引言 新巴塞爾協(xié)議的核心內(nèi)容是內(nèi)部評級,包括了市場風險、信用風險和操作風險。市場風險由于數(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;操作風險的計量方法還不夠成熟;信用風險,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,而且對于中國

2、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),所以信用風險評級是目前我國銀行研究的重點,也是內(nèi)部評級的突破口。 信用風險評級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,是廣義上的對應(yīng)關(guān)系,并不一定存在顯式的表達。 盡管信用風險計量有很多領(lǐng)域還處于研究階段,不過信用風險評級發(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、機器學習等方法,在發(fā)達國家,不論是理論研究,還是實際應(yīng)用,信用風險評級都已經(jīng)相當?shù)某墒?。那么我們是否可以直接搬來使用?

3、信用風險內(nèi)部評級模型,方法的選擇固然重要,但是好的方法并不一定對應(yīng)好的結(jié)果,實際上模型表現(xiàn)更多的決定于問題本身情況和問題解決的處理細節(jié)。我國的銀行業(yè)進行信用風險評級,雖然在技術(shù)上的有一定的“后發(fā)優(yōu)勢”,但是絕對不是簡單的“直接拿來”。信用風險的內(nèi)部評級工作需要根植于內(nèi)部數(shù)據(jù),來開發(fā)適合中國實際情況的評級模型。本文從銀行內(nèi)部評級的角度,對信用風險評級的若干問題進行了討論,并提出了適當?shù)奶幚矸绞健?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

4、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。而機器學習類的模型,對于分布要求不高,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)。 540)this.width=540” vspace=5 模型沒有絕對的最優(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)計分析,是十分重要的,即使國外已經(jīng)有經(jīng)驗表明某種模型表現(xiàn)優(yōu)異,也有結(jié)合實際的建模數(shù)據(jù)進行分析。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

5、然信用評級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)測的可信度也會成為問題。 一個比較典型的問題是宏觀經(jīng)濟的變化。宏觀經(jīng)濟的變化對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。公司客戶的評級往往主要依據(jù)公司的財務(wù)數(shù)據(jù)來得出結(jié)論,而實際上,即使是相同的財務(wù)比例,在不同的宏觀經(jīng)濟情況下,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)濟學理論,行業(yè)生命周期往往經(jīng)歷萌芽期-擴展期-成熟期-衰退期四個周期。(見圖1) 在消費者評分模型中,還有一個問題是人口漂移。我國目前正

6、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、家用轎車消費增加等。這些變化會導致潛在信用消費人群和信用觀念的變化。這種隨著經(jīng)濟環(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。人口漂移會使原有評分標準下的評價結(jié)果與現(xiàn)實情況不符,這時就應(yīng)適當?shù)恼{(diào)整權(quán)值修正人口漂移帶來的偏差,并不斷更新作為訓練樣本的數(shù)據(jù)。 540)this.width=540” vspace=5 在宏觀經(jīng)濟的變化引起的違約概率的整體變化,需要建立宏觀經(jīng)濟模型來調(diào)整客戶評級;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)常的更新訓練樣本,升級評級模型

7、。評級模型有個別模型本身對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者或刪除老的用戶的方式動態(tài)升級系統(tǒng),從而克服人口漂移帶來的問題。 四、 拒絕推斷 當我們使用訓練樣本進行模型研究的時候,所有訓練樣本都是已經(jīng)有信用表現(xiàn)的客戶,即都是曾經(jīng)被授信的客戶,而申請被拒絕的客戶不在其列。但是當我們使用模型的時候,卻面對了所有的可能客戶(即包括了按照以前的標準被授信或者被拒絕的客戶),既然我們模型從來就不認識被拒絕客戶,又如何對他們作出判斷呢?所謂“拒絕推斷” (refuse reference)是指如何從被拒絕的申請人中鑒別出應(yīng)向其授信的申請人的問題。模型開發(fā)者面臨的情況

8、如圖2。 在完全不準確(近乎隨機)的信用評分的情況下,躍為較為精確的評級模型,“拒絕推斷”造成的影響不是很嚴重。當然實際情況不會如此,即使是簡單的專家選擇,也會使得訓練樣本有偏。而開始使用模型后,由于人口漂移等諸多因素,原有的信用評級模型隨著時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行隨機的取樣,批準他們的貸款申請,然后觀察其以后的行為。這些申請者,被 (圖2“拒絕推斷”的圖例) 540)

9、this.width=540” vspace=5 賦以相應(yīng)的權(quán)重,然后和那些通過原有規(guī)則獲得批準的客戶(或者是它們當中的隨機取樣)聯(lián)系在一起,這將會帶來完全隨機的人群樣本,可以用來創(chuàng)建新的評級模型。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)被認為是沒有好的信用質(zhì)量,批準他們的信用申請會帶來損失。但是,如果授信方接收了當中一些人的申請,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因為這些取樣而受到太大的影響,因為這些取樣都是經(jīng)過仔細挑選的。關(guān)于部分接受法的研究還需要更加廣泛的工作,不過有一點可以肯定的是,這個方法需要前臺經(jīng)營部門和風險管理部

10、門的通力合作和預(yù)先的計劃。 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)必須是準確的。不幸的是,信用數(shù)據(jù)的特征非常復(fù)雜,想準確的得到它的分布往往是很困難的。 五、 數(shù)據(jù)真實性 這是一個比

11、較有中國特色的問題,雖然發(fā)達國家也有財務(wù)欺詐,但是絕對沒有中國的嚴重。由于制度的缺失,或者制度執(zhí)行的乏力,在中國,即使是會計師事務(wù)所審計出來的數(shù)據(jù)可能也是不可靠的。所以反財務(wù)欺詐,對于模型開發(fā)者是面臨的嚴峻問題。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 我國銀行建立評級模型,面臨最為嚴重的問題是數(shù)據(jù)缺失。在數(shù)據(jù)缺失非常嚴重的情況,建立一個優(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。 如果一個變量缺失一定比例(例如50%)以上,只有放棄該變量;如果從經(jīng)濟學含義上,該變量確實非常重要,那么只有通過專家的經(jīng)驗來尋找可替

12、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碼結(jié)合表征區(qū)域變量。 在數(shù)據(jù)缺失不是很嚴重的情況下,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缺失,這類缺失是完全隨機發(fā)生的,不影響樣本的無偏性。但是缺失更常見的隨機缺失和非隨機缺失,所謂隨機缺失是指該變量的數(shù)據(jù)缺失與其他變量有關(guān),例如財務(wù)數(shù)據(jù)缺失情況與企業(yè)的大小有關(guān);非隨機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

13、務(wù)情況差的公司不提供財務(wù)報表。 對于隨機缺失和非隨機缺失,刪除記錄是不合適的,隨機缺失可以通過已知變量對缺失值進行估計;而非隨機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)度只能達到一定程度,這是理論能達到的最優(yōu)擬合度。有些時候,當模型把噪音當成了信息進行擬合,使得擬合優(yōu)度超過了理論的最優(yōu)擬合度,過度擬合的模型實際上包含了錯誤的信息,預(yù)測能力很差。如圖3是一個過度擬合的簡單例子,對于圖中的點,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

14、么非線性擬合的模型假設(shè)是錯誤的,較高的擬合優(yōu)度實際上是過度擬合造成的。 過度擬合可以通過評價樣本等方法來解決,如圖4,當訓練不斷進行,訓練樣本的誤判率不斷降低,而評價樣本則呈現(xiàn)先降后升的情況,那么當評價樣本的誤判率到最低時,我們就應(yīng)該停止訓練。 八、 指標選取中一些問題 信用評級在我國還處于起步階段,而發(fā)達國家已建立起一套相當完備的標準,在很多方面我們可以借鑒已有成果,但我國的文化習慣和道德標準與發(fā)達國家之間存在很大差異,在選取指標時應(yīng)注意國情和評估的具體目的。具體評價指標的選取各國具有不同,如美國法律不允許將性別、年齡等個人屬性作為指標列入消費者信用評估體系,但這顯然是非常重要的指標,而且我

15、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重要指標;意大利將出生省份和婚約中對共同財產(chǎn)的要求作為重要指標;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。 九、 留酌情處理權(quán) 信用評級需要留給專家一定的酌情處理權(quán)。一方面,在我國信用評級制度發(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,信息的真實性和準確性還無法得到保證,利用評估模型得出的結(jié)論固然客觀,但若模型計算所依據(jù)的信息本身有問題還是會發(fā)生誤判;另一方面,評級模型是統(tǒng)計意義上的函數(shù)關(guān)系,對于個別的特例情況,不一定能得到合理的評級。所以,在實際工作中應(yīng)對此保留酌情處理的權(quán)利,根據(jù)專家的經(jīng)驗和授信方的具體要求對評級進行認定或者調(diào)整。 作者簡介:梁世棟,中國建設(shè)銀行風險管理部計量處高級風險經(jīng)理,金融工程學博士,曾在香港大學從事博士后研究。 樊浩峰,中國電力投資集團財務(wù)公司。