现代信用风险度量模型简介与比较分析.pdf

《现代信用风险度量模型简介与比较分析.pdf》由会员分享，可在线阅读，更多相关《现代信用风险度量模型简介与比较分析.pdf（28页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、现代信用风险度量模型简介与比较分析 摘 要 债券质押式回购业务对服务实体经济发展、促进交易所市场发展、支持交易所市场与银行间市场错位竞争发挥了重要作用。近年来，交易所债券市场发展迅速，债券发行主体逐年扩容，入库质押债券信用资质呈下沉趋势。尤其是公司债发行与交易管理办法出台后，公司债发行井喷，给债券回购业务风险带来了更大的压力和挑战。为了应对挑战，需要我们在广泛了解债券质押式回购业务的基础上，科学选择适合我公司具体业务情况的信用风险度量方法，尽快开展并完善内部评级工作，满足金融市场基础设施原则（PFMI）精细化管理的需要。本文首先分析了目前市场上广泛使用的信用风险度量方法与模 型，然后比较了各模

2、型方法的原理及优缺点，最后结合公司业务提出 三点建议。目 录 1.研究背景和意义.1 2.主要信用风险度量方法与模型.2 2.1 依赖于专家智慧的定性分析法 .3 2.2 以财务数据为基础的信用得分模型 .4 2.2.1 单变量模型.4 2.2.2 多变量模型.4 2.3 现代信用风险度量模型 .7 2.3.1 CreditMetrics 方法.8 2.3.2 KMV 模型.10 2.3.3 CreaditRisk+模型.12 2.3.4 CreditPortfolio View 模型.14 3.模型比较分析.15 4.对我公司实际工作的建议.17 1.研究背景和意义 目前交易所市场债券质押式

3、回购业务的风险预防主要有两道防 线：第一道是质押式债券的入库准入，目的是确保入库债券品质符合 要求；第二道是入库债券的持续监测，主要通过折算率计算公式动态 调整，目的是及时把不符合条件的债券踢出质押库。但是在实际应用 中，这两道防线出现了一些亟待完善的问题。例如：第一道防线过于 依赖外部评级结果，而外部评级虚高可能会导致一些不符合条件的债券进入质押库；第二道防线缺乏对流动性较差债券的应对机制，而目前大部分质押券成交不活跃，导致折算率计算公式不能完全反应债券真实价值。公司领导多次强调：“要积极做好债券回购业务风险的精细化管理，减少对外部评级依赖，建立更为科学完善的回购资格准入与折扣系数取值体系”

4、。在提高直接融资比重服务实体经济的大环境下，债券市场迅猛发展，修复完善我公司债券质押式回购业务的两道风险防线迫在眉睫。与 2007 年入库质押式回购主要是国债，信用债占比不足 1%相比，2015 年 10 月 14 日，包括企业债在内的信用债托管量和入库质押量占比分别达到 84.28%和 75.53%1，且大部分为中低等级信用债，中低等级信用债备受市场追捧，形成“劣债驱逐良债现象”。因此，对质押式债券的信用风险度量，特别是未雨绸缪，考虑对未来 大量新发债券的信用风险度量至关重要。本文通过对国内外信用风险度量模型的比较分析，希望能探索出一条内部评级道路，对于拟入库债券实现多种方法的交叉检验，摆脱

5、过于依赖外部评级所带来的风险。2.主要信用风险度量方法与模型 1988 年巴塞尔协议提出信用风险的权数管理方式，在该方式下，金融机构的信用风险管理技术有：评级方法、评分方法、专家系统。评级方法将贷款分成若干等级，不同等级赋予不同损失准备金率，然 后计算损失准备金加总，得出需要用于防范风险的资本。金融机构为 了降低贷款信用风险和发挥资本利用效率，需要专家判断法和评分方 法对贷款质量进行控制，专家系统由从事信贷业务的专家组成，通过“5C”原则等方法，主观给出分值。评分方法通过以财务数据为基 础的信用得分模型（多元线性判别分析模型、加权 Logistic 回归分析 模型、Probit 回归分析模型等

6、）算出的分值，判断企业的信用风险。1996 年巴塞尔协议修正案，正式许可金融机构可选择内部模型 度量其风险，新一代风险管理专家将建模技术和分析方法进一步改进，产生了一批广泛应用的信用风险模型。现代信用风险模型主要是通过 数学手段对历史数据进行统计分析，从而对有关群体或个体的信用水 平进行定性或定量评估，并对未来行为的信用风险进行预测，提供信 用风险防范的有效依据和手段。结合我公司实际工作看，现代信用风险模型在功能上可以实现对 债券发行主体的内部评级要求，甚至可以满足对我公司参与人信用风 险的度量要求。但是现代信用风险模型较为复杂，对参数设置和数据质量要求很高，其在中国的实际应用效果也需要时间检

7、验，在短时间 内不能完全满足实际工作要求。因此，对以前“较为简单”的信用风 险度量方法和模型的研究也非常必要。鉴于此，本文将新方法和老方 法一并展开介绍。2.1 依赖于专家智慧的定性分析法 定性分析方法是以 5C 法为代表的专家判断法和以 5C 法为基础 发展起来的综合评价法。5C 是指信用评估决策需要考虑的五个因素：品格（character）、资本（capital）、担保（collateral）、偿债能力（capacity）、环境（condition）。5C 法还衍生出许多类似的方法，有些银行将其归 纳为 5W 因素,即借款人(Who)、借款用途(Why)、还款期限(When)、担保物(Wh

8、at)及如何还款(How)。还有的银行将其归纳 为 5P 因素，即个人因素(Personal)、借款目的(Purpose)、偿还(Payment)、保障(Protection)和前景(Perspective)。无论是 5C、5W、或是 5P，这些方法的共同之处都是将每一个要素逐一进行评分，使 信用数量化，从而确定其信用等级以作为其是否贷款，贷款标准的确 定和随后贷款跟踪监测期间的政策调整依据。考虑到这些方法对专家 个人经验和素质要求高、专家系统维护成本昂贵、不同专家对同一对 象的分析可能出现不同结果，金融机构逐渐从主观的专家系统向更为 客观的方式转变。Sommerville and Taffl

9、er 1 的研究表明多元信用得分系 统(multivariate credit scoring systems)要优于专家系统。2.2 以财务数据为基础的信用得分模型 此类方法包括单变量和多变量两种模型。2.2.1 单变量模型 单变量模型将分析对象的各种关键财务比率与行业标准进行比 较。单变量模型的早期研究包括 Fitzpatrick1，Smith and Winakor 2，Merwin3，和 Beaver 4，更为详细地描述出现在 Beaver 5 和 Elam6 的文献 中。但是，单一变量很难全面反应企业的财务状况 7，研究者开始考 虑多变量的方法。2.2.2 多变量模型 在多变量模型中

10、，多个关键的财务比率被模型考虑，并被赋予相 关权重，从而产生一个反映信用风险的分值。在实际应用中，使用比 较多的是判别分析模型(The Discriminate Analysis Model)和Logit 模型。A判别分析模型。判别分析法是从若干表明研究对象特征的变 量值(主要是财务比率)中筛选出能提供较多信息的变量并建立模型使推导出的判别函数对研究样本分类时的错判率最小。主要包括：Z 计分模型、Z计分模型和 ZETA 模型。Z 计分模型是 1968 年Altman 1 提出的多变量模型。他运用多元统计分析方法将 22 个能够评价公司 违约可能性的变量指标变为 5 个，并运用这 5 个变量指标

11、构造判别模 型，使破产公司(或非破产公司)组内差异最小化，破产公司与非破 产公司组间差异最大化。Z计分模型是 1994 年 Altman2 修正 Z 计分模 型所得，用于非上市公司评分。ZETA 模型是 1977 年 Altman，Haldeman 和 Narayanan3 对 Z 计分模型扩展后建立的第二代模型，对 该模型的修正主要是针对破产公司出现的新情况(如破产公司的平均 规模增大)进行的，模型采用了 7 个变量。ZETA ax bx cx dx ex fx gx 其中，a-g 为需要自己设定的系数，x1-7 为七个指标，分别为：资 产收益率 4、收益稳定性指标 5、债务偿付能力指标 6

12、、累计盈利能力指 标 7、流动性指标 8、资本化程度指标 9、规模指标 10。判别分析模型的优点是：可以找出具有判别能力的财务比率、可 以衡量企业的整体绩效。缺点是：判别分析需要变量符合正态分布假 设，而财务比率并不符合这一要求 1。因此，判别分析模型在实际应 用中有一定局限性，仅适用于有准确财务数据的公司，公司有一定规 模，并且发展较为成熟。BLogit 回归模型。Z 评分模型和 ZETA 模型给出的是企业是 否会违约的预测，而非企业的违约概率，利用 Logit 回归分析方法则 可以直接计算出企业未来的违约概率。Logit 模型假设违约概率符合 逻辑分布（也就是将违约概率的值量化为 0-1

13、区间的一个数值），通 过输入公司的财务数据，得出企业的违约概率得分。Martin2 较早运用 Logit 技术对破产银行和良好银行进行区分研究，做出回归模型，以 便区分问题银行和正常银行，当时的判断准确率达到 90%以上。在明 确“违约”定义的前提下，模型选取反映公司偿债能力、盈利能力、管 理能力、流动性等财务比率作为预选指标，运用历史数据对预选指标 进行显著性检验和多重共线性检验，确保最终纳入模型的变量与因变 量(违约概率)具有显著的相关性，各自变量之间的信息重叠尽量少。Logit 模型具有如下形式：fx e 1e 其中，X=(X1,X2,Xn)为最终纳入模型的财务指标向量，g(X)为指标向

14、量的函数，可以是线性的，形如:g(X)=0+1x1+2x2+nxn，也可以是非线性的。f(X)(0,1)表示企业出现财务困境的可能性，即违约概率。Logit 模型的扩展之一是 Probit 模型，Probit 模型计算的违约概率 值也介于 0 和 1 之间，但与 Logit 模型不同的是，其假设违约概率是 累积正态分布，而不是逻辑函数分布。由于 Logit 模型相对简单且具有较好的经济含义，适用于各类具 有一定数据基础的客户违约率的计算，是目前国内银行运用最多的信 用风险计量模型，也受到国内实证研究的青睐。2.3 现代信用风险度量模型 尽管在许多情况下，基于财务数据的多变量模型表现很好，但是

15、这种方法存在两个主要问题：第一，财务数据在时间维度上是离散而 非连续的，但从掌握市场变量和条件变化的角度说，连续性对违约行 为的度量非常重要；第二，很多情况是非线性的，并且这些非线性的 关系会随着时间和具体分析对象的不同发生变化，如果不能对模型进 行及时修正，容易导致错误。现在出现了很多新模型，主要的新兴信用风险度量和管理方法为 1：JP 摩根的 CreditMetrics 方法、穆迪的 KMV 模型、CSFP 的 CreditRisk+方法、以及麦肯锡的 Credit Portfolio View 模型。从实际应 用上看，大致分为两类：第一类是违约模式模型，用来估计在给定期 限内资产组合的违

16、约风险概率分布，例如 CreditRisk+方法和 Credit Portfolio View 模型；第二类是盯市模型，在允许信用度下降的情况下，估计资产组合价值在未来的分布，例如 CreditMetrics 方法和 KMV 模 型。本文将介绍这两类模型中的几个代表性模型。2.3.1 CreditMetrics 方法 该方法是一种信用等级变化方法，模型的数据基础是来自于评级 公司的信用级别转移概率矩阵 1。在该方法中，给定投资组合中的资 产类别和他们之间的组成比例，可以得出一定期限后（通常一年）的 组合价值分布曲线，进而得到用该曲线计算投资组合的 VAR 值。计 算价值分布曲线有分析方法和模拟

17、方法两种。以下给出一个简单例子说明该方法的计算过程。假定债券投资组 合仅含有一种 BBB 等级债券，计算中需要的违约率和转移矩阵由信 用评级公司提供，通过对历史数据求平均值得出。假定下一年 BBB 债券等级变动概率如下表：表 1 信用等级变化 AAA AA A BBB BB B CCC 违约 0.02%0.33%5.95%86.93%5.30%1.17%0.12%0.18%可以看出，该券下一年保持 BBB 等级概率为 86.93%，信用等级 变化后，债券价值将采用相应等级债券利率期限进行折现，如果信用 等级下降（上升），信用利差高（低），债券价值将下降（上升）。假 设 BBB 等级债券利率期限

18、结构为：表 2 BBB 债券利率期限结构 等级 第一年 第二年 第三年 第四年 BBB 4.1%4.67%5.25%5.63%假设债券本金 F=100，年息 C=6，如果一年后债券仍为 BBB 等 级，其价值为：V C C 1 r1 C 1 r2 C 1 r3 CF 1 r4 107.55 同理，对债券期末变动到其它等级的情况，分别计算可得表 3：表 3 BBB 等级债券期末价值 AAA AA A BBB BB B CCC 违约 109.37 109.19 108.66 107.55 102.02 98.10 83.64 51.13 基于表 3 数据，可得出一年后该债券的价值分布曲线，然后可以

19、 求出该投资组合在一定置信度上的 VAR 值。如果投资组合包含多个债券，常采用模拟方法，首先根据信用转 移矩阵确定信用等级发生变化的临界资产收益率，结合临界收益率决 定每次模拟信用等级变动情况，分别计算投资组合价值，最后得到投 资组合价值分布曲线，从而计算 VAR 值。为计算不同债务人资产之间的相关度，该方法先构造不同国家产 业之间的相关度模型，使用各个国家证券市场的综合指数感和行业指 数进行分析，然后根据每个债务人在国家和产业中的参与程度，分配 权重。运用指数相关度和权重计算债务人之间的相关度。CreditMetrics 方法有以下重要假定条件，这也是该模型存在的主 要问题，需要我们特别注意

20、：第一，市场风险与信用风险无关。该方法假设未来的价值和风险 完全由远期分布曲线决定，在模型中唯一的变量是信用。第二，把债务人按评级公司的转移矩阵分成若干个信用级别，而且假定在同一信用级别中的债务人具有完全相同的转移矩阵和违约 概率，实际违约率等于历史统计平均的违约率。该假设在很多情况下 并不成立或不完全成立，例如实证研究表明，违约率与宏观经济状况 有直接关系，在经济高速增长阶段，违约率较低；在经济衰退时期，违约率很高。这些不合理的假设限制了模型的准确性。而不得不做出 这些假定的原因在于数据基础：评级公司的信用级别转移矩阵概率矩 阵是离散的、历史平均的。第三，风险期限是固定的，一般为一年。这实际

21、上也受制于评级 机构的转移矩阵，这些转移矩阵的期限为一年。第四，需要估计所有债务人两两之间信用变化的相关性，但是这 些相关性无法直接获得，CreditMetrics 模型利用资产回报的联合分布 来估计，资产回报的联合分布用所有者权益价值的分布来代替，在计 算中对各债务人的资产结构和资本回报的产生过程也作了大量简化 设置。第五，每个信用级别对应一条零票息收益曲线，一般在违约事件 中设恢复率（数据来自评级机构），在违约发生时，未损失部分=资产 恢复率。第六，违约事件发生在债务到期时。2.3.2 KMV 模型 KMV 模型不使用评级机构提供的统计数据来确定违约概率。它 认为：评级机构变化级别缓慢，导

22、致历史平均的原级滞留概率要比实 际的大，并且历史平均违约概率要大于信用级别中典型的真实违约概 率（中位数表征）。KMV 模型对每一公司分别使用 Merton 的违约证券估价模型来确 定在未来的一定时期内，公司违约率是多少，模型中的违约率是公司 资本结构、资本收益波动率和公司当前资产价值的函数。该模型核心 是其定义的期望违约频率（EDF,The Expected Default Frequency），每 一公司都有自己的EDF，模型认为EDF值充分反映了公司信用利差、信用等级等市场信息。计算 EDF 分为三个阶段：首先估计公司资产价值和公司资产波 动率；其次计算违约距离 DD（Distance-

23、to-Default）；最后使用 KMV 违约数据库将 DD 转化为 EDF。根据 Merton 的违约证券估价方法有：EVNd Be Nd E：公司股票市值；B：公司债务面值；V：公司资产市场价值；：债务期限；a:资产价格波动率；r：无风险；N(.)：标准正态累计 分布函数。d ln V D r 1 2 d d NdV/E 求解上式，可以得到公司资产价值和资产波动率，KMV 模型假 定资产价值未来服从正态分布，定义违约距离 DD 为：DD EV D EV E(V)为公司资产期望价值，D 表示违约点，D=STD+LTD/2，STD 为短期债券，LTD 为长期债券。在时刻 T，DD 可表示如下：

24、DD lnV/D /2t t KMV 利用大样本数据 1 拟合出 DD 和 EDF 的对应关系曲线，可 以从 DD 算出 EDF。KMV 模型中，债务金融产品的现值为无风险部分和有风险部分 的汇总，公式为：PV 1LGD C 1 r LGD 1 QC 1 r PV 为债券现值，LGD 为违约时的损失，Ci 为现金流，Qi 是累积 风险中性 EDF，对 EDF 进行修正后得到。与 CreditMetrics 模型相比，KMV 模型度量方法包含更多的市场 信息，因而认为能更好的预测未来，但 CreditMetrics 模型的假设条件 导致其在实际应用中存在以下问题：第一，期权定价方法可以求解公 司

25、资产价值和波动率，但缺乏精确性检验的有效方法；第二，为了能 使用期权定价公式，分析时假设公司债务结构是静态不变的；第三，模型离不开资产收益正态分布假设，否则就不能求出理论 EDF 值。2.3.3 CreaditRisk+模型 CreaditRisk+模型用来计算债券投资组合的损失度，该模型只对 违约风险进行建模，不考虑信用等级变化。由于该模型使用保险精算 的计算框架，因此模型的假设也更符合保险业务：第一，在同一长度 的时间段内违约概率相同；第二，对于债务人群体，在各个不重叠时间段内违约个数相互独立；第三，在某时间点，最多发生一次违约事 件。基于这三个假设，可得出给定期限内违约次数的概率服从泊松

26、分 布：e n!,n 0,1,2,;:期望违约次数 由于每一次违约损失额不一样，对于整个投资组合来说，损失分 布就不再遵循泊松分布。CreditRisk+模型首先将投资组合中每笔贷款 风险暴露按大小分组，组内贷款暴露相同，因此，每组损失分布将符 合泊松分布，然后将各组损失汇总。该组的标准暴露值 vj(1=j=m，m 为组数)乘以暴露单位 L。设 j 组投资组合期望损失为 j，其期望违约次数为 j，A 代表一项贷款，则：v v:每组贷款构成的投资组合概率生成函数 Gj(z)为：G z Ploss nLz e n!z exp z 然后，可以得到整个投资组合单期损失分布为：Ploss nL 1 n!

27、dGz dz z0 该模型的最大优点是简单易用，模型集中于违约风险，需要估计 的变量很少，对于每个组合只需要知道违约概率和风险头寸。该模型 的缺点是：第一，由于忽略了信用等级变化，每笔贷款信用风险暴露 在计算期间固定不变，与实际情况不符；第二，分组时，对每笔贷款 暴露进行近似，从而高估投资组合的方差；第三，违约率波动率不能 直接获得，需要外生数据。2.3.4 CreditPortfolio View 模型 该模型是一个多因素模型，用于估计一个国家某行业内公司的违 约和信用变动的联合条件分布，模型不使用历史数据，违约概率基于 当前经济情况。由于经济状况受到宏观因素驱动，模型将违约和变动 概率与这

28、些宏观因素（例如失业率、GDP 增长率、长期利率水平、汇率、政府支出和储蓄水平）相联系。这个模型可以在每个国家应用 于不同群体和各种类别的债务人。模型违约概率的公式如下：P,1 1e ,其中，Pj,t 是在时刻 t，债务人 j 的违约条件概率。Yjt 由以下的多 因素模型给出：Y,X,j,X,V,其中 Yj,t 是 t 时期的 j 国家/行业/群体的指数值;j=(j,0,j,m)是 j 国家/行业/群体的估计系数;Xj,t=(Xj,1,t,Xj,2,t Xj,n,t)是 t 时期 j 国家/行业/群体的各种宏观经济变量，CreditPortfolio View 建议假定各个宏 观经济变量服从

29、AR2 模型：X,X,X,e,CreditPortfolio View 利用自己的观点对评级机构的转移矩阵进行 调整；负债人的违约概率在经济衰退期高于均值，降级变动增加，同 时升级变动减小；在经济高涨期正好相反：SDP SDP 1，衰退期；SDP SDP 1，高涨期其中，SDP 是每个群体债务人的主动违约概率，SDP 是无条件 违约概率。CreditPortfolio View 用上式调整转移概率，以产生转移矩阵 M：M Mp/SDP ,然后通过蒙特卡洛模拟，就可以得到任何信用级别债务人在任何 时期的转移概率分布。CreditPortfolio View 模型和 KMV 模型基于同一个事实：违

30、约概 率和变动概率随时间变动。KMV 模型运用微观经济方法研究了债务 人的违约概率和相关资产市值，而 CreditPortfolio View 模型则运用宏 观经济中的因素与违约和转移概率相联系。CreditPortfolio View 模型存在以下问题：第一，模型依赖于国家 内部每个行业的违约数据；第二，对转移该矩阵的调整，其效果值得 进一步验证。3.模型比较分析 从公开发表的文献看，以实证角度对各个信用模型进行系统比较 分析的文章很少。Nickell 1 等人将信用风险模型应用于对实际资产组 合风险损失估计研究，但结果令人沮丧，这些模型在美国之外的债务 人和对银行及金融机构进行评估时效果很

31、差。因此，完全照搬国外模 型是不现实的，需要我们结合各种模型的特点，逐步摸索出一条适合我公司自身业务的方法。比较可行的办法是在充分评估各模型的基础 上，找出一些模型实际演练，在实战中提高。表 4 模型比较 输出结果 潜在风险 数据需求 5C 法 专家打分，根据分值判 断分析债券发行主体的 信用情况 过于依赖专家；不同专 家的分数不具有可比性 无 ZETA 模型 通过 ZETA 值反映信用 情况。可以与评级公司 的结果进行交叉验证 ZETA 值通过经验数据 的积累，才能直接与评 级结果进行验证；权重 系数的设定缺乏参考 税息前收益、总资产、公司 5-10 年的收入、利 税前收益、总利息偿付、留存

32、收益、五年股票市 值等大量财务数据 Logit 回归模型 计算违约概率。可以与 评级公司的结果进行交 叉验证 模型中指标的选取缺乏 标准；指标向量的函数 缺乏标准 需要有大量实际违约数 据和公司财务数据，才 能选定合适指标，拟合 指标向量函数 CreditMetrics 模型 通过 VAR 值，可以对 单只债券和参与人提交 的债券组合的信用风险 敞口进行度量 忽视了市场风险；假定 实际违约率等于历史统 计平均违约率；债券发 行人之间的信用变化相 关性进行了大量简化计 算；假定违约事件发生 在债务到期时 实际违约率数据和信用 评级公司提供的转移矩 阵；用于计算各个产业 之间相关性的数据；用 于计

33、算发行人在各个产 业中参与程度的数据 KMV 模型 通过 EDF 值对债券发 行主体的信用风险进行 度量 假定期权定价方法可以 求解公司资产价值和波 动率；假定公司债务结 构不变；资产收益正态 分布假设 计算违约距离 DD 需要 的数据，穆迪通过自己 的数据库，建立了 DD 与 EDF 之间的关联，这 个是 KMV 模型的核 心；计算违约损失的恢 复率 CreaditRisk+模 型 计算出一组债券未来的 损失分布 忽略信用等级的变化，风险头寸对于每个债务 人固定不变 违约概率数据；风险头 寸数据；违约率波动率 CreditPortfolio View 模型 对分行业的债券发行主 体的信用风险

34、进行度量 模型对每个行业违约数 据的要求很高；对转移 矩阵的调整，详细方法 并未公布，可能掺杂了 麦肯锡专家的经验 主要困难在于每个行业 违约数据的获取根据国内金融机构开发的风险度量方法和模型来看，主要是结合 自身特点，在国外信用风险度量方法和模型基础上扩展、变形而来。对于我们的工作来说，第一步就是选择一些模型来实际测试使用，由 于目前没有实证结果表明哪些模型可以较好的直接应用于我公司的 债券内部评级，所以需要在选择模型时注意以下事项 1：第一，模型 的输出结果能否被我们接受；第二，模型假设条件所带来的潜在风险 是否被我们接受；第三，模型的数据需求能否被我们接受。鉴于此，本文将前面论述的模型按

35、照这三个维度对比分析，以期为今后工作提 供参考。4.对我公司实际工作的建议 第一，对于我公司债券质押式回购业务中债券准入端的信用风险 度量。由于目前新发债券的批准和该券入库审核是在同一时间完成，所以留给我们进行内部评级的时间较少，解决思路是对评级公司的评 级质量进行检验。可以采用的方法主要是隐含评级、以及模型结构较 为简单的 ZETA 模型和 Logit 模型，但后两个模型需要详细的公司财 务数据，并且参数选择和指标选取（Logit 模型）需要在实践中逐步 摸索。第二，对于我公司债券质押式回购业务中的持续性风险度量。建 议考虑引用现代信用风险模型，根据模型需要，不断完善自己的底层 数据库，并且

36、根据测试结果，不断修正模型参数和结构。对于已经商业化的现代信用风险模型来讲，各产品的核心竞争力除了模型本身，还包括适合模型应用的多年积累的数据库以及根据这些数据库对模 型进行调整的方法，这部分目前来看并未被公开披露，但可以看出，这是一个艺术性工作，需要技术积累（数据、方法）和人员积累。第三，还是要回到发展完善市场运行机制，加强对评级机构信息 披露质量和评级结果质量检验的市场化约束的老论调上。信用评级方 法模型与证券市场发展是同步的、互相促进的。模型方法需要市场提 供及时、透明、准确的数据，而证券市场发展需要评级模型的精准度 量从而最大化的消减信息不对称。在具体模型方法上，较为简单的依 据公司财

37、务数据的模型，需要公司财务数据的及时准确披露，目前虽 然可以通过上市公司年报等来源获取数据，但数据的及时性和准确性 还有待提高。较为复杂的模型，例如 CreditMetrics 模型，需要实际违 约率数据和信用转移矩阵，对于中国债券市场而言，真实的违约事件 极少导致中国债市缺少系统的、长期的违约率及违约损失率数据，国 外的评级机构数据能提供信用转移矩阵，甚至可以精确到行业，而国 内评级机构的信息披露质量和信息透明程度做得还不够；例如 KMV 模型，需要用到期权定价方法，而该方法对市场有效性的要求极高，因此需要从各个层面提高资本市场的有效性。可以看到，现代信用模 型在我国的应用，受到体制机制的掣肘，其应用效果肯定会打折。发 展符合我们实际业务需求的、满足 PFMI 要求的信用度量模型和方法，道路是曲折的，需要进一步强化内部管理，深挖自身潜力，提高业务 水平，打造核心团队，增强竞争力，但前途一定是光明的。