-
信用分析
鎖定
信用分析是商業銀行對借款人的還款能力進行的系統調查和研究。目的是防止銀行在發放貸款過程中可能遇到的風險，保證銀行經營資金的安全和及時歸還。包括兩方面的內容： ①信用風險評估。即通過對借款人的品質、經營才能、貸款用途、貸款數額、還貸資金來源、還貸時間、抵押品質量等進行的系統分析，決定貸或不貸、貸多少及貸款的條件，並據以控制整個銀行的貸款規模及其結構。②財務分析。即通過對借款企業的資產負債表、損益表、財務狀況變動表 (或現金流量表) 及其他附表的分析，準確掌握借款企業的流動性比率 (包括流動比率、速動比率、現金比率、應收款項週轉率、存貸週轉率)、槓率(包括負債資本比率、利息費用收益率、固定費用收益率、固定資產淨值與資本淨值比率、紅利支付比率等)、盈利能力比率(包括銷售增長率、資產收益比率、股東收益率等)，並據以編制預測其財務報表，預測其可能出現的財務狀況和經營風險，具體評估其信用風險大小，進而確定貸款的數量和償還時間。
[1]
- 中文名
- 信用分析
- 方 法
- 專家制度法
- 類 別
- 信用風險分析方法
- 應 用
- 投資分析
信用分析基本介紹
信用分析是對債務人的道德品格、資本實力、還款能力、擔保及環境條件等進行系統分析，以確定是否給與貸款及相應的貸款條件。
信用分析古典分析法
信用分析專家制度法
因此，在信貸決策過程中，信貸管理人員的專業知識、主觀判斷以及某些要考慮的關鍵要素權重均為最重要的決定因素。
在專家制度法下，絕大多數銀行都將重點集中在借款人的“5c”上，即品德與聲望(character)、資格與能力(capacity)、資金實力(capital or cash) 、擔保(collateral)、經營條件或商業週期(condition)。也有些銀行將信用分析的內容歸納為“5w”或“5p”。 “5w”係指借款人(who)、借款用途(why) 、還款期限(when)、擔保物(what)、如何還款(how)；“5p”係指個人因素( personal)、目的因素( purpose) 、償還因素( payment)、保障因素(protection)、前景因素(perspective)。這種方法的缺陷是主觀性太強，只能作為一種輔助性信用分析工具。
信用分析特徵分析法
特徵分析模型是在國外信用管理模型中應用較為普遍的一種新的信用分析工具，本質上它也屬於傳統的信用分析和評價方法。該模型的主要用途就是對客户的資信狀況做出綜合性的評價，並以定量化的方式，對客户的授信做出評定。
它是從客户的種種特徵中選擇出對信用分析意義最大、直接與客户信用狀況相聯繫的若干因素，將其編為幾組，分別對這些因素評分並綜合分析，最後得到一個較為全面的分析結果。特徵分析方法主要由信用調查機構和企業內部信用管理部門使用。
信用分析分類模型
貸款評級分類模型是金融機構在美國貨幣監理署(occ)最早開發的評級系統基礎上拓展而來，occ對貸款組合分為正常、關注、次級、可疑、損失等5類，並要求對不同的貸款提取不同比例的損失準備金以彌補貸款損失。
在我國，1998年以前各商業銀行貸款分類的方法一直沿用財政部《金融保險企業財務制度》的規定，把貸款分為正常、逾期、呆滯、呆賬四類，後三類合稱不良貸款，簡稱“一逾兩呆法”。 這一方法低估了不良貸款, 因為它沒包括仍支付利息尚未展期的高風險貸款。
1998年我國開始借鑑國際監管經驗，對貸款分類進行改革，按照風險程度將貸款劃分為正常、關注、次級、可疑、損失五類，即五級分類方法。2003年12月中國銀監會發布文件決定自2004年1月1日起，我國所有經營信貸業務的金融機構正式實施貸款五級分類制度。
信用分析評分方法
z計分模型是Altman 1968 年提出的以財務比率為基礎的多變量模型。該模型運用多元判別分析法，通過分析一組變量，使其在組內差異最小化的同時實現組間差異最大化，在此過程中要根據統計標準選入或捨去備選變量，從而得出z 判別函數。
根據z值的大小同衡量標準相比，從而區分破產公司和非破產公司。1995 年，對於非上市公司，Altman對z 模型進行了修改，得到z′計分模型。Altman、Haldeman 和Narayannan在1977 年對原始的z 計分模型進行擴展，建立的第二代的zeta 信用風險模型。該模型在公司破產前5 年即可有效劃分出將要破產的公司，其中破產前1 年準確度大於90 % ，破產前5 年的準確度大於70 %。
新模型不僅適用於製造業，而且其有效性同樣適用於零售業。上述兩種模型中，zeta 分類準確度比z 計分模型高，特別是破產前較長時間的預測準確度相對較高。由於方法簡便、成本低、效果佳，上述方法應用十分廣泛。
值得注意的是該類模型構建中的數理方法，綜合以來，主要有以下幾種：
1．判別分析法(discriminant analysis)
判別分析法(discriminant analysis，簡稱DA) 是根據觀察到的一些統計數字特徵，對客觀事物進行分類，以確定事物的類別。它的特點是已經掌握了歷史上每個類別的若干樣本，總結出分類的規律性，建立判別公式。當遇到新的事物時，只要根據總結出來的判別公式，就能判別事物所屬的類別。
da 的關鍵就在於建立判別函數。統計學建立判別函數常用方法有：一是未知總體分佈情況下，根據個體到各個總體的距離進行判別的距離判別函數；二是已知總體分佈的前提下求得平均誤判概率最小的分類判別函數，也稱距離判別函數，通常稱為貝葉斯(bayes)判別函數；三是未知總體分佈或未知總體分佈函數前提下的根據費歇(fisher) 準則得到的最優線性判別函數。
2．多元判別分析法(multivariate discriminant analysis)
多元判別分析法(MDA)是除美國外的其他國家使用最多的統計方法。多元線性判別分析法，可以具體為一般判別分析(不考慮變量篩選)和定量資料的逐步判別分析(考慮變量篩選)。但應用多元判別分析(MDA)有三個主要假設：變量數據是正態分佈的；各組的協方差是相同的；每組的均值向量、協方差矩陣、先驗概率和誤判代價是已知的。該種方法的不足之處是必須建立在大量的、可靠的歷史統計數據的基礎之上，這在發展中國家如中國是難以具備的前提條件。
3．logit 分析判別方法
logit 分析與判別分析法的本質差異在於前者不要求滿足正態分佈或等方差, 從而消除了MDA 模型的正態分佈假定的侷限性。其模型主要採用了logistic 函數。
該模型的問題在於當樣本點存在完全分離時，模型參數的最大似然估計可能不存在，模型的有效性值得懷疑，因此在正態的情況下不滿足其判別正確率高於判別分析法的結果。另外該方法對中間區域的判別敏感性較強，導致判別結果的不穩定。
4．神經網絡分析法（artificial neural network，簡稱ANN）
神經網絡分析法是從神經心理學和認知科學研究成果出發，應用數學方法發展起來的一種具有高度並行計算能力、自學能力和容錯能力的處理方法。它能有效解決非正態分佈、非線性的信用評估問題，其結果介於0與1之間，在信用風險的衡量下，即為違約概率。神經網絡分析方法應用於信用風險評估的優點在於其無嚴格的假設限制且具有處理非線性問題的能力。Altman、Marco和Varetto（1994）在對意大利公司財務危機預測中應用了神經網絡分析法；Coats及Fant（1993）Trippi採用神經網絡分析法分別對美國公司和銀行財務危機進行預測，取得較好效果。然而，要得到一個較好的神經網絡結構，需要人為隨機調試，需要耗費大量人力和時間，加之該方法結論沒有統計理論基礎，解釋性不強，所以應用受到很大限制。
5．聚類分析法(cluster analysis)
聚類分析(cluster analysis)屬於非參數統計方法。信用風險分析中它根據由借款人的指標計算出的在樣本空間的距離，將其分類。這種方法一個主要優點是不要求總體的具體分佈；可對變量採用名義尺度，次序尺度，因此該方法可用於定量研究，也可對現實中的無法用數值精確表述的屬性進行分析。這很適用於信用風險分析中按照定量指標(盈利比、速動比等) 和定性指標(管理水平、信用等級等) 對並不服從一定分佈特性的數據信息分類的要求。例如，Lundy運用該方法對消費貸款申請者的典型信用申請數據及年齡、職業、婚否、居住條件進行處理分成6類並對每類迴歸評分，它不僅將借款人進行有效的分類而且幫助商業銀行確定貸款方式策略。
6．k近鄰判別法(k-Nearest Neighbor)
k近鄰判別法在一定距離概念下按照若干定量變量從樣本中選取與確定向量距離最短k個樣本為一組，適用於初始分佈和數據採集範圍限制較少時，減小了以函數形式表達內容的要求。另外，knn 通過將變量在樣本整體範圍內分為任意多決策區間，而近似樣本分佈。
Tametal將之用於信用風險分析，取馬氏距離，從流動性、盈利性、資本質量角度選出的19 個變量指標，對樣本分類，經比較其分類結果的準確性不如lda、lg 以及神經網絡。原因在於在同樣的樣本容量下，若對具體問題的確存在特定的參數模型並可能找出時，非參數方法不及參數模型效率高。
7．層次分析法（AHP）
該方法強調人的思維判斷在決策過程中的作用，通過一定模式使決策思維過程規範化，它適用於定性與定量因素相結合、特別是定性因素起主導作用的問題，企業信用等級綜合評價就是這種定性因素起主導作用的問題。AHP 法的基本步驟是：建立遞階層次結構，構造判斷矩陣，求此矩陣的最大特徵根及其對應的特徵向量，確定權重，並進行一致性檢驗。
8．其他方法
此外還存在着其他眾多的方法：probit 法、因子－logistic法、模糊數學方法、混沌法及突變級數法、灰關聯熵、主成分分析綜合打分法、主成分分析與理想點的結合方法、原蟻羣算法、數據包絡判別法等等。關於這些方法的應用，將在後面的實證部分進行探討。
信用分析現代分析法
20世紀80年代以來，受債務危機的影響，各國銀行普遍重視對信用風險的管理和防範，工程化的思維和技術逐漸被運用於信用風險管理的領域，產生了一系列成功的信用風險量化管理模型。現代信用風險的計量模型按其計量的風險層次分為三種類型：一是單個交易對手或發行人的計量模型，二是資產組合層次的計量模型，三是衍生工具的計量模型。
交易對手或發行人層次的計量模型
（一）基於期權定價技術的風險計量模型。
Merton發現銀行以折現方式發放一筆面值為d的貸款所得到的支付和賣出一份執行價格d的看跌期權所得到的支付相等。因此有風險貸款的價值就相當於一個面值為d 的無違約風險貸款的價值加上一個空頭賣權。貸款的賣權價值取決於5個變量，即企業資產的市場價值、企業資產的市場價值的波動性、貼現貸款的面值、貸款的剩餘期限以及無風險利率。
基於企業的市場價值和其波動性的不可觀測性，1995 年美國KMV公司開發了KMV模型，該模型又稱為預期違約概率模型( expected default frequency，簡稱edf )，模型使用企業股權的市場價值和資產的市場價值之間的結構性關係來計算企業資產的市場價值；使用企業資產的波動性和企業股權的波動性之間的結構關係來計算企業資產的波動性，同時統計在一定標準差水平上的公司在一年內破產的比例，以此來衡量具有同樣標準差的公司的違約概率。
該模型是實際中應用最為廣泛的信用風險模型之一。該模型理論依據在很多方面與Black-Scholes (1973)，Merton(1974)以及Hull和White（1995）的期權定價方法相似。其基本思想是，當公司的價值下降至一定水平時，企業就會對其債務違約。根據有關分析，KMV發現違約最頻繁的分界點在公司價值等於流動負債±長期負債的50%時。有了公司在未來時刻的預期價值及此時的違約點，就可以確定公司價值下降百分之多少時即達到違約點。要達到違約點資產價值須下降的百分比對資產價值標準差的倍數稱為違約距離。違約距離=（資產的預期價值－違約點）/資產的預期價值×資產值的波動性。該方法具有比較充分的理論基礎，特別適用於上市公司信用風險。
KMV模型的優點在於其將違約與公司特徵而不是公司的初始信用等級聯繫在一起，使其對債務人質量的變化更加敏感；同時，它通過股票價格來測算上市公司的預期違約概率，因而市場信息也能被反映在模型當中，使其具有一定的前瞻性，模型的預測能力較強；並且，由於該模型使用的變量都是市場驅動的，表現出更大的時變性，因此持有期的選擇比信用度量術模型更加靈活。
（二）基於風險價值var的信用度量模型。
var是指在正常的市場條件和給定的置信水平上，用於評估和計量金融資產在一定時期內可能遭受的最大價值損失。在計算金融工具的市場風險的var時，關鍵的輸入變量是金融資產的市場價格和波動性。由於貸款缺乏流動性， 因此貸款的市場價值和波動性不能觀測。
JP Morgan（1997）銀行開發了信用度量制（credit metrics™） 系統，該系統解決了諸如貸款和私募等非交易性資產的估值和風險計算。該方法基於借款人的信用評級、信用轉移矩陣、違約貸款的回收率、債券市場上的信用風險價差計算出貸款的市場價值及其波動性，推斷個別貸款或組合的var，從而對貸款和非交易資產進行估價和信用風險評價。
信用度量制模型的優點在於其第一次將信用等級轉移、違約率、違約回收率、違約相關性納入了一個統一的框架來度量信用風險。該模型適用於商業信用、債券、貸款、貸款承諾、信用證、以及市場工具（互換、遠期等）等信貸資產組合的風險計量。但該模型在應用中存在以下問題：違約率直接取自歷史數據平均值，但實證研究表明，違約率與宏觀經濟狀況有直接關係，並非固定不變，假定資產收益服從正態分佈，但實證研究表明實際分佈多呈現厚尾特徵；關於企業資產收益之間的相關度等於公司證券收益之間的相關度的假設有待驗證方法計算結果對於這一假定的敏感性很高。
（三）基於保險精算的creditrisk +系統。
Credit Suisse First Boston(CSFB，1997)銀行開發的信用風險附加（creditrisk +）系統的主導思想源於保險精算學，即損失決定於災害發生的頻率和災害發生時造成的損失或破壞程度，它不分析違約的原因，而且該模型也只針對違約風險而不涉及轉移風險，特別適於對含有大量中小規模貸款的貸款組合信用風險分析。
該方法基於這樣一些假設：貸款組合中任何單項貸款發生違約與否是隨機的；每項貸款發生違約的可能性是獨立的，因而這個方法假設貸款組合中單項貸款的違約概率分佈服從Possion分佈。信用風險附加模型的優點在於，它只要求有限的輸入數據，基本上只有貸款組合中各組的貸款違約率、違約率波動率和風險暴露，因此貸款損失很容易計算。
（四）以宏觀模擬為基礎建立的Creditportfolio View系統。
該信用組合觀點系統由mckinsey公司開發（Wilson，1997），它是一個違約風險的宏觀經濟模擬系統。由於商業週期因素影響違約的概率，麥肯錫公司將週期性的因素納入計量模型中，該系統在credit metrics的基礎上，對週期性因素進行了處理，將評級轉移矩陣與經濟增長率、失業率、利率、匯率、政府支出等宏觀經濟變量之間的關係方法化，並通過Monte Carlo法模擬週期性因素的“衝擊”來測定評級轉移概率的變化，分析宏觀經濟形勢變化與信用違約概率及轉移概率的關係，進而分析不同行業或部門不同信用級別的借款人的信用風險程度。
該模型的優點在於其將各種影響違約概率和信用等級變化的宏觀因素納入了自己的體系之中，並且給出了具體的損失分佈，能夠刻畫回收率的不確定性和因國家風險帶來的損失；對所有的風險暴露都採用盯市法，更適用於對單個債務人和一組債務人進行信用風險度量。其主要適用於對對宏觀經濟因素變化敏感的投機級債務人的信用風險度量。
資產組合層次的計量模型
現代資產組合理論（MPT）表明適當地利用資產之間的相關關係可以有效地降低風險並改善資產組合的風險－收益狀況。然而流動性很差的貸款和債券組合存在着收益的非正態性、收益和相關係數的不可觀測性等問題，這使得資產組合理論不能簡單地運用這些組合中去。收益的非正態性使得基於兩矩（均值和方差） 而構建的資產組合理論只有增加偏度和峯度兩矩才能較好地進行描述。歷史價格和交易數據的缺乏造成了使用歷史的時間序列數據計算收益率、方差以及收益之間的協方差和相關係數變得極為困難。資產組合層次的信用風險計量模型正是通過克服這些問題而發展起來的。這類模型大體上可以分為兩大類：一類是尋求計算證券組合的全部風險－收益的交替關係，如KMV的資產組合管理模型；另一類是集中風險維度和組合的var計算，如Creditmetrics資產組合模型。
衍生工具的信用風險計量模型
衍生工具可以可分為利率衍生工具和信用衍生工具。前者按其風險－收益特性可以分為對稱性衍生工具，主要是指遠期、期貨和互換，而期權屬於非對稱性衍生工具，其風險－收益特徵表現出典型的非線性。而後者主要通過採用分解和組合技術改變資產的整體風險特徵，如信用互換、信用期權以及信用遠期等。
衍生工具的信用風險與表內業務存在許多區別。首先，合約的無違約價值對交易對手而言必須為負值；其次，交易對手一定處於財務困境之中；再次，在任一違約概率水平上，衍生工具結算一般採取軋差方式，其違約遭受的損失往往低於同等金額的貸款違約的損失；最後，銀行和其他金融機構都是用其它許多機制來降低違約的概率和損失。鑑於此，研究者相繼提出許多計量模型，但主要集中在互換和期權兩類衍生工具上。
