CreditMetrics模型的改進與計算.pdf

1、信用風險是金融風險中最為重要的風險之一，如何對風險進行有效控制就成為金融界的重要研究內(nèi)容。本文首先系統(tǒng)地介紹了當今金融領(lǐng)域流行的兩大類信用風險管理模型--傳統(tǒng)模型和創(chuàng)新模型，并對兩大類創(chuàng)新模型(盯市模型和違約模型)進行了詳細的說明：J.P.摩根公司的CreditMetrics模型，KMV公司的Credit Monitor Model模型，瑞士波士頓第一銀行產(chǎn)品部的Credit Risk+模型和麥肯錫公司的Credit Portfolio

2、 View模型.這些量化模型的應(yīng)用和發(fā)展使信用風險管理日趨規(guī)范完善，但同時模型本身也存在可進一步優(yōu)化的可能。 CreditMetrics模型在盯市模型中最具代表性，該模型首先對借款人(借款機構(gòu))進行信用評級，然后計算出次年信用評級發(fā)生變化的概率，形成信用等級轉(zhuǎn)移概率矩陣。通過違約貸款的回收率和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分布，進而得出個別貸款或貸款組合的VaR值。雖然該模型計算復雜且運算量大，但對風險控制

3、有很大幫助，因此受到許多金融機構(gòu)的青睞。然而多數(shù)金融機構(gòu)在實際使用中卻存在一些問題：由于各機構(gòu)的客戶情況不同，信用等級轉(zhuǎn)移概率矩陣的選取也應(yīng)不同。而大多數(shù)機構(gòu)仍然采用Morgan銀行的信用矩陣進行計算，這就會影響風險管理的準確性。針對此現(xiàn)象，本文首先假設(shè)信用等級的轉(zhuǎn)移具有Markov性，并通過該性質(zhì)給出一階時齊有限Markov鏈轉(zhuǎn)移概率矩陣的估計方法。通過隨機模擬法進行數(shù)據(jù)驗證(此部分的內(nèi)容已包含在本文作者的論文”CreditMetri

4、cs模型中轉(zhuǎn)移概率和風險價值的計算”中，該論文已于2007年3月被上海大學學報(自然科學版)錄用)。在此基礎(chǔ)上本文將信用等級轉(zhuǎn)移推廣到高階Markov鏈情形。但由于一般p階Markov模型的待估參數(shù)太多，以致實際計算量超大，運算關(guān)系復雜，因此論文先給出二階Markov鏈模擬模型(通過兩年的信用變化確定未來的信用等級轉(zhuǎn)移)的算法。通過隨機模擬的數(shù)據(jù)驗證了該算法的準確性，并通過誤差分析確定了用于估計的樣本容量的合理選取。從實際的運算結(jié)果分析

5、該算法是合理有效的。 針對一般的p階信用轉(zhuǎn)移模型，由于待估參數(shù)太多的問題，本文采用非參數(shù)Logistic回歸模型的方法進行計算。在第三章節(jié)中，首先對Logistic回歸模型作了介紹，指出使用Logistic線性回歸模型研究較高階數(shù)的信用預測問題的不合理性。然后引出非參數(shù)Logistic回歸模型的具體算法，通過對該類模型的方法分析，指出了采用非參數(shù)Logistic回歸模型研究高階信用等級預測問題的有效性，并通過計算得出進一步增加樣

6、本量，估計精度將可以進一步提高的結(jié)論。 CreditMetrics模型的另一個重要部分是對貸款現(xiàn)金流進行折算，但原模型計算時只考慮1年的信用轉(zhuǎn)移，即假設(shè)在若干年內(nèi)的信用轉(zhuǎn)移概率是不變的，這與實際情況有所不同。在本文中構(gòu)造了貸款現(xiàn)金流及貸款風險值(VaR)的新算法(此部分的內(nèi)容已包含在上述待發(fā)表的論文中)。該算法首先采用本文前幾章節(jié)中給出的轉(zhuǎn)移概率估計算法，通過隨機模擬方法確定貸款現(xiàn)金流分布。然后通過核估計方法計算出信用風險的VaR值。通

7、過與原模型計算結(jié)果的比對，驗證了本文采用的估計以及優(yōu)化方法的合理準確性。 本文的主要工作為以下幾個方面1.對原有的CresitMetrics模型的計算在兩個方面進行了改進： (a)借款者信用等級轉(zhuǎn)移的一般化(b)考慮借款者未來一段時間內(nèi)因信用等級變化而產(chǎn)生的折算分布計算2.對于信用等級轉(zhuǎn)移的Markov模型，采用最優(yōu)化方法得到其轉(zhuǎn)移概率矩陣的估計算法3.對于信用等級轉(zhuǎn)移的二階Markov模型，采用擴展狀態(tài)空間的方法使其轉(zhuǎn)