2004年6月,巴塞尔委员会出台了新巴塞尔资本协议。新协议为计算信用风险和操作风险的资本要求提供了三种方法供各国银行和监管机构选择。包括银行之间的贷款也受到资本要求的制约,并且需要进行评估。然而,中国评级行业的不成熟使得外部评级难以作为标准法的参照依据,历史信贷数据的缺乏又使得内部评级模型的建立难以在短时间内实现。本文旨在通过对外国银行的财务数据和相应评级的分析,建立一个“影子评价模型”来模仿权威评级机构的评级模式,随后应用到中国银行业的数据中,以图对中国银行业的整体质量有一个初步的了解。近一个世纪以来,众多学者已经对如何预测一个企业的破产与否进行了很多研究,当中有很大一部分是针对银行业的研究。其中最早一篇要追溯到Secrist(1938)的文章。自1960年代起,随着统计技术的发展,此领域的研究层出不穷。Beaver(1966),Altman(1968),Martin(1977),Zmijewski(1983),Odom和Sharda(1990),Barr,Seiford和Siems(1994)都做出了突破性的贡献。中国学者在破产预测方面也做了很多研究。陈静(1999),王春峰(1999),孙强(2005)等先后将该领域的先进方法对中国进行了实际应用。但是,已有的大多数研究是针对银行破产与否进行预测,而在现实中由于银行的特殊性,实际破产的例子很少。就适用的普遍性来说,可能对银行质量高低(即投资或投机级别)进行的分析。本文建立的“影子评价模型”正是对银行属于投资或投机级别的一个判别模型。本文使用logistic回归模型。logistic回归有三个优点:它对银行财务数据不要求满足正态分布,它对二分应变量特别适用以及函数结果能直接表示为预测判别的概率。文中所使用的数据全部来自BANKSCOPE数据库,使用的软件是SPSS 12.0。建立模型所使用的训练集包括42家投机级别银行和122家投资级别银行在2006财务年度的财务比率。在选取样本的过程中避免了国家评级对银行评级的制约,以及由于过度抽样或抽样不足对结果可能产生的偏差。并且这164家银行都是商业银行,以避免不同银行业务方向对财务数据的影响。模型的建立有三个假设:1,假设数据相同的情况下,报表类型(合并报表或单独报表)不会对评级产生影响。2,假设数据相同的情况下,不同的会计准则不会对评级产生影响。3,假设国家评级超过银行评级的情况下,评级机构对各国银行的评级标准是相似的。本文得到的回归模型在自变量的显著性,在模型的适用性,对应变量的解释度和对样本的判别力方面均达到较高的水平。该模型表明,银行的评级与股本/净贷款比率,非利息费用/平均资产比率以及流动资产/存款比率均为负相关。三项比率的值越低,相应的评级越高。其中非利息费用/平均资产比率与评级的关系符合我们的预期,另两项则正好相反。其原因可能是由于评级高的银行具有较高的资产管理和风险管理能力,所以在条件相同的情况下,评级较高的银行可以在较高的风险水平下运作,而这较高的风险水平,正体现在较低的股本/净贷款比率和流动资产/存款比率上。该模型对测试集样本也体现了良好的判别能力。本文对中国银行界的数据作了实际应用,然而判别结果不甚理想,由于数据与世界水平有差别,使得仅有很小部分银行被判为投机级别。数据的差别可能是由于:1,银行业受严格管制,缺少市场化竞争。2,政府对银行业务有一定的行政干预。3,中国银行业正在进行改革过程中,各个指标还未达到世界水平。4,会计准则和处理方法可能导致数据的差别。尽管中国银行业数据的特殊性使得模型的应用未能达到预期的目标,但本文使用的通过国外数据建立模型然后对中国的数据进行分析的方法仍然为银行业IRB模型的建立提供了一条思路和参考。本文最后对模型的改进提出了几条建议:1,通过比较选择具有可比性的指标建立模型。2,引入更多的财务比率以覆盖管理水平,资本充足水平等方面的信息。3,引入宏观经济的指标。