自2008年美国次贷危机爆发之后,全球对金融风险管理的重视与日俱增,虽然这次危机对我国的影响并没有西方国家那样广泛,但在日益全球化的今天,我国也必须引以为鉴。在金融风险中,信用风险一直是我国商业银行所面临的最主要风险,商业银行的信用风险管理水平决定了自身的生存和发展,乃至社会的安定与和谐,虽然我国商业银行历经多年改革已逐步建立起信用风险管理体系,但依然需要积极努力改进信用风险分析方法和技术,加强信息系统在信用风险管理中的应用,逐步实现从定性分析向定量分析、科学信贷的方向转变。在信用风险管理中,银行对中小企业信用风险评估难一直是亟需解决的问题,因此本文希望能找到一个适合衡量中小企业信用风险的较为准确的模型,经过比较目前使用较多的几类模型,本文得出CreditMetrics模型是较为适合的模型。这一模型的理论基础是马克维茨的资产组合理论及VAR方法,但它本身有一些缺陷,如迁移矩阵的数据大多都是由国外评级机构给出,可能与中国公司的情况不相符,此外在CreditMetrics模型应用当中,资产间的相关性常被假设为一固定值,如J.P Morgen假设信用资产的相关性为20%—30%,并给出固定系数为25%的联合转移矩阵。针对这些缺陷,本文对模型所需的迁移矩阵进行一些调整和改进,使这一模型能更贴近中国的经济状况,此外使用Copula方法对模型中两两资产间的相关性估计进行改进,使得改进后的模型较为准确。论文正文主要有四个部分：第一部分主要对信用风险管理进行概述,首先介绍了信用风险的概念、成因及信用风险的主要特征；其次阐述了信用风险管理方法的历史过程,即从传统的定性的信用风险管理到现代基于定量分析的管理方法；最后介绍并比较两个常用的模型——KMV模型及CreditMetrics模型,分别阐述两个模型的基础架构、理论及计算步骤,最后罗列出两个模型各自的优缺点,引出选择CreditMetrics模型作为本文的研究对象,并提出对这一模型的缺陷进行简单改进的设想。论文第二部分是准备知识,主要介绍了Copula函数相关的概念、定理和推论,以及Copula函数及其参数的估计方法,最后介绍了几种常用的Copula函数,这一函数具有很好的优点,它可以将联合分布函数和它们各自的边缘分布函数连接在一起,从而诠释变量之间的相关性。Copula函数将用于计算第四章中贷款间的相关性。论文第三部分将Credit Metrics模型进行简单改进,调整了迁移矩阵的部分数据,使这一模型符合中国企业的状况,并使用Copula函数估计资产间的相关性,使模型的结果更加准确,最后给出一个简单的算例。论文第四部分给出最终的结论,并提出论文的不足之处,最后给出自己的一点建议及展望。论文主要的创新点有：第一,针对我国银行的实际情况,并结合我国的经济数据对CreditMetrics模型所需的数据矩阵进行一些细微的调整和改进：第二,使用Copula函数估计资产组合之间的相关性,使模型的计算结果更加准确。