论文部分内容阅读
编者按：2005年10月开始，来自日本最大金融集团，包括瑞穗、三井住友、三菱银行以及日本央行(Bank of Japan)在内的20余位在信用风险管理方面具有丰富实践经验的专家所组成的研究团队，就如何使用内部评级系统、采取不同方法以改善信用风险管理进行了系列讨论。拥有先进风险管理技术的外资银行所使用的方法以及国外的研究成果亦被纳入讨论议题之中。
讨论至今已举办了5次，该研究团队的秘书处——日本央行金融机构局的高级金融技术中心总结了5次讨论的要点、形成报告，在日本金融界公布，使金融机构能在信用风险管理方面有所借鉴。本报告只涉及信用风险管理，所发表观点仅代表专家个人，不代表专家所在机构。
本刊得到日本银行金融机构局的同意，翻译节选了该报告的主要内容，本期刊载后半部分。
关键词：内部评级法违约率违约损失率
中图分类号：F860．49
文献标识码：C
文章编号：1006－1770(2006)11－016－04
六、如何将前瞻性因素(forward—lookingcomponents)融入风险因素评估
1 存在问题
对风险因素的评估往往会非常依赖历史数据以保证客观性。同时，前瞻性因素在建立有效的风险管理和业务战略方面也起着重要作用。
如果只遵循历史模式，假设风险将在未来某一点落实，那么分别基于历史数据和前瞻性因素所做的评估之间将不会存在很大差异。但是，这种风险假设并没有考虑经济在承受长期结构性压力的情况，此时金融机构会激进调整其业务模式如贷款追溯政策和评级核定(rating approval)标准，或者创建一个新的资产组合。在这些情况下，仅仅基于历史数据的评估就会阻碍金融创新并降低改善评级核定过程的动力。
如果用于风险管理的数据(主要是基于历史数据的评估)和用于计划中长期业务战略(主要是基于前瞻性因素的评估)的数据之间存在很大差异，金融机构必需能够合理解释这些差异。
2参与者观点
金融机构在评估风险因素时可以选择涵盖前瞻性因素(如业务模式的激进调整)的模式，这种模式区别于上文提到的历史模式。
但是只有在风险管理部门能够令人信服地、客观地向管理层和外部第三方给出解释基于历史数据与基于前瞻性因素在风险因素方面存在差异的理由时，这种模式才能被接受。客观理由包括，用于调整某个特定因素(该因素引起历史模式变化)的历史数据、市场信息和市场调查的结果、领先指标(leadingindicatiors)的发展和宏观经济模型的结果。
如果风险管理和业务战略的风险因素对前瞻性因素使用了不同的权重，那么也需要给出具有说服力的理由。
七、外部数据和模型
1．存在问题
在建立内评模型、评估违约率和其他风险因素时，使用外部数据和模型可能在以下情况很有效，例如：(1)内部数据的样本数量有限，(2)必需购买外部公司的技术和方法；(3)需要降低内部模型的建立成本，(4)将金融集团内关键机构所发展的数据和模型应用于集团内其他机构。
如果使用外部数据时没有保证和内部数据的一致性，就会导致对风险组合的不准确理解。同样，如果所使用的外部模型还未在市场中树立声誉，由于合同原因或者因为在公司内部缺少熟悉这种模型的专家而使该模型变成“黑箱”，那么也会阻碍金融机构实行有效的风险管理和检验工作。同样，基于外部数据的外部模型可能并不适用于使用它们的金融机构所处的商业环境。
值得注意的是，由于公司的风险管理框架取决于外部公司情况以及销售合同细节，外部数据和模型的使用可能会导致该框架发生意料之外的变化。
2．参与者观点
使用外部数据的目的各不相同，包括评估风险要素、收集建模的样本数据和检验内部评级。金融机构必须认清自己的目的。通常，外部数据对风险因素的评估越重要，对数据充分性的验证就要越准确。
在确认外部和内部数据的一致性时，必须了解两者在各个特质(attributions)上的差异。例如，如果对违约概念和借款人特点(如规模、行业和地区)存在很大差异，必须检验外部数据与内部数据匹配过程的充分性，而且在匹配过程中，应该突出强调保持内外部数据一致性的重要特质。即使基于某个特质所提取的内外部数据能够显示一致性，最好使用内部模型以外的模型来验证一致性，因为验证结果很大程度上取决于模型结果和内部模型的结构。如果内外部数据对违约的定义不同，对定义进行严格的调整可能是很困难的。在这种情况下，考虑到这种不完美的调整，对外部数据的调整应该有所保留。
使用外部数据所建立的内评法可以通过以下方法得到检验。首先，选择同时包含在内部和外部数据内的借款人。然后比较其在内部模型和其他模型的评级结果。如果两个结果之间存在很大差异，那么就要分析其背后的因素。比较外部数据和内部数据输入内部模型后得到的不同的违约分布(distribution)也是有效的方法。
如果市场约束得以广泛运用，外部数据的质量，比如评级机构做出的评级，可以得到某种程度的保证。但是，外部评级所使用的标准可能和每个金融机构评价业务模型的标准不一样。比如，评级机构可能从长期角度评价一个公司，而金融机构业务模型的评价周期可能相对较短。在使用外部数据时，应尽量考虑这样的差异。对这个差异性问题应该采取多大程度上的关注取决于使用外部数据的目的(是为了评估风险因素还是检验内部评级)。
金融机构应该建立一个系统，使上述评估在组织内部的实施无论涉及哪个部门、经历多长时间都保持一贯性。对差异性的解决要求再次取决于外部数据的使用目的。举例来说，当外部数据用于评估违约率这样的风险要素时，必须严格分析内部和外部数据的一致性，因为这样的评估将直接影响必需资本的数量。
谈到外部数据，外部模型应该有清晰的使用目的。比如，外部模型究竟是用作内部评级的主要模型还是用于检验主模型。
建模的数据或者关于模型逻辑的信息对风险管理来说都非常重要，但是对有些模型来说，这些信息并不为模型的使用者所知，换言之，就成了“黑箱”。在这种情况下，尤其是模型尚未在市场上树立声誉时，原则上，金融机构应该尽量向销售公司或者建立模型的外部机构提出信息披露要求。有些模型的“黑箱”是有道理的，因为卖方想要保护其知识产权以及保持进一步发展模型的商业优势。但同时，外部模型的使用者也应注意到卖方不披露信息也可能有其他原因，比如为了隐藏该模型的缺点。
如果在金融机构提出信息披露的要求后，有些信息仍然保持“黑箱”，金融机构就应该弄清哪些信息是未知的、明确这些信息是如何以及在何种程度上将导致模型验证产生问题，以及这些问题该如何解决。下面给出“黑箱”、引起的问题以及解决问题的可能措施。
如果“黑箱”引起的问题不能得到解决，那么所采取的方法取决于外部模型的使用目的。如果外部模型是作为主模型使用，问题就会严重得多，应该采取相应措施。
八、违约损失率(LGD)的评估
1 存在问题
违约率是说明损失事件发生可能性的指标，违约损失率是对每一个损失事件而言，表明本金损失严重程度的指标。因此．违约损失率以及违约率是在评级和总和(pooling)基础上的风险管理和风险量化的重要指标。但是，对违约损失率的定义和评估方法并没有形成共识，这部分是由于缺少数据和存在技术上的问题。如果由于数据匮乏和概念不清晰造成违约损失率的准确度很低，又没有对此进行保守调整或者对风险因素进行保守评估，那么每家机构所计算出的必需资本就会大相径庭。
之所以在收集违约率和评估违约损失率面临困难的原因总结如下。(见下表)
违约损失率的评估
2．参与者观点
在收集违约损失率数据时，金融机构需要明确下列要点。
金融机构应该尽可能地明确以上这些要点，并且持续收集违约损失率的数据。更好的方法是建立一个能够在数据收集过程中自动发现异常价值的系统。
在违约损失率评估和机构(facilty)评级中，应该考虑影响违约损失率的因素(见上表)、这些因素和违约损失率的关系以及违约损失率对这些因素的敏感度。为此，可以考虑对以下过程建模：(1)违约资产转向非违约资产的过程，(2)违约资产的担保资产的收集过程：(3)由于时间和行业特点未被担保资产覆盖的资产部分的收集过程。
金融机构同样应该考虑以下事项：(1)对每个评级分类或资产池(p∞I)从违约损失率角度，保证充分的风险同质性(如果每个评级的违约损失率分布并不遵循正常分布，金融机构需要解释原因)的方法：(2)用后期检测(backtesting)或者其他工具检验违约损失率(在违约损失率非正常分布时，专家意见也可以被用于评价模型表现)。
讨论至今已举办了5次，该研究团队的秘书处——日本央行金融机构局的高级金融技术中心总结了5次讨论的要点、形成报告，在日本金融界公布，使金融机构能在信用风险管理方面有所借鉴。本报告只涉及信用风险管理，所发表观点仅代表专家个人，不代表专家所在机构。
本刊得到日本银行金融机构局的同意，翻译节选了该报告的主要内容，本期刊载后半部分。
关键词：内部评级法违约率违约损失率
中图分类号：F860．49
文献标识码：C
文章编号：1006－1770(2006)11－016－04
六、如何将前瞻性因素(forward—lookingcomponents)融入风险因素评估
1 存在问题
对风险因素的评估往往会非常依赖历史数据以保证客观性。同时，前瞻性因素在建立有效的风险管理和业务战略方面也起着重要作用。
如果只遵循历史模式，假设风险将在未来某一点落实，那么分别基于历史数据和前瞻性因素所做的评估之间将不会存在很大差异。但是，这种风险假设并没有考虑经济在承受长期结构性压力的情况，此时金融机构会激进调整其业务模式如贷款追溯政策和评级核定(rating approval)标准，或者创建一个新的资产组合。在这些情况下，仅仅基于历史数据的评估就会阻碍金融创新并降低改善评级核定过程的动力。
如果用于风险管理的数据(主要是基于历史数据的评估)和用于计划中长期业务战略(主要是基于前瞻性因素的评估)的数据之间存在很大差异，金融机构必需能够合理解释这些差异。
2参与者观点
金融机构在评估风险因素时可以选择涵盖前瞻性因素(如业务模式的激进调整)的模式，这种模式区别于上文提到的历史模式。
但是只有在风险管理部门能够令人信服地、客观地向管理层和外部第三方给出解释基于历史数据与基于前瞻性因素在风险因素方面存在差异的理由时，这种模式才能被接受。客观理由包括，用于调整某个特定因素(该因素引起历史模式变化)的历史数据、市场信息和市场调查的结果、领先指标(leadingindicatiors)的发展和宏观经济模型的结果。
如果风险管理和业务战略的风险因素对前瞻性因素使用了不同的权重，那么也需要给出具有说服力的理由。
七、外部数据和模型
1．存在问题
在建立内评模型、评估违约率和其他风险因素时，使用外部数据和模型可能在以下情况很有效，例如：(1)内部数据的样本数量有限，(2)必需购买外部公司的技术和方法；(3)需要降低内部模型的建立成本，(4)将金融集团内关键机构所发展的数据和模型应用于集团内其他机构。
如果使用外部数据时没有保证和内部数据的一致性，就会导致对风险组合的不准确理解。同样，如果所使用的外部模型还未在市场中树立声誉，由于合同原因或者因为在公司内部缺少熟悉这种模型的专家而使该模型变成“黑箱”，那么也会阻碍金融机构实行有效的风险管理和检验工作。同样，基于外部数据的外部模型可能并不适用于使用它们的金融机构所处的商业环境。
值得注意的是，由于公司的风险管理框架取决于外部公司情况以及销售合同细节，外部数据和模型的使用可能会导致该框架发生意料之外的变化。
2．参与者观点
使用外部数据的目的各不相同，包括评估风险要素、收集建模的样本数据和检验内部评级。金融机构必须认清自己的目的。通常，外部数据对风险因素的评估越重要，对数据充分性的验证就要越准确。
在确认外部和内部数据的一致性时，必须了解两者在各个特质(attributions)上的差异。例如，如果对违约概念和借款人特点(如规模、行业和地区)存在很大差异，必须检验外部数据与内部数据匹配过程的充分性，而且在匹配过程中，应该突出强调保持内外部数据一致性的重要特质。即使基于某个特质所提取的内外部数据能够显示一致性，最好使用内部模型以外的模型来验证一致性，因为验证结果很大程度上取决于模型结果和内部模型的结构。如果内外部数据对违约的定义不同，对定义进行严格的调整可能是很困难的。在这种情况下，考虑到这种不完美的调整，对外部数据的调整应该有所保留。
使用外部数据所建立的内评法可以通过以下方法得到检验。首先，选择同时包含在内部和外部数据内的借款人。然后比较其在内部模型和其他模型的评级结果。如果两个结果之间存在很大差异，那么就要分析其背后的因素。比较外部数据和内部数据输入内部模型后得到的不同的违约分布(distribution)也是有效的方法。
如果市场约束得以广泛运用，外部数据的质量，比如评级机构做出的评级，可以得到某种程度的保证。但是，外部评级所使用的标准可能和每个金融机构评价业务模型的标准不一样。比如，评级机构可能从长期角度评价一个公司，而金融机构业务模型的评价周期可能相对较短。在使用外部数据时，应尽量考虑这样的差异。对这个差异性问题应该采取多大程度上的关注取决于使用外部数据的目的(是为了评估风险因素还是检验内部评级)。
金融机构应该建立一个系统，使上述评估在组织内部的实施无论涉及哪个部门、经历多长时间都保持一贯性。对差异性的解决要求再次取决于外部数据的使用目的。举例来说，当外部数据用于评估违约率这样的风险要素时，必须严格分析内部和外部数据的一致性，因为这样的评估将直接影响必需资本的数量。
谈到外部数据，外部模型应该有清晰的使用目的。比如，外部模型究竟是用作内部评级的主要模型还是用于检验主模型。
建模的数据或者关于模型逻辑的信息对风险管理来说都非常重要，但是对有些模型来说，这些信息并不为模型的使用者所知，换言之，就成了“黑箱”。在这种情况下，尤其是模型尚未在市场上树立声誉时，原则上，金融机构应该尽量向销售公司或者建立模型的外部机构提出信息披露要求。有些模型的“黑箱”是有道理的，因为卖方想要保护其知识产权以及保持进一步发展模型的商业优势。但同时，外部模型的使用者也应注意到卖方不披露信息也可能有其他原因，比如为了隐藏该模型的缺点。
如果在金融机构提出信息披露的要求后，有些信息仍然保持“黑箱”，金融机构就应该弄清哪些信息是未知的、明确这些信息是如何以及在何种程度上将导致模型验证产生问题，以及这些问题该如何解决。下面给出“黑箱”、引起的问题以及解决问题的可能措施。
如果“黑箱”引起的问题不能得到解决，那么所采取的方法取决于外部模型的使用目的。如果外部模型是作为主模型使用，问题就会严重得多，应该采取相应措施。
八、违约损失率(LGD)的评估
1 存在问题
违约率是说明损失事件发生可能性的指标，违约损失率是对每一个损失事件而言，表明本金损失严重程度的指标。因此．违约损失率以及违约率是在评级和总和(pooling)基础上的风险管理和风险量化的重要指标。但是，对违约损失率的定义和评估方法并没有形成共识，这部分是由于缺少数据和存在技术上的问题。如果由于数据匮乏和概念不清晰造成违约损失率的准确度很低，又没有对此进行保守调整或者对风险因素进行保守评估，那么每家机构所计算出的必需资本就会大相径庭。
之所以在收集违约率和评估违约损失率面临困难的原因总结如下。(见下表)
违约损失率的评估
2．参与者观点
在收集违约损失率数据时，金融机构需要明确下列要点。
金融机构应该尽可能地明确以上这些要点，并且持续收集违约损失率的数据。更好的方法是建立一个能够在数据收集过程中自动发现异常价值的系统。
在违约损失率评估和机构(facilty)评级中，应该考虑影响违约损失率的因素(见上表)、这些因素和违约损失率的关系以及违约损失率对这些因素的敏感度。为此，可以考虑对以下过程建模：(1)违约资产转向非违约资产的过程，(2)违约资产的担保资产的收集过程：(3)由于时间和行业特点未被担保资产覆盖的资产部分的收集过程。
金融机构同样应该考虑以下事项：(1)对每个评级分类或资产池(p∞I)从违约损失率角度，保证充分的风险同质性(如果每个评级的违约损失率分布并不遵循正常分布，金融机构需要解释原因)的方法：(2)用后期检测(backtesting)或者其他工具检验违约损失率(在违约损失率非正常分布时，专家意见也可以被用于评价模型表现)。