| 论我国商业银行信贷风险管理分析 |
|
|
|
论文关键词：信贷风险 内部评级 财务预警
论文摘要：本文在分析国外在信贷风险评估方法上创新、应用及其发展趋势的基础上，结合内部评级的国际经验，分析了我国商业银行在信用风险管理方式、控制手段和管理框架上的不足，提出了建立内部评级体系的一系列措施，以期为我国金融机构信贷风险管理提供一些有益的参考。
一、信用评级相关研究成果综述
(一)财务指标变量预测企业经营危机的起源最早运用单一财务指标变量预测企业经营危机的研究，始于1930年代的Smith&Winker(1930、1935)。Fitzpatrick(1932)进行单变量破产预测研究，选择了19家公司作为样本，运用单个财务比率指标将样本划分为破产和非破产两组，发现判别能力最高的是净利润，股东权益和股东权益，负债两个比率。1966年由威廉，比弗(WilliamBeaver)沿着该思路继续研究。Beaver(1966)应用统计方法研究1954～1964年期间的79家失败企业，并以单变量分析法建立财务危机预测模型。发现有些财务比率在两组公司间确有显著不同，其中“现金流量，负债总额”是预测经营失败的最佳指标，其次为“资产负债率”以及“资产报酬率”。笔者认为，Beaver用单一的财务指标变量来判别企业的违约概率这样的复杂层面分类存在问题，因为企业违约概率的影响因素是多层面，仅用一个指标来判断未免偏颇。
(二)多元线性判别分析模型典型的代表是美国的爱德华·阿尔特曼博士(Edward Airman)著名的Z-score模型和ZETA信用风险模型。多元线性判别分析模型是研究对象所属类别进行判别的一种统计分析方法，该方法是从若干表明观测对象特征的变量值(财务比率)中筛选出能提供较多信息的变量并建立判别函数，使推导出的判别函数对观测样本分类时的错判率最小。Airman(1968)是率先将多变量分析用于预测财务困境公司，提出了著名的z一8COle模型。其过程包括各种可选函数(包括每个自由变量的相对贡献的判决)的统计显著性的观测；相关变量的相关关系评价；各种变量组合预测精度的观测；专家的意见。作者早在1968年对美国破产和非破产生产企业进行观察，采用了22个财务比率经过数理统计筛选建立了著名的5变量Z-score模型，最后选出了最具解释力的5个财务指标，分别是营运资金／总负债、保留利润／总资产、息税前利润／总资产、权益市价／总负债、销售收入／总资产财务比率。根据比率对借款还本付息的影响程度确定变量权重，最后将每一个比率乘以相应权重后相加，最后结合成一个线性模型，被定名为z-score模型。1977年Altman对此模型进行了修正和扩展，建立了ZETA信用风险模型，模型变量由5个变为7个。对于此种不同期间导致模型的差异，Altman认为是由于企业环境的改变而需要使用不同的财务变量，且财务预警模型也可能因使用不同期间的财务报表而有差异。
(三)多元回归模型来判别企业违约的代表Horrigan(1966)使用多元回归模型预测Moody与S&P的评级，对各个不同的等级赋予主观数值，如Aaa为9，A a为8，最低为c，数值为1，依次类推，最后的回归模型包括总资产、债券顺位、营运资金，营运收入、净值，负债，净值周转率与净利率等。其预测的正确率对Moody为58％，S&P为52％。其次West也使用多元回归模型，利用其预测Moody与S＆P的投资级债信评级，将Fisher(1959)用以估计风险溢价的自变量建立一个多元回归模型，针对Moody评级在B级以上的公司建立等级决定模型，其变数包括9年的获利变异性、偿债期间、负债权益比率与在外流通的债券总额等，正确率为62％。相对前述的危机预测，两者的准确率均不高，原因之一是前述的预测只有两类，非高即低，债券等级预测却可能多达9个等级，在其他条件固定下预测正确率下降属必然。
(四)神经网络分析法对财务危机进行预测虽然神经网络的理论可追溯到上个世纪40年代，但在信用风险分析中的应用还是始于上个世纪90年代。神经网络是从神经心理学和认识科学研究成果出发，应用
数学方法发展起来的一种并行分布模式处理系统，具有高度并行计算能力、自学能力和容错能力。神经网络的结构是由一个输入层、若干个中间隐含层和输出层组成。国外研究者如Altman，Marco和Varett[1] [2] [3] [4] 下一页 |
|
|
| |
|
上一个论文： 我国商业银行收取小额存款人账户管理费的探究
下一个论文： 规范客运管理 遏制毒品运输——滇西南运输毒品案件调查报告 |
|
用户登录 
新用户注册 