摘要:信用风险是金融领域最古老、最主要的风险之一,纵观金融业发展的历史,信用风险一直是金融机构面临的主要风险。本文以风险管理理论为指导,以多元统计和计量分析工具为主要研究手段,以定量分析为主,定性与定量相结合,根据财务困境理论对中国商业银行的信用风险度量进行了实证分析,并提出了可行的信用风险管理建议。
关键词:信用风险 财务困境 logistic模型 因子分析
信用风险是金融交易活动中的一种传统风险,也是商业银行面对的基本风险之一,对于信用风险识别和管理的研究贯穿于商业银行的整个发展历程之中。我国是世界上最大的发展中国家,在目前以及今后很长一段时期内,银行融资都将是企业筹措资金的最主要方式,银行体系面临的风险构成了我国金融风险的主要部分。因而深入研究我国商业银行的信用风险识别及管理问题,不仅是商业银行作为微观金融主体进行内部管理的自主行为,也是防范商业银行信用风险导致银行信用体系和支付体系崩溃,引发进一步金融危机的需要。
■一、商业银行信用风险及其研究综述
现代意义上的信用风险是指由于借款人或市场交易对手违约而导致的损失的可能性,更为一般地,信用风险还包括由于借款人的信用评级的变动和履约能力的变化导致其债务的市场价值变动而引起的损失的可能性。
由于信用风险仍是我国商业银行界目前面临的最重要的风险,而且由于我国经济正处于起飞阶段,一定程度上掩盖了信用风险的严重程度。对于稳健经营的商业银行业而言,对信用风险的度量和管理显得更加迫切。尽管近些年来我国商业银行对信用风险的度量和管理己开始由经验主义向科学化过渡,然而还只处于起步阶段,在实际应用中与西方优秀的商业银行信用风险管理的技术方法体系相比,还存在很明显的差距。
巴塞尔新资本协议对于商业银行风险管理提出了更高的要求,这也是我国银行业未来发展和改革的方向。长远来看,我国商业银行应该参照新资本协议的精神,积极按照内部评级法的实施要求不断完善自身的风险管理水平。不过就目前而言,我国的银行尚不具备广泛推行内部评级法的条件,因而这是一个逐步推行的过程。目前,参考巴塞尔新资本协议关于内部评级法的规定,对企业信用风险进行评价需要商业银行对违约概率(PD)、违约损失率(LGD)、有效期限(M)和违约风险暴露(EAD)等指标进行测度。而对这些指标进行测定时,我认为目前基于财务困境理论的现代分析法是比较实际的一种度量方法,国内外的很多专家和学者对此进行了较为深入的研究。据悉,目前中国建设银行总行也正在对财务困境理论进行实证研究,以检验其准确性和适用性。在本文,我将选取其中应用最广泛的Logistic模型结合最新的数据资料进行实证分析,以检验模型的适用程度,并在此基础上对模型提出相应的优化建议。
■二、基于logistic模型的信用风险实证检验
(一)模型的构建
在商业银行评价企业的违约风险时,首要考虑的因素就是企业的财务现状、未来发展前景等因素。而基于企业财务指标的度量模型又以多元线性模型和Logistic模型最为典型。多年来国内外学者的实证研究来看, Logistic模型具有非常可信的识别、预测和推广能力,是我国商业银行信用风险识别的有效工具。
从本质上看,logistic模型是一种对于定性变量进行回归分析的模型,在诸多的可以进行定性回归分析的模型中,应用最多的是logistic回归,而logistic回归分析根据因变量的取值差异,又可以分为二元logistic回归和多元logistic回归两种类型。在二元logistic回归分析中,因变量只能取0和1两个值(虚拟因变量),而多元logistic回归模型中,因变量可以取多个值。本文的分析只涉及到二元logistic。
二元logistic模型的函数形式为:
上述的函数形式可以看出,logistic曲线是一个机率模型的因变量变化范围都在0和1之间。Logistic函数的几率值被限制在(0,1)之间一个合理的范围内。上限p=1和下限p=0都是水平渐近线,无论实际上参数和自变量如何变化,p都不会达到上限点或者下限点。上式中x为自变量,p为因变量,并且有两个非常重要的参数。第一个是p,第二个是-a/b。如果自变量和因变量之间呈S型关系时,就可以利用logistic模型来分析其特征。
由于银行信贷资料的保密性,本文拟利用中国2009年A股市场公开上市的公司的财务指标作为样本,利用正常上市公司来模拟正常的银行信贷客户,用ST公司来模拟信用风险较高的银行信贷客户。模型拟选取沪深两市上市的A股100家,其中正常公司46家, ST公司54家。在对ST公司进行选取时,尽量避免选择由于偶然性事件而导致公司出现财务困境的情况。将模型的总样本分为经营正常组和经营高风险组两种类型,模型样本总数为100家。在对具体财务指标进行选取时,本文结合已有的研究文献和本研究需要,进行了归类和选择。具体的指标体现了以下两个特点:首先, 样本全面反映了样本企业的资产规模、盈利能力、偿债能力、资产流动性、成长性、资本结构状况等财务特征。其次, 指标中既有反映企业当前状况的静态指标, 也有反映未来发展能力的动态指标。
具体的指标分为稳定性、流动性、赢利性、清偿能力性、增长性等五类财务指标,并且加入了地区(分为东部、中部、西部,三类,分别赋值1,2,3)、行业类别、公司管理者素质(主要是教育背景和从业年限等资料),等其他的指标,其中企业的财务报表数据和其他数据截止到2009年12月31日,数据均来源于北京大学色诺芬数据库,具有很高的准确度。
(二)实证检验
由于计划引入模型的具体指标包含六大类25组,这其中大多数是财务数据,他们之间有很多都存在着严重的多重共线性。所以我们在进行模型分析时应该采用合理的方法来对指标进行筛选和检验,通过spss软件我们可以很容易的达到这一目的。
第一步:样本检验
根据spss软件的运行结果,我们可以得出在对数据进行回归分析之前的案例处理汇总,模型将进行回归分析的所有个案(100个)都选入作为回归分析的个案。并且软件系统已经将初始的因变量-公司类型(0,1)转换为logistic回归分析中常用的0、1数值。
第二步:回归检验
在进行logistic回归分析时,比较常用的方法有进入、向前条件、向前LR、向前ward、向后条件、向后LR、向后ward几种方法。在本文的分析中,采用了向前-LR方法,变量一律根据比分检验的概率大小依次进入方程,并且依据偏似然比检验的结果剔除变量。
迭代历史记录显示,初始的-2LL为137.989,经过两个步骤共13次的迭代过程,-2LL降为65.433,参数估计值分别为1.143和2.071,此时参数估计的更改范围小于0.001,所以估计在迭代次数13处终止,得出的估计方程的常数项为-2.335,自变量为每股净资产,和每股收益摊薄净利润,其系数分别为1.143和2.071。
模型汇总中显示的经过两个步骤的迭代,Cox & Snell 为0.516,Nagel kerke为0.689,模型的拟合效果可以接受。软件输出的分类表反映了模型模拟的准确度:
分类表显示经过迭代回归分析之后,在切割值为0.5的情况下,公司类型为0时,有92.6%的预测准确性,在公司类型为1时,有82.6%的预测准确性,对于整体的个案有88%的预测准确性。这一数值比初始模块的54.5%有了很大提高,因而迭代回归的效果十分明显。
软件最后输出了方程中变量,根据这一表格我们可以得出模型筛选出的变量以及PD值得计算公式为:
第三步:待判样本检验
根据上面的回归方程,对检验样本中的35家公司进行检验,将35家待检验公司的每股净资产数据代入回归方程,在切割值为0.5的情况下,P大于0.5的公司有16家,P小于0.5的公司有19家,总体准确度为82.9%。
判断的结果说明前面通过逻辑回归得出的判别模型对于公司状况的预测有着比较好的准确性,总体准确度达到82.9%。另外,我们将“信用差”的企业误判为“信用好”的企业为第一类错误,反之将 “信用好”的企业误判为“信用差”的企业为第二类错误。通过对样本的检验,我们发现犯第一类错误的比率要高于犯第二类错误的比例,在这种情况下事实上增大了银行产生不良贷款的风险,这一点需要注意,要在具体实践中尽量避免第一类错误的发生。
■三、模型的优化分析及政策建议
根据本文的实证研究,发现在诸多的信用风险识别模型中,logistic模型的出现和应用虽然比较早,但是我国商业银行利用logistic模型来评估贷款的信用风险仍然有着较高的准确率,而且操作简便。所以logistic模型可以作为一种介于我国商业银行以前常用的信用风险定性分析法与目前国际先进的银行应用的内部信用风险度量模型之间的过渡形式。然而logistic模型本质上是一种财务计量模型,在模型本身和使用范围上都存在一定的局限性。
首先,就模型本身而言,logistic模型在对相对风险进行估计时,假设整体相对风险为每个变量相对风险的乘积,这与一般的可加模型有很大不同,并且模型要求样本的数量不少于200,这种对于样本数据的严格要求就束缚了模型的推广。商业银行在使用logistic模型时,需要有较为充分的历史数据来支撑模型的回归分析。并且模型在对风险进行判别时,判断是否存在违约风险的切割值是可以自己规定的,前文实证分析部分选定的切割值为0.5,而这一切割值的选择是没有经过严格检验的。银行在使用这一模型时,对于切割值选择的不同会明显影响到判断的结果,这就为模型的使用增加了很大的主观性。
其次,由于logistic模型在本质上只是一种基于财务困境的分析模型,因而考虑的主要是企业的财务状况,并且经过模型的甄选,只剩下少数的财务指标被留在了判别模型之中。然而企业出现财务困境以至于增大违约风险不仅与企业的资产负债现状以及盈利水平有关,还与企业所处的地区,所属的行业,企业领导的素质,国家的经济政策以及企业的历史信用状况等有关系。因而我们需要将其他因素也加入模型,使其更为完善。虽然在本文中,我尝试将其他一些因素加入模型之中,但是经过模型的自动筛选,这些因素被剔除出去,没有起到预期的目的。针对于此,我认为可以采取以下的方法来解决上述问题:
针对于模型甄选的变量太少的状况,在进行分析时,我们可以将logistic回归分析法和多元分析法结合起来,构建度量企业信用风险的因子logistic模型,这样可以将更多的指标加入模型之中。
针对于模型中仅含有财务数据的状况,我认为作为一种对定性变量进行回归的计量模型,除了包含财务数据以外,还可以包含宏观经济变量(经济发展周期)、中微观因素变量(行业情况、公司所处的地区等指标)以及企业基本面变量(企业规模、管理层受教育程度、企业历史信用状况等指标)等其他的变量。在将这些指标引入模型时,不能简单的和其他指标一样进行筛选,也要采用因子分析方法,将这些变量与财务指标结合起来构建logistic回归模型,这样对于企业的信用风险的识别将更加全面。
总之,本文的实证检验表明logistic模型是比较符合目前中国商业银行现状的一种信用风险识别模型。在实践中商业银行可以将这一模型作为向先进的内部信用风险度量模型的一种过渡模型,并且在实际的实践过程中结合其他风险度量模型,及时的对模型进行修正,以保持模型的时效性和准确性。
(责任编辑:刘旭华)