资产组合信用风险度量技术比较分析研究VAR
《2024年基于VaR的金融风险度量与管理》范文
《基于VaR的金融风险度量与管理》篇一一、引言随着全球金融市场的日益复杂化和多元化，金融风险的管理变得尤为重要。
VaR（Value at Risk，风险价值）作为一种重要的金融风险度量工具，被广泛应用于金融机构的风险管理中。
本文将探讨基于VaR的金融风险度量与管理，分析其原理、应用及挑战，并提出相应的管理策略。
二、VaR的基本原理VaR是一种用于量化金融风险的方法，它表示在一定的置信水平下，某一金融资产或投资组合在给定时间内可能遭受的最大损失。
VaR的计算基于概率论和统计学，通过对历史数据的分析，估算出未来可能发生的损失。
VaR的计算公式为：P(ΔP > VaR) = 置信水平，其中ΔP表示资产或投资组合在给定时间内的损失，VaR则为该损失的上限。
三、VaR在金融风险度量中的应用1. 资产组合风险管理：VaR可以帮助金融机构对资产组合进行风险管理，通过计算资产组合的VaR值，了解其在一定置信水平下可能遭受的最大损失，从而制定相应的风险管理策略。
2. 市场风险管理：VaR可以用于评估市场风险，帮助金融机构了解其在市场波动下的风险暴露程度。
通过对不同资产类别的VaR进行分析，金融机构可以更好地了解市场风险的整体情况。
3. 信用风险管理：VaR还可以用于评估信用风险，帮助金融机构了解债务人的违约风险。
通过计算债务人的信用风险VaR值，金融机构可以制定相应的信用风险管理策略。
四、VaR在金融风险管理中的挑战尽管VaR在金融风险管理中具有重要作用，但also面临一些挑战：1. 数据问题：VaR的计算需要大量的历史数据。
然而，金融市场数据往往存在不完整、不准确等问题，这可能导致VaR的计算结果出现偏差。
2. 模型风险：VaR的计算基于特定的模型和假设。
然而，金融市场具有复杂性和不确定性，这可能导致模型失效，从而影响VaR的准确性。
3. 置信水平选择：置信水平是VaR计算中的一个重要参数。
选择合适的置信水平需要根据具体情况进行判断，如果选择不当，可能导致VaR的估算结果偏离实际情况。
VaR计算技巧的综合比较
VaR计算方法的综合比较-社会科学论文VaR计算方法的综合比较王玲摘要：精确的金融风险度量在金融研究中具有重要作用。
如何更好的量化金融风险是风险度量的关键。
从摩根公司提出的风险矩阵方法开始，各个方法应运而生，各方法均有其优缺点。
笔者尝试系统介绍各方法的优势和缺点，力求为金融从业者或风险管理者提供指导，以促使其在金融风险度量方面能够根据实际情况选择最佳方法。
关键词：VaR。
参数方法。
非参数方法。
半参数方法金融市场繁荣发展的同时，其风险的测量也成为各金融管理者、金融从业者所关注的问题。
度量风险需要计量风险的工具，因此VaR 应运而生。
资产组合的VaR度量了投资者在一定时间内一定置信水平下所愿意接受的最大损失。
尽管VaR定义简单，但是它的计算并不容易。
起初计算VaR 的方法主要有三种：⑴方差-协方差方法，也称为参数方法；⑵历史模拟法（非参数方法）；⑶蒙特卡罗模拟法，是一种非参数方法。
这些标准方法都有自身的缺点，因此导致了新方法的产生和演变。
参数方法具有明显的缺陷，首先它假定新息或收益率为正态分布，然而经验结果表明其分布是尖峰厚尾型的；其次是估计条件变动性的模型；最后是收益率的独立同分布假设，大量事实表明金融收益率不是独立同分布的。
鉴于上述缺陷，参数方法向着不同的方向发展。
首先是尝试建立更复杂的波动性模型来描述观察到的金融收益率的变动性；其次尝试探索其他描述偏度和峰度的密度函数；最后是考虑高阶矩的条件变动性。
本文将从理论和实践两方面综合描述各方法的优缺点和相应的适用条件。
目的在于为金融风险研究人员提供所有的模型的信息，并使其对VaR发展的最新趋势有较直观和清晰的了解。
一、VaR 方法1.VaR 的定义与计算方法VaR（value at risk），即风险价值，简言之是市场正常情况下的最大可能损失。
Jorion的解释是：给定置信水平下的一个持有期内预期最坏损失，公式为：Prob（Δp VaR）=1-α ，其中Δp 是资产在持有期T内的价值损失，置信水平α 体现了对风险的承受能力，1-α 则是对风险的厌恶程度，主要根据投资者对风险的偏好进行划分：谨慎型和冒险型。
VaR
1．VAR(Value at Risk)的含义VAR(Value at Risk)按字面解释就是“在险价值”，其含义指：在市场正常波动下，某一金融资产或证券组合的最大可能损失。
更为确切的是指，在一定概率水平（置信度）下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失。
用公式表示为：（△Ρ 其中Prob表示：资产价值损失小于可能损失上限的概率。
△Ρ表示：某一金融资产在一定持有期△t的价值损失额。
VAR表示：给定置信水平α下的在险价值，即可能的损失上限。
α为：给定的置信水平。
VAR从统计的意义上讲，本身是个数字，是指面临“正常”的市场波动时“处于风险状态的价值”。
即在给定的置信水平和一定的持有期限内，预期的最大损失量（可以是绝对值，也可以是相对值）。
例如，某一投资公司持有的证券组合在未来24小时内，置信度为95％，在证券市场正常波动的情况下，VaR 值为800万元。
其含义是指，该公司的证券组合在一天内（24小时），由于市场价格变化而带来的最大损失超过800万元的概率为5％，平均20个交易日才可能出现一次这种情况。
或者说有95％的把握判断该投资公司在下一个交易日内的损失在800万元以内。
5％的机率反映了金融资产管理者的风险厌恶程度，可根据不同的投资者对风险的偏好程度和承受能力来确定。
2. VAR(Value at Risk)的优缺点VaR模型作为现代商业银行风险管理最重要的方法之一，存在不少优点。
首先，VaR 使用规范的数理统计技术和现代工程方法来度量银行风险，与以往靠定性和主观经验的风险度量技术相比更具客观性；其次，它使用单一指标对风险进行衡量，具有直观性，即使没有专业背景的投资者和管理者，也能通过这一指标评价风险的大小；再次，它不仅可以衡量单一的金融资产的风险，还能衡量投资组合的风险；而且，它对风险的衡量具有前瞻性，是对未来风险的衡量，不像以往对风险的衡量都是在事后进行；最后，VaR 把对未来预期损失的规模和发生的可能性结合起来，是管理者不仅能了解损失的规模，还能了解在这一规模上损失的概率。
评估金融市场风险的VaR模型分析
评估金融市场风险的VaR模型分析金融市场的波动和风险一直是投资者所关注的重要问题。
虽然市场波动本质上是不可预测和不确定的，但是量化金融领域中的VaR模型却提供了一种对市场风险进行测量和评估的方法。
本文将对VaR模型进行分析和评估，探讨其优缺点以及在金融市场中的应用。
VaR模型全称为Value at Risk，即在一定置信水平下，一个投资组合的最大可能损失。
这个置信水平一般由投资者自行选择，通常是95%或99%。
VaR模型基于历史数据和波动率进行计算，是一种概率统计方法，其输出结果是一个损失数值，表示在给定时间段内，投资组合受到损失的最大可能值。
VaR模型一般用于衡量金融市场中股票、债券、期货等不同种类资产组合的风险。
VaR模型的优点在于其简单易懂、直观、方便。
投资者可以通过VaR值了解他们的投资组合在不同风险水平下的最大可能损失，从而准确判断风险与收益的平衡。
此外，VaR模型可以应用于不同类型的资产，包括股票、债券、外汇等，从而使投资者能够对不同的风险因素进行比较和评估。
尽管VaR模型具有许多优点，但也存在一些局限性和缺点。
首先，VaR模型是基于历史数据和波动率进行计算的，因此无法完全反映市场未来的风险水平和不确定性。
其次，VaR模型是一种概率性方法，其输出结果是概率分布，不一定能够准确预测实际损失。
第三，VaR模型忽略了各种非线性关系和偏单边性，因此对于一些极端事件和不确定性因素，其预测能力可能有所不足。
如何有效地利用VaR模型进行风险评估是金融市场参与者需要面临的问题。
在使用VaR模型时，需要根据具体情况选择适当的历史数据和波动率，特别是对于投资组合的新资产和多样性风险，需要进行适当的修正和校正。
此外，VaR模型的使用需要结合其他风险管理工具，如压力测试、蒙特卡洛模拟等，从不同角度，全面评估投资组合的风险。
另外，VaR模型的使用也需要结合投资期限、目标回报率以及资产的流动性等因素，从而建立更合理的风险评估标准。
投资组合的VaR与CVaR风险度量
投资组合的VaR与CVaR风险度量在金融投资中，风险管理是至关重要的一环。
投资者往往需要了解和评估投资组合的风险水平，以便制定合理的投资策略。
VaR（Valueat Risk）和CVaR（Conditional Value at Risk）是常用的风险度量指标，可以帮助投资者衡量投资组合在不同概率水平下的风险水平。
本文将介绍VaR与CVaR的概念、计算方法以及在投资组合风险管理中的应用。
一、VaR的概念与计算方法VaR是指投资组合在一定概率水平下可能遭受的最大损失金额。
通常，我们将VaR定义为在特定置信水平下的亏损额。
例如，以95%的VaR为例，它代表了在市场情况正常的情况下，有95%的概率投资组合的亏损不会超过VaR值。
VaR的计算方法有多种，最常用的是历史模拟法、蒙特卡洛模拟法和参数法。
1. 历史模拟法历史模拟法是指根据过去的历史数据来预测未来的亏损情况。
该方法通过计算过去一段时间内投资组合的日回报率，然后按照这些回报率进行排序，找出对应置信水平的亏损额作为VaR的估计值。
2. 蒙特卡洛模拟法蒙特卡洛模拟法是通过随机生成符合投资组合特征的大量情景，并对每个情景进行计算，最后得出投资组合的亏损分布。
该方法可以考虑不同的市场情况和变动，提供更为准确的VaR估计值。
3. 参数法参数法是根据统计的方法和理论模型来估计投资组合的VaR值。
常用的参数法包括正态分布法、杠杆调整法和协方差矩阵法。
这些方法基于假设投资组合的回报率服从某种特定的概率分布，通过计算该分布对应的置信区间来得出VaR值。
二、CVaR的概念与计算方法CVaR是指投资组合在VaR触及时的损失情况下，超过VaR值的损失的平均值。
CVaR可以解释为在VaR触及时，投资组合的风险程度。
CVaR的计算需要首先确定VaR值，然后计算超过VaR值的损失，再求出超过VaR值的损失的平均值。
CVaR的计算方法主要有以下两种：1. 通过VaR计算CVaR根据已计算得到的VaR值，设定损失的阈值为VaR值，然后计算超过该阈值的所有损失值，再求平均值即为CVaR值。
计量经济中的VAR模型与风险测量中的VaR对比
《金融风险管理》作业江威09094163金融09・3班问题：计量经济中的VAR模型与风险测量中的VaR是一样的吗？为什么？答：不一样，没有可比性的：1、定义不同。
VAR是vector autoregressive model ，中文意思为向量自回归模型，1980年由Sims提出。
这种模型采用多方程联立的形式，它不以经济理论为基础。
在模型的每一个方程中，内生变量对模型的全部内生变量的滞后项进行回归，从而估计全部内生变量的动态矢系。
VaR是Value at Risk，中文意思为受险价值或风险估值。
其实质是指在一定的置信度内，由于市场波动而导致整个资产组合在未来某个时期内可能出现的最大价值损失的一种统计测度。
在1997年Jorion在有矢VaR的文章中，将VaR定义为：某一金融资产或证券组合在给定置信度水平下一定持有期内的最大可能损失。
2、限制条件不同o计量经济中VAR模型的解释变量中不包括任何当期变量，VAR模型有相当多的参数需要估计。
而风险测量中VaR方法最大的好处在于利用一个结构性的方法论及一个单一的指标来更精确地衡量一个组合的风险，并将其用货币单位表示。
具有风险度量的直观f生和一致，性，能对各种不同类型的资产给出统一的风险度量。
3、特点不同。
VAR模型的特点（1）不以严格的经济理论为依据。
（2）VAR模型的解释变量中不包括任何当期变量。
（3）VAF模型对参数不施加零约束。
（4） VAR模型有相当多的参数需要估计。
（5）VAR模型预测方便、准确（附图）。
（6）可做格兰杰检验、脉冲响应分析、方差分析。
（7）西姆斯（Sims）认为VAR模型中的全部变量都是内生变量。
VaR 特点主要有：（1）可以用来简单明了表示市场风险的大小，没有任何技术色彩，没有任何专业背景的投资者和管理者都可以通过VaR值对金融风险进行评判；（2），可以事前计算风险，不像以往风险管理的方法都是在事后衡量风险大小；（3），不仅能计算单个金融工具的风险。
金融风险管理中的VaR模型应用
金融风险管理中的VaR模型应用VaR模型（Value at Risk）是金融风险管理中一种常用的风险度量方法。
它通过对金融资产组合进行风险评估，帮助投资者和金融机构在风险控制和决策制定方面做出合理的选择。
本文将探讨VaR模型在金融风险管理中的应用，并分析其优缺点。
一、VaR模型的基本原理VaR模型是通过对金融资产组合进行统计分析，计算出在一定置信水平下的最大可能损失额。
具体来说，VaR模型将风险分析转化为一个统计问题，通过对历史数据或模拟模型进行分析，估计出资产组合的收益分布情况，并确定出在一定置信水平下，可能的最大损失额。
二、VaR模型的应用场景1. 投资组合管理：VaR模型可以帮助投资者对资产组合进行风险评估，从而制定出相应的风险控制策略。
通过计算VaR指标，投资者可以了解到在不同置信水平下可能的最大可能损失额，以便根据自身的风险承受能力和投资目标制定出合理的投资策略。
2. 风险控制：金融机构在日常运营中面临着各种风险，包括市场风险、信用风险等。
VaR模型可以帮助金融机构对这些风险进行量化和管理。
通过计算出资产组合的VaR值，金融机构可以设定相应的风险暴露限额，并及时采取相应的风险控制措施，以降低可能的损失。
三、VaR模型的优点1. 简单易懂：VaR模型的计算方法相对简单，基于历史数据或模拟模型进行分析，可以很好地反映金融资产的风险水平。
2. 强调风险集中度：VaR模型关注的是整个资产组合的风险水平，可以帮助投资者和金融机构更好地了解持仓的风险集中度，从而降低投资和运营中的潜在风险。
3. 可比较性：不同金融机构可以使用VaR模型对风险进行度量，从而实现不同机构之间的风险比较和风险管理。
四、VaR模型的局限性1. 假设缺陷：VaR模型在计算风险时通常基于历史数据或模拟模型，但这些方法都存在一定的假设，无法完全反映真实世界的复杂性。
例如，历史数据可能无法覆盖全面的市场情况，模拟模型可能无法准确预测未来的市场变化。
var估计方法
var估计方法var，即价值风险，是金融领域中衡量投资组合风险的重要指标。
var估计方法是指在一定的置信水平下，预测投资组合损失的最大值。
var值的准确估计对于投资者、金融机构和监管机构具有重要意义。
本文将介绍var估计方法，并对比各种方法的优缺点。
首先，我们来了解一下var的定义和意义。
var是用于衡量金融资产或投资组合在一定时间内、一定置信水平下可能发生的最大损失。
它是一种风险管理工具，可以帮助投资者和金融机构更好地把握风险，为金融市场的稳定发展提供保障。
常见的var估计方法有以下三种：1.历史模拟法：该方法基于过去一段时间内的收益数据，模拟未来收益的分布，从而计算出var值。
历史模拟法简单易行，但对未来收益的预测准确性较低，尤其在市场发生剧烈波动时。
2.方差-协方差法：该方法利用资产收益率的方差和协方差矩阵来计算var 值。
这种方法对数据的稳定性要求较高，适用于稳定收益的资产，但在市场波动较大时，预测准确性也会受到影响。
3.蒙特卡洛模拟法：这是一种基于随机模拟的方法，通过生成大量的模拟路径，计算每个路径下的损失，进而求得var值。
蒙特卡洛模拟法适用于复杂金融产品的var估算，但其计算成本较高。
接下来，我们来比较一下各种方法的优缺点。
历史模拟法和方差-协方差法在计算var时，都对数据的稳定性有一定要求。
历史模拟法在市场波动较大时，预测准确性较低；而方差-协方差法在收益分布非正态时，准确性也会受到影响。
相比之下，蒙特卡洛模拟法具有较高的准确性，但计算成本较高。
在我国，var估计方法已得到广泛应用。
金融机构利用var值对投资组合进行风险管理，监管机构则利用var值对金融机构的风险监管。
随着金融市场的发展，var估计方法在风险管理领域的地位日益重要。
总之，var估计方法是金融风险管理的重要工具。
各种var估计方法都有其适用范围和局限性，投资者和金融机构应根据实际情况选择合适的方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
巴塞尔银行监管委员会于2003年4月发布了巴塞尔新资本协议第三次征求意见稿,进一步明确激励银行研究开发更为复杂、更为先进的风险度量技术和内部评级法,提高最低资本要求的风险敏感度。
信用风险是交易对手违约或信用品质潜在变化而导致发生损失的可能性,它是金融市场上最为基本的一类风险,其分布偏离正态,具有自然偏斜和肥尾的信用收益。
Patricia Jackson和WilliamPerraudin(2000>把信用风险模型分为盯市资产组合理论模型(mark-to-marke,t portfolio-theoreticmod-els>和违约方式模型两种。
[1]本文重点对基于V AR的投资组合信用风险度量技术特征、参数和方法等方面进行比较研究。
一、风险度量术、信用度量术和信用在险价值模型1·风险度量术J·PMorgan(JPM>公司于1994年引进了风险度量术RiskMetrics,在正态分布的假设下,给出了计算参数模型V AR的方法。
然而,资产的收益率不是正态分布的,而是有偏的、有峰的,实际的资产收益率的分布较之正态分布有肥尾性( fatty orheavy tail>。
正态假定下所计算的V AR,常常是低估实际风险。
2·信用度量术JPM和美洲银行、花旗银行、德意志摩根建富、瑞士银行公司利瑞士联合银行以及KMV公司在1997年4月推出了首个以风险值(V AR>为核心的动态量化信贷风险组合模型信用度量术CreditMetricsTM[2],用于全方位衡量诸如贷款和私募债券等非交易性资产的估值和信用风险计算。
CreditMetricsTM模型和KMV模型都依赖于由Merton(1974>[3]提出的资产价值模型,但他们为了便于实施而要求的简化假设本质上区别很大。
由于考虑了信用评级变化(以及因此而发生的价差的变化>对于预料到的与未预料到的贷款价值以及违约的影响,使得信用度量术可以被视为一种盯住市场(MTM,或译“随行就市”>的模型,不仅考虑贷款价值的上端,而且考虑了下端。
CreditMetricsTM的假设是,违约的相关性是实际存在的,通过对历史评级结果观测可以求出评级*收稿日期:2004-09-01基金工程:国家自然科学基金资助工程(OOBGY043>作者简介:陈德胜(1971—>,男,山东日照人,博士研究生,主要从事信用风险管理方面的研究。
的联合分布。
在用模型计算相关性方面, CreditMetricsTM假设转移是建立在离散和评级变动基础之上的,评级水平的变动是基准因素导致评级变更的结果。
模型以符合稳定马尔可夫过程的信用评级迁移分析为基础,在一给定时间期限下(经常主观上取一年>,从包括违约的一个信用质量到另一个信用质量的迁移概率,通过度量相应于预期置信水平的分布百分数的信用资产组合价值大小,确定信用风险大小,变化值仅与信用迁移相关,而利率假设为一个既定的发展形式。
违约距离DD表示为:DD=d2=1n(VDefV0>-(μ-0·5δv2>tδvt(1>CreditMetricsTM模型应用的是由历史数据估计出的一年期违约矩阵组成的转移矩阵。
模型的驱动因子是违约可能性和信用评级变更的概率,该模型不仅使用组合的前两阶矩(均值和方差>,也运用分布的三、四阶矩(偏度和峰度>。
模型通过均值、标准差、分位数和边际贡献等参数来表征组合风险特征,模型的主要输入参数是期限、信用等级转移矩阵、资产之间的相关系数、远期收益率以及损失类信贷资产的回收率。
通过输出参数V AR数值的大小反映出银行某个或整个资产或信贷组合因信用级别变化或违约时所应准备的经济资本。
CreditMetricsTM模型对金融工具信用质量变化的刻画采用的是离散的等级形式,对资产价值和信用损失的估计采取MTM(Mark toMarket>模式,对期末价值的计算采用合同现金流折现法(DCCF>。
[3]该模型对公司之间等级和违约相关性的估计采用历史等级(违约>变化,这样在模型对资产组合价值的计算中,所使用的主要参数都是相对确定的,所估计参数跨越多个周期,对具有类似内部风险等级的债务人的资产组合无论在任何信贷周期的任何时刻都会有类似的结果,对具体借款人或具体工程的相关信息的应用是非常有限的,因此按照巴塞尔委员会的含义该模型是无条件模型。
信用度量术作为一种计算对贷款或债券的资本要求的V AR方法,贷款收益没有被明确地模型化,是一种贷款组合风险最小化模型,而不是一种成熟的现代资产组合理论(MPT>的风险—收益模型。
每一项贷款都可能有一个不同的信用度量术V AR和一个不同的必需的或经济的资本要求。
而在BIS的方法下,不同信用级别的和不同到期日的所有贷款都受制于同样的8%的资本要求。
此外,在BIS的方法下,对极端损失或压力测试问题的处理办法是要求银行将其V AR乘以一个范围在3和4之间的因子。
Boudoukh (1995>的研究(运用模拟法>表明,对于一些金融资产, 3—4的乘数因子可以很好地考虑那种均值位于第99个百分位之外的尾部的极端损失,将这类乘数因子运用于低质量的贷款会显著增加资本要求。
[4]Carty和Lieberman (1996>指出,若使V AR的计算中违约时可以收回的数量、远期零利率和信用风险价差中任何一项或全部变为随机的,则一般说来会使V AR的计算结果和资本要求提高。
特别是,贷款回收率有相当大的可变性,更一般地,信用风险价差和利率可能会随时间而变化,随信贷周期以及期限结构的改变而变化,而不是确定不变的。
[5]假设利率具有非随机性或确定性,原因之一是要将市场风险与信用风险分离开来,利率非随机性的假定与Merton(1974>也是一致的。
Crouhy和Mark(1998>认为市场风险与信用风险度量应该被整合而非分开,而且信用风险与利率周期正相关。
[6]CreditMetricsTM模型的创新性在于第一次将信用等级的转移、违约率、回收率、违约相关性纳入了一个统一的框架,全面地考虑对信用风险的度量。
用表示成信用质量函数的风险价值来把不同机构的信用风险综合考虑,对信用等级的相关性的处理应用了国家、地区、行业收入指数和债务人资产的结构,在这一点具有微观与宏观两个层次的特征。
让用户用模拟方法估计信用组合的分布。
该模型的主要缺点是它的简洁性,即对同一等级的债务人应用了相同的等级转移概率和违约率,符合两阶或更高阶马尔可夫过程的实际转移概率和违约概率是历史上多个信贷周期的平均值,因而不能够反映特定债务人的当前的信用质量变化情况。
模型没有解释信用风险定价及其基础模型问题,不适用于非线性工具。
3·信用在险价值模型CreditV AR是CIBC(加拿大帝国商业银行>所有的信用在险价值模型,基于与CerditMetrics相同的原则,以获得账薄的特定风险,允许随机利率以评估衍生品和公司信用衍生品的信用风险,使用与转移矩阵中的实际违约概率一致的风险中性概率。
通常,对一给定的置信水平,在正常的市场条件下,V AR度量了将来一定时间内最大可能的预期损失。
39资产组合信用风险度量技术的比较研究CreditV AR的主要缺点是依赖于基于违约和信用迁移的平均历史频率的迁移概率,即同一评级内的所有公司有相同的违约率,实际违约率等于历史违约率,信用评级变化和信用质量变化一致,信用评级和违约率同义。
事实上违约率是连续的,而评级以一个具体形式调整,仅因为评级代理人需要花时间对违约风险正变化的公司进行升级或降级。
二、信用监控模型KMV公司将莫顿(Merton, 1974>[7]的期权定价理论运用于信用监控模型,来分析同时与违约和迁移风险相关的违约概率(Probability ofDefaul,t PD>和损失分布。
模型的基本变量公司资产V的变动用公司负债的变动来监控。
理论上当资产价值低于一个违约点D时破产就会发生。
KMV认为公司特有的资产分布及其资本结构决定了公司的信用质量特征,是一种从微观角度考察信用质量变化的方法,其基本思路是从公司股票的市场价值、股票价值的波动性及负债的账面价值估计出公司的市场价值及其波动性,再通过由公司的长期和短期负债计算出的公司的违约点DPT和根据公司的现有价值确定的公司的预期价值计算出KMV公司定义的违约距离DD(Distance to Default>,最后确定违约距离DD和经验EDF之间的映射关系,在这一过程中用到了不同违约距离下公司违约的历史数据。
[8]违约距离DD定义为DD=(V-Dp>/Vδv,其中δv表示资产波动性,计算上DD等同于Merton模型中的d2值:DD=d2=1n(VDerT>-0·5δv2Tδvt(2>预期违约概率(Expected Default Frequency,EDF>是N(-d2>,N是资产回报的累积分布函数, EDF与DD负相关。
如果公司的所有债务都交易,且逐日盯市,则评估公司资产市值和他们的波动率将很简单。
公司资产价值将仅是公司债务的市值数,资产收益波动率将仅从再生资产价值的历史时间系列中获得。
然而,在实际中,仅有大多数上市公司的股价是可直接观察的,有时部分债务是活跃交易的。
为了使模型更好用,KMV假设资本结构仅有股权、等价于现金的短期债务,假设为永久的长期债务和可转换优先股。
在这些简单假设的情况下,则可获得股权价值VE和波动率σE的分析解。
VE=f(V A,σA,K, c, r> (3>σE=g(V A,σA,K, c, r> (4>其中,K是资本结构的杠杆比率, c是长期债务的平均息票, r是无风险利率。
如σE能如股价般被直接观察到,我们可以同时解出(2>和(3>中的V A和σA。
但瞬时股权波动率σE相对不稳定,实际上对资产价值的变化非常敏感,没有简单的办法去从市场数据中准确测量σE。
因为仅有股权价值VE可以直接观察,我们可以从(2>中观察到的股权价值,或股价和资产收益率的函数中推出:V A=h(VE,σA,K, c, r> (5>为校正σA模型的刻度,KMV使用了一个反复的技术。
可说明,σE=ηEAσA,其中,ηEA标明股权对资产价值的弹性,即:ηEA=(V A/VE>( VE/ V A> (6>基于结构方法KMV模型和CreditmetricsTM模型在建模的基本思路上有相当大的差异:KMV模型的信用风险衡量指标EDF主要来自于股票市场价格变化的有关数据分析, CreditmetricsTM模型信用风险的衡量来自于信用评级变化及其概率的历史数据分析。