文档介绍：中国商业银行金融风险预警指标体系研究
【关键词】预警,指标体系,研究,风险,金融,商业,银行,中国,
2008年以美卷全球,作为金融机构的主体部分,商业银行在此次危机中同样遭受重创。在历经冲击之后,商业银行的风险管理和识别能力开始让人质疑。中国经济尚处于高速发展和转型初期,商业银行金融风险在宽松的宏观经济环境下并不显著,但由于中国不断与国际经济接轨,开放条件下全球性的金融危机仍然会给国内商业银行带来巨大的经营压力。
实践表明,中国商业银行的风险管理多侧重于事后弥补和经验总结,但是相对来说更为重要和紧迫的事先管理却未能得到足够的认识和实施。要实现对于商业银行金融风险的监测,建立风险预警机制,根据现有的指标数据对短期内商业银行金融风险爆发的可能性进行全面有效的评估是事先管理的一种切实可行方法。本文在国内外相关学者的研究基础上,结合国内商业银行风险现状,建立了一个全面的商业银行金融风险预警体系,并从近期数据给出了对商业银行金融风险的评价及实证检验。
二、相关领域文献回顾
国际上对于银行业金融风险预警的研究早在20世纪就已经取得了令人瞩目的成绩,但种种成果也存在诸多问题,并且多数方法与中国的实际有着很大的差距。
1979年由联邦金融机构监管委员会建立的CAMEL评级制度经过1997年的修改后,成为美国主要监管机构统一使用的CAMELS(骆驼)制度[1]。伴随银行业务的拓展,部分国家监管当局引入美国CAMEL评级制度,同时结合本国监管情况建立了相对独立的主观判断评价体系。
CART(Classification and Regression Tree)结构分析法,根据选定的某几项财务指标作为分类的标准,运用二分法,通过建立二元分类数来分析被考查对象状态[2]。Logit模型主要采用了logistic函数[3],该模型的问题在于当样本点存在完全分离时,模型参数的极大似然估计可能不存在,模型的有效性存在问题,另外该方法对临界区域的判别敏感性过度,容易导致相近样本评估结果之间差别过大。
Altman等人(1994)利用神经网络对意大利公司进行失败预测[4]。神经网络方法是一种自适应的非参数方法,并不严格要求样本数据的分布,不仅具有非线性映射和泛化能力[5],而且神经网络模型的分布自由,较之多元判别分析模型,对实际问题更加适用。
信用度量技术(Credit Metrics,1997)运用VaR 框架[6],对贷款和非交易资产进行风险的评价和计量[7]。但是Credit Metrics模型的违约模型和相关系数的度量是以期权定价理论为基础的,这对资本市场的成熟度以及数据的真实性都有极高的限制要求,因而可操作性有所降低。
麦肯锡模型(Credit Portfolio View,1998) [8]是在Credit Metrics的基础上,对经济的周期性因素予以考虑,通过蒙特卡罗模拟技术(Astructured Monte Carlo Simulation Approach)模拟周期性因素的冲击,以测定评级转移概率的改变趋势并进行度量[9],但是由此给模型增加了相当的复杂程度。
相比之下,国内关于商业银行金融风险预警的研究起步较晚,同时囿于研究所需的数据资料稀缺等原因,致使当下国内该领域的研究仍然十分欠缺。具有代表性的理论研究大致如下:
隋剑雄(2004)针对国内商业银行经营管理模式,提出了适应本国银行发展需求且以核心指标和辅助指标构成的信贷风险预警指标体系,采用向量法(TE)作为构建风险预警模型的算法,通过构建商业银行信贷风险预警系统对信贷风险进行监测和分析,该模型侧重于对商业银行信贷风险的说明及预警的相关指标和报警范围[10]。
李华明、向颖珍(2007)运用时间序列分析方法,以ARMA模型来构建信用风险预警模型,使得信用风险预警模型将影响信用风险的多种因素通过所考察的指标自身的变化来反映[11]。不足之处在于:首先,该模型单纯用历史数据进行模拟,虽预测了其可能的走势,但对其存在这种走势的具体原因并没有明确表明;其次该模型只是利用不良贷款率单一指标来建立模型,没有考虑其他指标折射的整体状况;最后,模型的模拟效果也会随着指标的变化而变化,预测结果十分不稳定。
从监管层面来看:2005年开始,银监会依据新制定的《商业银行风险预警操作指引(试行)》按季对商业银行法人机构进行风险预警的试运行,以提高银行风险监管的敏感性和有效性。
综合以上的理论研究可以看出,现有的成果主要存在下列不足之处:一是大多学者关于预警体系的研究都过度集中于商业银行的信贷业务,从而无法做到整体考量商业银行的风险;二是过分依赖少部分银行现有的指标,再依据趋势变化给出预警结果,但往往结果偏离较大,不够理