文档介绍：国内商业银行信贷风险管控探微一、普通参数组对于资产组合Ⅰ的模拟这一模拟是以普通参数组为基础, 包括了一个固定的 40% 回收率, 24% 的资产相关性, 表2 来自转移矩阵, 利差来自 Nelson-Siegel 曲线( Nelson , Siegel1987 ), 其中, 零息债券的到期时间为 t 的利率通过公式( 1 )给出:在此普通参数组中,我们仍需假设其他一些个自得参数。包括一些盯市的收益或损失,模拟的次数和决定是否使用方差逐次减少的技术等。一个关键的参数就是如何使一个年度违约率应用到一个短期久期头寸上。表3 显示了在输入普通参数组, 在各种不同置信水平 VAR 和 ES 的情况下对于资产组合Ⅰ模拟的结果。分析表 3 的起点是运用预期损失的分析估算模型的有效性。设资产组合中评级为 AAA 的占 80% , 评级为 AA 的占 17% , 评级为 A 的占 3% , 如果这些权数分别乘以他们的违约率(分别设为 1、4、 10 个基点)和违约损失 LGD (1 减回收率) ,就得出违约状态下的损失, 假设存款为一年期限, 就得出违约状态下的损失为( *+*+* ) *= 。在转移模型中,预期损失将会更高,但在此由一年期违约概率转变为一个月的违约概率更能证明相关问题。不同的转移技术解释了各种预期损失的差别。例如, 银行 4 估计出最高的预期损失, 这一点与其最保守的假设相一致。要分析模拟结果产生的预期损失,分析由违约引起的比例和由评级转移引起的比例是很重要的。我们假设两个参者去模拟违约过程。他们都要运用相同的模拟系统( CreditManager ) 和相同的参数输入, 并且除了转移到违约一级的概率其他转移概率设为 0, 评级保持不变的概率逐渐增加。这样,我们就可以把违约对于总体损失的贡献独立出来。而另一个参与者使用的违约模型和转移模型并不是用来分解模拟结果的, 而是用来测量敏感度分析的。表4 展示了分解的结果。由于违约引起的预期损失 3 倍于因转移而引起的预期损失, 这一点即使对于由高质量资产组成的资产组合Ⅰ也成立。表中结果表明在较低的置信水平, 评级的转移是风险的重要来源, 但随着置信水平的增加, 违约引起的风险变得相对重要。在 % 的置信水平下, 几乎所有的风险都来自违约。从表 4 可以看出, VAR 和 ES 在置信水平为 % 时还是较小的, 但达到 % 后, VAR 和 ES 显著增加。在置信水平为 % 时, 信用的在险价值 CreditVAR 和市场风险相比是无关的。然而,一旦置信水平达到 % , 信用风险就成为风险来源的主要部分。用来计算对预期损失具有很大影响的违约概率的数学公式, 几乎对 ES 和 VAR 没有什么影响。因为资产组合中短期信贷的权重较小, 收益率分布的尾部部分很大程度上取决于大额发行者的的违约程度。这种模拟结果的相似性随着置信水平的提升而增加。例如, 在置信水平为 % 时, ES 的最高值和最低值的比率为 ,而在置信水平为 % 时,这种比率为。这个结论对 VAR 也成立。随着置信水平的增加,违约或评级降级情况就会集聚,在极端的情况下(置信水平接近 100% )