文档介绍：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Smithoody与SP的评级,对各个不同的等级赋予主观数值,如Aaa为9,Aa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%,SP为52%。其次oody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Varetto(1995),对意大利公司财务危机预测中应用了神经网络分析法。Coats,Pant(1993)采用神经网络分析法分别对美国公司和银行财务危机进行了预测,取得了一定的效果。然而神经网络的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构,需要人为地去调试,非常耗费人力与时间,因此应用受到了限制。Altman(1995)在对神经网络法和判别分析法的比较研究中得出结论:神经网络分析方法在信用风险识别和预测中的应用,并没有实质性的优于线性判别模型。但神经网络作为一门崭新的信息处理科学仍然吸引着众多领域的研究者。
(五)财务因素的可量化性、数据的可获得性使其在传统的信用评估研究中受到广泛的关注由于财务因素在银行信用评估分析中存在滞后性、灰色性(财务报表披露的信息很大程度上带有不完整性,甚至虚假性)和短期性等诸多弊端,已有越来越多的学者将部分注意力转移到非财务因素上。认为借款企业不是处于一个封闭的系统中,必然还要受到外部因素的影响和制约,认为非财务因素是未来贷款风险的预警信号,因此,同时结合财务因素和非财务因素比仅用其中任一因素在违约率预测上更为精确。巴塞尔银行监督委员会(2001)要求银行不仅要考虑定量因素,还要考虑定性因素。《巴塞尔新资本协议》于2004年正式公布,其推广实施将对全球银行业的发展格局产生深远影响。新协议对银行风险管理提出了更高要求,强调了风险计量的精确性、敏感性和标准化,突出了内部评级法(InternalRatings-Bas