企業(yè)信用評級方法匯總
2018-11-28 10:42 作者： 方圓資信信用評級
信用風險是商業(yè)銀行承擔的最重要的風險。為滿足企業(yè)的“信用”需求，方圓資信特推出企業(yè)信用等級評價 信用等級證書 企業(yè)信用評級 在我國，由于受到銀行業(yè)舊體制的影響，國內(nèi)開始研究信用風險評級和度量方法的時間晚于其他國家。自2000年以來，為數(shù)不少的國內(nèi)科研工作者積極投入信用風險度量研究，并在理論研究和實際應用上取得了一定的成績。由此可見，對風險進行度量，對企業(yè)進行有效的信用評級已經(jīng)成為現(xiàn)代銀行和其他企業(yè)風險管理職能中最為重要的內(nèi)容之一。
信用風險由來已久，它隨著借貸的產(chǎn)生而發(fā)展。對于一個貸款企業(yè)而言，其能否按時歸還貸款總是存在著不確定性，這種不確定性具體表現(xiàn)為，貸款企業(yè)不愿意履行或不能完全履行還款責任，信用風險一旦形成，銀行將會因客戶違約而遭受巨大金融損失。因此，銀行需要對貸款企業(yè)進行嚴格的信用評級。 對企業(yè)進行信用評級的意義在于，它可以消除銀行與企業(yè)之間的信息不對稱性，提高銀行借貸的管理效率，從而使資本市場的整體效率得以提高。 對于企業(yè)而言：有效的信用評級，可以使資信良好和還款能力強的企業(yè)取得所需貸款資金從事經(jīng)營活動。 對于銀行而言：其不僅可以擁有適合其風險偏好的標的，取得收益。同時還可以有效的過濾資信較差和還款能力較弱的企業(yè)，從而緩釋銀行違約風險。 所以，對企業(yè)進行合理而準確的信用評級是相當必要的。然而，信用評級是否合理，評級結果是否準確，在很大程度上取決于評級方法的科學性。那么，到底有哪些信用評級的方法呢?哪些才是合理而有效的信用評級方法?下面我就對企業(yè)信用評級方法進行簡要的闡述與分析。 傳統(tǒng)度量方法是以定性分析為起點，結合財務報表有關數(shù)據(jù)進行分析。下面我以專家系統(tǒng)、信用評分方法為例，對傳統(tǒng)的企業(yè)信用評級方法進行分析和比較。 ?、寰C合評判法——專家系統(tǒng) 專家系統(tǒng)是一種傳統(tǒng)的評級方法。傳統(tǒng)的信用評級方法包括以5C法為代表的專家判斷法和以5C法為基礎發(fā)展起來的綜合評價法，包括品德和聲望 (Character)、資格與能力(Capacity)、資金實力(Capital or Cash)、擔保(Collateral)、及經(jīng)營環(huán)境(Condition)。也有些銀行將信用分析的內(nèi)容歸納為“5W”或“5P”。 專家系統(tǒng)評級方法的特點是：銀行貸款的決策權是由該機構那些經(jīng)過長期訓 練和具有豐富經(jīng)驗的信貸人員所掌控，并由他們做出是否貸款的決定。因此，在信貸決策過程中，信貸人員的專業(yè)知識、主觀判斷以及某些關鍵要素的權衡均為最重要的決定因素。 專家系統(tǒng)判斷法是一種綜合評判法，綜合評判法就是對多種因素所影響的事物或現(xiàn)象做出總的評價，屬于定性分析。從信用評級本身的屬性來看，企業(yè)信用評級屬于一種不確定性的模糊問題，因此，綜合評價法的發(fā)展趨勢是與模糊理論相結合來對企業(yè)進行信用評級，從而使評級結果更科學、更準確。 但是專家系統(tǒng)判斷法也存在著一些固有缺陷：如不能對因素進行量化分析;判斷具有主觀臆斷性，帶有很大不確定性;且判斷具有一致性，不能區(qū)分哪些是不同類型借款人的重要的共同因素。所以在實踐中，專家系統(tǒng)方法應配合其他評級方法一起使用，揚長避短。 ?、婢€性模型分析法——信用評分方法 信用評分模型是傳統(tǒng)方法中研究者最多的模型，1968年愛德華﹒愛特曼教授提出了Z計分模型(Z-score model)，1977年對模型進行修正和擴展后，提出?模型，由于信用評分模型使用方便、易于計算，在度量企業(yè)信用風險中使用較為廣泛。 Z計分模型如下： Z=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5 式中，X1為營運資本/總資產(chǎn)比率;X2 為留存盈余/總資產(chǎn)比率;X3為利息和稅收之前的收益/總資產(chǎn)比率; X4 為股權的市場價值/總負債的賬面價值比率;X5為銷售額/總資產(chǎn)比率。Z值越大，資信就越好，Z值越小，風險就越大。 ?模型包含七個指標變量：資產(chǎn)收益率、收益穩(wěn)定性指標、債務償付能力指標、累計盈利能力指標、流動性指標、資本化程度指標、規(guī)模指標。 從模型的改進發(fā)展來看，?模型的分類比Z計分模型分類的準確度高，特別是破產(chǎn)前較長時間的預測準確度相對較高。 ?、鐚＜蚁到y(tǒng)和線性模型分析法的比較分析 專家系統(tǒng)和線性模型分析法(Z計分模型和?模型)都屬于傳統(tǒng)的企業(yè)信用評級方法，都比較側(cè)重于對信用風險的定性分析，方法比較簡單。隨著信息經(jīng)濟學興起，信用風險度量逐步建立起以違約風險為核心的度量體系，而傳統(tǒng)的企業(yè)信用評級方法缺乏對違約和違約風險的認識，理論基礎薄弱，難以令人信服。 線性模型分析法都依賴財務報表的賬面數(shù)據(jù)，具有一定程度上的定量分析，不似專家系統(tǒng)只對信用風險進行定性分析，但是我覺得其定量分析的比較淺顯，只是進行簡單的線性分析，所以它其實仍偏向于對企業(yè)風險的定性評估。其次，線性模型分析法克服了專家系統(tǒng)評級的隨意性和主觀性。 現(xiàn)代企業(yè)信用評級模型比較分析 近幾年來，商業(yè)銀行業(yè)務出現(xiàn)多元化趨勢，投資銀行和信托業(yè)務的開展使得商業(yè)銀行表外業(yè)務增強且風險的內(nèi)涵不斷擴大，促使銀行采用更有效的方法度量和控制信用風險。新一代金融工程專家在風險管理理論的基礎上創(chuàng)建起了許多以數(shù)理模型為基礎的信用風險計量方法并應用到這一領域。 現(xiàn)代企業(yè)信用評級模型以KMV(credit monitor model)模型、J.P.摩根的Credit metrics模型、麥肯錫(McKinsey)公司的Credit Portfolio View模型和瑞士信貸銀行(CSFP)的Credit Risk+模型為代表。毫無疑問，這些信用風險管理模型的發(fā)展正在對傳統(tǒng)信用風險管理模式產(chǎn)生革命性的影響，一個現(xiàn)代信用風險管理的新模式正在形成。 這些現(xiàn)代風險度量模型各有特點，展現(xiàn)出以下幾個方面的創(chuàng)新：1.建立了以違約風險為核心的信用風險度量體系;2.大量引入數(shù)學方法、統(tǒng)計方法度量信用風險;3.盡可能多地考慮外部影響因素。 但是，上述模型依然存在著許多不足之處：1.多數(shù)模型正態(tài)分布的假設難以真實反映信用風險的實際分布，實際上，長期債務可以依據(jù)其優(yōu)先償還順序、有否擔保、有否契約、能否轉(zhuǎn)換等來區(qū)別不同的長期債券，因而造成違約的確定的不準確，使模型產(chǎn)生變量不準，需要尋找符合信用風險分布特征的數(shù)學模型代替;2.信用等級轉(zhuǎn)移矩陣的數(shù)據(jù)來源和全面性仍然受到挑戰(zhàn);3.道德風險和逆向選擇的影響因素未能在計量模型中充分反映;4.現(xiàn)代度量模型需要一個龐大的數(shù)據(jù)庫作為支持。如，KMV模型需要一個較為充分的違約數(shù)據(jù)庫作為支持。 對現(xiàn)代企業(yè)信用評級模型進行總體分析之后，我們有必要對單個的模型進行比較分析，眾所周知，KMV模型與Credit metrics模型是目前國際金融界最流行的兩個信用風險管理模型。下面，我們就以這兩個模型為例，對其進行比較分析。 ㈡信用監(jiān)控模型（credit monitor model）：KMV模型 KMV模型的主要思想是：利用期權定價原理對風險債券和貸款進行評估由股權價值及其波動率推出資產(chǎn)價值及其波動率。它是以EDF(預期違約頻率)為研究的核心手段的模型。 KMV模型是對傳統(tǒng)信用風險度量的一次革命。首先，KMV模型可充分利用資本市場上的信息，對所有公開上市的的企業(yè)進行信用風險的量化分析;其次，這種方法的數(shù)據(jù)來源于企業(yè)在股票市場上的信息，而非企業(yè)的歷史賬面資料，應此，它更能反映企業(yè)當前的信用狀況，使預測更及時、準確;再次，KMV模型具有很強的理論基礎。 但是，該模型也有其固有的不足，主要表現(xiàn)在以下兩個方面：1.模型的使用范圍僅限于上市公司，對非上市公司的EDF進行計量的時候往往需要借助會計資料信息或其它指標;2.該模型假設企業(yè)的資產(chǎn)價值成正態(tài)分布，而在實際上，會有所偏差。 ㈢在險價值方法：risk metrics 模型和Credit metrics模型 1994年，J.P.摩根推出了以VaR為基礎的風險矩陣(risk metrics),1997年，又推出了信用風險量化度量和管理模型——信用矩陣(Credit metrics)。 由于VaR方法能夠簡單清楚地表示市場風險的大小，又有嚴謹、系統(tǒng)的概率統(tǒng)計理論作為依托，因而得到了國際金融界的廣泛支持和認可。 但是這一方法也存在了以下幾方面的問題：第一，現(xiàn)在的市場價值不是可以直接觀察到的，因為大多數(shù)貸款并不進行交易。第二，我們沒有時間序列數(shù)據(jù)來計算?，即現(xiàn)在的市場價值的波動率。對于一些可交易資產(chǎn)的收益采納一種正態(tài)分布的假設之多只是一種粗劣的近似，如果這一近似的方法運用于分析貸款價值的可能的分布就更加粗劣了。 由此，J.P.摩根公司推出了信用矩陣(Credit metrics)，旨在對貸款和私募債券這樣的非交易性資產(chǎn)的價值和風險進行計算。 我們既不能觀察到貸款的市場價值，也不能貸款價值在所關注的時期內(nèi)的波動率，但是我們可以利用1.可得到的借款人的信用評級;2.下一年度評級發(fā)生概率的變化(評級轉(zhuǎn)移矩陣);3.違約貸款的回收率;4.債券或市場上的信用風險差價和收益率就有可能為任何非交易性貸款或債券計算出一組假象的P和?，并隨之計算出個別貸款和貸款組合的VaR值。 同時，還應注意貸款的價值并非對稱正態(tài)分布，信用矩陣有兩種VaR的度量方法：基于貸款價值正態(tài)分布的度量方法和基于貸款價值實際分布的度量方法。 ㈣KMV模型與Credit metrics模型的比較分析 KMV模型與Credit metrics模型作為現(xiàn)代企業(yè)信用評級模型有以下共同點： 兩者都是銀行和其它金融機構在進行貸款等授信業(yè)務時衡量授信對象的信用狀況，分析所面臨的信用風險，防止集中授信，進而為實現(xiàn)投資分散化和具體的授信決策提供量化的、更加科學的依據(jù)，為以主觀性和藝術性為特征的傳統(tǒng)信用分析方法提供了很好的補償。 但是，KMV模型與Credit metrics模型的建模思想具有較大差異，導致其在很多方面仍然具有明顯的不同，主要表現(xiàn)在以下6個方面： 1、KMV模型與Credit metrics模型的數(shù)據(jù)來源不同。 KMV模型對企業(yè)信用風險進行衡量的數(shù)據(jù)主要來自于對該企業(yè)股票市場，而Credit metrics模型對企業(yè)信用風險的衡量的數(shù)據(jù)來自于對該企業(yè)信用評級變化及其概率的歷史分析。這是兩者最根本的區(qū)別之一。 2、KMV模型是一種動態(tài)模型，而Credit metrics模型是一種靜態(tài)模型。 KMV模型采用的是企業(yè)股票市場價格分析方法，所以我們可以隨時根據(jù)該企業(yè)股票市場價格的變化，來更新模型的輸入數(shù)據(jù)，得出及時反映市場預期和企業(yè)信用狀況變化的新的EDF值。因此，該模型被認為是一種動態(tài)模型，可以及時反映信用風險水平的變化。 然而，Credit metrics采用的是企業(yè)信用評級指標分析法。企業(yè)信用評級，無論是內(nèi)部評級還是外部評級，都不可能像股票市場價格一樣是動態(tài)變化的，而是在相當長的一段時間內(nèi)保持靜態(tài)特征。這有可能使得該模型的分析結果不能及時反映企業(yè)信用狀況的變化。 3 、KMV模型是一種向前看（forward-looking）的分析方法，而Credit metrics模型是一種向后看（backward-looking）的分析方法。 同時，也正是因為KMV模型所提供的EDF指標來自于對股票市場價格實時行情的分析，而股票市場的實時行情不僅反映了該企業(yè)歷史的和當前的發(fā)展狀況，更重要的是反映了市場中的投資者對于該企業(yè)未來發(fā)展的綜合預期，所以，該模型被認為是一種向前看(forward-looking)的方法，EDF指標中包含了市場投資者對該企業(yè)信用狀況未來發(fā)展趨勢的判斷。這與Credit metrics模型采用的主要依賴信用狀況變化的歷史數(shù)據(jù)的向后看(backward-looking)的方法有根本性的差別。KMV的這種向前看的分析方法在一定程度上克服了依賴歷史數(shù)據(jù)向后看的數(shù)理統(tǒng)計模型的“歷來可以在未來復制其自身”的缺陷。 4 、KMV所提供的EDF指標是一種對風險的基數(shù)衡量法，而Credit metrics所采用的信用評級分析法則是一種序數(shù)衡量法。 以基數(shù)法來衡量風險最大的特點在于不僅可以反映不同企業(yè)風險水平的高低順序，而且可以反映風險水平差異的程度，因而更加準確。這也更加有利于對貸款的定價。而序數(shù)衡量法只能反映企業(yè)間信用風險的高低順序，如BBB級高于BB級，卻不能明確說明高到什么程度。 5、Credit metrics是對組合投資的分析，而KMV則是對單個企業(yè)信用的分析。 Credit metrics模型比較注重直接分析企業(yè)間信用狀況變化的相關關系，因而更加與現(xiàn)代組合投資管理理論相吻合。而KMV則是從單個授信企業(yè)在股票市場上的價格變化信息入手，著重分析該企業(yè)體現(xiàn)在股價變化信息中的自身信用狀況，對企業(yè)信用變化的相關性沒有給予足夠的分析。 6、KMV模型是在正態(tài)分布的假設的前提之下的，而Credit metrics模型可以對貸款價值進行實際分布的度量。 Credit metrics模型有兩種度量方法，即基于貸款價值正態(tài)分布的度量方法和基于貸款價值實際分布的度量方法。所以Credit metrics模型在這一方面更準確，與實際現(xiàn)象更接近。 ㈤KMV模型與線性模型（Z計分模型和?模型）的比較分析 那么，在分析了KMV模型與Credit metrics模型這兩種現(xiàn)代企業(yè)信用評級模型的異同點之后。我們有必要對現(xiàn)代企業(yè)信用評級模型和傳統(tǒng)企業(yè)信用評級模型進行一個比較，下面我就選取現(xiàn)代企業(yè)信用評級模型中的KMV模型與傳統(tǒng)的線性模型，對其不同點進行簡要的分析。 1、KMV模型所獲得的數(shù)據(jù)來自于股票市場，而線性模型利用的是企業(yè)歷史賬面數(shù)據(jù)。同樣KMV模型是一種向前看(forward-looking)的分析方法，而線性模型是一種向后看(backward-looking)的分析方法。 2、KMV模型建立了以違約風險為核心的信用風險度量體系，有很強的的理論基礎為依托，因為它是建立在當代公司理財理論和期權理論基礎之上的。而線性模型缺乏對違約和違約風險的認識，理論基礎薄弱，難以令人信服。 3、KMV模型是測算預期的違約概率的，它的優(yōu)點在于引入了大量數(shù)學方法、統(tǒng)計方法度量信用風險，它是一種精確的定量分析方法，其假定借款企業(yè)的資產(chǎn)價值成正態(tài)分布;而線性模型是通過一種線性關系對企業(yè)信用狀況好壞進行判斷分析，更偏向于定性分析，其假定條件是變量成線性分布。 新技術信用評級方法 近幾年來，信用風險度量的研究出現(xiàn)了結合模糊數(shù)學、粗糙集、支持向量機(SVM)、人工神經(jīng)網(wǎng)絡等學科新技術方法的度量信用風險潮流，出現(xiàn)了越來越多的新興評級方法。 ?、鍖π录夹g信用評級方法的總體分析 目前，應用于信用風險度量的新技術方法的學科主要有數(shù)學、統(tǒng)計和人工智能等。數(shù)學方法有粗糙集、模糊綜合評價法，統(tǒng)計方法有Logit模型、支持向量機，人工智能方法有人工神經(jīng)網(wǎng)絡、決策樹等方法應用于信用風險的度量和評級的方法。 在各學科新技術方法度量信用風險中，還出現(xiàn)了結合模糊數(shù)學使用統(tǒng)計學方法度量信用風險的技術，如模糊邏輯分析模型(fuzzy logic model)，模糊支持向量機(fuzzy support vector machine)等方法，將許多模糊現(xiàn)象如組織管理制度、企業(yè)領導人等無法用通常的簡單數(shù)字來表達的影響因素，用模糊數(shù)學來處理能取得更好的效果。 從目前研究結果看，新技術方法基本能得出優(yōu)于以往計量方法的結果，對樣本信息利用率較高，預測能力的穩(wěn)定性和精度都較強。但是新技術方法過于重視數(shù)學方法和統(tǒng)計工具的運用，在信用風險理論及其成因的研究上未能有所突破，其驅(qū)動因素基本建立在資產(chǎn)價值基礎上，對信用風險的內(nèi)在因素也有待于進一步完善。由于信用風險內(nèi)在因素變化較為迅速，這也讓新技術度量信用風險在實踐中運用變得難以實施，仍需要人們進一步研究。 ?、嫒斯ど窠?jīng)網(wǎng)絡分析法 所謂的人工神經(jīng)網(wǎng)絡，就是基于模仿生物大腦的結構和功能而構成的一種信息處理系統(tǒng)或計算機，簡稱神經(jīng)網(wǎng)絡，簡寫為ANN (Artificial Neural Network)。人工神經(jīng)網(wǎng)絡的基本構架是模仿生物的神經(jīng)細胞，分為輸人層、隱藏層和輸出層三層。每一層包括若干代表處理單元的節(jié)點，輸入層的節(jié)點負責接收外在信息(如圖1)。 不同于人腦的輸入，人工神經(jīng)網(wǎng)絡所接收的輸人信息是各種變量的數(shù)量化信息，一個輸人變量對應一個輸人節(jié)點。隱藏層的節(jié)點負責處理輸人層傳來的信息，并轉(zhuǎn)化為中間結果傳遞給輸出層。而輸出層的節(jié)點就以隱藏層傳來的信息與門檻值比較后，得到系統(tǒng)的最后結果，并將結果輸出。 與傳統(tǒng)的統(tǒng)計方法相比，人工神經(jīng)網(wǎng)絡具有以下特點:1.具有自我組織與學習的能力。2.可以描述輸人資料中變量間的非線性關系。3.可以依據(jù)樣本和環(huán)境的變化進行動態(tài)的調(diào)整。由于企業(yè)各項財務指標與信用風險之間往往存在著非線性關系，因此人工神經(jīng)網(wǎng)絡比較適用于企業(yè)的信用評價。 ?、缒：治龇?/span> 傳統(tǒng)的數(shù)學或統(tǒng)計方法都是建立在精確的觀點假設基礎之上，但是在自然科學、社會科學和工程技術等領域，存在著很多模糊或不確定性;人類的認知模式、思考方式、甚至推理邏輯也涉及許多非確定性。 因此利用傳統(tǒng)的方法無法解決這樣的不確定問題，而模糊數(shù)學是將數(shù)學的應用范圍，從精確擴大到模糊現(xiàn)象的領域，提出了隸屬函數(shù)理論，確定了某一事物在多大程度上屬于所講的概念，或者不屬于所講的概念，這樣描述模糊性問題比精確數(shù)學更為合理。同樣，企業(yè)信用評級也屬于模糊性問題，其信用狀態(tài)如何，用精確數(shù)學“是”或“非”的概念很難做出判斷，因此，應用模糊分析法對信用狀況做出綜合評價比較科學。 但是，學術界對于模糊數(shù)學的正當性仍然存在懷疑，原因如下:1.模糊邏輯缺乏學習能力，應用上受到一定的限制。2.模糊系統(tǒng)的穩(wěn)定性很難獲得理論上的保證。3.模糊邏輯不是建立在傳統(tǒng)數(shù)學的基礎上，很難對此邏輯系統(tǒng)的正確性加以驗證。 結論 由以上可知，對企業(yè)進行信用風險度量和評級的方法可謂紛繁復雜，每一種分析方法都有其優(yōu)點和不足。所以在實際運用中，我們應針對不同的企業(yè)，選擇不同的評級方法和評級模型;同時，我們應結合多種評級方法，靈活而準確對企業(yè)信用風險進行評級。 1、定性分析和定量分析相結合 以專家系統(tǒng)為代表的傳統(tǒng)的定性分析方法應和現(xiàn)在定量分析方法結合使用。在現(xiàn)在企業(yè)信用評級中，可以以定量分析方法為基礎，但不能局限于定量分析方法，需要結合定性分析方法。因為許多非財務性的因素無法通過簡單的量化加以評價，所以采用專家系統(tǒng)等定性評價方式進行風險評級是必不可少的。企業(yè)的信用評級從本質(zhì)上來說，是建立在客觀評價方法與主觀評價方法基礎上的評級方法。 2、動態(tài)分析法和靜態(tài)分析法相結合。 以Z計分和Credit metrics模型為代表的靜態(tài)分析法，對受評對象的歷史資料與定量數(shù)據(jù)進行分析與預測，可以較為準確地判斷企業(yè)在一定時期內(nèi)的信用狀況，靜態(tài)分析是十分必要的。但同時卻缺乏全面性與及時性，企業(yè)信用評級是建立在考察諸多因素的基礎上的，各因素是處于不斷變化中的，變化應該在企業(yè)信用評級中有所反映。所以對企業(yè)信用進行動態(tài)評級是對企業(yè)信用評級靜態(tài)指標體系的一種完善。從而在事務操作中，我們應把動態(tài)分析法和靜態(tài)分析法結合起來，對企業(yè)信用進行合理的評級。 3、模糊分析法和假設分析法相結合。 傳統(tǒng)的線性模型和現(xiàn)代的KMV模型都是建立在精確的觀點假設基礎之上的，而現(xiàn)實中，這些假設條件往往是不能完全滿足的。這時，我們就需要引入模糊分析法，結合模糊數(shù)學，將信用評級從精確擴大到模糊現(xiàn)象的領域，對信用狀況做出綜合評價。
