度量模型（精选十篇）
度量模型 篇1
1. 传统的信用风险评价方法
在现代信用风险出现之前,测度信用风险的方法主要有专家方法,评级方法和信用评分方法。(1)专家方法。专家方法是通过定性分析有关指标来评价客户信用风险时所采用的专家分析法。常用的要素分析法是5C要素分析法,它主要集中在借款人的道德品质(Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collatera)l和经营环境条件(Condition)五个方面进行全面的定性分析,以判别借款人的还款意愿和还款能力。也有人将分析要素归纳为“5W”因素,即借款人(Who)、借款用途(Why)、还款期限(When)、担保物(What)及如何还款(How)。还有的归纳为“5P”因素,即个人因素(Personal)、借款目的(Purpose)、偿还(Payment)、保障(Protection)和前景(Perspective)。无论是“5C”、“5W”还是“5P”,其共同之处都是先选取一定特征目标要素,然后对每一要素评分,使信用数量化,从而确定其信用等级,以其作为其销售、贷款等行为的标准和随后跟踪监测期间的政策调整依据。2)信用评分方法。Altman et at.1968年运用多元线性判别法建立了包含五个财务比率(应运资本/总资产,留存收益/总资产,息税前利润/总资产,股权市值/债务帐面价值,销售收入/总资产)的线性模型,即Z评分模型。1977年,Altman与其它人合作又对Z评分模型进行了修正和扩展,得到了一个包含7个财务指标的ZETA模型。
2. 现代信用风险评价模型
随着金融理论及计量技术的发展,基于金融市场信息和金融理论的模型化信用风险计量方法逐渐发展起来。目前,国际上具有代表性的信用风险模型有(1) J.P.Morgon的Creditmetrics模型,(2)瑞士信贷银行产品部的Creditrisk+模型(3)KMV公司的KM V模型。(4)麦肯锡公司的Creditportfolioview模型
2.1 Creditmetrics(信用度量术)模型。
Creditmetrics模型是由J.P.摩根1977年提出来的,旨在提供一个风险价值(VAR)框架内估计信用风险的方法。它对贷款和债券在规定的单位时间内的未来价值变化分布进行估计,并通过在险价值来衡量信用风险。对于所有处于同一利率水平的债务人,假设用PD表示债务人的违约概率,则有PD=P(Vt≤VD),其中Vt表示服从标准几何布朗运动的公司资产,,μ,σ2分别为公司资产收益率的均值和方差。VT在时刻T的期望值,EV(T)=V0exp(μt),对于违约发生在Wt的概率为。应用Creditmetrics(信用度量术)模型的基本步骤是:第一根据借款企业的信用等级计算出借款企业信用等级转移的概率,然后对信用等级变化后的贷款市值进行估价,最后计算出在险价值量(VAR)。在这里VAR是用来衡量投资组合风险暴露的程度。它是指在正常的市场情况和一定的置信水平下在给定的时间段内可能发生的最大损失。
2.2 KMV模型。
KMV模型是假设当公司的市场价值降到一定水平之下时,公司就会违约。在KMV模型中,信用风险从根本上是由发行者的资产价值的变化引起的。因此,在给定公司现时价值的情况下,一旦确定出资产价值的随机过程,便可以得到任一时间单位的实际违约概率。KMV模型特别适用于公开上市的公司。它们的股票价值由市场决定。这样包含公司股票价格和平衡表的信息便可以转化为一个暗含的违约风险。与creditmetrics不同,KMV模型没有就信用评级和信用转移做任何假设,而是通过企业的财务结构,资产回报波动率和企业资产的市值来推导预期违约率。
2.3 Credtirisk+模型-精算风险模型
credtirisk+模型是一个运用了精算方法的模型,它假定违约率是随机的。可以在信用周期内显著的波动,并且其本身是风险的驱动因素。因而,Credtirisk+模型被认为是一种违约率模型的代表。与Creditrisk和KMV都以资产价值作为风险驱动因素不同,它只考虑了违约风险,而没有对违约的原因作任何假使。它假定:(1)对于一笔贷款,在给定期间内的违约概率,与其它任何月份的违约概率相同。(2)对于大量的债务人,任何特定债务人的违约概率很小。
Credtirisk+模型最大优点在于相对于其它模型,模型需要的数据较少,从而弥补了由于数据少的缺陷。其次,credtirisk+模型对于债券组合或贷款组合的损失概率所得到的闭形解,使得它在计算上很有吸引力。
2.4 CreditportfolioView模型-计量经济模型。
CreditportfolioView模型是一个多因素模型,它根据诸如失业率,GDP增长率,长期利率水平,汇率,政府支出及储蓄率等宏观因素,对每个国家不同行业中就不同等级的违约和转移概率的联合条件分布进行模拟。CreditportfolioView模型是基于一种因果关系。违约概率和转移概率都与宏观经济紧密相连。当经济状况恶化时,降级和违约增加。反之,当经济状况好转时,降级和违约减少。
3. 几种模型的简单比较
Creditmetrics方法是基于信用转移分析。它对任一债券或贷款组合的价值建立了完全分布模型,并且其价值的变化只与信用转移有关。KMV公司所建立的信用风险方法是用于评估相对于违约和转移风险的违约概率和损失分布。与Creditmetrics不同的是,Kmv方法依赖于每个债务人的“期望违约频率”,而不是由评估机构所评出的平均历史转移频率。Creditrisk+仅针对违约。它假定单个债券或贷款的违约服从泊松分布。在这一分析中并不是明确的建立信用转移风险的模型,而是对随机违约率进行解释。CreditportfolioView与Creditrisk+类似,也仅测度违约风险。它是一个离散时间多时期模型,将违约概率作为一些宏观经济变量的一个函数。
摘要：信用风险是金融风险中最重要的风险之一。随着金融业的迅猛发展和金融创新的进程不断加快，对信用风险的评价和管理越来越重要。这篇文章回顾了传统的信用风险描述方法，并重点介绍了现代信用风险管理模型。
关键词：风险,信用风险,模型
参考文献
[1]张宗益，朱小宗，耿华丹，等．传统信用风险度量模型的实证比较与适用性分析[J]．预测．2005，24(2)：55-59
[2]张亚涛．现代信用风险度量模型的对比分析[J]．山西财经大学学报．2002．24(6)：107-108
[3]伍舟宏．现代信用风险度量模型综述[J]．经济师．2007．3：16—17
[4]李咏梅．现代信用风险研究综述[J]．统计与决策．2007．5：109-112
度量模型 篇2
一、传统信用卡信用风险管理模型信用评分模型一直在我国商业银行度量信用卡透支信用风险管理中处于垄断地位。该方法是指将影响顾客信用品质的项目细分，依其重要程度分别给予不同加权值，评估完成后将每个项目的得分加总，求得代表该客户信用总分，依临界点决定是否核准申请。信用评分的设计，即评分项目的选取除依靠经验外，可利用统计方法就历史资料中按优劣等随机抽取样本，分别分析其属性，从而选取其中有显著效果的若干项。但随着《新巴塞尔资本协议》的签订，一方面更加强调风险控制机制，资本金的需求与信用卡的信贷资产质量紧密挂钩；另一方面，监管机构也将加大对发卡行风险管理制度的检查和监督力度，以确保发卡行稳健经营。这使得信用评分方法不能够满足新巴塞尔协议的时代要求，传统的信用风险度量模型严重滞后于信用卡业务发展的矛盾更加突出。因此我们需要对国外信用风险管理中的新模型进行深入研究，以求找到适用我国信用卡信用风险管理的更好方法。
二、国外信用风险度量新模型1.KMV模型。该模型是KMV公司于1993年开发的CreditMonitor Mode（l违约预测模型）。该模型的理论基础是默顿将期权定价理论运用于有风险的贷款和债券估值中的工作，债券的估价可以看作是基于公司资产价值的看涨期权，当公司的市场价值下降至一定水平以下，公司就会对其债务违约。KMV模型通过计算一个公司的预期违约率来判断他的违约情况。2.Credit Metrics模型。J.P.摩根公司和一些合作机构于1997年推出Credit Metrics方法（信用度量术）。该模型是通过度量信用资产组合价值大小进而确定信用风险大小的模型，给出了一个测量信用资产价值大小的具体方法，并由此判定一个机构承担风险的能力。该模型以信用评级为基础，计算某项贷款或某组合贷款违约的概率，然后计算该贷款同时转变为坏账的概率。该模型通过计算风险价值数值，以求反映出银行某个或整个信贷组合一旦面临信用级别变化或违约风险时所应准备的资本金数值。该模型的核心思想是组合价值的变化不仅要受到资产违约的影响，而且资产等级的变化也对其价值产生影响。3.CPV模型。该模型是麦肯锡公司在1998年开发的CreditPortfolio View（信贷组合审查系统）。该方法是分析贷款组合风险和收益的多因素模型，它运用计量经济学和蒙特·卡罗模拟来实现，最大的特点是考虑了当期的宏观经济环境，比如GDP增长率、失业率、汇率、长期利率、政府支出和储蓄等宏观经济因素。模型认为信用质量的变化是宏观经济因素变化的结果。CPV模型将宏观经济因素与违约和转移概率相联系，进而计算出风险价值。4.Credit Risk＋模型。CSFP(瑞士信贷银行金融产品部)开发的Credit Risk＋（信用风险附加）模型，应用了保险业中的精算方法来得出债券或贷款组合的损失分布。该模型是一种违约模型，只考虑债券或贷款是否违约，并假定这种违约遵从泊松过程，与公司的资本结构无关。实质是将信用风险的不确定性分解为违约率的不确定性、违约损失率的不确定性及违约波动率的不确定性。
基于参数模型的EVaR风险度量 篇3
关键词 EVaR；CARE模型；GARCH类模型；SV模型
中图分类号F224.7 文献标识码A
1引言
在现代金融理论中，风险的定义、分析和管理的理论方法占据着重要的地位.风险度量和风险管理已成为各大商业银行，投资银行，机构投资者乃至个人投资者管理资产的一个必备工具.在众多风险度量方法中，在险价值VaR （Value At Risk）最早由J. P. Morgan提出的一种风险度量方法，该方法以“简单实用，适用广泛”的特点广受欢迎，并且迅速成为风险分析中的一种主要方法.VaR的计算一般有三种方法：一是参数方法，应用ARCH和SV模型来描述随机波动率，进而求得VaR的估计；二是非参数方法，包括蒙特卡洛模拟法和历史数据模拟法；三是半参数方法.
为评价风险度量方法，Artzner等提出了风险度量的一致性公理[1].若某种风险度量满足平移不变性、单调性、次可加性以及正齐次性这四个条件，则称该风险度量为一致性风险度量.只有一致性风险度量才能充当投资组合管理工具.而VaR风险度量不满足次可加性，从而不是一致性风险度量，用VaR进行风险度量时，投资组合的风险不一定小于各单个资产的风险之和，这就违背了风险分散化的投资准则.
为了克服VaR风险度量的上述缺陷，Rockafeller和Uryasev提出了条件在险价值CVaR（Conditional Value At Risk）风险度量方法[2].Acerbi和Tasche的研究指出CVaR是一个一致性风险度量[3].
不论VaR还是CVaR模型，均属于基于分位数（quantile）的风险度量，度量的是资产分布在下尾部的极值所造成的风险，都只与资产收益的尾部特征有关，而没有涉及收益的整个分布情况.Kuan等指出expectile在分布形式上比quantile更有全局的依赖性，VaR的计算只与收益分布的尾部取值的大小以及取相应值的概率有关，从而改变一个分布的上尾形状并不会改变VaR的取值大小，但它却影响所有的expectile[4].基于expectile以上的优点，Kuan等提出了一个基于expectile的风险度量测度EVaR（Expectilebased Value at risk） [4].EVaR风险度量比VaR对极值变化的反应更加敏感，并且对资产收益的整个分布都是敏感的.另外，Rossi和Harvey的研究表明，当谨慎性水平小于0.5时，EVaR是一致风险度量[5].因而EVaR是比VaR具备更优良性质的一种风险度量.最近，Fabian 和Thomas[6]以及姚宏伟[7]基于expectile提出了一些新的模型.
Kuan等提出了两类条件自回归expectile （Conditional Autoregressive Expectile， CARE）模型来计算EVaR[4]，基于Newey和Powell提出的非对称最小二乘（ALS）方法[8]来计算每一类模型，并做了两类模型比较的理论研究，给出了模型选择的判别方法.
但Kuan等提出的CARE模型[4]并没有考虑异方差的情形，而金融数据很容易碰到异方差的情形，所以该模型在应用于金融数据时并不太合适.本文基于GARCH类和SV波动率模型研究EVaR风险度量的计算方法，即EVaR计算的参数模型方法，并基于模拟学生t分布时间序列数据，给出EVaR样本外预测的失败率检验方法：Kupiec失败率检验和动态分位数DQ检验法，与采用CARE模型的EVaR计算方法进行对比评价，并将这些EVaR计算模型应用到国内外股票市场指数收益数据进行风险估计，以评价各类模型在估计和预测不同股票市场EVaR风险的适用程度.
2 EVaR定义及计算模型
2.1EVaR的定义
最大化此条件似然函数即得出了参数的估计，进而利用式（4）递推得到波动率的估计值.类似地可以得到EGARCH模型的估计.
3. 2SV模型的参数估计
SV模型的参数估计方法有伪极大似然QML （Quasi Maximum Likelihood）， 广义矩估计GMM （Generalized Method of Moments）和马尔可夫链蒙特卡洛MCMC （Markov Chain Monte Carlo）方法等.本文采用伪极大似然方法QML进行估计.
4 基于模拟数据的EVaR分析
首先生成两组服从不同自由度的学生t分布的模拟数据，然后分别用CARE， GARCH， EGARCH和SV模型建模，并进行模型估计，然后计算EVaR进行风险分析.为检验模型优劣，给出了EVaR预测的两种返回检验方法，进行评价研究.
4.1数据准备
由于金融资产收益的分布具有尖峰厚尾特性，本文采用自由度分别为3和5的学生t分布来生成模拟时间序列数据，各自生成的序列长度为700.如图1所示.
nlc202309032001
4.2EVaR的计算
分别用CARE， GARCH， EGARCH和SV模型来计算服从学生t（3）和t（5）分布的模拟数据在谨慎性水平为1%下的EVaR.对于每个估计模型，用模拟数据的前500个数据来得到模型的参数估计，然后向后滚动预测得到200个EVaR的值.
4.2.1基于CARE模型的EVaR计算
采用Kuan等的方法 [4]，表1和表2分别列出了用CARE1模型和CARE2模型计算两组服从学生t分布模拟数据的EVaR所得的参数估计及相应的标准差.表1和表2中的倒数第二行给出模型计算EVaR的失败率大小，即预测的EVaR大于相应模拟数据数值的次数在总体中所占的比例.表1和表2中的最后一行列出了学生t分布在谨慎性水平为1%下的EVaR对应的VaR的显著性水平大小，从表1和表2中可以看出，服从t（3）分布的模拟数据比t（5）分布模拟数据模型计算的失败率更接近于理论水平.
4.2.2基于GARCH类和SV模型的EVaR估计
由模型选择的AIC和BIC准则，对于模拟数据，最终确定可以用GARCH（1，1）和EGARCH（1，1）模型来建模，为了客观地与其他EVaR计算模型的结果相比较，假定波动率的新息序列服从标准正态分布.表3列出GARCH（1，1）模型估计两条模拟时间序列的相关统计量，从表3中数值可以看出系数β1非常显著，说明模拟数据的ARCH效应明显存在，且GARCH模型预测EVaR的失败率比CARE模型更为接近理论失败率.
EGARCH（1，1）的波动率过程可表示为
从表4的结果可知，EGARCH的杠杆系数γ1的估计值都不为零，所以模型的杠杆效应是显著存在的，EGARCH模型预测EVaR的失败率与GARCH模型预测EVaR的失败率是相同的.
表5给出了采用SVNormal模型估计服从学生t分布模拟数据的有关统计量.模型估计参数在5%显著性水平下基本都显著，且样本外预测EVaR的失败率与理论失败率都比较接近.
4..3EVaR的返回检验（Back Testing）
为对选用模型进行评价比较，下面给出EVaR风险度量的返回检验方法.对于服从已知分布的模拟数据而言，每个谨慎性水平下的EVaR都对应于某一置信水平下的VaR，因而可以将VaR返回检验方法移植到EVaR风险度量中，形成EVaR的返回检验方法.本文将目前最常用的VaR返回检验方法：Kupiec失败率检验法[11]和Engel和Managenelli的动态分位数（Dynamic Quantile， DQ）回归检验法[12]移植得到EVaR的返回检验.
表6列出上面四种模型的预测EVaR的Kupiec失败率检验结果，表中的P值表示拒绝原假设H0的最小的显著性水平，P值越大，表明EVaR计算的准确度越高.从表6容易得出，在99%置信水平下Kupiec失败率检验拒绝了t（5）分布的模拟数据基于CARE2模型的EVaR预测，在95%置信水平下Kupiec失败率检验拒绝了t（5）模拟数据基于CARE1模型的EVaR预测，但在95%置信水平下Kupiec失败率检验均接受了基于GARCH（1，1），EGARCH（1，1）和SVNormal模型的EVaR预测.因而对于服从自由度分别为3和5的学生t分布的模拟时间序列数据EVaR预测而言，GARCH类和SV模型比CARE模型更有优势.
表7列出了各模型预测EVaR的DQ检验统计量及其对应的P值.由表7可知，在95%的置信水平下，DQ检验接受了CARE1，GARCH（1，1）以及EGARCH（1，1）模型的t（3）模拟数据EVaR的预测，在99%的置信水平下，DQ检验还接受了EGARCH（1，1）模型的t（5）模拟时间序列EVaR的预测，但检验均拒绝了CARE2， SVNormal模型对两个模拟时间序列的EVaR的预测.从DQ检验的结果可得出，对于本文中服从t（3）和t（5）分布的模拟数据，基于GARCH类模型的EVaR预测优于基于CARE模型的EVaR预测.
以上检验结果表明，对于具有尖峰厚尾特征的模拟数据，基于参数模型的 EVaR风险度量，GARCH类和SV模型略优于CARE模型.考虑到实际中金融资产收益具有尖峰厚尾特性，采用GARCH类和SV模型来估计和预测资产收益的EVaR度量是较好的选择.
5 基于EVaR的实证分析
5.1数据
选取2004年1月5日到2009年12月30日的上证综指（SH），深圳成指（SZ），香港恒生指数（HZ），日经225指数（Nikkei）以及纳斯达克指数（Nasdaq）数据，数据来源于大智慧证券分析软件.为了便于分析的统一性，选取其中五个股指数据都有发布的日期，并将2004年1月5日到2007年12月28日之间的886个数据作为模型估计的样本内数据，将2008年1月2日到2009年12月30日之间的442个数据作为预测EVaR的样本外数据.
考虑如下日对数收益率：
图2为各股指的日收盘价随时间的变化，从图中很容易观察到国内股指的波动性比美国、日本等成熟资本市场的股指的波动性要大，特别是在2008年、2009年全球金融危机时期，这表明国内股市的风险在这期间比成熟资本市场股市的风险要更大.另一方面，恒生指数的走势与大陆股市股指的走势越来越具有一致性，日收益的相关性很高，因而它们的风险也应具有一定的相似性.
图3刻画了各股指对数收益率随时间的变化图.可以看出，各股指收益率的波动幅度在2008年金融危机后都明显增强，这段时间股指的波动率更大.从收益率变动图还可以看出，不论是国内股指收益率还是国外股指收益率都呈现出一定的“波动率聚集”现象.
表8给出了各股指日对数收益率的描述统计量，由表可得，各股指对数收益率分布的JarqueBera正态性检验的P值均为0，均在99%的置信水平下显著，因而所有股指的收益率序列都拒绝了正态分布的原假设.上证指数和深圳成指收益率序列的方差比日经指数以及纳斯达克指数收益率序列的方差要大，这说明国内股票市场比国外股票市场的波动更为剧烈，风险更大，尽管它们的峰度系数比国外市场的峰度系数小，但所有股指收益率序列的峰度均大于3，都呈现出尖峰的特征.此外，各收益率序列的偏度系数均小于0，表现出左偏性.
nlc202309032001
表8最后一行给出了各股指收益率序列的单位根检验的结果，表明各收益率序列均为平稳的时间序列，因而可以对它们直接进行分析和建模.
为进一步研究收益率序列的性质，本文对收益率及其一阶滞后项序列的回归的残差序列进行了ARCH效应检验，残差序列的滞后阶数分别取1阶，2阶和3阶.从表9的检验结果来看，所有股指的收益率序列在滞后1～3阶的ARCHLM检验的P值均小于0.01，即在99%的的置信水平下均拒绝原假设，因而各股指收益率序列都存在显著的高阶ARCH效应，波动率序列表现出较强的序列相关性.
5.2基于CARE模型的各股指收益率序列的
EVaR计算
首先估计谨慎性水平为1%条件下的各股指收益率序列的CARE模型，然后再计算样本内的EVaR，最后滚动预测样本外每天股指收益的EVaR.表10给出了各股指收益率序列的CARE1模型的参数估计，括号内给出了各参数估计所对应的标准差，用来确定模型阶数的显著性水平为10%，深证成指以及日经指数所确定的滞后阶数为3，而上证指数，恒生指数以及纳斯达克指数所确定的滞后阶数为4，每个模型的常数项估计值均为负，并且在99%的置信水平下均是显著的.同样地，表11给出了各股指收益率序列的CARE2模型的参数估计及其对应的标准差，除了纳斯达克指数外，其余4个股指收益率序列采用CARE2模型估计的最后两个参数在90%的置信水平下是显著的，5个模型的滞后阶数均为5.
为了更好地比较CARE1和CARE2两类模型EVaR估计的效果，表10和表11的最后两行分别给出了两类模型估计EVaR的样本内和样本外的失败率，在谨慎性水平为1%的条件下，样本内估计EVaR的失败率大部分位于3%-4%之间，而样本外预测EVaR的失败率全部大于10%，这说明在样本外预测EVaR时，CARE模型低估了EVaR的大小，因而CARE模型不适宜用来预测金融危机时期的股指EVaR.另一方面，日经指数和纳斯达克指数的样本外失败率明显大于国内和香港市场股指的样本外失败率，这表明CARE模型更适合用于预测国内和香港市场的股指风险.
5.3基于GARCH类和SV模型的各股指收
益序列的EVaR计算
表12列出了用GARCH（1，1）模型来估计5个股指收益率序列的有关统计量.首先由各收益率序列的偏自相关函数来确定AR模型的阶，除了Nasdaq指数收益率序列建模的AR项的阶数为1外，其余股指收益建模的AR项的阶数均为0，并且所有股指的收益率序列GARCH模型的参数估计在5%的显著性水平下均是显著的.
各模型的样本内EVaR估计的失败率均在4%至5%之间，而各模型的样本外EVaR预测的失败率比CARE1，CARE2模型的样本外EVaR预测的失败率都要低，这说明GARCH模型的样本外EVaR预测效果比CARE类模型的样本外EVaR预测效果好.
从图3中各股指收益率序列图可看出，前期正负收益对当期收益波动影响大小是不同的，因而采用EGARCH（1，1）模型对各股指收益率序列进行建模.表13给出了5个EGARCH（1，1）模型估计的有关统计量，各模型的新息取自自由度为10的学生t分布，其 1%下侧expectile为-2.在95%的置信水平下，从样本内残差的LjungBox检验结果可知，除了上证综指收益率序列的新息存在一定的相关性，其他的几个股指收益率序列的新息均没有自相关性存在，上证指数，深证成指以及恒生指数的收益率序列的样本内新息序列拒绝了服从自由度为10的学生t分布的原假设，日经225指数以及纳斯达克指数的收益率序列的样本外序列新息拒绝了服从自由度为10的学生t分布的原假设.5个EGARCH（1，1）模型的EVaR估计的样本内失败率均小于对应的GARCH（1，1）模型的失败率，而样本外失败率并无很明显的变化.
综合以上基于CARE1，CARE2，GARCH，EGACH，SV等5种模型的EVaR预测结果，比较得到的5个股指样本外EVaR预测的均值可知，在金融危机期间，国内股市和香港股市的风险明显高于美国纳斯达克指数和日本日经225指数，其中美国纳斯达克指数的风险是最低的.
6 结论
针对EVaR风险度量，本文提出了基于GARCH类和SV波动率模型的EVaR的计算方法，即EVaR计算的参数模型方法，给出了服从学生t分布模拟时间序列数据的EVaR样本外预测的失败率检验方法，对5个模型进行了比较评价，最后选取国内外5个股票市场指数数据进行了EVaR风险对比分析实证研究.
从模拟时间序列数据的EVaR样本外预测失败率检验结果来看，在99%的置信水平下，Kupiec失败率检验接受了大部分的模型，但DQ检验拒绝了两类CARE模型以及SV模型，因而GARCH类模型对于服从学生t分布的模拟数据的EVaR预测表现最好，这说明用波动率模型来进行EVaR估计和预测是可行的.
实证研究结果表明，在金融危机期间，基于CARE模型计算的EVaR低估了市场的实际风险，而基于GARCH类模型和SV模型预测的EVaR更接近于市场实际风险.对于上证综指，深圳成指以及恒生指数的EVaR预测，EGARCH模型要比SV模型更合理，对于日经225指数以及纳斯达克指数的EVaR预测，SV模型要比EGARCH模型更合理.今后可以考虑将单个资产收益的EVaR计算推广到投资组合收益的EVaR，进而考虑将EVaR风险度量应用到更多的金融领域，如期货市场，债券市场等.
参考文献
[1]P ARTZNER， F DELBAEN， J M EBER，et al. Coherent measure of risk [J]. Mathematical Finance. 1999， 9（3）： 203-228.
[2]T ROCKAFELLAR， S URYASEV. Optimization of conditional valueatrisk [J]. Journal of Risk. 2000， 2（3）： 21-42.
nlc202309032001
[3]C ACERBI， D TASCHE. On the coherence of expected shortfall [J]. Journal of Banking & Finance. 2002， 26（7）：1487-1503.
[4]C M KUAN， J H YEH， Y C HSU. Assessing value at risk with CARE， the conditional autoregressive expectile models [J]. Journal of Econometrics. 2009， 150（2）： 261-270.[5]G D ROSSI， A HARVEY. Quantiles， expectiles and splines [J]， Journal of Econometrics. 2009， 152（2）： 179-185.
[6]F SOBOTKA， T KNEIB. Geoadditive expectile regression [J]. Computational Statistics and Data Analysis. 2012， 56： 755-767.
[7]姚宏伟. 基于Expectile的线性异方差模型[D].合肥： 中国科技大学数学科学学院， 2011.
[8]W K NEWEY， J L POWELL. Asymmetric least squares estimation and testing [J]. Econometrica. 1987， 55（4）：819-847.
[9]Q YAO， H TONG. Asymmetric least squares regression estimation： A nonparametric approach [J]. Journal of Nonparametric Statistics. 1996， 6（2/3）：273-292.
[10]D BELSON. Conditional heteroskedasticity in asset returns： a new approach [J]. Econometrica. 1991， 59（2）： 347-370.
[11]P H KUPIEC. Techniques for verifying the accuracy of measurement models [J]. Journal of Derivatives. 1995， 3（2）： 73-84.
[12]R F ENGEL， S MANAGENELLI. CAViaR： Conditional autoregressive value at risk by regressionon quantiles [J]. Journal of Business and Economic Statitics， 2004， 22（4）：367-381.
信用风险度量模型综述 篇4
信用风险由两个部分组成, 首先是违约风险, 指交易一方不能或不愿支付约定的款项致使交易对方蒙受损失的可能性;其次是信用价差风险, 指由于信用标的品质的变化引起信用价差的变化而导致损失的可能性。因此将信用风险定义为:由于借款人或交易对手违约而造成损失的可能性, 以及因为借款人的信用等级的变动或履约能力发生变化从而导致其债务市场价值的变动而引起损失的可能性。
根据新巴塞尔协议对银行的资本要求, 允许有条件的银行采用内部模型度量信用风险。从20世纪90年代开始, 脱媒效应的显现、公司倒闭的结构性增加、担保能力的下降、竞争的白热化、信息技术的飞速发展、金融衍生品的急剧膨胀等因素促进了对信用风险的研究, 从而出现了现代信用风险度量模型。
2 现代信用风险度量模型介绍
2.1 基于Va R的Credit Metrics模型
由J.P.morgan公司1997年推出的Credit Metrics模型, 其假设要解决的问题是:如果接下来一年是一个坏年景的话, 商业银行的贷款组合价值将有可能遭受的损失有多大?它的基本思想是假设一个信用资产组合, 根据信用评级机构提供的信用等级转移矩阵和违约率, 应用模拟方法或解析方法得出一定时间后该项资产组合的价值分布, 然后运用其价值分布计算出资产组合的在险价值 (Va R) 。Credit Metrics模型认为在观察的期限内, 即使借款人不实际发生违约, 但只要其信用评级被下调, 信用资产的价值也应当相应降低, 以反应资产质量的合理下降, 这样在违约实际发生之前信用损失也会发生。在模型评估信用风险的过程中, 它同时关注了违约发生和信用等级变动对信用资产质量的影响, 采用了盯市模型 (MTM) 的方法, 通过资产组合价值来度量信用风险, 构造了一个通过模拟信贷资产所有违约波动以及潜在变化的复合计量框架。
模型假设:1) 每个信用等级均对应一条零息收益率曲线;2) 模型中唯一的变量是信用等级的变化, 债券未来市场风险和价值由其远期利率分布曲线决定;3) 信用风险不但包括债务人到期没有能够偿还债务, 还可以指因为债务人信用等级下降所导致的债券市场价值的下跌;4) 信用等级是离散的, 同一信用等级的债券具有相同的违约概率和转移矩阵, 转移概率是稳定的, 实际违约概率与历史违约概率相等。
模型的主要步骤:1) 确定信贷组合中的各个产品风险暴露的分布;2) 计算出每个产品价值的波动率;3) 计算各个产品之间的相关系数, 用单个信贷产品的波动率计算信贷组合的波动率;4) 再根据组合波动率计算组合Va R。
Credit Metrics模型的独创性在于, 它首次将违约率、信用等级的转移、违约相关性和回收率纳入了一个统一的框架, 综合地考虑信用风险度量问题。对信用等级相关性的估计涉及到债务人资产结构和国家、地区、行业收入指数, 这一点具有宏观与微观两个层次的特征。在模型的适用范围上, 它几乎涵盖了所有的信贷产品, 不仅包括传统的商业贷款、商业合同 (如贸易信贷和应收账款) 、信用证和固定收入证券, 还包括由市场驱动的信贷产品 (如期货合同、掉期合同和其他衍生产品) 等。
2.2 基于保险精算的Credit Risk+模型
1997年, 瑞士信贷发布信用风险附加模型Credit Risk+。该模型的主要思路是假设在不相同的时间段内违约人之间相互独立, 服从泊松分布, 与公司的资产结构无关;将贷款损失分为若干个频段, 因为每一频段违约率均值相同, 这样就可以计算出在一定置信水平下的每个频段的贷款损失, 将各个频段的损失加总就是总损失。Credit Risk+模型的思想源于保险精算学, 它是一个只考虑违约风险而不考虑评级降低风险的模型。与KMV、Credit Metrics等模型不同, Credit Risk+模型假设违约与企业的资本结构无关, 同时它对引发违约的原因没有做任何说明。
Credit Risk+模型的主要假设有:1) 信贷敞口组合中, 单项资产的违约概率都很小;2) 违约概率与公司资本结构在时间序列上彼此独立, 而且服从泊松分布。
Credit Risk+模型的主要步骤如下:1) 通过泊松分布模拟出违约事件分布, 计算出违约事件的频率;2) 然后通过对敞口区间划分, 将违约事件的分布转化为违约损失的分布, 计算损失的可能性;3) 最后, Credit Risk+模型利用在违约损失之间推导得出的递推关系式, 计算组合的违约损失分布。
2.3 基于信贷组合的Credit Portfolio View模型
Credit Metrics模型假定信用等级转移概率在经济发展的不同时期是稳定的, 然而信用等级的转移对经济周期是非常敏感的。为修正这一偏差, 麦肯锡公司开发出宏观模拟模型———CPV模型, 该模型的主要思想是通过建立一个多元经济计量模型来模拟出宏观经济运行状态, 然后将宏观经济因素与信用评级转移概率之间的关系模型化, 通过假设出宏观经济对模型的“冲击”, 来模拟各个国家各个产业类别的信用等级转换的跨时变化情况, 并以图示的方法表明损失分布。CPV模型认为, 信贷组合的系统性风险是不能通过分散化来化解的, 而系统性风险则主要取决于宏观经济的运行状况, 信用评级转移和违约事件都与宏观经济运行紧密相关。所以, CPV模型的输入变量主要是一系列的宏观经济变量, 如利率、失业率、经济增长率、储蓄率和政府支出等, 然后对各个国家不同产业间的信用等级转移概率和违约概率的联合条件分布进行模拟。假如数据充分, 这种方法可用于预测所有国家、各个产业的不同债务人的违约率。
模型假设:1) 信用等级在不同时期的转移概率不是固定不变的, 而受到诸如国别、经济周期、失业率、GDP增长速度、长期利率水平、外汇汇率、政府支出、总储蓄率、产业等因素的影响;2) 宏观经济变量服从二阶自相关, 解决了Credit Metrics模型中利用历史数据带来的时滞。实际上, 该模型是基于Credit Metrics模型的思路, 以历史的宏观经济变量数据及平均违约率的时间序列数据, 对不同的国家和行业板块构建了一个多因素的模型。但它突破了Credit Metrics模型的假设, 认为评级转移概率在不同借款人类型之间, 以及不同商业周期之间不是稳定的, 而应受到诸多宏观因素的影响, 并认为这些宏观变量服从二阶自相关过程。由于它克服了Credit Metrics模型关于不同时期的评级转移矩阵固定不变的缺点, 所以CPV模型也被认为是对Credit Metrics的补充。
2.4 基于期权定价原理的KMV模型
默顿的期权定价模型[4]是KMV模型的基础, 通过企业资产回报率、企业自身的财务结构以及企业资产的当前市场价值 (而非信用评级) 来推导出预期违约率, 预测企业的违约可能性。模型将资产分为两种状态:违约和不违约, 而发生违约时则造成信用损失。为了计算资产相对应的信用风险, 将企业相应的标的资产视为买入一个期权, 利用期权定价的方法, 通过债务的账面价值、到期日、股票市值、股票波动率以及无风险利率来计算企业的资产价值及资产波动率。然后得出企业的资产市值、资产波动率, 加上债务面值来计算违约距离。最后, 利用KMV公司的历史统计数据, 通过历史上违约和破产率数据建立的违约距离和违约概率间的对应关系表, 将违约距离映射为相对应的预期违约概率。
3 信用风险模型的选择
通过对现代信用风险度量模型的一般比较分析, 可以看出不同类型的模型在其适用对象、获得数据的难易程度及计量结果的可靠性等方面是存在差别的。同时, 由于金融发展水平、经济制度、以及信用风险管理技术等方面有差异, 上述四种模型是否适用于我国信用风险管理实践, 还需要根据实际情况进行分析。否则, 模型的误用会由于模型风险人为的高估和低估信用风险。在金融危机持续蔓延, 银行信用风险受到广泛关注的背景下, 结合我国的具体情况, 对这些模型进行比较和分析, 对加强国有商业银行的信用风险管理具有现实意义。
摘要：回顾信用风险度量模型的文献综述, 最后分析各种方法的适用性。
关键词：信用风险,KMV模型,CreditMetrics模型,Credit Risk+模型,Credit Portfolio View模型
参考文献
[1]米歇尔.科罗赫、丹.加莱、罗伯特.马克著, 曾刚、罗晓军、卢爽译, 风险管理[M].中国财政经济出版社, 2005.
[2]郭柳, 朱敏.我国证券市场风险的度量——基于VaR方法的实证研究[J], 华南农业大学学报, 2004, (3) .
[3]徐振东, 银行家的全面风险管理:基于巴塞尔Ⅱ追求银行股东价值增值[M].北京大学出版社, 2010.
度量教学反思 篇5
为了让每位孩子都能准确学会测量角的度数，课前让学生准备了量角器、三角板等学习用具并预习了新知，课中使用了多媒体演示量角过程，并示范量角，可对于大部分学生而言，量角的过程仍是那么艰难：顶点和中心重合简单，而要把零刻度线和角的一边重合，另一边在刻度内却非易事，内外刻度要分清更是困难，尤其对于旋转后的角，学生测量的不太准确，这些都是学生所出现的`问题。
而经过反思自己的教学，需要改进的地方有：首先是让学生认识量角器，重点放指导学生观察量角器上，建立刻度与读数的联系，认识1°角并在量角器上找出30°、45°、60°、90°、120°的角，初步悟出量角器上内外圈刻度的不同读法。建立30°、45°、60°、90°、120的角的表象，达到进一步建立空间观念，丰富学生的形象思维的教学目标；其次是让学生交流总结用量角器量角的方法。部分学生有了在量角器上找大小不同角的经验，并已尝试用量角器量角，课堂上就先让学生讲量角的方法，然后规范量角的步骤，接着进行变式练习量不同方位的角，提高学生使用量角器动作的协调性，培养了学生动手操作能力；最后，探究角的大小和角的边的关系。通过分组观察学生发现角的大小与角的两条边画出的长短没有关系；角的大小要看两条边叉开的大小，叉开得越大，角越大。
现代信用风险度量模型比较分析 篇6
1、KMV模型
1993年, KMV公司利用布莱克-斯科尔斯-默顿模型 (BSM Model) 提出了著名的信用监测模型 (Credit Monitor Model) , 后经Longstaff和Schwarz (1995) 、Dsa (1995) 和Zhou (1997) 的进一步扩展, 形成了一种违约预测模型, 估计借款企业违约概率的方法。KMV模型将股权视为企业资产的看涨期权, 以股票的市场数据为基础, 利用默顿的期权定价理论, 估计企业资产的当前市值和波动率, 再根据公司的负债计算出公司的违约点, 然后计算借款人的违约距离, 最后根据企业的违约距离与预期违约率之间的对应关系, 求出企业的预期违约率。KMV模型的优点在于:第一, 根据企业的资产市值估计信用风险波动状况, 将市场信息纳入违约概率;第二, 模型是一种动态模型, 可以随时根据企业股票的市价来更新模型的输入数据, 反映信用风险水平的变化;第三, 模型是一种“向前看”的模型, 在一定程度上克服了依赖历史数据“向后看”的数理统计模型的缺陷。KMV的缺点是:第一, 无法确定是否必须使用估计技术来获得企业的资产价值、企业资产收益率的期望值和波动性等数据, 估计的准确率不能确定。第二, 假定利率是事先确定的, 限制了将KMV模型应用于期限长的贷款 (1年以上) 和其他利率敏感性工具。第三, 隐含地假定当风险债券的到期日趋向于零时, 信用风险利差亦趋向于零, 但实证研究否定这一结论。第四, 使用历史数据来确定预期违约率, 其隐含的假设是经济状况是静止的, 此假设不合情理。
2、Credit Metrics模型
Credit Metrics模型是1997年美国J.P.摩根等七家国际著名金融机构共同开发的信用风险度量模型, 被称为信用度量术。它不仅能够识别传统的诸如贷款、债券等投资工具的信用风险, 还可以用于掉期、互换等金融衍生工具的风险识别, 因而该模型迅速成为风险管理标准模型之一。Credit Metrics模型的优点是:一是违约概念进行了拓展, 认为违约也包括债务人信用等级的恶化;二是该模型的应用非常广泛, 包括传统的贷款、固定收益证券、贸易融资和应收账款等商业合同, 而且其高级版还能够处理掉期合同、期货合同以及其他衍生工具;三是在对债务价值的分布有正态分布假设下解析方法和蒙特卡罗模拟法, 在一定程度上避免了资产收益率正态性的硬性假设。Credit Metrics模型的缺点在于:一是大量证据表明信用等级迁移概率并不遵循马尔可夫过程, 而是跨时期相关的;二是模型中违约率直接取自历史数据平均值, 但实证研究表明, 违约率与宏观经济状况有直接关系, 不是固定不变的;三是没有考虑市场风险。市场和经济状况的改变, 如利率、股指、汇率、失业率的变化等, 可能导致违约或者信用等级的变动;四是模型通过股权回报关系来估计资产回报关系, 而这可能影响估计的精确性。
3、Credit R isk+模型
Credit R isk+模型是瑞士银行金融产品开发部于1996年开发的信用风险管理系统, 它是应用保险经济学中的保险精算方法来计算债务组合的损失分布。它是一个违约模型, 把信用评级的升降看作是市场风险, 在任何时期只考虑违约和不违约这两种事件状态, 重点研究期望损失和非期望损失。在Credit R isk+信用风险附加计量模型中, 每一笔贷款被视作小概率违约事件, 并且每笔贷款的违约概率都独立于其他贷款, 这样, 贷款组合违约概率的分布接近泊松分布。模型的优点:一是该模型处理能力很强, 可以处理数万个不同地区、不同部门、不同时限等不同类型的风险暴露;二是模型集中于违约分析, 所需要估计变量很少, 只需要违约率、违约波动率和损失的严重性;三是根据组合价值的损失分布函数可直接计算组合的预期损失和非预期损失, 比较简便。模型的缺点:一是模型对于输入因子———单个债务人的违约率没有详细阐述;二是忽略了信用等级变化, 因而认为任意债权人的债务价值是固定不变的;三是将风险暴露划出频段并凑成整数, 这影响了计算结果的精确性。
4、Credit Portfolio View模型
Credit Portfolio View模型是由Mc Kinsey公司于1998年应用计量经济学理论和蒙特卡罗模拟法, 从宏观经济环境的角度来分析债务人的信用等级迁移, 开发出的一个多因素信用风险度量模型。该模型在Credit Metrics的基础上, 对周期性因素进行了处理, 将评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量之间的关系模型化, 并通过蒙地卡罗模拟技术模拟周期性因素的“冲击”来测定评级转移概率的变化。模型的优点:Credit Portfolio view模型将各种影响违约概率以及相关联的信用等级转换概率的宏观因素纳入了自己的体系中, 克服了Credit Metrics模型由于假定不同时期的信用等级转换概率是静态的和固定的而引起的很多偏差。模型的缺点:一是实施这一模型需要可靠的数据, 而每一个国家、每一行业的违约信息往往较难获得;二是模型使用经调整后的信用等级迁移概率矩阵的特殊程序, 而调整则基于银行信贷部门积累的经验和信贷周期的主观判断。
二、四大模型的比较 (见表1)
1、模型对风险的界定
Credit Metrics主要是从市场盯市角度界定风险, Credi R isk+模型或KMV模型本质上是违约模式模型, Credit Portfolio View模型既可以被当作盯市模式模型使用又可以当作违约模式模型使用。
2、风险来源
Credit Metrics和KMV模型以Merton理论为分析基础, 一家企业的资产价值和资产价值的波动性是违约风险的关键驱动因素。在Credit Portfolio View中, 驱动因素是一些宏观因素, 而Credit Risk+中则是违约率及其波动性。然而, 如果以多因素模型的方式来分析, 四种模型都可以看作是有相同的根源, 模型中风险驱动因素和相关性在一定程度上可以被看作是与宏观因素相联系的。
3、信用事件的波动率
在Credit Metrics中, 违约概率和信用等级转换概率被模型化为基于历史数据的固定的或离散的值;在KMV模型中, 股票价格的变化以及股票价格的波动性成为预测违约率的基础;在Credit Portfolio View模型中, 违约概率是一套呈正态分布的宏观因素和冲击的一个对数函数;在Credit Risk+模型中, 每笔贷款违约的概率被看作是可变的。
4、回收率
贷款等信用资产的损失分布和Va R的计算不仅仅取决于违约的概率, 而且也取决于损失的严重程度或给定违约下的损失率 (LGD) 。在Credit Metrics模型中, 估计的回收率的标准差被纳入了Va R的计算;在KMV模型中, 回收率被看作是一个常数;Credit Portfolio View模型中回收率的估计是通过蒙特卡罗模拟法进行的;在Credit Risk+模型中, 损失的严重程度被凑成整数并进行分组, 从而得到次级的贷款组合, 然后将任何次级贷款组合的损失的严重程度视为一个常数。
5、数量方法
Credit Metrics模型对单项贷款的VAR的计算可通过解析方法实现, 但对大规模的贷款组合则往往通过模拟技术求解;Credit Portfolio View模型也采用模拟技术解;Credit R isk+模型能够生成关于损失的概率密度函数的逻辑分析解;KMV模型通过解析技术实现风险评价。
6、模型的适用对象
Credit Metrics模型和KMV模型适用于公司和大客户信用风险的度量, Credit Risk+模型适用于银行对零售客户的信用风险度量, 而Credit Portfolio View模型适用于对宏观经济因素变化敏感的投机级债务人的信用风险度量。
三、信用风险模型在我国应用中存在的问题及建议
1、数据缺乏
由于信用制度不健全、信用体系尚未建立, 所以有关公司历史违约数据和规范债券评级统计数据严重缺乏, 很难把违约距离转化成实际违约率。同时, 利率尚未市场化等为转移矩阵的建立以及信用价差的确定造成了困难。
2、一些参数的稳定性假设问题
由于我国现阶段相关机制不健全, 资产收益的相关度不稳定, 使得信用计量模型对资产组合的分析难以恰当反映组合风险的未来状况, 使得模型对未来风险的预测能力有较大的影响。
3、肥尾问题
我国证券市场股价不仅波动幅度大, 而且极端值出现的概率并不算小, 因此资产收益的非正态性问题也即肥尾问题应该受到重视。由以上分析可知, 目前各种模型在我国的应用缺乏必要的条件, 总体环境还不成熟, 但也必须看到该理论技术所体现的现代金融市场条件下的基本信用风险管理思想和理念是值得学习和借鉴的。针对我国存在的问题, 提出以下建议:一是尽快建立企业违约数据库, 为银行直接的信贷决策提供参考, 同时也为科学量化的信用风险管理建立基础。二是普及和发展信用管理中介服务行业, 进一步完善信用评级制度, 这是信用风险管理的必要前提。三是积极发展和完善证券市场, 提高市场信息的透明度以及信息效率, 以平抑证券市场的过度投机, 削减异常波动性, 为银行信用风险管理提供良好的金融环境。
摘要：金融危机的爆发以及《巴塞尔新资本协议》的正式实施, 为银行业进行信用风险管理提出新的挑战。本文对国际上信用风险管理实践中应用最为广泛的现代信用风险度量模型进行了分析比较, 提出我国商业银行应用信用风险模型中的问题, 并给出相关建议。
关键词：信用风险,度量模型,违约概率
参考文献
[1]曹道胜、何明升:商业银行信用风险模型的比较及其借鉴[J].金融研究, 2006 (10) .
[2]朱小宗、张宗益:现代信用风险度量模型剖析与综合比较分析[J].财经研究, 2004 (9) .
[3]王毅春、孙林岩:现代信用风险模型特征比较研究[J].当代经济科学, 2004 (3) .
现代信用风险度量模型对比分析 篇7
关键词：信用风险,度量模型
当前, 金融危机使全球经济陷入衰退, 如何有效的防范金融风险是银行业面临的重大课题。对于信用风险, 新巴塞尔协议要求银行建立自己的基于内部评级的信用风险度量模型。本文就基于内部评级法 (IRB) 的国际上信用风险管理实践中应用最为广泛的KMV、Credit Metrics、Credit Risk+、Credit Portfolio View四个模型进行了分析比较, 提出我国商业银行应用信用风险模型中的问题, 并提出相关建议。
1 现代信用风险度量模型
1.1 KMV模型
1993年, KMV公司提出了著名的信用监测模型 (Credit Monitor Model) , 后经进一步扩展成了一种违约预测模型。KMV模型将股权视为企业资产的看涨期权, 以股票的市场数据为基础, 利用默顿的期权定价理论, 估计企业资产的当前市值和波动率, 再根据公司的负债计算出公司的违约点, 然后计算借款人的违约距离, 最后根据企业的违约距离与预期违约率之间的对应关系, 求出企业的预期违约率。
《巴塞尔新资本协议》中推荐使用KMV模型进行内部评级, 可见其已经在国外得到了广泛的认可和使用。KMV模型的优点在于: (1) 根据企业的资产市值估计信用风险波动状况, 将市场信息纳入违约概率; (2) 模型是一种动态模型, 可以随时根据企业股票的市价来更新模型的输入数据, 反映信用风险水平的变化; (3) 模型是一种“向前看”的模型, 在一定程度上克服了依赖历史数据“向后看”的数理统计模型的缺陷。KMV的缺点是: (1) 无法确定是否必须使用估计技术来获得企业的资产价值、企业资产收益率的期望值和波动性等数据, 估计的准确率不能确定。 (2) 假定利率是事先确定的, 限制了将KMV模型应用于期限长的贷款 (1年以上) 和其它利率敏感性工具。 (3) 隐含地假定当风险债券的到期日趋向于零时, 信用风险利差亦趋向于零, 但实证研究否定这一结论。 (4) 使用历史数据来确定预期违约率, 其隐含的假设是经济状况是静止的, 此假设不合情理。
1.2 Credit Metrics模型
Credit Metrics模型也被称为信用度量术。该模型是基于借款人的信用评级、次年评级发生变化的概率 (评级转移矩阵) 、违约贷款的回收率、债券市场上的信用风险价差, 计算出贷款的市场价值及其波动性, 进而得出个别贷款和贷款组合的VaR值。它不仅能够识别传统的诸如贷款、债券等投资工具的信用风险, 还可以用于掉期、互换等金融衍生工具的风险识别。该模型的优点是: (1) 违约概念进行了拓展, 认为违约也包括债务人信用等级的恶化; (2) 该模型的应用非常广泛, 包括传统的贷款、固定收益证券、贸易融资和应收账款等商业合同, 而且其高级版还能够处理掉期合同、期货合同以及其他衍生工具; (3) 在对债务价值的分布有正态分布假设下解析方法和蒙特卡罗模拟法, 在一定程度上避免了资产收益率正态性的硬性假设。Credit Metrics模型的缺点在于: (1) 大量证据表明信用等级迁移概率并不遵循马尔可夫过程, 而是跨时期相关的; (2) 模型中违约率直接取自历史数据平均值, 但实证研究表明, 违约率与宏观经济状况有直接关系, 不是固定不变的; (3) 没有考虑市场风险。市场和经济状况的改变, 如利率、股指、汇率、失业率的变化等, 可能导致违约或者信用等级的变动; (4) 模型通过股权回报关系来估计资产回报关系, 而这可能影响估计的精确性。
1.3 Credit Risk+模型
Credit Risk+模型是应用保险经济学中的保险精算方法来计算债务组合的损失分布, 重点研究期望损失和非期望损失。在Credit Risk+信用风险附加计量模型中, 每一笔贷款被视作小概率违约事件, 并且每笔贷款的违约概率都独立于其它贷款, 这样, 贷款组合违约概率的分布接近泊松分布。 模型的优点: (1) 该模型处理能力很强, 可以处理数万个不同地区、不同部门、不同时限等不同类型的风险暴露; (2) 模型集中于违约分析, 所需要估计变量很少, 只需要违约率、违约波动率和损失的严重性; (3) 根据组合价值的损失分布函数可以直接计算组合的预期损失和非预期损失, 比较简便。模型的缺点: (1) 模型对于输入因子——单个债务人的违约率没有详细阐述; (2) 忽略了信用等级变化, 因而认为任意债权人的债务价值是固定不变的; (3) 将风险暴露划出频段并凑成整数, 这影响了计算结果的精确性。
1.4 Credit Portfolio View模型
Credit Portfolio View模型是由McKinsey公司于1998年开发出的一个多因素信用风险度量模型。该模型在 Credit Metrics的基础上, 对周期性因素进行了处理, 将评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量之间的关系模型化, 并通过蒙地卡罗模拟技术模拟周期性因素的“冲击”来测定评级转移概率的变化。模型的优点:Credit Portfolio view模型克服了Credit Metrics模型由于假定不同时期的信用等级转换概率是静态的和固定的而引起的很多偏差。模型的缺点: (1) 实施这一模型需要可靠的数据, 而每一个国家、每一行业的违约信息往往较难获得; (2) 模型使用经调整后的信用等级迁移概率矩阵的特殊程序, 而调整则基于银行信贷部门积累的经验和信贷周期的主观判断。
2 四大模型的比较
(1) 模型对风险的界定。
Credit Metrics主要是从市场盯市角度界定风险, Credit Risk+模型或KMV模型本质上是违约模式模型, Credit Portfolio View模型既可以被当作盯市模式模型使用又可以当作违约模式模型使用。
(2) 风险来源。
Credit Metrics和KMV模型以Merton理论为分析基础, 一家企业的资产价值和资产价值的波动性是违约风险的关键驱动因素。在Credit Portfolio View中, 驱动因素是一些宏观因素, 而Credit Risk+中则是违约率及其波动性。然而, 如果以多因素模型的方式来分析, 四种模型都可以看作是有相同的根源, 模型中风险驱动因素和相关性在一定程度上可以被看作是与宏观因素相联系的。
(3) 信用事件的波动率。
在Credit Metrics中, 违约概率和信用等级转换概率被模型化为基于历史数据的固定的或离散的值;在KMV模型中, 股票价格的变化以及股票价格的波动性成为预测违约率的基础;在Credit Portfolio View模型中, 违约概率是一套呈正态分布的宏观因素和冲击的一个对数函数;在Credit Risk+模型中, 每笔贷款违约的概率被看作是可变的。
(4) 回收率。
贷款等信用资产的损失分布和VaR的计算不仅仅取决于违约的概率, 而且也取决于损失的严重程度或给定违约下的损失率 (LGD) 。在Credit Metrics模型中, 估计的回收率的标准差被纳入了VaR的计算;在KMV模型中, 回收率被看作是一个常数;Credit Portfolio View模型中回收率的估计是通过蒙特卡罗模拟法进行的;在Credit Risk+模型中, 损失的严重程度被凑成整数并进行分组, 从而得到次级的贷款组合, 然后将任何次级贷款组合的损失的严重程度视为一个常数。
(5) 数量方法。
Credit Metrics模型对单项贷款的VAR的计算可通过解析方法实现, 但对大规模的贷款组合则往往通过模拟技术求解;Credit Portfolio View模型也采用模拟技术解;Credit Risk+模型能够生成关于损失的概率密度函数的逻辑分析解;KMV模型通过解析技术实现风险评价。
(6) 模型的适用对象。
Credit Metrics模型和KMV模型适用于公司和大客户信用风险的度量, Credit Risk+模型适用于银行对零售客户的信用风险度量, 而Credit Portfolio View模型适用于对宏观经济因素变化敏感的投机级债务人的信用风险度量。
3 信用风险模型在我国应用中存在的问题及建议
虽然以上各种模型具有很多优点, 并在国外银行业中得到较好应用, 但用这些模型来进行信用风险管理对我国银行等金融机构来说是一个巨大挑战。
3.1 数据缺乏
由于信用制度不健全、信用体系尚未建立, 所以有关公司历史违约数据和规范债券评级统计数据严重缺乏, 很难把违约距离转化成实际违约率。同时, 利率尚未市场化等为转移矩阵的建立以及信用价差的确定造成了困难。
3.2 一些参数的稳定性假设问题
由我国现阶段相关机制不健全, 资产收益的相关度不稳定, 使得信用计量模型对资产组合的分析难以恰当反映组合风险的未来状况, 使得模型对未来风险的预测能力有较大的影响。
3.3 肥尾问题
如果没有对资产收益的正态性假定, 那么构造理论上的KMV模型非常困难。但直接观察市场可以看出, 我国证券市场股价不仅波动幅度大, 而且极端值出现的概率并不算小, 因此资产收益的非正态性问题也即肥尾问题应该受到重视。由以上分析可知, 目前各种模型在我国的应用缺乏必要的条件, 总体环境还不成熟, 但也必须看到该理论技术所体现的现代金融市场条件下的基本信用风险管理思想和理念是值得学习和借鉴的。
针对我国存在的问题, 提出以下建议: (1) 尽快建立企业违约数据库, 为银行直接的信贷决策提供参考, 同时也为科学量化的信用风险管理建立基础。 (2) 普及和发展信用管理中介服务行业, 进一步完善信用评级制度, 这是信用风险管理的必要前提。 (3) 积极发展和完善证券市场, 提高市场信息的透明度以及信息效率, 以平抑证券市场的过度投机, 削减异常波动性, 从而为银行信用风险管理提供良好的金融环境。
参考文献
[1]曹道胜, 何明升.商业银行信用风险模型的比较及其借鉴[J].金融研究, 2006, (10) .
[2]朱小宗, 张宗益.现代信用风险度量模型剖析与综合比较分析[J].财经研究, 2004, (9) .
[3]王毅春, 孙林岩.现代信用风险模型特征比较研究[J].当代经济科学, 2004, (3) .
证券投资风险度量熵模型研究 篇8
证券投资的收益和风险就像人的左手和右手形影相随、片刻不离。投资者在追求投资收益最大化的同时也在想方设法对各种投资风险进行规避。近些年来, 一些研究者将熵的思想引入到金融领域, 作为一种证券投资风险度量与管理的新型工具来使用。在这其中, 合肥工业大学梁昌勇教授、大连理工大学李兴思教授与他的博士生李华、北京航空航天大学杨继平教授等先后将熵模型应用到股票投资风险度量或是投资组合优化模型等方面, 并取得了不错的效果。
二、风险度量熵模型
1. 信息熵
熵和信息是互补因素。熵越大, 意味着所知道的信息量就越少, 不确定性越大, 风险也就越大;反之熵越小, 所知道的信息越多, 不确定性越小, 风险也就越小。从信息论的角度出发考虑, 可以以获得信息来消除不确定性, 因而也就可以利用熵作为信息缺失计量或者是风险度量的手段。
2. 熵的风险度量模型
设某证券收益取值具有N个可能结果, 假设出现这些结果概率为, 并且满足:, 将定义为该证券对应概率分布的熵。
容易证明, 满足以下条件:
(1) 熵是离散概率的连续函数。
(2) 对于等概率的情况, 熵是可能结果数量n单调增函数。
(3) 对两个独立事件的不确定性, 熵是对它们分别考虑时的不确定性之和。
3. 引入熵模型度量风险的合理性
投资者投资实际得到的收益往往与决策时期望的收益不一致, 即存在投资风险。这里, 风险就是未来收益的不确定性及其发生的概率, 即风险的本质是不确定性。从熵的内涵看, 它是不确定性程度的度量。在经济领城的研究中, 人们更关心的是一些右偏的损失分布所带来的风险, 因此。将熵引入风险度量的研究在经济领城中是有一定的实际价值的。熵度量的是整个概率分布偏离均匀分布的不确定程度, 这种偏离是逐点对应的, 它体现了概率分布在整个取值空间的平均不确定程度, 而方差度量的是损失离均值的平均不确定程度, 是损失分布偏离一点的不确定程度。从数学表达式上看。熵是概率分布的多阶矩的函数, 与分布的高阶矩有关, 而方差与分布的高阶矩是没有关系的。因此, 熵能反映出分布的更多信息, 相对方差更能准确反映损失分布的风险大小。所以, 用熵作为不确定的度量工具在概率分布为对称分布和非对称分布是都适用。如果用于风险排序, 熵显然要比方差更恰当。函数和的数学特性, 符合人们习惯概念上对风险度量的理解, 也就是说函数式和作为度量风险的测度函数更趋合理。
4. 熵的基本性质
(1) 非负性:, 等号只在与成立。
(2) 极值性:当所有状态为等概率的时候, 即时, 熵最大, 也即有。。
(3) 凹凸性:是一个关于所有变量的对称凹函数。
(4) 可加性:对于相互独立的状态, 其熵的和等于和的熵, 也即有相互独立则:。。
三、实证算例
以中国上海证券交易所A股中15支业绩优秀的股票为例, 它们是:600900长江电力、600519贵州茅台、600897厦门空港、600406国电南瑞、600009上海机场、600085同仁堂、600098广州控股、600525长园新材、600588用友软件、600879火箭股份、600600青岛啤酒、600495晋西车轴、600019宝钢股份、600028中国石化、600000浦发银行。
现提取2007年除去节假日以外的连续221个交易日的日收盘价计为::
第支股票日收益率取为:
我国股市于1996年底开始实行涨跌停板制度, 规定单支股票价格的涨跌幅均在-10与+10之间, 超过这个限度股票在当天将被要求自动停盘, 也即一天内, 单支股票实际收入区间为, 很显然, 根据规定一定有。下面将涨跌区间平均分成10个小区间, 步长为0.02, 分别计算第支股票落在这十个小区间的次数, 计频率, 让它代替该股票状态概率, 最后计算这15支股票熵度量的风险值:
本文利用Matlab7.01编程完成以上计算, 可得以下各支股票风险值列表:
在选择股票过程中, 可以参照风险值, 依据熵风险值由小至大的顺序选择股票进行组合投资。例如, 若只选择8支股票进行投资, 则依据熵风险值, 及尽量避免同一板块股票重复出现的原则, 我们选择:600519贵州茅台、600897厦门空港、600406国电南瑞、600085同仁堂、600098广州控股、600525长园新材、600588用友软件、600495晋西车轴8只股票, 按照合理比例分配进行组合投资。
四、小结
熵的本质是表述不确定性, 也即对不确定性程度的度量。它的值越大, 意味着投资者对市场未来走向知道的越少, 风险也就越大;相反, 熵的值越小, 投资者对市场走向越明确, 风险也越小。熵对风险的度量具有其它方法不可比拟的优势, 利用熵作为风险度量的手段具有合理性和极强的可操作性, 相信随着人们将更多注意力投入到对于熵的研究中, 在不久的将来, 熵必将会成为占主导地位的风险度量手段。
参考文献
[1]周国良:基于熵的不确定性项目投资决策优化模型[J]重庆大学学报, 2003, 8:7～9
雷达综合抗干扰能力度量模型 篇9
现代战争中,雷达要在非常复杂的电子环境下工作,因此,雷达的抗干扰能力是雷达系统设计与作战运用过程中需要关注的重要方面。近年来,大量的抗干扰技术与措施在雷达系统中得以应用,这些技术与措施主要包括以下几个方面。
①发射机
主要包括发射功率管理、频率捷变、频率分集、脉冲重复频率捷变、脉冲宽度捷变、脉冲压缩和欺骗性发射等。
②天线
主要包括超低副瓣技术、自适应阵列技术和自适应极化技术等。
③接收机-处理器
主要包括MTD/MTI处理、恒虚警处理和“宽-限-窄”电路等。
④系统
主要包括一些新体制雷达的运用,如双/多基地雷达、无源雷达、脉冲多普勒雷达、激光雷达等。
针对这些抗干扰技术与措施,国内外的专家学者进行了大量的研究工作,从不同的角度提出了不同的抗干扰能力度量方法:魏麦成[1]等用雷达的自卫距离和最大探测距离定义了雷达抗有源干扰有效率,并建立了雷达对抗模型;李潮[2]等分析了雷达频域主要抗干扰技术,并建立了度量模型;陈永光[3]等研究了空中复合干扰模式下单部警戒雷达对目标探测区域的变化情况;张顺健[4]等研究了远距离支援干扰飞机对抗地面警戒雷达的暴露区算法,并建立了相应的雷达战术效能评估指标;范时胜[5]等研究了多干扰条件下的雷达方程;李丹[6]等提出并解决了雷达网电子对抗中的雷达自卫距离的修正问题;申绪涧[7]等提出用“干扰过渡区”作为雷达或雷达网抗干扰能力的度量。这些评估指标和度量模型为雷达系统的抗干扰设计以及作战运用提供了多样化的量化标准。但是,这些评估指标或度量模型没有综合考虑现代雷达采用的抗干扰技术与措施,使其应用范围受到限制。本文在前人研究的基础上,改进了雷达综合抗干扰能力度量模型,定义了雷达综合抗干扰能力质量因数用于描述干扰环境下的雷达抗干扰能力,为雷达的抗干扰能力评估与仿真提供了一种模型基础。
1 几种典型的雷达抗干扰能力度量模型
①雷达抗干扰改善因子(EIF)
雷达抗干扰改善因子(EIF)由Johnston提出,是目前为止唯一被IEEE采用的度量模型。其定义为:雷达未采用抗干扰措施时系统输出的干信比与采用抗干扰措施后系统输出的干信比的比值,即,
其中,EIF是抗干扰改善因子;(J/S)为雷达未采用抗干扰措施时系统输出的干信比;(J/S)为雷达采用抗干扰措施后系统输出的干信比。
雷达抗干扰改善因子的优点在于它适用于不同的干扰措施和抗干扰措施,但是它只能对某种或某几种抗干扰设备的抗干扰能力作出度量,而不能度量整个雷达系统的抗干扰能力。
②雷达综合抗干扰能力(AJC)
雷达综合抗干扰能力(AJC)由郦能静教授提出,是一种能够比较全面地衡量雷达抗干扰能力的综合度量模型。雷达综合抗干扰能力的模型为,
AJC=(PT0BsG)·SA·SS·SM·SP·
SC·SN·SJ (2)
如果用分贝表示,则上式可写成:
AJC=10lg(PT0BsG)+SA+SS+
SM+SP+SC+SN+SJ (3)
其中,AJC为雷达综合抗干扰能力,P为雷达发射功率,T0为信号持续时间,BS为信号带宽,G为雷达天线增益,SA为频率捷变因子,SS为天线副瓣因子,SM为MTI质量因子,SP为天线极化可变因子,SC为恒虚警处理因子,SN为“宽-限-窄”电路质量因子,SJ为重复频率抖动因子。各参数的具体定义参见文献[8]。
雷达综合抗干扰能力由于提出的时间比较早,一些新的抗干扰技术与措施没有得到体现。
③雷达抗干扰品质因子(QECCM)
雷达抗干扰品质因子的定义为,
其中,FJ为抗干扰改善因子,Ps为雷达接收到的信号功率,PJ为雷达接收到的干扰功率,经过推导后最终可得,
其中,DS=PtGt/BSLt,是雷达发射信号的有效功率密度;DJ=PJGJ/BJLJ,是干扰机发射信号的有效功率密度;RJ是干扰机相对雷达的距离;R0是雷达探测距离;Gt是雷达天线增益;Gt(θ)是雷达天线在干扰机方向上的增益;KL=F2(α)/[4πFJ(α)ΓJ],是损耗系数;F2(α)和F
雷达抗干扰品质因子在抗干扰改善因子的基础上,加入了部分干扰机的参数,能够针对不同的干扰技术或干扰措施对雷达的抗干扰能力作出衡量。但是,正如上文所述,由于抗干扰改善因子的不完整性,使得抗干扰品质因子仍然不能全面衡量雷达的综合抗干扰能力。
2 雷达综合抗干扰能力(AJC)度量模型的改进
雷达综合抗干扰能力(AJC)度量模型能够比较全面的衡量雷达的综合抗干扰能力,但是一些新的抗干扰技术和措施没有得到体现,需要将这些新的技术和措施进行量化后加入该模型,使之更加适应现代条件。
①波形捷变因子
雷达通过发射信号波形的变化增大干扰源对雷达发射信号的分析难度[9],迫使干扰机展宽干扰信号频带,从而大大降低干扰功率,起到抗干扰的作用。因此定义波形捷变因子为,
SW=10lgNW (6)
其中,SW为波形捷变因子,NW为雷达具有的波形捷变数量。
②频率分集因子
频率分集技术也是雷达频域对抗的重要措施。频率分集是指在一部雷达中装有2路以上的发射、接收和处理通道,共用一副天线。频率分集雷达可以提高目标的发现概率[2],而且如果有1路或几路通道受到干扰后,其余通道仍然可以工作,提高了抗干扰性能。因此定义频率分集因子为,
SF=10lgNF (7)
其中,SF为频率分集因子,NF为频率分集数。
③脉冲压缩因子
现代雷达多采用脉冲压缩技术在不牺牲距离分辨力的条件下得到较高的平均功率。脉冲压缩信号包括线性调频、非线性调频等调频信号和相位编码的调相信号。脉冲压缩技术对雷达抗干扰能力的提升,多采用脉压比来表示[11]。因此定义脉冲压缩因子为,
SLFM=D-L (8)
其中,D是用分贝表示的脉冲压缩信号脉压比;L是脉冲压缩技术带来的损耗。
④天线自适应因子
自适应天线系统是一种利用数字信号处理技术, 通过自动调整天线阵中各阵元增益和相位, 从而控制其方向图的天线系统。自适应天线系统通过对波束的控制,可以在天线方向图的任意位置形成深度的凹陷,从而减少干扰信号进入雷达接收机,大大提升雷达的抗干扰能力。定义天线自适应因子为,
SAT=Gmax-Gmin (9)
其中,Gmax为正常状态下天线最大增益,Gmin为调整后最大凹陷处的天线增益,Gmax和Gmin均用分贝表示。
⑤欺骗性发射因子
欺骗性发射是指雷达在多个频率上从辅助天线发射小功率欺骗信号,使带有ESM接收系统的,干扰机在信号分析过程出错,使干扰信号无法对准,甚至完全偏离雷达工作频率,起到抗干扰作用。定义欺骗性发射因子为,
SD=10log(ND+1) (10)
其中,SD为欺骗性发射因子,ND为欺骗信号频率个数。
将上述5个因子作为附加因子增加到雷达综合抗干扰能力度量公式(2)中,可得到改进后的雷达综合抗干扰能力度量公式,
AJC=10lg(PT0BsG)+SA+SS+SM+
SP+SC+SN+SJ+SW+SF+
SLFM+SAT+SD (11)
这一公式由于包含了目前雷达系统中运用的典型抗干扰技术与措施,因此,可以更加全面的衡量雷达的抗干扰能力。
3 干扰环境下雷达综合抗干扰能力度量模型
经过改进以后,雷达综合抗干扰能力度量公式(11)虽然可以比较全面地衡量雷达的综合抗干扰能力,但是由于没有考虑雷达面临的干扰环境的影响,多应用在雷达固有抗干扰能力的静态评估中。在雷达与干扰的动态对抗过程中,需要综合考虑雷达和干扰双方的技术特点,做出综合衡量。
在雷达面临的干扰环境中,远距离支援干扰是最常见的干扰模式,如图1所示。
根据雷达方程,进入雷达接收机的干扰功率为,
其中,PJ是干扰机发射功率,GJ干扰机天线增益,PJGJ又称为干扰机有效发射功率(ERP),G′r是雷达在干扰机方向上的天线增益,λ是雷达接收信号波长,FJ干扰机到雷达的方向图传播因子,F′r是雷达到干扰机的方向图传播因子,RJ是干扰机到雷达的距离,LJ是干扰信号的传输损耗,Bn是雷达接收机带宽,BJ是干扰信号带宽,ΓJ是干扰信号相对于雷达信号的极化损失。
雷达接收到的目标回波信号功率为,
其中,Pt是雷达发射功率;Gt,Gr分别是雷达发射天线增益和接收天线增益,Ft,Fr分别是雷达发射天线方向图传播因子和接收天线方向图传播因子,如果雷达发射和接收共用一副天线,则Gt=Gr,且Ft=Fr;Rt是目标到雷达的距离;Lt是信号传输损耗;σ是目标雷达截面积。
由公式(12),(13)可得信号干扰功率比为,
上式描述了在远距离支援干扰环境下雷达接收端信号干扰比的变化,从信干比的角度描述了雷达的抗干扰能力。式中PtGt是雷达的ERP,是雷达的基本抗干扰能力,其余参数可以看作是干扰机对雷达抗干扰能力的影响系数,用KJ表示,即,
雷达的抗干扰能力仅仅用雷达的ERP来描述是不够的,因此,结合改进后的雷达综合抗干扰能力度量模型(11),定义雷达综合抗干扰能力质量因数(AJC)Q为雷达综合抗干扰能力AJC与干扰机对雷达抗干扰能力影响系数的乘积,即,
(AJC)Q=AJC·KJ (16)
用分贝表示:
(AJC)Q=AJC+10lgKJ (dB) (17)
其中,(AJC)Q是雷达综合抗干扰能力质量因数,描述了干扰环境下雷达表现出的综合抗干扰能力;AJC是雷达固有综合抗干扰能力,AJC采用公式(11)计算;KL是干扰影响系数,采用公式(15)计算。
雷达综合抗干扰能力质量因数既比较全面地考虑了雷达固有的综合抗干扰能力,又考虑了干扰带来的损失,能够比较全面地衡量雷达在干扰环境下的抗干扰能力。
公式(16)是在单个干扰机对雷达实施干扰时的计算公式,当存在多个干扰机对雷达实施干扰时(图2),根据功率叠加原理,可得雷达接收端的信号干扰功率比为:
其中,N是干扰机数量,Ji是第i架干扰机进入雷达接收机的干扰功率,即,
其中,PJi是第i架干扰机的发射功率,GJi是第i架干扰机的天线增益,G′ri是雷达在第i架干扰机方向上的天线增益,FJi是第i架干扰机到雷达的方向图传播因子,F′ri是雷达到第i架干扰机的方向图传播因子,RJi是第i架干扰机到雷达的距离,LJi是第i架干扰机的信号传输损耗, BJi是第i架干扰机的信号带宽,ΓJi是第i架干扰机的干扰信号相对于雷达信号的极化损失,其余参数同上。
根据公式(18),经过推导可得多个干扰机对雷达抗干扰能力的影响系数为,
用KJN替代公式(16)中的KJ即可得到多架干扰机,同时对雷达实施干扰时的雷达综合抗干扰能力质量因数。
4 结束语
由于雷达系统和干扰环境的复杂性,使得雷达综合抗干扰能力度量模型的建立非常困难。本文在雷达综合抗干扰能力度量模型的基础上,经过改进,加入了现代雷达采用的一些典型抗干扰技术与措施,使得改进后的模型能够更加全面地衡量雷达的综合抗干扰能力。同时,在改进模型的基础上,通过对干扰环境的分析,定义了雷达综合抗干扰能力质量因数,描述了干扰环境下雷达表现出的抗干扰能力,使模型的应用范围得以扩大。这些模型已经在相关的课题中得到应用,取得了较好的效果。但是,这些模型没有考虑到系统设计对抗干扰能力的提升,如双/多基地雷达、无源雷达、激光雷达等新体制雷达仍然无法用该模型进行度量。诸如这些新体制雷达的综合抗干扰能力度量方法仍然有待研究。
参考文献
[1]魏麦,成田野,陈清远.雷达抗有源干扰性能的综合指标及仿真评估[J].空军工程大学学报:自然科学版,2003,4(1):30-33.
[2]李潮,张巨泉.雷达频域主要抗干扰技术及其效果度量[J].舰船电子对抗,2005,28(1):16-20.
[3]陈永光,邵国培.张顺健复合干扰对多级雷达系统的对抗效能研究[J].现代雷达,1999,21(4):1-6.
[4]张顺健,胡振彪.陈永光分布式干扰机干扰预警雷达网的暴露区算法[J].电子对抗技术,2003,18(3):8-10.
[5]范时胜,张文元.多重干扰下雷达探测威力范围探讨[J].现代电子技术,2006(5):10-12.
[6]李丹,童天爵,毛少杰,等.雷达网电子电子对抗仿真及雷达自卫距离的修正[J].系统仿真学报,2006,18(5):1388-1390.
[7]申绪涧,王国玉,汪连栋,等.电子干扰飞机对抗警戒雷达组网系统的效果评估[J].系统仿真学报,2008,20(4):997-1001.
[8]Li Nengiing.Formula for Measuring Radar ECCM Capability[J].IEE Pore.1984(4):417-427.
[9]王小谟,匡永胜,陈忠先,等.监视雷达技术[M].北京:电子工业出版社,2008:252-253.
[10]李可达.现代雷达基本抗干扰技术[J].航天电子对抗,2004(2):15-19.
系统性风险度量模型研究述评 篇10
系统性风险问题一直是大量学者关注的焦点问题,但目前对于系统性风险的内涵仍没有确切的表述形式,本文在以往研究基础上从系统性风险的产生、传染及其造成的影响三个角度对系统性风险的内涵进行评述。从系统性风险的产生角度,国际清算银行(1994)从金融活动参与者对于金融活动契约的履行状况对系统性风险进行定义;Billio等(2010)认为系统性风险是金融系统中威胁其稳定性或公众信心的任何危险状况。从系统性风险的传染角度,Hart和Zingales(2009)认为系统性风险是由于机构之间的相互关联,当某机构发生危险状况时,危机在各金融机构之间进行传播,从而导致整个金融系统处于风险状态;刘春航、 朱元倩 (2011) 认为,系统性风险是由某个触发因素引起的,导致不稳定性在整个金融体系内蔓延,并对实体经济造成严重危害的危险状态。从系统性风险的影响角度, IMF、FSB和BIS(2011)认为,系统性风险是金融体系部分或全部受到损害导致大范围金融服务中断并给实体经济造成严重影响的风险;美联储主席伯南克(2009)认为,系统性风险是威胁整个金融体系以及宏观经济的事件。
上述关于系统性风险的定义角度有所差别,但都强调了系统性风险的外部性和传染性。其共同特点:一是研究对象均为某个金融体系;二是上述定义均考虑了风险的溢出效应。由于系统性风险的定义存在一定的差异性,从而导致其度量模型也不尽相同,下面分别对国内外系统性风险的度量模型进行相应论述。
二、系统性风险度量模型
系统性风险的有效度量和监管是金融稳定的重要保障。目前对于系统性风险的研究视角大致可分为监管视角、研究视角和市场数据视角。由于流动性、杠杆率、损失性和关联性是影响系统性风险的重要因素,因此根据以往研究和相关影响因素,本文将系统性风险的度量方法分为概率分布测度、未定权益和违约测度、非流动性测度、网络分析测度和宏观经济测度五类,并进行相应评述。
(一)概率分布测度概率分布测度是基于金融机构之间损失的联合概率分布的度量方法,主要包括多元密度函数、条件在险价值(Co Va R)、边际预期损失(MES)、马氏距离(MD)、Co-Risk等。
(1)马氏距离法(MD)。MD是由印度统计学家马哈拉诺比斯提出的用来表示数据的协方差距离的一种度量方法,可以有效计算两个未知样本集的相似度。Merton(1937) 指出可利用马氏距离对给定形式下一组回报值的统计差异性来进行分析,从而度量金融动荡的程度;Dimitrios Bisias等(2012)将马氏距离应用到系统性风险的度量,通过实证得出危机时期的回报值大幅度降低,并认为可将马氏距离与宏观压力测试结合并用于测度金融资产的Va R; Mark Kritzman等(2011)将马氏距离与吸收率(AR)进行结合,构建金融系统性风险的度量模型;刘炜亮(2013)将压力测试法和马氏距离结合,将其用于度量商业银行的信用风险。马氏距离法主要基于大量的市场数据,且应用概率分布函数,符合金融市场的特征,从理论上可将其广泛应用到金融机构风险甚至系统性风险的度量中,还可将该模型与压力测试方法、吸收率、蒙特卡洛模拟法、Copula函数等进行结合,从而对系统性风险进行有效识别和度量。
(2)多元密度函数法。多元密度函数法不但可以解决线性相关问题,还可以解决非线性问题,通常采用最小叉熵法进行分析,符合金融市场数据的要求,可用于系统性风险的度量。Segoviano和Goodhart(2009)提出利用银行多元密度函数来测度系统性风险,该方法为度量金融稳定性提供了思路;Dimitrios Bisias等(2012)利用多元密度估计法对U.S.银行系统、U.K.银行系统和世界银行系统的系统性风险进行实证分析,发现关联性在金融风险的传播过程中起重要作用,同时还对主权国家间的系统性风险进行分析,发现系统性风险与地理位置存在一定关系;Solange Maria Guerra等(2013)将多元密度函数与未定权益分析法和聚类分析法相结合构建模型,对单个机构的金融风险和金融系统性风险进行度量,并指出该方法可用于系统重要性金融机构的度量和识别;叶五一、缪柏其(2009)构建阿基米德Copula函数利用变点检测方法检验金融风险的波动溢出效应,并通过两变量之间的尾部相依性对金融风险的传染程度进行度量;李堪(2012)采用非参数-MLE估计方法对时变Copula函数进行估计,研究了美国次贷危机前后中美、中英金融市场之间的风险传染效应及其影响程度。多元密度估计法适用性较强,因此在后续研究中,可以考虑将其与其他度量模型进行结合,对模型进行相应改进,在研究对象上也可进行相应拓展。
(3)Co Va R方法。Co Va R是Va R方法的补充,是利用条件概率对某一分位数下损失值进行度量的方法。Adrian和Brunnermeier(2010)首次提出运用条件在险价值Co Va R方法来度量系统性风险;Dimitrios Bisias等(2012)利用分位数回归技术对Co Va R进行求解,运用系统贡献率度量系统重要性机构,并指出可以利用Co Va R方法构建系统性风险预警模型;Carole Bernard等(2012)将Co Va R和SES进行对比分析,发现两种方法存在内在联系;Nikolaus Hautsch等 (2011) 基于条件在险价值Co Va R理论提出了度量金融机构边际贡献率的时变动态度量方法,并采用多因素分位数回归模型对各机构的时变系统性风险进行实证,在一定程度上实现了纵横两个角度的分析;Tobias Adrian等(2011) 分别用GARCH模型和分位数回归方法对该理论进行求解,并比较了两种方法的优缺点;郭卫东(2013)、杨有振和王书华(2013)等分别运用分位数回归技术对Co Va R值进行求解,度量中国上市商业银行的系统性风险,并利用该方法对系统重要性金融机构进行识别和度量;孙文婷 (2013)将Granger因果关系与Co Va R方法结合,分析系统性风险的传染方向及影响程度;韦文斌(2012)对Co Va R和MES模型进行实证比较,得出两模型之间的内在关联性。
对于Co Va R方法的研究,国内更倾向于实证方面的应用,多注重线性模型的构建,国外更注重基础理论的研究, 同时该方法要考虑特定分位数下的损失状况,容易忽略某些极端状态下的风险情况,且不具有可加性,因此后续研究应注重模型的改进,将该方法与其他方法进行结合,避免该方法的缺点,并将该方法应用于其他研究对象。
(4)Co-Risk方法。Co-Risk方法用于检验各金融机构CDS之间的相关性,该方法可以考虑变量间的非线性关系。Dimitrios Bisias等(2012)利用Co-Risk方法进行实证得出金融危机期间各变量间的影响加强,同时还指出该方法可用于系统重要性金融机构的度量和识别;Kay Giesecke等(2010)利用Co-Risk方法构建模型并对系统性风险进行分析;朱元倩等(2012)提出Co-Risk模型实际是Co Va R方法非线性关系的一种实现,并可运用分位数回归技术进行求解;胡海峰和代松(2012)利用Co-Risk模型对系统性风险进行实证分析,得出该方法应用条件较为苛刻、适用性较低的结论。Co-Risk方法应用信贷违约掉期数据进行分析,且应用条件相对苛刻,所以研究相对较少,在后续研究中可对Co-Risk方法进行改进。
(5)系统预期 损失(SES)和边际预 期损失(MES)。 Acharya等(2010)指出系统预期损失(SES)可用来度量金融机构的系统性风险,并通过计算某机构的边际预期损失MES来分析系 统重要性 金融机构 。 Dimitrios Bisias等 (2012)通过将机构的MES和LVG构建模型对其系统性风险进行实证分析,并构建预警模型,实证得出该模型的预警效果较好;Carole Bernard等(2012)对Co Va R、SES和MES进行实证分析,得出各方法之间的内在联系;Christian T. Brownlees等(2012)利用动态模型对MES、杠杆率和规模进行评估,构建SRISK指数,对系统性风险进行度量;胡海峰、代松(2012)将MES与Co Va R、夏普利值等方法进行比较,阐明各方法的应用范围及其求解过程;赵进文、韦文彬 (2012) 将MES与GARCH理论结合建立面板数据回归模型,对我国银行业系统性风险贡献度进行实证研究;范小云等(2011)通过利用SES和MES模型对我国金融机构边际风险贡献程度进行测度,发现边际贡献率具有明显的周期性特征。
SES和MES方法可对系统性风险的极端状况进行有效度量且具有可加性,很好地弥补了Co Va R方法的缺陷, 还考虑了金融机构杠杆率对系统性风险的影响,可对金融机构的边际贡献率进行预测,成为系统性风险的预警模型。但对于该模型的研究仍存在较大空间,在后续研究中可试图将该方法与其他模型进行比较分析,以在理论模型和实证研究方面进行相应的改进。
(二)网络分析测度网络分析法是利用机构间双边资产负债敞口,通过模拟金融机构网络体系中单个或多个机构作为系统性风险诱发因素导致的金融机构破产数量、破产损失以及诱发系统性危机的难易程度,衡量金融体系的传染风险及其单个银行对银行部门的系统性风险贡献和相对系统重要性程度。
(1)网络分析法和系统金融关联测度。Mistrulli(2011)、 Upper(2011)、IMF等(2009)分别对网络分析法进行论述, 指出该方法主要用来测度金融部门的系统性风险、单个金融机构的系统重要性以及对系统性风险的贡献程度,同时还指出由于数据较难获得,其适用性较低;Dimitrios Bisias等(2012)利用该方法对金融机构多米诺骨牌效应恢复能力的重要性测度进行分析,并度量机构间各水平下的潜在损失,提供损失间传染的可视化分析,同时指出该方法要求机构间金融数据的可得性较高,并假定模型是一种静态过程,从而降低了模型的适用性;陈兵、万阳松(2008)对基于信用链接的银行网络中风险传染进行介绍,并从经济、 物理的角度出发,构建新的模型对银行间的风险传染进行度量分析;谭洪涛等(2011)利用夏普利值法、级联效应法和网络分析法对机构的系统重要性进行分析,得出网络分析法可反映机构间的内生多次反馈性,避免了一站式分析,克服了一定的片面性和不完整性。
由理论可看出,网络分析法与矩阵模型、最大信息熵、 概率密度分布等存在相似点,因此可将其与模糊数学、贝叶斯概率网络分析,甚至与多维藤Copula函数和图论等相应理论进行结合,以对模型进行改进。
(2)Granger-Causality网络和主成分分析法。Granger因果关系是检验风险传染方向的一种有效方法,由于金融数据的复杂性,在对多个变量进行分析之前需利用主成分分析法判定主要影响因素,从而对主成分之间的因果关系进行检验。Billio等(2010)利用主成分分析法和Granger因果关系法对对冲基金、银行、债券和保险业之间内在联系进行实证,发现金融危机期间各部门的关联性增强,并指出其具有一定的预警作用;Dimitrios等(2012)利用该方法分析各部门间的风险传染方向,并对非线性Granger因果方法进行介绍,最后利用各部门风险指标构建加总的系统性风险指数对系统性风险进行度量;Kritzman等(2010)将主成分分析法和吸收率相结合对资产的回报值进行分析,并对系统性风险进行实证研究;谢志超、曾忠东(2012)利用Granger因果关系检验、脉冲响应函数和方差分析等对危机的传染效应和传染强度进行实证分析;孙文婷(2013)利用Granger因果关系和Co Va R方法对中国内地和香港银行业的系统性风险进行实证,得出内地和香港银行间的差异性。虽然已有文章对非线性Granger因果关系进行论述,但实证方面应用仍较少,在后续研究中,应对非线性Granger因果检验进行研究,并对模型进行相应改进。
(3)银行融资风险和冲击的传播。Fender和Mc Guire (2010)指出在关注整体风险的同时,也应对个体间的风险进行评估,合并的资产负债表可能会对融资风险产生误导,同时指出可构建网络模型对银行间的融资风险和冲击传播进行度量分析;Dimitrios Bisias等(2012)利用加总的资产负债表和某机构的资产负债表,对美元资金缺口的上下界进行介绍,并对银行融资风险进行评估,实证发现某机构的融资风险比加总的资产负债表所体现的风险更大;国内学者对于各机构融资分析也不少,但主要集中于单个金融机构的金融融资风险,较少将单个机构与系统性风险相联系,因此对于该方面的研究,可以作为度量系统性风险的一个新的研究方向。
(三)未定权益和违约测度2009年国际货币基金组织提出可对某一金融机构构建违约概率测度模型,利用联合概率密度函数对系统性风险进行度量,并使用机器学习方法、非线性非参数的表外预测模型对该方法进行求解。
(1)违约强度模型。Giesecke和Kim(2009)提出利用 “违约率”或“违约强度”对金融机构间的系统性风险进行度量,实证发现,当某一金融事件触发,违约率上升,从而很好地反映出风险的波动溢出效 应 ;Dimitrios Bisias等 (2012) 将该方法与蒙特卡罗模拟、Va R等方法结合,利用1970~2008年各企业的数据进行实证分析,发现其对样本外预测具有一定的真实性;李倩等(2013)将违约强度模型应用到供应链金融领域,建立了违约强度传染模型,从而对企业间的联合违约概率进行求解。由于违约强度模型主要基于概率密度函数,因此在后续研究中可考虑将该方法与Copula方法、多元密度函数、网络分析法等进行结合,对模型进行相应改进。
(2)未定权益分析。Gray和Jobst(2010)提出使用未定权益分析法对系统性风险和某机构的系统贡献率进行度量,并就政府部门和36个大型金融机构进行实证分析; Dimitrios Bisias等(2012)利用n个机构的加总得出整体的系统性风险,并将其与极值理论(EVT)进行结合,构建系统性未定权益模型(系统性CCA),用以度量极值状态下机构的系统性风险;宫晓琳(2012)通过利用未定权益分析方法对我国2000~2008年间的宏观金融风险进行度量,分析了国民经济各机构部门风险敞口的动态演变情况;吴恒煜等 (2013) 利用拓展的未定权益分析法对我国银行业系统性风险进行度量,分析我国银行业系统性风险的动态演化过程,实证得出该方法能动态刻画银行体系的风险状态。
(3)隐含违约期权概率(i Po D)。Capuano(2008)提出,利用最小叉熵法对股票期权的违约概率进行度量的隐含违约期权概率模型,该方法可以很好地描述期权的峰值和谷值信息,并对整个股票价格信息进行分析;Dimitrios Bisias等(2012)将其归类于预警模型,并利用各金融机构的数据进行实证分析,利用期权价格的变动来表示市场的变化。 该方法研究相对较少且研究对象单一,仍需进一步提高。
(4)房地产行业模拟分析模型。Khandani和Merton (2009)通过分析房屋价格、利率和再融资机会三者之间的关系发现,房屋价格的升高、利率的降低和再融资机会的减少是同步发生的,三者之间的关系凸显了房屋杠杆作用的“棘轮效应”,因此指出可通过分析房地产行业的变化对系统性风险进行度量;Dimitrios等(2012)通过分析得出所有房屋的担保总价值公式和所有房屋的加总敏感公式,并利用现金与非现金的加总敏感公式比率对系统性风险进行度量,得出房地产行业的杠杆效应对系统性风险的影响;邓彪(2012)结合Granger方法、VAR方法,并利用情景压力测试,对银行业和房地产业间的系统性风险进行分析,并对房地产行业的发展给出相应建议。目前我国房地产行业呈现出极大的不平稳性,各地房价均出现不同程度的浮动,因此有必要对房地产行业的系统性风险进行分析。
(5)陷入困境的保险费模型。Huang等(2009)提出使用陷入困境的保险费模型(DIP)对系统性风险进行度量,它表示当某一金融风险事件发生时,某机构所应承担的责任。该模型往往被用于系统性风险的预警分析,还可用于度量某机构对整个系统性风险的边际贡献率;Dimitrios等 (2012)在原有研究的基础上对该方法进行扩展。依据经济学理论,该模型对于单一风险的测度已得到广泛应用,结合整个金融系统的特征,该方法对于整个系统性风险的测度也是有效的,在后续研究中应对其进行深入研究。
(四)非流动性测度
(1)会计准则和流动性定价。Dimitrios等(2012)指出, 对于会计准则而言最突出的系统性风险事件是股票甩卖出售传染的潜在风险,其可以压低市场价格从而达到去杠杆化效果;Adrian和Shin(2010)提供了顺周期杠杆效应的实证分析,发现市场单侧性的回购增长对市场的波动性有很强的预测能力;Sapra(2008)考虑会计的历史性原则和会计准则之间的权衡,对系统性风险的传播进行分析。
(2)非流动性的噪音信号。Hu,Pan和Wang(2010)考虑市场上套利资本的数量和美国国债市场上价格偏差的潜在影响,从而发现套利资本与高流动性和低信贷风险间的关系;Dimitrios Bisias等(2012)给出了相应的噪音信号计算公式,用以表示市场危机的严重程度,并利用每日债券价格和收益率数据进行实证研究。
(3)基于股票市场和对冲基金市场时间序列相关性和非流动性的测度模型。Khandani和Lo(2011)提出了度量股票市场非流动性的两种测度方法,一种是基于反向交易策略的度量模型,一种是构建线性回归模型求解lambda值的求解方法;Dimitrios Bisias等(2012)利用每日评估价格影响系数的横断面数据给出了市场流动性的加总测度公式,并利用2007年7月2日到2007年9月28日的纽约交易和引用数据进行实证分析;此外,有学者从对冲基金回报值序列的相关性及其流动性角度对相应的系统性风险进行度量分析;国内学者更多的是将流动性风险溢出效应对某一单一风险或某单一研究对象进行研究,还有将流动性溢价与资产定价模型进行结合,对某资产组合的内在风险进行分析,但从非流动性角度对整个金融系统的系统性风险进行分析的研究相对较少,因此在后续研究中,可将非流动性测度作为度量系统性风险严重程度的一种度量模型。
(五)宏观经济测度宏观经济非常复杂,在没有假设的条件下从基本结构宏观经济数据方面获得有用的信息几乎是不可能的,在各假设下就业务、信贷周期、失业、通货膨胀和经济增长等方面,构成大量系统性风险的宏观测度模型,Reinhart和Rogoff(2009)对资产价格指数、GDP增长率、金融危机下的公共债务等变量间的宏观总量进行有效的比较;Borio(2010)、Caruana(2010)等分别对宏观审慎监管的 相应原理 和度量方 法进行详 细介绍 ;Alessi和Detken(2009)根据一些金融指标构建简单的早期预警模型, 并利用极值理论进行实证分析;Alessi和Detken (2009)使用繁荣和萧条时期资产价格的变化来度量系统性风险的严重程度;Borio(2009)使用房地产价格、股票价格和信贷指标构建宏观经济早期预警指标预测银行部门的危机程度;Dimitrios等(2012)对宏观经济测度的相应理论进行详细介绍,并就某些方法给出了系统性风险的度量模型或度量指标,利用相应领域的数据进行实证研究。
宏观审慎政策的制定是保障整个金融系统安全的主要途径,各学者分别从宏观层面对系统性风险的引发因素、传染途径、影响进行相应研究,但其研究内容多停留在理论方面,数理统计模型研究较少,因此为确保金融系统的稳定,应对宏观金融稳定给予更多的关注。
三、结论
2008年全球金融危机的爆发,使系统性风险的度量再次成为学者关注的焦点。由于金融环境的特征和研究视角的差异性,系统性风险的度量方法也不尽相同。本文将国内外学者对系统性风险度量方法的定义、基本理论、模型、 实证分析等进行详细介绍,通过对各方法进行比较,得出国内外学者在系统性风险研究方面的差异性,相较而言, 国外学者更注重模型本身的改进,并试图研究方法之间的关联性,而国内学者对系统性风险的理论研究较少,更注重实证分析,且研究对象较为单一。在后续研究中,我国相关学者应结合国外学者的研究成果,对各度量模型进行更深入研究,并分析各模型间的差异性和内在关联性,对模型进行相应的改进,使之更符合金融市场的要求。
摘要：2008年美国金融危机的爆发,再次引起了全世界对金融风险甚至是系统性风险的高度关注。本文在以往研究的基础上试图对系统性风险的相关理论和度量方法进行评述,分析各模型的应用范围和内在关联性,并分析国内外学者研究的差异性,旨在为后续研究提供思路,并为国内甚至整个金融机构宏观经济政策制定提供依据。
【度量模型】相关文章：
度量评估模型09-13
信用风险度量模型综述06-02
现代信用风险度量模型07-10
基于KMV模型的信用风险度量研究——以制造业上市公司为例09-12
我国固定资产投资加速模型的研究——基于“十一五”至“十二五”期间样本数据的度量02-27
风险度量06-23
度量空间05-19
度量分析07-25
科学度量08-27
质量度量09-08