风险评价方法分析

【摘要】所谓风险指的是一种不确定性，是由于不确定性引发的实际结果与预期结果产生的偏差，这种偏差通常会使风险承担主体遭受一定的损失。

【关键词】风险评价 风险管理 统计分析

如何对风险进行度量，是风险管理的核心内容。对信用风险度量评价方法的研究基本上伴随着商业银行的产生就开始了。近几十年来，对信用风险评价的探索经历了几个发展阶段，从比率分析法，到统计分析阶段，再到目前的人工智能分析阶段，各个阶段的方法都有很多。目前比较通行的有统计分析法中的判别分析、回归分析等，有人工智能方法中的神经网络分析贷款信用等级评估等方法。新巴塞尔协议允许各个银行结合自身的特点，在监管部门的指导下开发符合自身实际的风险评估模型。本文将对目前比较通行的风险评价方法进行介绍。

一、统计分析方法

（一）判别分析。

判别分析法是建立在大量的研究样本数据的基础上的一种风险评价方法。这一方法根据事先规定好的分类方法，对某一研究对象的众多解释变量的特征值进行计算，根据其特征值结果判断该研究对象归属哪一类别。按照一定的原则建立判别模型，通过对大量样本数据的计算，估计模型中的位置参数，根据模型判断样本的归类问题。判别分析包括线性判别分析和最大化组变量的二次判别分析。在信用风险评价中，通常将客户分为有违约风险和无违约风险两类，通过搜集客户资料，观察样本数据资料中的各解释变量的特征值，建立判别函数，检验样本归类，来分析客户是否具有违约风险。

判别分析法能够同时分析和时间有关的变量的分布，并且能够降低空间的维度。但是，判别分析法需要的大量的样本数据的支撑，在现实中通常很难满足。并且，理论上不能很好的解释判别分析中正态分布的形成原因。此外，当样本变量中既有连续型变量又有离散型变量的时候，用该方法得出的结论也并不是最优的。

（二）逻辑回归分析。

逻辑回归是一种非线性的统计判别方法，通常运用于对某一因变量进行定性分析，对变量进行赋值，例如0和1。逻辑回归分析方法与判别分析方法的区别在于，逻辑回归的假设前提要少得多，没有限制变量非线性，便于操作。并且，当逻辑回归可以满足判别分析的线性变量假设的前提时，两者的判别结果类似，且逻辑回归分析比判别分析要简单的多。但是，逻辑分析也有其自身的缺陷之处。该模型对风险的评估是各个解释变量的相对风险的乘积，而非叠加。并且，该模型无法采用极大似然估计对模型参数进行估计，当样本规模小于200时，还需要对参数进行有偏估计。

（三）非参数分析方法。

非参数统计分析方法中主要有聚类分析和K-临近判别分析。

聚类分析是将分析总体分成很多个类别，将相似成分聚合到一起进行分析的统计分析过程，是一种非常重要的统计分析方法。简单的说，这种分析方法就是将相似事物归纳在一起的一个过程。在对信用风险分析的过程中，聚类分析方法通过对样本客户的指标数值进行计算，得出样本的空间距离，并据此对客户进行分类。聚类分析方法对样本总体的分布没有具体的要求，既可用作定量分析，也可用作定性分析，实用性较强，较为适合对没有具体分布规律的客户进行信用风险的研究。因为信用风险的研究指标本身就是既有定量的，又有定性的，且不一定服从某种类型的特定分布。

K-临近判别是通过计算样本距离，找出与该样本距离最临近者，然后根据最临近者的类别对样本类别做出判断的一种非参数分析方法。这一分析方法是根据计算值找出K个样本距离的临近者，根据这几个临近者建立判别函数，通过判别函数进行决策。通常K的取值为基数，以避免出现因样本与临近者距离相同而无法决策的问题。这种分析方法原理十分的简单，便于理解，但是实际操作中却存在一些困难，其中最大的缺点就是样本计算量太大，不便于操作。在后来的研究中，有学者提出了改进的临近判别方法，用于对信用风险进行评价研究。在此不作过多介绍。

二、人工智能分析方法

（一）专家评判法。

专家评判法是指金融机构依靠专家的主观评判，来衡量一笔贷款的信用风险大小的方法，这一方法的典型代表就是SC法和SP法，SC法和SP法都是和贷款人信用状况相关的五个重要因素的简称，通过因素的特性对贷款客户进行还款能力和还款意愿的分析，并评估该客户的信用状况，进而做出合理的贷款决策。

这一方法是目前我国商业银行在判断信用风险中运用的一种主要方法。这一方法的最大问题在于，在运用该方法对不同客户进行信用风险判断的时候，如何选取影响因素。是根据不同客户设计不同的影响因素模型还是建立一个统一的风险评价标准，按照这一标准对不同客户进行判断。当影响因素选定之后，如何确定各因素的权重，也是该方法存在的一个问题。通常，各个因素的权重都是由专家主观判断的，不同专家对于各因素权重的大小会给出不同的结论。这一问题的存在，势必会造成该方法的准确性和客观度受到影响。该方法的主观臆断成分过于严重，因此，在信用风险的评价中需要慎重使用。

（二）神经网络系统。

神经网络系统是一种抽象的模拟信息处理系统，根据人脑的构成和功能，通过大量神经元的连接，构成的一个丰富完整的非线性的计算机制，其结构包括输入层，中间层以及输出层和传递函数。神经网络系统是一个多层级的信息传播网络，是从输入层到输出层的一种非线性映射。由于与人脑结构类似，该系统具有良好的容错能力。在数据方面，神经网络系统不需要数据呈一定的分布形态或是具有一定的函数关系，因此，该系统广泛的应用在贷款的信用风险评价之中。这也是一种分类研究。使用一组影响因子构成输入层，建立信用风险评估模型，将某一贷款客户的影响因子输入模型，就可对其信用风险进行判别。最常见的一种方法就是利用多元线性判别方法进行商业银行贷款信用风险评价。

三、组合预测法

这一方法最早于1969年由J.M.Bate和C.W.J.Granger提出[26]，这一方法的最大特点在于提高预测准确度。这种方法是将几个不同的判别模型按照一定的原理确定权重之后组合起来，形成一个组合判别模型，利用各个模型的优点，充分对样本进行判断，以达到减小误差，提高准确度的目的。

信用风险的判断可以视为一个预测客户是否会违约的预题，并根据预测结果为决策者提供是否放贷的依据。经过几十年的发展，这一方法取得了很大的成就，其中比较典型的模型是Grange和Ramanihan提出的线性组合预测模型以及Kamstra和Kennedy提出的非线性组合预测模型。但是，如何能够在模型的选取上更加优化，权重的确定更加科学，仍然有待研究。

四、风险价值模型

目前国际国内金融界较为通行的对风险进行度量的模型是VaR模型，即风险价值模型。该模型最早于1994年由JP摩根银行提出，一经提出，该模型迅速在国际金融界得到推广，成为各评级机构及金融机构评价金融风险的重要模型之一。

VaR为在一定的置信水平区间下，某一金融资产或投资组合在未来的某段特定时间内可能遭受的最大损失。其表达式为：

其中， 是指某一金融资产在持有期内的损失， 是在置信水平 之下，金融资产处于风险中的价值。在计算 时，必要的两个参数是置信水平和持有期，缺少其中任何一个因素，其计算将没有意义，这两个参数是需要主观评定的。通常状况下，金融机构对某一金融资产或投资组合的持有期是一天或一个月，也可能更长，例如一个季度或一年。持有期的长短主要取决于金融机构的流动性水平及头寸调整。若某一金融资产或投资组合的流动性较弱，则可适当考虑长期持有，反之，则宜短期持有。头寸调整指的是持有的投资组合的持有期要与该投资组合内的金融资产的持有期相同。此外，持有期越长，要求的数据也就越多，因此，数据也在一定程度上约束着持有期的长短。置信水平的选取则取决于有效性和风险资本的需求。置信水平的高低与 计算结果的有效性成反比，置信水平越高，则计算所得结果的有效性越低，反之亦然。如果金融机构具有比较充分的风险资本，则可选择较高的置信水平。

五、压力测试法

压力测试法是一种定量分析方法，近年来广泛运用在金融机构的风险评价当中。通过对极端情况的假设，来判断风险因素变化对金融机构可能造成的影响。压力测试法通常选择某些因素作为风险因素，针对选取的风险因素设定轻度、中度、重度三种不同的压力情况，通过构建模型来判断三种情况下对某金融机构或某地区金融体系可能造成的影响。压力测试法是对风险价值模型的一种有效补充，研究了风险价值模型的厚尾情况，解释了一些风险价值模型所不能解释的现象。