前言：中文期刊网精心挑选了信用风险论文范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
信用风险论文范文1
信用风险，也称违约风险，一般是指借款人到期不能或不愿履行还贷付息协议而使银行面临贷款损失的可能性。信用风险是指信贷资金安全系数的不确定性，表现为企业由于各种原因，不愿意或无力偿还银行贷款本息，使银行贷款无法回收，形成呆帐的可能性（Murphy，2003）。具体的讲，信用风险可以分为两种情况：一是借款人或债务人没有能力或者没有意愿履行还款义务而给债权人造成损失的可能性；另一个是指由于债务人信用等级或信贷资产评级的下调、信贷利差的扩大导致资产的经济价值或者市值下降的可能性。前者主要着眼于贷款是否违约，称为违约风险。信用风险根据其定义，具有如下特征。
第一，非系统性与系统性。借款人的还款能力和还款意愿受多种因素的影响，一方面债务人自身的财务状况、投资策略和经营能力等因素决定了其能否按期履约还款。而另一方面，除了借款人自身的非系统风险之外，系统风险的也会对债务人违约产生影响，包括宏观经济状况、行业发展状态和政策法律等因素。
第二，道德风险与信息不对称对信用风险的形成具有重要作用。债权人与债务人的信用交易通常是在信息不对称的条件下进行的。债权人经常对债务人的信息掌握缺乏或者掌握错误信息，在信息掌握失衡的情况下，债务人为了实现自身的利益最大化，道德风险发生的可能性变大，即产生违约倾向，最终形成信用风险。
第三，信用风险收益的非对称性。信用风险收益的分布具有典型的非对称性，信用风险分布的偏峰厚尾特征决定了简单的应用均值和方差来衡量风险的大小是不充分的。
第四，信用风险作用于银行信贷经营的全过程，只有及时、准确地发现信用风险的诱导因素并系统、连续地掌握信用风险的特征、大小、属性及变动趋势，才能防范和化解风险。
二、信用风险四个量化因子
第一，违约概率（ProbabilityofDefault，PD），是指银行的交易对手（债务人）在未来一段时间内发生违约的可能性。对违约概率进行量化，需要我们对违约进行具体的界定。长期以来对违约的定义没有一个统一的标准，不同的用途有时会采取的不同的违约定义。新巴塞尔协议提供了违约的参考定义，违约是指以下两种情况的一种或者两者同时出现：一是银行认定除非采取追索措施，如变现抵质押品（如果存在的话），借款人可能不能全额偿还对银行集团的债务；二是借款人对银行集团的实质性信贷债务逾期90天以上。对于“不能全额偿还”，新协议又进行了六点详细阐述：一是银行停止对贷款表内计息，即借款人的贷款转为表外计息；二是由于信贷质量大幅下降，银行核销了贷款或计提了专项准备；三是银行将借款人贷款出售并相应承担了较大经济损失；四是银行同意对借款人进行消极债务重组而发生本金、利息或费用等较大规模的减免或推迟偿还造成债务规模的减少；五是就借款人对银行集团债务而言，银行将债务人列为破产或类似状况；六是借款人破产或申请破产或处于类似保护状态，由此不能履行或需要延期履行银行集团债务。
第二，违约损失率（LossGivenDefault，LGD），是指债务人一旦违约将给银行(债权人)造成的损失数额占风险暴露的百分比，它衡量了损失的严重程度，并且有违约损失率＝1-回收率。对违约损失率进行量化需要我们对损失进行具体的界定。损失的界定即损失计算的范围，对此银行业实际业务中缺乏统一定义，往往根据具体目的和需要确定，一般损失的内容包括以下几个方面：本金的损失、利息的损失、违约债务持有成本和清收费用（如托收费、律师诉讼费）等。
第三，违约风险暴露（ExposureAtDefault，EAD），也称违约敞口，指信用暴露中面临违约风险的部分。关于违约敞口最重要的一点是它是未来的敞口，即在将来面临信用风险的头寸规模。由于提款和还款的方式不同，加上存在其他不确定性因素，在贷款到期之前信用敞口经常随着时间的推移而改变。
第四，有效期限（Maturity，M），是指当前与贷款或债券到期偿还日的时间间隔。向企业放贷对银行来说是一种投资行为，与其他形式的投资一样，银行这一投资的收益受其时间价值的影响。贷款的期限越长，债务在到期之前面临的不确定性越大，风险自然也就越大。在最新的巴塞尔新资本协议中，明确的提到了期限的处理问题。
三、信用风险损失的计量
对信用风险的四个量化因子进行研究，主要目的是对信用风险可能带来的损失进行计量。对信用风险损失的计量标准有两种方法，一是基于违约式模型下的损失，即债务人已发生的违约行为而给债权人（这里主要说的是商业银行）带来的损失；二是盯市模型下的损失，即除了违约行为之外，债务人信用等级的降低或资信质量的恶化导致的潜在损失，这是因为即使在借款人信用状况恶化的情况下并没有发生违约，但是信用资产的经济价值也会因借款人信誉发生变化而受到影响。目前，对于信用风险损失的计量主要考虑预期损失、非预期损失和损失不足三种情况。
1、预期损失（EL）。预期损失是银行在经营活动中可以预期到的损失。银行在事前计提损失准备金来抵御预期损失，或者在贷款定价时将预期损失作为成本（如通过贷款利率）予以考虑。预期损失是损失的期望水平，没有考虑不确定性因素的影响。因此银行须将预期损失视为经营的成本，在贷款的定价或事前损失拨备中予以考虑。预期信用风险损失率等于违约损失率和违约概率的积。进行违约概率和违约损失率测度，可以有效提升信用风险管理水平。
2、非预期损失（UL）。又称意外损失，非预期损失是指因经济环境或市场状况异常波动等非预期事件造成的实际损失对预期损失的偏离。如果组合损失分布服从正态分布，预期损失和非预期损失的分布将与组合信用损失分布一致，因为已知一阶矩和二阶矩即可确定正态分布，那么非预期损失一般可以用预期损失的标准差来描述。但信用风险的损失分布并不服从正态分布，而是具有明显的有偏和非对称性特征。此时非预期损失对应于在险价值（VaR）与期望损失之差。
3、损失不足（ES）。意外损失不包括极端事件，极端事件指VaR置信水平以外的概率发生的损失，尽管股市崩盘、金融危机发生的概率很小，但是其造成的损失是投资者不能忽视的，而一般的统计规律不能估计极端损失，这需要采用压力检测分析这一问题，相应的提出了极值理论和一致性风险度量。损失不足即是度量超出VaR置信水平下最严重损失的平均值，它能够满足对极端损失的关注，在连续分布下，还满足次可加性、齐次性、单调性和无风险条件四个公理，是一致性风险度量手段。
四、经济资本与经风险调整收益率
以经营信贷资产为主要业务的商业银行，始终面临着风险和潜在损失问题，为了抵御这些损失的影响，银行必须配备一定的准备或者资本，又因其行业的特殊性，其资产资本构成与一般工商企业有较大的差异，银行的资本仅占其资产总额的很小一部分，同时银行除了自身主动提取风险准备以外，还要满足外部监管当局的资本要求。
第一，经济资本（EC）。经济资本是银行内部用以缓冲风险损失的权益资本。巴塞尔资本协议将经济资本笼统的定义为银行等金融机构在经营过程中所必须持有能够覆盖所有可能风险的资本数量，经济资本的数量由金融机构自己估计。经济资本的概念与在险价值（ValueatRisk，记为VaR）的概念实际上一致的。在险价值刻画了损失分布的尾部风险，其定义是在一定时期内，在某一置信水平下，投资组合的最大可能损失。事实上，银行内部测算的经济资本与外部监管当局所要求的监管资本常常是不一致的，这种不一致既可能是经济资本高于监管资本，也可能是经济资本低于监管资本。经济资本是银行内部为抵御风险而主动配备的资本，实际上是指所“需要的”资本或“应该有的”资本，不是银行已经拥有的资本，它不同于帐面资本和监管资本。虽然经济资本与监管资本都起到风险缓冲的作用，但前者是由银行管理者从内部来认定和安排的缓冲，它实际上反映了股东价值最大化对银行管理的要求；而后者则是银行业监管部门从行业监管的角度对银行资本金水平所做的要求。在风险定价方面，监管资本无法有效的区分暴露的风险差异，而经济资本做到了这一点，经济资本对风险的敏感性显著高于监管资本对风险的敏感性。所以，从理论上经营稳健的银行需要动态监测监管资本和经济资本，并保证经济资本大于等于监管资本。当经济资本高于监管要求的资本时，银行为了提高资本金的利用效率，会将超额的部分通过资本充足率的杠杆效应，扩大信贷投放；或者通过增加表外业务实现资本金的投资收益。最终使经济资本与监管资本趋于一致。当银行内部计算的经济资本要求，大大低于监管所规定的监管资本要求时，银行就会倾向于监管资本套利。监管资本套利的主要做法是通过资产证券化或其他金融创新工具将低风险资产从信贷组合中稀释出去，而从中获得收益。
第二，经风险调整收益率（RAROC）定义为净收益减去预期损失后与经济资本的比。该定义与资产组合理论中的风险收益比率即Sharp比率相似。银行除了重视估计风险潜在损失和进行经济资本配置以外，对银行的收益能力也十分重视。20世纪70年代末，美国信孚银行提出了RAROC，目的是为了度量银行信贷资产组合的风险和计算在特定损失率下为限制风险暴露必须的股权数量。后来许多大银行在此基础上纷纷对RAROC模型进行开发，从而逐渐改变了传统的以资产收益率和资本收益率为中心的业绩考核和管理体系，将风险因素充分考虑到银行的经营业务考核中。20世纪90年代，这项技术在不断完善的同时在国际上大银行间得到了广泛的推广，并逐渐成为当今金融理论界和实践中公认的最核心、最有效的经营业绩考核管理方法。我国银行业监管管理委员会在《商业银行市场风险管理指引》中指出，银行是经营特殊商品和服务的高风险企业，必须将风险因素引入到经营管理和绩效衡量中。实践表明，银行业要实施全面风险管理，就必须以经济资本为基础，建立一套有效的风险调整后的资本收益率管理体系。
【参考文献】
[1]MurphyA.：AnempiricalanalysisofthestructureofcreditriskpremiumsintheEurobondmarket[J].JournalofInternationalMoneyandFinance，2003（22）.
[2]Stiglitz，J.E.，A.Weiss：CreditRationinginMarketswithImperfectInformation[J].TheAmericanEconomicReview，1981（71）.
[3]李志辉：中国银行业风险控制和资本充足性管制研究[M].中国金融出版社，2007.
[4]孟庆福：信用风险管理[M].经济科学出版社，2006.
[5]叶蜀君：信用风险度量与管理[M].首都经济贸易大学出版社，2008.
信用风险论文范文2
（一）理论模型分析假设信用资产关联系统由2家企业组成，第1家企业是下游企业，第2家企业是上游企业。第1家企业向第2家企业采购原材料，第2家企业向第1家提供商业信用；模型时间分为2期，第t期2家企业正常经营，第t+1期第1家企业受到外部流动性冲击，发生违约，第2家企业受损。设企业信用资产为RA；非信用资产为URA；短期负债为STD；长期负债为LTD；净资产为NA。企业i（i=1，2）在t时刻的资产负债表平衡关系。假设资本市场是理性的，市场均衡的估值市净率在第t、t+1期是不变的，不妨设定为常数c。在t+1第1家企业信用违约而股价下降，并引发第2家企业股价随之下降，形成了股价联动[7]68-78。
（二）实证方法构建多变量金融时序Copula函数的关键在于，建立单变量金融时序分布模型与选择合适的多元Copula函数[32]。多元正态Copula函数不能反映变量之间的联合厚尾特征[33-34]。多元t-Copula函数可以用于研究变量之间的联合厚尾特征，其自由度越小，表明联合厚尾特征越明显[35]。1.边缘分布的确定金融资产收益率序列具有异方差、尖峰厚尾、时变、右偏与杠杆效应，适合用AR（1）-GJR（1,1）模型拟合边缘分布。2．Copula函数的选用多元t-Copula函数尾部较厚，能很好地拟合尾部相关关系[37-39]。因此，从理论上可以推断，多元t-Copula函数能够更好地度量股价的联动关系。本文使用Q-Q图、K-S检验判断单个多元Copula函数的拟合情况。同时，引入经验分布函数，构建反映拟合误差大小的平方欧式距离指标。该平方欧式距离反映了多元Copula函数拟合原始数据的误差情况。该指标值越小，说明偏差越小。3．Copula函数的时变过程与估计对于C-藤分解结构下的时变条件相关系数，Engle（2002）提出了比较常用的描述其时变过程的DCC（1，1）模型其中，ρt是t时刻的条件相关系数；向量εt是由选定的时变Copula函数边际分布逆函数转换得到的标准化残差；Q軒t是一个p×p矩阵，该矩阵对角线上的元素是Qt的平方根，其他元素为0；Qt和R分别是残差项的样本协方差与相关系数；rt是在项数为m（m>p）的移动窗中残差的相关系数。该时变Copula函数的参数估计可以由两步极大似然估计法完成[43]。第一步先利用最大似然估计法，估计边际分布AR（1）-GJR（1，1）模型中的参数；第二步对残差做概率积分转换，再利用最大似然估计法，估计时变Copula函数的参数。4.基于Copula函数的相关性分析选择合适的Copula函数后，拟合估计出其参数值，就可以利用表1中的计算式，计算出各相关系数值。在静态Copula函数中，其参数是不变的，计算出来的是静态总体相关性；如果采用时变Copula函数，参数ρt（t=1，2，…，T）是时变参数，就可以利用表1中公式，一一对应地计算出总体线性相关系数、非线性相关系数及尾部相关系数的动态时变过程。
二、计算结果与分析
（一）研究样本根据企业之间存在的信用关联，选择宝钢股份（BGGF）、必和必拓（BHP）、力拓（RIO）、上海汽车（SHQC）、上港集团（SGJT）、山西煤电（SXMD）、青岛海尔（QDHE）和中国船舶（ZGCB）在内的几家企业作为研究样本，研究这些企业从2001年1月2日至2011年4月28日之间的股价联动。列出了6个样本企业股价收益率序列数据的描述统计指标。由表2可知，6个变量的峰度都在10以上，呈现尖峰分布，其中，SGJT收益率分布最尖；BHP、RIO、SHQC、SGJT的偏度都大于0，其中，SGJT收益率分布右偏程度最大；BGGF、XSMD的偏度小于0，说明与正态分布、t分布相比较，适合选用左偏的t分布拟合样本收益率数据。
（二）边际分布拟合检验根据white检验结果可知，3个统计量的P值都拒绝“不存在异方差”的原假设，说明异方差比较突出。表明收益率序列适合选用ARCH模型。本文中的边际分布选用带有杠杆效应的AR（1）-GJR（1，1）-Skewt模型。其模型估计的参数值如表3所示。从AIC、BIC、LL值看，AR（1）-GJR（1,1）-Skewt模型的有效性好于AR（1）-GJR（1，1）-t模型①。8个序列的自由度估计值都比较小，说明它们的分布都具有厚尾特征，其中上港集团的尾部最厚。另外，使用时变Copula函数估计时变条件相关系数时，需要把序列数据通过概率积分转换为U（0，1）分布序列。本文对边际分布拟合情况还进行了独立性检验与同分布检验。拉格朗日乘数检验结果表明，在5%显著水平下，这8个序列都不存在自相关，可以认为转换后的序列相互独立；非参数K-S检验结果表明，转换后的8个序列在5%显著水平上服从U（0，1）分布。这些结论表明，边际分布采用AR（1）-GJR（1，1）-Skewt模型非常合理。
（三）利用多元t-Copula函数静态度量股价的联动效应常用的固定参数多元Copula函数包括多元正态Copula函数和多元t-Copula函数。在这两个函数的Q-Q图中，本文无法区分其拟合优劣；而由多元正态Copula函数的K-S检验可知，在0.01显著水平上拒绝原假设，说明多元正态Copula函数不能很好地拟合多元时序数据；而多元t-Copula函数拟合该的多元数据序列。从Copula函数与经验分布函数之间的平方欧式距离来看，多元正态分布Copula函数的平方欧式距离为0.3873，多元t分布Copula函数的平方欧式距离为0.0568，多元t-Copula函数可以较好拟合该股价原始数据的经验分布情况，与理论分析一致。根据各样本收益率序列的条件边际分布，利用多元Skewt分布函数与多元t-Copula函数之间的关系，信用资产关联各企业股票收益率之间的多元t-Copula函数非线性相关系数如表4所示。从表4可以看出，受中外股市之间的一体化约束，宝钢股份（BGGF）与必和必拓（BHP）、力拓（RIO）之间，必和必拓（BHP）、力拓（RIO）与上海汽车（SHQC）、上港集团（SGJT）、山西煤电（SXMD）、青岛海尔（QDHE）、中国船舶（ZGCB）之间的相关系数都很低，但其他信用资产关联企业之间的相关系数都在0.5左右，存在中等程度的正相关联动现象。
（四）利用时变多元t-Copula函数度量股价的联动效应不同边际分布下时变t-Copula函数的相关系数时变方程参数估计值如表5所示。从AIC、BIC、LL值看，对于条件相关系数的时变过程G-DCC、t-DCC，边际分布选用AR（1）-GJR（1，1）-Skewt模型最合理，但时变G-DCC过程拟合效果最差，t-DCC过程则最好。本文选用AR（1）-GJR（1，1）-Skewt模型作为边际分布，选用时变过程为t-DCC的多元t-Copula函数为多元连接函数，动态拟合计算动态条件相关系数，得到8个按照C-藤结构分解的pair-copula函数的时变无条件相关拟合的AIC、BIC、LL值分别是-7158.6、-7141.7、3582.3。利用这28个时变Copula相关系数的时间序列数据，计算出相对应的时变等级相关系数、秩相关系数与尾部相关系数的时间序列，如表6所示。从表6可以看出，4个相关系数都显示出，股价呈现低度正相关性，具有弱板块效应；时变Copula相关系数的集中趋势值最大，尾部相关系数最小。但是，时变Copula相关系数的绝对离散波动程度、波动幅度最大；从离散系数、极差/平均值的结果可以看出，尾部相关系数的相对离散波动程度最大。从时变Copula相关系数可以看出，在C-藤结构下条件相关系数的均值在0.0583~0.7376之间，呈现出弱相关关系，因为条件相关系数有正值、负值，相关方向存在转换，正负抵消导致简均值的结果较小。其他16个条件相关系数均为正值，平均值在0.5左右，呈现出中等强度的相关性。从条件相关系数值的离散指标可以看出，标准差从0.0573~0.1042，绝对变化范围从0.2628~0.5706，最大相对幅度变化范围从0.4899~6.2644，说明条件相关系数的时变性较强。为了观察条件相关系数的时变特征，本文也分别在标准差最小与最大、离散系数最小与最大、波幅最小与最大等6种情况下，计算了时变Copula函数度量的4个时变相关系数，均表现出相同的变化趋势，而且在常态相关性走强时，股价板块效应的作用愈加强大，同时暴跌暴涨的相关性走强；在常态相关性走弱时，股价板块效应的作用减弱，由一家企业股价大幅涨跌引发的信用资产关联企业同时暴跌暴涨的相关性走强。
三、结论
信用风险论文范文3
用logistic回归模型对客户信用风险进行预警，主要包括两部分内容，一是对样本财务指标数据进行因子分析，筛选出logistic回归的关键自变量，二是建立logistic回归模型，用于对客户违约情况进行风险预警。
（一）样本选取与简单描述性统计。本文数据来源于国内某商业银行的信贷系统，以2006年的化工业为例，从中选择了2457个小微企业非上市公司样本，其中48个违约样本，2409个非违约样本。对于样本公司，本文从偿债能力、盈利能力、营运能力、成长能力、现金流量以及规模等六个方面，选取了15个财务指标，对小微企业非上市公司的经营现状进行因子分析，从中找出最能反映公司经营特点的少数公共因子，进而为后续的Logistic模型风险预警提供解释变量。选取的15个财务指标如表1所示：在选取样本时，本文首先运用SPSS16.0软件对数据进行了异常值剔除处理，步骤如下：首先对选定的15个财务指标进行标准化，除指标量纲的差异，然后将每个指标的标准化值的绝对值大于或等于3的样本视为异常值加以剔除；对剔除后的样本，重复进行指标标准化处理、检验异常值、剔除异常值，直至无异常数据为止。本文重复了5次异常值剔除处理，最终筛选出2457个合格样本，用于因子分析。下表2为数据的简单描述性统计量。
（二）因子分析1.因子分析的适用性检验。因子分析要求变量间具有相关性，本文在进行因子分析前，主要采用KMO检验和巴特利特球度检验方法对变量进行相关性检验。表3为运用SPSS16.0软件运行得出的检验结果。从表中可以看出KMO检验统计量的值等于0.633，其大于0.5，证明适合作因子分析。同时巴特利特球度检验值为27600，其相伴概率为0.000，在5%的显著性水平下极其显著，说明相关系数矩阵不是单位阵，即变量间存在相关性，适合作因子分析。2.确定因子数目。构造因子变量首先要确定因子数目，本文采用特征值大于1的标准提取公因子，同时通过碎石图直观判断公因子数目。首先，运用SPSS16.0软件运行得出因子分析的特征根和方差贡献率，如下表4。表4中，三部分分别为初始因子、因子提取后以及经过方差最大旋转后的相关系数矩阵的特征根、方差贡献率以及累计方差贡献率。从第三部分可以看出，依据特征值大于1的标准，共提取6个主因子，且前6个主因子的方差贡献率依次为21.501%、17.884%、11.366%、10.71%、10.509%、8.762%，累计方差贡献率大于80%，说明前6个主因子可以解释变量的大部分信息，从而把前6个公因子作为评价样本公司的综合指标，降低了公司综合评价的指标维度，为后续Logistic回归提供了解释变量。其次，建立碎石图判断因子数目。首先将特征根从大到小排序，序号相应为1，2，…，15。以横轴表示序号，纵轴表示特征值，构造出碎石图1。观察碎石图发现，特征值大于1的因子有6个，分别为F1，F2，…，Fn，这与表3-4确定的因子数目一致。3.估计因子载荷矩阵。运用SPSS16.0软件运行得出初始因子载荷矩阵，由于无法确定公共因子的经济意义，使用方差最大化旋转法对初始因子载荷矩阵进行旋转，可得到旋转后的因子载荷矩阵，如表5所示。通过旋转，各个公因子有了较为明确的经济含义：第一个公共因子F1，其在指标X5（总资产报酬率）、X6（净资产收益率）、X7（息税前利润/总资产）、X8（息税前利润/主营业务收入净额）上有较大载荷，命名为“盈利能力因子”。第二个公共因子F2，其在指标X1（资产负债率）、X2（产权比率）、X3（流动性比率）上有较大载荷，命名为“偿债能力因子”。第三个公共因子F3，其在指标X11（所有者权益增长率）、X12（总资产增长率）、X14（现金流量比率）上有较大载荷，命名为“成长能力因子”。第四个公共因子F4，其在指标X13（现金比率）、X4（速动比率）上有较大载荷，命名为“现金流量因子”。第五个公共因子F5，其在指标X9（总资产周转率）、X15（总资产）上有较大载荷，命名为“总资产营运能力因子”。第六个公共因子F6，其在指标X10（应收账款周转率）上有较大载荷，命名为“应收账款周转率因子”。4.计算因子得分。表6是通过主成分回归方法估计出的因子得分系数，用表中各公共因子对应的得分系数分别乘以各变量标准化值即可得到各公因子对应的得分序列。
（三）Logistic实证分析1.建立Logistic回归方程。设被解释变量y为0-1型随机变量，当样本违约时y取1，非违约时y取0，另以6个公共因子F1，F2，…，F6作为解释变量，建立Logistic回归模型，回归方程的形式如下：2.Logistic模型参数估计。运用SPSS16.0软件对因变量Y和自变量F进行Logistic回归建模，选择逐步向前回归分析法，筛选出回归系数比较显著的自变量进入模型，剔除回归系数比较显著的自变量进入模型，剔除回归系数不显著的自变量。本文参数估计结果中已剔除回归系数不显著的因子F2，F3和F6，保留了因子F1、F4和F5，最终获得的参数估计结果如下表7所示：表7中，Wald统计量用来检验回归系数是否显著，Sig是Wald统计量的相伴概率，结果显示因子F1，F4和F5的Wald值、Sig值在1%的显著性水平下极其显著，说明模型拟合较成功。3.Logistic回归违约率（）判别分析。判别分析的目的是为了检验模型建立的准确性，为风险预警做准备。具体方法为运用已建立的Logistic回归方程（3.3），得出各样本的违约概率值，以违约概率0.5为判别临界点，>0.5计入违约组，<0.5计为非违约组，运用SPSS16.0软件运行得出模型违约组和非违约组的判别结果如下表8所示。上表显示，Logistic模型总的判别准确率为98%，其中非违约组2409个样本全部判别为非违约，判别准确率100%；而违约组48个违约样本全部错判为非违约，判别准确率0%。由于通过估计违约概率来识别违约样本的结果不理想，我们寻找其他能提高违约样本判别准确率的方法。4.Logistic回归残差（ZREi）判别分析。回归方程的残差gi是指实际观察值yi与通过回归方程估计出的回归值yi之差。残差可以分为普通残差gi、标准化残差ZREi=giσ，一般用于判断异常值，判断标准为将超过±2σ或±3σ的残差视为异常值。由于普通残差ei的方差不相等，不适合直接用来做判断，一般将普通残差标准化，使残差具有可比性，从而用标准化残差ZREi来进行判断。本文将残差异常值的判断与样本的违约性判断联系起来，进而通过识别回归残差的异常值来判断样本的违约性。运用SPSS16.0软件输出所有样本的标准化残差ZREi，将用ZREi＞2和ZREi＞1两个标准，分别进行违约识别，对比分析判别结果的准确率，进而选取准确率更高的判别临界点。在ZREi＞2的判别标准下，判别结果为：违约组48个样本中，标准化残差值均为正值，且大于2，判为违约组，判别准确率100%；非违约组2409个样本中，标准化残差值均为负值，且绝对值小于2，全部判为非违约组，判别准确率100%。在ZREi＞1的判别标准下，判别结果与ZREi＞1的判别结果完全一致，违约组和非违约组的判别准确率均为100%。
（四）Logistic模型样本外预测。为了检验模型的预警能力，本文根据2006年建立的Logistic回归方程去预警2007年的客户违约情况。选取2007年化工行业的33个样本数据，其中7个违约样本、26个非违约样本。首先运用SPSS16.0软件，将33个样本的15个财务指标数据标准化，根据因子得分系数表4-7，算出每个样本的因子得分值F1、F4和F5，代入Logistic回归方程（4.5），根据y的预测值和实际值算出普通残差和标准化残差，分别运用ZREi＞2和ZREi＞1两个标准来进行风险预警。在ZREi＞2的判别标准下，预警结果为：违约组7个样本，预警出2个违约，预警准确率28.57%；非违约组26个样本，全部预警为非违约，预警准确率100%。在ZREi＞1的判别标准下，预警结果为：违约组7个样本，全部预警为违约，预警准确率100%；非违约组26个样本，预警出25个违约，预警准确率96.15%。鉴于ZREi＞1的预警准确率明显高于ZREi＞2的预警准确率，本文将ZREi＞1作为预警样本违约的判别标准。
二、结论
信用风险论文范文4
本节对融资约束和财务柔性对企业信用风险的作用机理进行理论分析。
1.1财务柔性对企业信用风险的平滑作用柔性是Hart等在研究企业受经营周期影响时提出的概念。20世纪60年代以后，世界经济环境向复杂化、动态化趋势发展，柔性生产、柔性管理等问题才开始被重视，直到20世纪末财务柔性作为集成柔性中的子系统才开始被研究。从葛家澎和占美松、DeAngelo、Byoun等对财务柔性的定义可以看出，财务柔性的最终目的是实现企业价值最大化。Singh和Hodder通过对跨国公司进行实证分析发现财务柔性能够增加公司价值［。Chang、Jackson和Grover在研究亚洲金融危机时发现，在动态环境中承担风险的诸多企业中，只有具备财务柔性的部分企业具有更高的经营业绩。Dreyer和Grnhaug也得出了同样的结论，即财务柔性水平高的企业具有更高的业绩水平。Arslan、Florackis和Ozkan以东南亚金融危机为研究背景，发现在危机前保持高负债融资柔性和高现金柔性的企业在危机期间创造了更好的经营业绩。企业价值既包括业绩，也包括风险。财务柔性的特殊作用是预防或利用不确定性因素，而不确定性恰恰是风险的来源，因此财务柔性具有预防或降低风险的功能。Antonio等认为企业财务风险的规避策略与柔性程度直接相关；Bates、Kahle和Stulz发现，随着经济环境不确定性的加剧，企业保持高水平的负债融资柔性和现金柔性能降低其信用风险、避免发生违约事件。中国学者对财务柔性研究较少，主要对财务柔性的作用及构建财务柔性的理念进行了探讨。例如：邓明然对企业面临不确定因素的原因进行了理论分析，认为财务柔性可降低不确定性、规避财务风险、提高经济绩效；赵湘莲和韩玉启在分析应对财务管理活动中的风险因素时，指出财务柔性不仅能降低风险因素，而且能利用发展机会为企业创造价值，并进一步提出了财务柔性水平的监控措施；王楷华从人本思想的角度提出了财务柔性管理的构建。中国学者主要从理论层面对财务柔性进行了探讨，鲜有文献对理论分析进行实证检验。综合国内外学者对财务柔性作用的理论及实证分析可知：财务柔性为企业创造价值，不仅表现为对企业带来更高的绩效，而且表现为在不确定性的经济环境中使企业保持一定的现金持有水平和债务融资能力，并能降低企业的信用风险、避免企业破产倒闭。在金融危机期间，财务柔性凭借其降低风险、提升业绩的作用而对企业的可持续发展具有重要意义。金融危机过后，金融环境整体比较平稳，资本市场波动趋于平缓。然而，随着世界经济一体化趋势的加强，企业仍面临经营环境复杂化、动态化的发展趋势，财务柔性在预防不确定性事件、缓冲信用风险方面仍起重要作用。
1.2融资约束对财务柔性缓冲作用的影响在资本市场完美的假设下，Keynes认为企业无须持有现金资产，因此企业对现金柔性不产生要求。现实中，Greenwald、Stiglitz和Weiss以及My－ers和Majluf却认为，信息不对称和问题的存在导致外部融资成本过高，由于企业自有资金有限，因此当企业没有足够多的财务资源来应付不确定性因素时就会产生融资约束问题。中国的资本市场不完善，企业的融资约束尤其严重。虽然中国政府开展了金融市场改革———包括股票市场和债券市场的建设以及国有银行商业化管理等，但是由于企业发行股票和债券需要经过政府部门的层层严格审批，而银行偏好向国有企业贷款，因此中国企业“融资难”的问题未能从根本上得到改善。Almeida、CamPello和Weisbach以及Denis和Sibilkov通过理论分析认为，企业进行流动性管理的根本原因在于融资约束，而且融资约束越强则现金持有的边际价值越高，企业对流动性资产的需求也越高。对于融资约束程度更强的企业而言，现金在企业投资中的作用更大，对企业价值的正向影响也更为显著。顾乃康和孙进军就现金持有对企业价值的影响进行了实证检验，其实证结果显示，企业所持现金的边际效用随着其融资约束程度的提升而增大。对比中外学者关于现金持有对企业价值影响的研究，不难发现：在融资约束情境下，现金持有的价值随着融资约束的加剧而增大。而Acharya、Almeida和Campello从投机需求的角度以及García－Teruel、Martínez－Solano和Sánchez－Ballesta等从会计信息质量的角度所做的研究均表明，融资约束会增加企业的流动性需求。流动性主要来源于公司内部的现金、等价物以及保有的负债融资额度，即现金柔性和债务融资柔性。融资约束越严重，企业对财务柔性水平的要求就越高，企业保有财务柔性的价值就越大。Hubbard最早提出“流动性缓冲”，即面临融资约束的企业出于预防性动机会保留较多的流动性资产。Almeida、CamPello和Weisbach进一步对该理论进行了实证检验，发现面临融资约束的企业会留存较多的现金及现金等价物，而非融资约束的企业不存在这一现象。可见，受融资约束的企业面对信用风险的增大会有越来越高的财务柔性需求。本文基于财务柔性对企业信用风险的预防作用，提出了“财务柔性缓冲”。“财务柔性缓冲”的基本原理如下：在财务融资约束情境下，企业为了预防不确定性因素的冲击而保有一定的现金并维持一定的负债融资柔性水平，以继续维持企业现有投资和日常经营活动的需要、预防债权人提前解约或“惜贷”，从而降低企业信用风险；当发生可利用的投资机会时，企业根据优序融资原则，可以优先使用内部资金并凭借保有的负债融资水平，进一步扩大投资以最大化企业价值。
2实证设计
2.1研究假设综合上述讨论结果，本文提出如下假设：假设1：财务柔性水平与企业信用风险显著负相关。假设2：财务柔性对企业信用风险的缓冲作用随着企业所受融资约束程度的提升而增强。
2.2样本选择与数据来源本文选取2009—2012年中国A股非金融业上市公司为样本，并剔除如下上市公司：被特别处理的ST公司；2009年及以后上市的公司；关键指标值数据缺失的上市公司。最后得到2364家上市公司的7986个样本观测值。本文所用数据来自锐思数据库，使用Stata10软件进行统计分析。
2.3模型设定与变量定义
2.3.1被解释变量被解释变量为企业信用风险（EDF）。国外企业信用风险计量模型有多种，万晏伶和杨俊的研究表明KMV模型可以很好地衡量中国上市公司的信用风险。本文结合中国上市公司信用统计资料不健全的实情，借鉴穆迪公司开发的KMV模型来衡量上市公司样本的信用风险。该模型假设企业价值服从布朗运动。其中：E为企业的股权价值；VA为企业资产的市场价值；DP为负债的账面价值；T为债务的到期时间；σE为企业股权价值波动率；σV为企业资产价值波动率。运用MATLAB编程逐一迭代可计算出各企业信用风险EDF值。
2.3.2解释变量解释变量为财务柔性。根据DeAngelo等、曾爱民和魏志华的研究方法，本文采用现金柔性（Xjrx）和负债融资柔性（Fzrx）来衡量公司的财务柔性水平。现金柔性为企业持有现金比率，负债融资柔性＝max（0，行业平均负债比率－企业负债比率）。
2.3.3调节变量调节变量为融资约束。本文借鉴Hadlock和Pierce的Size－Age指数（简称为SA指数）法来衡量融资约束。SA指数＝－0．737×Size＋0．043×Size2－0．04×Age。其中：Size为企业规模；Age为企业年龄。在进行稳健性检验时，根据连玉君、彭方平和苏治的研究［27］，本文用企业规模（Size）、是否支付股利（Guli）和产权性质（Nature）度量企业的融资约束程度。企业规模越小，则企业所受的融资约束程度越大；企业不支付股利，则企业所受的融资约束程度较大；企业是民营企业，则企业所受的融资约束程度较大。此外，本文设置了如下控制变量：盈利能力（总资产净利率———ROA）、成长性（总资产增长率———Totassgrrt）、固定资产规模（固定资产占总资产比例———Fixassrt）和公司治理（董事会规模———Board和独立董事比例———Dudong）。同时，设置哑变量以控制行业和年度因素的影响。
2.3.4计量模型为了验证假设1，本文设定如下模型：式（2）中：SA×Xjrx、SA×Fzrx为用SA指数衡量的融资约束程度与财务柔性的交叉项。在进行稳健性检验时，将模型（2）中用SA指数衡量的融资约束程度替代为企业规模（Size）、是否支付股利（Guli）以及产权性质（Nature）。其中：Size×Xjrx、Size×Fzrx为用企业规模表示的融资约束程度与财务柔性的交叉项；Guli×Xjrx、Guli×Fzrx为用“是否支付股利”表示的融资约束程度与财务柔性的交叉项；Nature×Xjrx、Nature×Fzrx为用产权性质表示的融资约束程度与财务柔性的交叉项。如果融资约束程度与财务柔性的交叉项的系数为负值且其绝对值越大，表明企业受到的融资约束越强，财务柔性对企业信用风险的缓冲作用越大。
3实证结果分析
3.1描述性统计表2列示了各变量的描述性统计结果和差异性检验结果。从全体样本看：企业信用风险均值为0．25、标准差为0．07，说明样本企业间的信用风险水平差异较大；负债融资柔性均值为0．08、最低值为0，现金柔性均值为0．21、最高值为1，表明样本企业间的财务柔性差异较大。从融资约束程度来看：融资约束程度强的企业的信用风险均值相对较高且差异显著———这可能与企业的财务柔性水平不一致有关；融资约束程度弱的企业的负债融资柔性水平和现金柔性水平相对较高且差异显著。
3.2相关性分析表2列示了变量间的相关系数。由表2可知：企业信用风险与负债融资柔性、现金柔性显著负相关，表明提高财务柔性水平可以显著减小企业信用风险。同时，不论是Pearson相关系数还是Spearman相关系数，企业信用风险与负债融资柔性、现金柔性均在1％的水平下显著。
3.3回归分析
3.3.1财务柔性对企业信用风险的缓冲作用表3列示了模型（1）的估计结果，分别使用了固定效应模型和随机效应模型。结果显示：无论是固定效应模型还是随机效应模型，负债融资柔性、现金柔性与企业信用风险的回归系数基本一致。表3中，两种模型中负债融资柔性和现金柔性的系数均显著为负，表明财务柔性的变动方向与企业信用风险的变动方向相反。财务柔性与企业信用风险的波动方向相反能否说明财务柔性对信用风险起到缓冲作用呢？本文进一步控制影响信用风险的其他因素，如盈利能力、成长性、固定资产状况、公司治理、行业和年度。加入控制变量后，财务柔性与企业信用风险的显著负相关并未改变。可见，财务柔性水平的提高对企业信用风险的减小起到了明显作用，即假设1得证。
3.3.2融资约束的调节效应借鉴Hadlock和Pierce用SA指数衡量融资约束的做法，SA指数值越大说明企业受到的融资约束越强。以SA指数均值为标准，融资约束程度小于该均值的企业为融资约束程度强的企业，融资约束程度大于该均值的企业为融资约束程度弱的企业。用虚拟变量表示融资约束程度：融资约束程度强，该虚拟变量取值为1；融资约束程度弱，该虚拟变量取值为0。SA×Fzrx为融资约束程度与负债融资柔性的交叉项；SA×Xjrx为融资约束程度与现金柔性的交叉项。表4列示了融资约束的调节效应的检验结果，分别使用了固定效应模型和随机效应模型。由表4可知：利用两种模型所得的检验结果基本一致，从而加强了研究结论的说服力。检验结果显示：负债融资柔性、现金柔性与公司的信用风险显著负相关———这与前面的假设1一致；融资约束程度与负债融资柔性、现金柔性的交叉项的系数均显著为负，表明企业受到的融资约束越强，财务柔性对信用风险的缓冲作用越大，故假设2成立。
3.3.3稳健性检验为了确保结论的有效性，本了多项稳健性检验，分别使用企业规模、是否支付股利和产权性质来衡量融资约束程度。其中，企业规模小于均值的企业为融资约束程度强的企业，企业规模大于均值的企业为融资约束程度弱的企业；未支付股利的企业为融资约束程度强的企业，支付股利的企业为融资约束程度弱的企业；民营企业的融资约束程度强，国有企业的融资约束程度弱。融资约束程度强，变量值为1；融资约束程度弱，变量值为0。很显然，财务柔性与企业信用风险显著负相关的结论未改变，表明财务柔性对企业信用风险具有明显的缓冲作用。用不同变量衡量的融资约束程度与财务柔性的交叉项的系数仍显著为负，表明企业所受的融资约束越强，财务柔性对企业信用风险的缓冲作用越大；当企业没有融资约束时，财务柔性对企业信用风险的缓冲作用不明显。
4结语
信用风险论文范文5
阿里巴巴对现代网络经济中信用问题治理的关键是以“支付宝”为代表的机制设计。传统的商品买卖与交换只有买卖两个主体，如果钱货不能同时交割，出现钱货在时空中的暂时分离，那么信用风险就存在了。阿里巴巴是典型的平台型电商，独立于商品买卖双方之外，阿里巴巴对商品买卖与交换过程中信用问题的治理关键是创设“支付宝”，阿里巴巴本身并不参与商品的买卖，只是提供一个平台、一个市场，并不直接介入商品的买卖、定价等环节，主要为消费者提供线上的商品信息，物流配送和售后服务则由商家自行负责，并对厂商的商品信息与质量进行监督与管理，通过收取平台服务费、广告、保证金等形式实现盈利，纯粹扮演中介者的角色。这样，它独立于商品与服务的供给者（厂商）和商品与服务的需求者（消费者）之外，与它们并不直接发生商品买卖与交换关系，这样从体制方面保障了阿里巴巴能够起到相对公正的“裁判员”的作用。从博弈论的机制设计角度分析，它满足“参与约束”与“激励约束”条件，这样的体制相对来说是科学的、合理的。在激烈的市场竞争中，实践也证明了它的合理性与科学性。这是阿里巴巴企业今天之所以能够取得成功的关键性因素。而其他的独立型或者复合型电商，如京东商城、大众点评、亚马逊、满座网等，它们以商品进销差价、平台服务费、库存周转为主要的盈利模式，或多或少地与厂商具有一定的关系，他们与消费者利益是对立的，从体制方面不能保障它们的公正性，目前这些电商企业仍然挣扎在盈亏的边缘就是很好地佐证。目前电商的盈利模式有：商品直销、活动回扣、商家展会、广告服务、分站加盟、增值服务等。作为平台型的阿里巴巴主要的运营模式特点有：
①做好信息流，汇聚各种市场供求信息。目前阿里巴巴主要的信息服务项目包含：商业机会、产品展示、公司全库、行业资讯、价格行情、以商会友、商业服务等，这些栏目为用户提供了充满现代商业气息，丰富实用的信息，构成了网上交易市场的主体；
②采用本土化的网站建设方式，针对不同国家采用当地的语言，简易可读，将网站便利性和亲和力与各国市场有机地融为一体；
③网站降低会员准入门槛，以免费会员制吸引企业登录平台注册用户，从而汇聚商流，活跃市场，会员在浏览信息的同时也带来了源源不断的信息流和无限商机；
④阿里巴巴通过增值服务为会员提供了优越的市场服务，增值服务：一方面，加强了这个网上交易市场的服务项目功能；另一方面，又使网站能有多种方式实现直接赢利；
⑤适度但比较成功的市场运作，比如福布斯评选，提升了阿里巴巴的品牌价值和融资能力。这些经营模式体现了阿里巴巴平台型网站的特点，以服务费与增值费为主要的盈利模式，区别于传统的商品直销与活动回扣等盈利模式。这使得阿里巴巴从本质上撇开与买卖双方利益的直接瓜葛，从体制上保证了一个纯粹中介企业的性质。然而，这并不能说阿里巴巴目前的经营就是十分完美的，在企业经营过程别是经营初期，或为聚集人气，或因监管不力，企业经营过程中也出现了许多网站企业共有的弊端：商家销售假货、消费者投诉处理不当、退（货）款难、商家欺诈、网站欺诈、网站倒闭或无法联系等现象。2015年1月30日，国家工商总局局长张茅在工商总局会见马云，就阿里巴巴当前网络交易平台还存在一些问题与马云进行了交谈，指出需要创新网络监管方式、建立沟通和互动机制、更好地规范和促进网络经济的健康发展。双方从加大资金、技术等方面的投入，进一步扩大和加强原有专业打假团队，加强日常线上巡查和抽检，与执法部门共同联手，切实有效地解决现实问题等方面提出了一些具体的操作建议。
二、相关结论
本文认为，建立以政府为主导的、电商企业自律的、倡导厂商诚实经营的三位一体的监管机制及策略很有必要。因此提出以下建议：
①构建科学的评价指标体系。针对政府、电商与厂商等主体，构建相应的分析指标，对电商各经营环节情况进行精确描述与分析；
②监管机制。运用建立的统计指标体系，对电商、厂商企业的信用问题与监管能力进行多变量的综合评价，定期在政府相关网站上对评价结果进行公布，使得广大的普通消费者在购物时，能够从政府外部监管与评价结果，选择诚信电商与厂商进行消费，并在电商企业对厂商欺诈、假货等现象处理不当或者不满意时向政府投诉，维护消费者正当权益；
信用风险论文范文6
网络借贷平台拥有其他融资平台不具备的优点，但由于刚刚起步，网络借贷平台存在许多不足，其较高的融资成本主要归因于其较高的风险。本文接下来将探讨互联网借贷模式的信用风险度量及其控制问题。1、逆向选择问题假设企业通过互联网平台借贷资金投资某一项目，项目成功时收益为R，收益率为m，项目失败时收益为0。该项目的平均收益率为m，而且平均收益率m为共同知识，即资金借贷者和资金的出借者都知道m，该项目成功的概率为P，项目所需的投资资金为C，且该投资资金全部来自该互联网平台的借贷，借贷资金的借贷利率为r。上式表明，借款成本越高，申请项目的平均成功概率越低，风险越大。利率与借款者投资项目的成功概率呈反向关系。在给定相同的预期收益率的条件下。成功的概率越高风险越高，高风险项目将逐渐挤出低风险项目，产生了逆向选择现象。2、道德风险问题假设企业通过互联网平台借贷资金投资某一项目，设该项目的投资资金为C，且该投资资金全部来自该互联网平台的借贷，借贷资金的贷款利率为r，如果项目成功，则收益率为m，项目失败，则收益率为0，项目成功概率为P。因此，只要(m2+1)P2＞(m1+1)P1，则ΔxR＞0，企业会选择投资项目2。由于，因此有ΔxC＜0。可以看出，如果条件(m2+1)P2＞(m1+1)P1满足，则企业从互联网平台借贷导资金后并不会按照原来的承诺的那样投资项目1，而会转而投资另一个高风险的项目，企业的这种行为会使得资金出借人的收益减少，从而对资金出借人产生不利的影响。企业在借到资金后的这种不履约的行为即为道德风险。
二、网络借贷平台信用风险的实证分析
上文分析了互联网借贷平台信用风险产生的机理，那么如何去度量和控制这种信用风险是我们迫切要解决的问题。与传统的度量模型相比，神经网络更适于描述指标间的非线性特征，具有较高的准确性和更快的收敛速度及更小的误差，而且无需样本服从正态分布，无协方差相等、先验概率已知等要求。因此，本文采用BP神经网络来构造我国小微企业信用评价模型。
(一)实证模型本文构建如下的一个网络信贷平台中对于资金借贷企业的信用评价的BP神经网络模型，其基本模型为。
(二)指标选取及数据来源依据我国小微企业的特点，剔除了与小微企业信用状况不相关、难测度以及重复性的指标，最终选取了10个财务指标综合反映小微企业的信用状况(如表1所示)，并将这10个指标作为神经网络的输入节点。本文采用的样本数据来自于小微企业板的20家企业，把这20个样本分为训练样本集和测试样本集，其中训练样本中包括15个企业样本，测试样本包括5个企业样本数据。
(三)实证结果运用Matlab中的神经网络工具箱技术，首先对样本进行训练学习，当我们把最大训练步数设定为4000，学习速率η=0.01，误差指标设为0.02时，其网络训练误差接近为0，此时只有2个企业的实际输出与期望输出存在着较大的差别，因而可以认为此模型对训练样本的分类准确率达到95%以上，效果良好。继续选取剩余的5个企业作为测试样本，用训练好的BP神经网络模型进行模型测试，得到如表2所示的结果。通过测试可以看出，此BP神经网络模型的实际输出与期望输出基本一致，只有1个企业没有达到分类效果，其余在允许的误差范围之内，模型的测试正确率达到90%，模型基本可靠。经过实证分析，此BP神经网络的结构比较合理，训练和测试正确率都在90%以上，由此认为，互联网借贷平台可应用该BP神经网络模型对小微企业的信用风险进行评价，以便信贷人员做出正确有效的信贷决策，从而降低资金借出者的风险。
三、结论
