第二节信用风险参数计量方法_银行家的全面风险管理：基于巴塞尔II追求银行价值增值-QQ阅读男生轻小说网

上QQ阅读APP看书，第一时间看更新

第二节
信用风险参数计量方法

为完整反映客户信用风险，需要计量PD、EAD、LGD、M等风险参数。在明确界定违约事件后，或基于会计数据，或基于市场价格，或映射外部数据，或将以上信息综合起来构建PD模型；计量EAD核心在于，确定违约时表内外已承诺但未提款项如何转换为等额信用风险暴露，因而确定信用风险转换系数成为问题关键；LGD计量方法主要有历史数据平均值法、市场LGD法、清收额贴现法、隐含市场数据分析法、利用单因素模型估计等五种常用方法；一旦有效衡量PD和各项交易LGD，就解决了信用风险管理核心问题。

一、违约概率及相关影响因素

计量单一客户违约概率，首先要明晰界定“违约”。根据巴塞尔Ⅱ的定义，“违约”可以简述为：如果银行认定借款人可能无法（除非采取诸如变现抵押品追索措施）全额偿还银行集团债务，或对银行集团的实质性信贷债务逾期90天以上，这两种情况单独出现或同时出现都被视为借款人违约。一般来说，银行、公司、主权暴露在客户层面认定违约，客户在银行集团任何一个或多个机构有授信违约，该客户在所有机构的授信风险暴露都应视为违约。对集团客户中单个成员授信，加总超过某一特定额度必须在集团客户层面认定违约。零售暴露违约按账户认定，不在客户层面认定，零售暴露下有任何不可能全額偿还迹象或逾期超过90天的账户认定为“违约”账户，但同一客户其他授信账户如未逾期超过90天且还款正常，也无上述不可能完全清偿迹象，不视为违约账户。信用卡业务下的私人或企业，如同一客户多个卡账户共用一个信用额度，其中一个卡账户违约，则其他卡账户也违约。

违约概率（PD）是借款人在既定时期内可能违约的概率，由客户信用度（通常以信用评级表示）和风险暴露的剩余期来决定，通常以百分比表示。确定PD影响因素与指标是评估PD的基本前提，概括起来主要有财务因素、行业因素、管理因素、宏观经济因素以及特殊事件，核心指标是企业偿债能力、财务效益、资金营运效率和发展能力与潜力。企业偿债能力是企业现在和未来能否按合同规定还本付息能力，是评估PD的核心和关键。

二、PD模型开发及其监管要求

穆迪和标准普尔都公布的违约概率数据是基于历史数据，但仅仅包括公开交易公司数据；KMV公司通过自有信用监控系统估算违约概率。然而，通过各种方法计算的违约概率数值都遭到广泛质疑。银行要根据情况差异分别建模（至少应对个人、小业主公司有所区别），因为不同地域和市场板块下贷款组合可能具有不同特点。对于个人和公司，可使用一些外部信息做补充。对个人贷款，越来越多的银行使用信用评分技术，这种技术通常是会同第三方提供商来研发，第三方可帮助银行完成一个信用评分系统来确定客户的违约概率。

对PD建模，关键是对客户信用进行历史分析以便获得建立模型所需统计数据。得到相对准确的违约概率，唯一办法就是建立银行标准化中央数据库，其中包括：（1）客户在违约前历年信用评级；（2）使用一致信贷评分工具；（3）经历了很长时间足以得到经济周期（一般十年）的波动性；（4）将每一个信用评级内信贷余额相对比。依据数据库，就可计算一笔贷款在一年、两年、三年等不同时间段内给定信用级别下的历史违约概率，但必须注意有效区分违约和违约造成的损失，不能直接把违约简单地看做损失或者资产核销，因为有些违约后未必会造成损失，通过采取措施可以全额收回本息。

实证方法就是运用违约历史数据来计量违约概率及信用等级迁移概率。标准普尔公司运用其独有的公司违约历史数据，将所有拥有良好信用等级的公司组成一个静态样本集合，并将其作为整个数据库的基期（1981）数据，次年（1982）这些公司如果仍然存在，就将其首次评级结果添加至数据库，形成该年度样本数据，这种分层取样方法每年都进行一次。然后依据每年静态数据计算年度违约概率；通过等级分类方法计算一年期信用等级迁移概率时，将每家公司在当年末信用等级与年初等级相比较；每个一年期迁移矩阵都显示了标准普尔公司等级分类表（AAA, AA, A, BBB, BB, B, CCC, D）之间所有评定等级的变化，多年期迁移矩阵的计算期限是2—15年。穆迪公司也运用了类似实证方法度量违约概率。当然，这种实证方法具有明显的静态特征，说明在机构评定信用等级中，某一级别包含着多种违约概率。事实上，实际的信用等级迁移与违约概率是一个多年间持续变化过程，其变化主要依赖于总体经济条件和商业周期。累积违约概率随时间长度的增加而增加。信用评级高的债务违约率低，但违约率的增长率高；而信用评级低的债务违约率高，但违约率的增长率低。

如果具备相关市场数据，运用默顿模型就可度量违约概率。企业资产价值达到某一临界值时，就可能违约，这一临界值就是所谓违约点（default point），它约等于企业短期负债（STD）和一半的长期负债（LTD），即：DPT=STD+0.5LTD；违约距离（DD）即企业资产价值终期分布均值与违约点的差额等于多少个标准差，即：DD≡（E[V_T]-DPT）× 1/σ。违约概率可看做是企业资产价值的终期分布均值（即未来资产期望值E[V_T]）跌到违约点的概率，Q=P_r（E[V_T]≤DPT）。默顿模型和KMV模型都使用了实际违约概率，运用资产预期收益率μ, σ为资产价值波动率，违约概率即预期违约频率等于：

其中N（-d₂）是标准累积正态分布，因此，预期违约频率EDF≡N（-d₂）。

评级机构发布的违约概率与运用理论模型计算出的EDF之间有着明显差别，克鲁希和马克（Crouhy, Mark,1998）的解释是：第一，由于评级机构对其评定等级修正较慢，因此，历史数据中维持信用等级不变的频率可能高于实际信用质量保持不变的概率。第二，违约概率平均值与中位数的差距会导致同一信用等级中，平均历史违约率高于典型公司的实际违约率。第三，如果在既定信用等级下，维持在当前等级不变的概率和违约概率都很大，那么信用等级迁移概率就会非常小。

巴塞尔Ⅱ对评估违约概率提出的最低要求，主要是：

第一，计量违约概率的技术要求。在估计每个信用级别平均PD时，必须使用充分信息和适当考虑长期经验技术。如，可采用内部违约经验、映射外部数据、统计违约模型中的一种或几种，以及其他适当信息和技术来估计每个信用等级平均PD。使用内部违约经验估计PD，必须证明估计的违约概率反映了授信标准以及生成数据的评级体系与当前评级体系的差异；在数据有限或授信标准、评级体系出现变化的情况下，估计PD时必须留出较大调整余地；可将银行内部评级与外部评级联系/映射，然后将外部评级的违约概率作为银行使用的PD，同时确保映射建立在可比基础上；可对某一风险级别借款人使用PD估计值均值，这些估值必须从违约预测统计模型中得到。

第二，输入数据的期限要求。为估计PD，银行无论使用外部数据、内部数据、汇集数据或是集合这三种数据来源，至少一类数据源历史观察期不少于5年，如某种数据来源有较长观察期且数据有意义或非常重要，必须采用更长观察期。

第三，银行在估计零售暴露PD时，考虑预期的成熟效应而向上调整PD。

根据巴塞尔Ⅱ规定，无论是采用初级内评法还是高级内评法，银行必须自行估计每类借款人对应的PD。对于公司和银行暴露，PD是借款人内部评级一年期概率和0.03%中较大值；对于主权暴露，PD就是借款人内部评级一年期PD；违约借款人的PD是100%；零售暴露PD是与零售暴露池内部评级对应的一年期PD和0.03%中较大的数值。

三、违约损失率及其影响因素

单笔资产的LGD指单笔资产在违约事件发生后，损失部分占整个风险暴露比例，损失部分就是风险暴露扣减回收部分的余额，因此，LGD等于1减去回收率。LGD取决于风险资产的求偿优先级及其担保，辨别资产是否安全以及用什么做担保非常重要。近年来有人研究银行贷款违约和损失的经验数据，如阿萨诺和爱德华兹（Asarnow and Edwards,1995）、卡蒂和利伯曼（Carty and Lieberman,1996b）、奥特曼和苏吉特（Altman and Suggitt,1997），但都没有同时研究违约和损失程度，一般只取其一。在过去20多年里，违约损失率问题在很大程度上还处于未开发阶段。Altman和Eberthart（1994）给出了价格回收率具体计算公式：RR=债务市值/违约时点债务面值。一般来说，债券类债务回收率常采用该定义，而贷款类债务使用该定义的前提是违约债务交易市场较为发达。影响资产最终回收率主要因素有四个：

一是债务种类和债务级别因素。大量实证研究表明，债务类型和偿还顺序会对债权最终回收价值直接产生实质性影响。Til Schuermann（2004）采用穆迪违约风险服务数据库数据，统计分析了不同风险级别债务的回收率（RR），从均值看，不同级别债务违约回收率（RR）水平从高到低分别为：高级担保债为54.26%，高级非担保债为38.71%，次级债为34.65%，低级次级债为14.39%。在某种程度上，同一个宏观经济变量对违约概率和回收率都产生影响，奥特曼、雷斯蒂和斯罗尼（Altman, Resti and Sironi,2001）研究了违约率和回收率的联系，表明历史上较高违约概率对应着较高违约损失率（较低回收率）。

二是经济周期因素影响。艾伦和桑德斯（Allen and Saunders,2002）考察了信用风险各种要素周期效应，认为国内生产总值增长、行业产量和经济周期等一些变量与平均回收率密切相关。利率如短期国库券收益和国库券收益曲线作为违约后价格度量尺度对回收率产生直接影响。在其他条件相同情况下，较高利率使未来回收资产折现值较低，因此，较高利率对应着较高违约损失率。Frye（2000）利用穆迪公司数据研究发现经济衰退期债务回收率比经济繁荣期要低1/3。Til Schuermann（2004）利用穆迪公司数据比较经济衰退期和扩张期的回收率水平，发现经济扩张期回收率达到41.39%，明显高于经济衰退期的32.07%。

三是行业因素影响。债务人所处行业不同，也会对债务RR水平产生较大影响。Altman和Kishore（1996）在统计RR时，按行业进行了分类，结果发现在实物资产密集型行业，公司债券的RR水平相对较高。如公用事业平均RR水平达到70%；服务业RR为46%；金融机构RR为36%；而旅店RR仅有26%。Grossman等学者（2001）研究也证实了行业因素对RR影响。他们将行业粗分为资产密集型、服务导向型和零售业三类，并分别统计了贷款和债券的平均RR，发现资产密集型行业贷款RR平均达到95%，零售业贷款RR为89%，而服务导向型行业贷款RR只有42%。Acharya、Bharath和Srinivasan（2003）还研究整个行业不景气对债务RR产生的影响。当某行业陷入困境时，该行业内公司违约债务LGD均值与陷入困境前相比，平均要高10%—20%，认为在行业陷入困境之后，贷款审核更为严格，公司债务市场价格看跌，公司违约后违约损失率上升。

四是贷款规模因素影响。贷款规模是否影响违约后回收率，理论界存在争议，Eales和Bosworth（1998）在研究了澳大利亚小企业贷款以及额度较大消费者贷款（家庭贷款和财产投资贷款）后发现，贷款规模对违约回收率会产生一定影响。发现贷款违约后回收率水平呈U形，即与中等规模贷款比，小规模和大规模贷款回收率较高。Hurt和Felsovalyi（1998）分析了1978—1996年间拉美1149个银行贷款项目违约损失情况，发现大额违约贷款回收率相对较低。不过，Asarnow和Edwards（1995）对花旗银行1970—1993年间发生的831个违约贷款项目进行了考察，发现违约回收率与贷款规模之间没有显著关系。

四、LGD模型开发方式及监管要求

计量LGD使用的违约定义必须与估计违约概率、经济资本及预期损失时采用的违约定义保持一致，使用的损失定义是经济损失，包括重大贴现因素和债项清收过程中形成的直接和间接成本；否则，建立的LGD比较基准（银行之间、资产组合之间、不同时期）就毫无意义。LGD量化方法主要有清收金额贴现法、市场LGD法、历史数据均值法、隐含市场数据法等四种常用的LGD计量方法，见图6-3。

图6-3 LGD模型及主要驱动因素示意图

第一，历史数据均值法，是目前银行业最为传统且应用广泛的LGD量化方法。根据某类债务回收历史数据进行加权平均，计算出某类资产LGD历史平均值，并将其作为该类债务LGD计量方法。分析人员可以采用货币加权法（即某一时期内该授信资产全部损失/违约资产全部风险暴露）、违约加权法（采用某一时期内该组合资产LGD/银行全部资产LGD）以及时间加权法（整合上述两种LGD来计算不同时段内的平均数）。由于不同历史违约数据对应不同授信资产，且贷款数据具有一定敏感性，不同时期、不同授信资产，可能会产生不同LGD，如仅估算一项数据（如RR或LGD），就可能得出错误结论。

第二，市场LGD法（market LGD），适宜于计量大型公司风险暴露、主权风险暴露以及银行风险暴露的LGD。在市场上公开交易的贷款或债券发生违约后，可通过相关市场价格来确定回收率（RR），再计算LGD。有些学者，如Carty和Hamilton（1998）以及Keenan、Carty、Shtogrin和Fons（1998）将违约后债务的市场价值作为计算RR或LGD水平的依据，穆迪KMV公司的Loss-Calc模型也采用了这种方法来量化LGD。采用该方法估算RR水平时，分析人员需要取得违约债务市场价格，这要求贷款或债券具有发达的交易市场，有足够多的投资者参与市场交易，才能正确估算债务RR水平。

第三，隐含市场数据法（implied market LGD）。使用资产定价模型，根据风险（而非违约）涉及的价差来计算LGD。隐含回收率是从尚未违约的正常债券或贷款信用价差来判断违约债务预期损失，进而得到违约债务回收率。该法适用于计算违约率很低的大型公司暴露、主权暴露以及银行暴露的LGD。巴塞尔Ⅱ要求使用间接方法估计非违约资产组合的LGD，使用资产组合PD估计值和全部损失数据推算隐含市场LGD。因该方法要运用复杂资产定价模型，且需要足够数据支持复杂分析，而这些定价模型既无市场标准，又无明显市场参照，也无广泛实证研究验证其预测实际LGD表现力，运用范围受到限制。但作为检验评级模型工具之一，可用来确定固定收益产品以及衍生产品的价格。

第四，清收金额贴现法（workout LGD），即根据清收过程中的预期现金流现值来计算LGD，是目前银行业最流行的LGD计量方法，适用于计算零售类暴露、中小企业暴露以及大型公司暴露的LGD。清算回收率的具体计算公式为：RR=违约后累计回收的现金流/违约时点的债务价值。因银行贷款流动性不强，没有市场价格，贷款一旦违约，债务解决往往取决于债权银行和债务人之间的重新谈判和协商，因而难以准确认定违约贷款市值及违约时点等，因此采用清算回收率尤为重要。根据是否考虑资金时间价值，又有贴现清算回收率和非贴现清算回收率之分，其中贴现清算回收率较为常用，多数学者将债务的票面利率或贷款合同利率作为贴现率。由于违约后债务回收的时滞性，分析人员需要特别关注每次回收的现金数量，回收时间分布合理性，及采用的贴现率。如在选择折现率时忽视了系统性风险影响，在利率风险较高情况下可能低估LGD。如清收贷款中出售了抵押品，则应将抵押品包含在回收金额中来计算该笔贷款有效LGD。

计量清收违约损失率时，首先，银行使用的数据集通常包括内、外部数据，有必要检查样本数据集的一致性，对某些资产组合，内部或外部样本数据集被用来估计内部风险参数时，样本数据应：（1）至少覆盖一个商业周期；（2）包含考察期内发生的所有违约债项；（3）包含估计风险参数的所有相关信息；（4）包含损失驱动因子的数据。处于清收过程中的违约债项应排除在样本数据集外。其次，明确清收结束时间，有时银行会确定一个回收额阈值（如仍未回收的价值低于违约风险暴露的5%），或者建立时间标准（如自违约日起一年）。再次，原则上应对实际违约损失率施加大于0小于1的约束。LGD＜0时说明回收的数量过大或因EAD估计本身问题引发，实际中最可能的是因债务人以物抵债，而后价格上涨，造成处置后的价格大于EAD与成本之和，LGD＞1时说明回收金额小于成本，当一笔债项未能完成任何回收，那么LGD一定大于1。对不同违约定义处理时，对于不能获取足够违约债项样本数据的大公司风险暴露，如在某特定违约定义下可获得外部数据补充，有必要对不同违约定义进行调整，开发在不同违约定义下的违约损失率估计值间的关联方法。

银行并不总能直接地从违约债项中推算出回收金额：（1）一般情况下，将占有资产的时点视为回收过程结束，违约债项的信用风险仅持续到资产占有日，然后转换其他风险类型（如市场风险），不过，对于某类债项如房地产抵押贷款，从占有到出售给第三方的时滞过长。对于非现金回收，如占有实物或债务重组则较难跟踪，通常采取个案分析处理。（2）清收成本包括清收过程中的全部直接成本和间接成本，实践中难以对违约债项分配直接成本和分摊间接成本，一种可行的方法是明确每项产品的关键回收成本，用实际成本已知的债项样本模拟这部分成本，再用模型向样本外的债项分摊成本。（3）理论上讲合适的贴现率应是与风险相符的贴现率，在有关违约损失率文献以及实践中，历史贴现率和现行贴现率都被认为是合适的。历史贴现率对于单笔违约债项都是固定的，在违约债项生命周期内与该债项相关的全部现金流都采用特定时点确定的固定贴现率；现行贴现率应在估计违约损失率期间逐日确定，违约债项的所有现金都采用当天贴现率或贴现率曲线折现。

计量LGD的客观方法可归为两大类，一是根据市场价值，观测价格差异、信用价差以及现金流贴现等指标来计量大公司、主权国家、银行的违约债项的市场LGD，或零售、中小企业及大公司的清收LGD；二是根据回收及成本经验，观测全部LGD估计值，计量违约零售暴露隐含的历史LGD，见表6-1。

表6-1 估计LGD的客观方法分类

根据巴塞尔Ⅱ规定，使用内部评级法的银行确定LGD应遵循以下四项基准要求：（1）使用初级内评法的银行，对无认定抵押品抵押的公司、主权和银行的高级债权，违约损失率为45%；对公司、主权和银行的全部次级债权，违约损失率为75%。（2）按综合法规定，对有抵押品的交易，有效违约损失率LGD^*=LGD ×（E^*/E），其中，LGD是考虑抵押品之前的违约损失率，E是贷款当前值（即贷出现金、拆出证券）, E^*是风险缓释后贷款值。（3）按初级内评法规定，银行已获得金融抵押和内部评级法其他合格抵押，确定此类交易有效违约损失率方法是标准法处理方式；利用合格抵押品对公司暴露进行担保，确定有效违约损失率的方法是：合格金融抵押品、应收账款、商用房地产/居住用房地产、其他抵押品的最低LGD分别是0%、35%、35%、40%。（4）对于使用高级内评法银行，在满足规定最低标准要求时，对公司暴露、主权暴露和银行暴露使用的LGD按违约风险暴露的百分比计量。

在采用巴塞尔Ⅱ高级内评法时，银行自行估计LGD应满足以下最低要求：

（1）对于所有资产类别，必须首先满足四项标准。第一，必须估计每笔贷款LGD，不能小于按违约加权后长期平均损失率，考虑经济周期影响，可使用高信贷损失时期观测到的损失平均数，在连续假设基础上或采用其他相同方法建立预测值。第二，在分析LGD时，必须考虑借款人风险和抵押品风险或对抵押品提供方风险依赖程度，必须考虑债务与抵押品之间币种错配。第三，估计LGD必须以历史清收率为基础，不必只依据抵押品市值估计。如有抵押品，估计LGD时应对抵押品管理、操作程序、法律确定性以及通常与标准法一致的风险管理过程制定内部要求。第四，真实损失有时系统地超过了预期水平，已违约资产组合LGD应反映在清收期间确认的额外的、非预期损失可能性。对每笔已违约贷款，必须按当前经济情况和贷款法律地位，妥善地估计每笔贷款预期损失。

（2）对于公司、主权和银行暴露，估计LGD时，还必须参考最短数据观察期，理想数据观察期至少应涵盖一个完整经济周期，且任何情况下至少一类数据来源观察期不应少于7年。如果任何一类数据来源观察期跨度更长，且数据有意义，应采用较长观察期。

（3）估计零售暴露LGD最短数据观察期是5年。数据越少，估计LGD应越保守。

高级内评法中，LGD是用违约事件发生后一个月内抵押品的市场价值（由经纪人在违约后15—60天内通过特定期限、信用等级和产品类型综合考虑形成的）计算回收率。根据指标与长期LGD的关系，可筛选出最敏感的九个指标因素作为LGD模型的解释变量，将这九个因素按性质合并为四个方面：（1）债务类型（如贷款、债券和优先股票）和优先等级（如保证、优先无保证、从属等）;（2）公司特定财务结构，如杠杆率和优先状况；（3）行业，不断变化的行业回收率是银行业风险状况的指示器；（4）宏观经济，如1年期违约均值、公司倒闭债券指数、12个月投机等级的违约比率、经济先行指数变化等。这些因素相关性较低，但组合起来作用很大，提高了违约损失率预测的精确度，见表6-2。

表6-2 LGD模型因素结构

模型主体结构包括预处理转化、模型化计算和数据匹配。首先将原始数据转化为“微模型”，如将特定宏观经济变量转化为复合指数，比用单纯水平指标更为有效。可将所有因素转化为“微模型”。研究发现运用债务类型和优先等级的平均历史违约损失率预测效果更好。在将各种单个变量转化为“微模型”后，就可用回归技术整合这些变量。以上所有预测指标采用线性加权合成方法，其权重采用回归技术确定，模型形式为：

γ = α +β₁x₁+β₂x₂+β₃x₃+… +β_kx_k

此处x是上述微模型的输入值，β是权重；γ是正态回收率，这里须注意的是，γ是正态区间，而且单位需要转换为美元。最后，将模型输出的统计结果和历史观测的违约损失率进行匹配比较分析和校验。最终对违约损失率的估计质量取决于规范的统计技术运用。

上述都是针对非违约资产的LGD建模过程，违约资产的LGD建模过程与非违约资产存在很大区别，违约资产的LGD估计对统计模型的依赖较少，更多地依赖债项和抵押物的自身特性。从一笔授信资产的生命周期看，贷款发生时会有一个估计的LGD，然后该LGD会随着相关驱动因素的变化定期变化，直到贷款发生违约时，银行需要根据违约时点的最新信息来对LGD进行最优和保守的估计，并按照不同的资本需求公式计算其资本计提要求，最后贷款到达违约后的清收期限，银行根据清收结果计算出最终的实际LGD，未来可以用之验证LGD模型和重新开发LGD模型。

五、违约概率与违约损失率关系

多数文献的研究表明，无论是贷款类债务、债券类债务还是金融衍生类债务，其LGD与PD之间都存在明显的正相关关系，尤其在PD较高时，LGD与PD的正相关关系更为明显。不过，文献中使用样本数据主要来自美国市场，即LGD和PD正相关性结论在美国市场上较为明显，至于其他国家和地区，两者相关性如何有待实证检验。

较早研究回收率（RR）与PD的关系的是Frye。Frye（2000a）基于Finger（1999）和Gordy（2000）条件分析法直接构建了回收率模型。Frye（2000b）运用穆迪违约风险数据库中的美国1982—1997年间企业债券违约和清偿数据，对该模型实证检验表明，在假设RR和PD仅取决于相同的单一系统风险因子时（通过影响抵押物价值来影响RR），企业债券价格回收率和PD呈明显负相关关系，而且在严重经济衰退时期，即企业PD很高时，较之正常年份，企业债券RR要下降20—25个百分点，银行贷款RR也存在类似下降幅度。Gupton、Hamilton和Alexandra（2001）利用穆迪数据库对1989—2000美国181笔银行贷款回收率RR与违约概率PD关系的实证研究表明，RR和PD存在明显负相关关系，相关系数为-0.87。

Bakshi、Madan和Zhang（2001）对简化模型进行了改善，假设利率是无风险利率、RR和PD之间存在可变（flexible）的相关关系，并假定RR和PD呈负相关关系。通过使用美国BBB级企业债券样本数据对改善后的模型进行检验，他们发现，模型对RR（价格回收率）和PD负相关关系的假定是正确的，RR和PD之间确实存在很强的负相关关系，在风险中性条件下计算得到的PD每上升4个百分点，RR就下降1个百分点。Hu和Perraudin（2002）运用穆迪历史债券数据对RR与PD的相关性实证研究表明，美国企业的违约回收率与违约概率之间存在显著的负相关关系：在较短样本期间，如1983—2000年，RR与PD相关关系为-0.22；在较长样本期间，如1971—2000年，两者相关关系略有下降，为-0.19。他们还发现，在计算信用风险值（Credit-VaR）时若考虑RR与PD的相关性，则计算得到的VaR会上升。Cantor、Hamilton和Ou（2000）的实证研究表明，RR和PD的负相关关系非常明显，尤其是对投机级债务人来说，RR与PD的相关性为-0.67。

Carey和Gordy（2003）基于美国1970—1999年间四个不同样本数据库对RR和PD的相关关系的实证研究表明，RR和PD的相关关系近似为0，但若将样本期间限制为1988—1998年，实证研究得到的RR和PD的负相关关系则较为明显，其中，高级债务RR和PD的相关系数为-0.45，次级债务RR和PD的相关系数为-0.8。总的来说，Carey和Gordy（2003）认为，Frye的模型并不能完全刻画RR和PD的相关关系，RR和PD这种很弱或不对称的相关关系说明，RR和PD可能受不同系统风险因子影响。Hull和White（2004）研究发现，信用违约衍生品担保债务证券（CDO）和信用违约互换的RR与PD之间存在负相关性。

Altman、Brady、Resti和Siron（2005）运用美国1982—2002年间1300家企业违约债券数据（1999—2000年为债券违约高发期）对价格回收率RR和PD的关系进行实证研究，结果表明，无论使用事前违约率还是事后违约率，都可验证RR和PD呈负相关性。

Yen-Ting Hu（2005）采用穆迪的企业债券违约数据库（覆盖了1970年1月—2002年1月的美国本土企业及美国境内的外资企业）和标准普尔的信用资产6.4数据库（覆盖了1981年1月—2002年12月美国上市企业的贷款和债券）的相关数据，得出关于RR和PD相关性的如下结论：价格回收率RR（价格被定义为违约30天后债务价格）和PD线性相关很强；不考虑折现清算回收率RR和PD的线性相关较弱；折现清算回收率RR和PD几乎没有相关性。关于造成折现清算回收率RR和PD几乎不存在相关性的原因，YenTing Hu认为可能是在计算折现清算回收率RR时使用了无风险利率作为折现率，而没有考虑市场风险溢价要求。

Das和Hanouna（2006）构建了信用违约互换（CDS）溢价曲线中隐含的风险中性远期RR期限结构模型。他们基于Credit-Metrics，运用2000年1月—2002年7月3130家企业的CDS溢价数据对模型进行了实证分析，发现从所得到的RR（隐含回收率）和PD的时间序列数据来看，在样本期内，RR呈不断下降的趋势，而PD则呈不断上升的趋势，即RR与PD呈负相关关系，尤其在PD很高时，这种负相关性更加明显。

六、违约风险暴露评估及监管要求

银行账户资产风险暴露分为两类，表内资产风险暴露等于名义贷款余额，所有风险暴露按扣除特别准备金后的净值计算；表外项目的风险暴露，初级内评法下采用标准法提供的信用转换系数为承诺名义额的75%，高级内评法下则自行测算信用转换系数，进而确定相应的风险暴露值。属于表外项目暴露的未来现金流和时间特征具有不确定性，像承诺贷款和项目融资等，需要根据假设和惯例进行预测，见图6-4。

图6-4 由产品类型到暴露示意图

一般表外项目可能产生未来不确定风险暴露，如信贷承诺业务是允许借款人在其需要时，在银行规定的额度内提取贷款，这时最可能发生未来风险暴露，而项目融资则暗示现金流出及偿还时间进度是不确定的。此外，当银行作为已知客户的第三方担保人时，对银行是已知的或有负债，而且仅当借款人不能履行其还债义务时，通知作为第三方担保银行替客户偿还债务。此时暴露是在客户主动不偿还债务，或发生特定事件时产生的。

除了与外汇、利率、股权、信贷和商品有关的衍生工具外，在确定表外项目的违约风险暴露时，巴塞尔Ⅱ规定了承诺的未提款项乘以信用转换因子（CCF）变成等价违约风险暴露。利用CCF可将表外项目不确定暴露转换为表内确定违约风险暴露。可用最大提款率α，或违约使用额UGD替代CCF。违约提款率作为信用转换因子CCF，是计算承诺违约暴露的唯一参数，UGD取决于贷款风险等级。多数银行有其内部评级系统，但巴塞尔委员会担心这种评级系统的准确性，为此，对未达到严格定性与定量标准的银行由监管当局给定参数CCF值，达标银行才能自行估计CCF参数。

在分析期内确定银行单笔资产风险暴露必须扣除无风险价值部分，违约事件发生后扣除能绝对收回价值部分而将剩下要面对损失风险的信用余额称为调整暴露（AE）。计算它需要了解未清偿贷款余额、贷款承诺情况以及合约中担保条款等，还必须对担保条件中指明的“违约提用比例”（usage given default）做出估计，该比例是指在违约事件中，债务人可动用担保总额中尚未被使用部分的最低可提用额度。以V_o表示t_o时刻银行资产价值，资产最初由未清偿贷款（OS）和贷款承诺（COM）组成，即，V_o=OS+COM，未清偿贷款一般指银行允许借款人延期偿付部分资产（贷款和债券角度），也包括客户需偿付的具有契约性质的其他应收款项。常见例子有定期贷款、信用卡、债券和应收款项。贷款承诺常见的形式是备用信用证。作为转嫁风险的审慎方式，银行可与客户签订承诺协议，规定：（1）降低贷款承诺提用最高比率；（2）提高贷款优先级；（3）要求更高比例担保；（4）重新进行贷款定价。客户违约时，只有提用部分（包括未清偿贷款部分）会发生价值损失。所以在分析期内银行资产价值只有风险部分可能遭受损失（α × COM），无风险部分是（1-α）× COM。关于违约使用额UGD经常公开引用的信息是Asarnow和Marker（1995）发表的论文。他们基于花旗银行的公司贷款违约的历史数据进行实证研究，并估计了违约事件中未用信贷额度的平均提款率，其结论如表6-3所示。

表6-3 不同信用评级债务人的平均违约使用额

资料来源：Asarnow and Marker（1995）。

巴塞尔Ⅱ规定，采用内评法的银行，对公司、主权、银行及零售暴露，暴露总额都以专项准备金总数或部分冲销金额来计量。已提取部分的EAD不应小于：（1）暴露被完全冲销后，银行监管资本下降的数量，（2）各项专项准备金和部分冲销的数量。当信贷工具的EAD与（1）、（2）总和的差额为正时，差额就是折扣值，风险加权资产的计算不受折扣值影响；对于公司、主权和银行暴露，对表外项目（外汇、利率、股票、与商品相关的衍生品除外），按已承诺但未提数量乘以信用转换系数来计算EAD，工具类型及适用的信用转换系数与标准法相同，即原有期限不超过1年和1年以上的承诺其信用转换系数分别为20%和50%，可无条件取消的承诺其信用转换系数为0%。银行证券借贷或给银行作抵押物证券，包括回购交易中证券借贷其信用转换系数为100%；对于与货物贸易有关短期自偿性信用证，开证行和承兑行信用转换系数均为20%；承诺、票据发行便利、循环认购工具这类工具信用转换系数都是75%。在标准法下，银行对零售客户贷款和存款按表内净额结算处理，对零售表外项目，必须自行估计信用转换系数。

计算EAD时必须考虑抵押品与担保影响。暴露应该定义为贷款暴露与抵押品预期价值的差额。巴塞尔Ⅱ规定，简单方法只可处理银行账户交易，而综合方法下银行账户交易和交易账户交易都可处理。如公司贷款抵押交易缓释后违约暴露计算如下：

E^*= max{0, [E ×（1 +H_e）-C ×（1 -H_c-Hf_x）]}

其中，E^*为风险缓释后暴露价值；E为违约暴露当前值；H_e为适合暴露折扣率，C为已收到抵押品现值，H_c为适合抵押品折扣率；Hf_x为抵押品与暴露不匹配的折扣率；这里折扣率是考虑暴露与抵押品价值的不确定性而由监管当局或银行设定的参数。

银行接受有担保贷款业务，按担保处理；而银行为客户做第三方担保，则属于银行表外项目，承担的是或有负债；当银行作为代理人安排客户与第三方之间的回购型交易，并对客户提供第三方履行义务担保，对银行而言为第三方担保风险如同银行作为主体来计算资本要求。在净额结算协议中同一借款人贷款与储蓄对冲以其净额作为EAD，若贷款与储蓄期限和结算单位不匹配还需要做适当处理。

交易账户中交易对手信用风险主要是衍生工具信用风险。计算衍生工具信用风险暴露是找出违约事件中可能损失。如立即发生损失，这个损失等于衍生工具清算价值（替代成本）。互换价值为正值时才有信用风险，期权购买者面临信用风险。市场参数不断变化影响清算价值，当前清算价值是“当前风险”，而在现时与到期日之间价值可能增加，产生附加“潜在风险”。衍生工具信用风险由当前风险和潜在风险构成。处理与外汇、利率、股本权益、信贷和商品有关的衍生工具的表外项目，规定基于替代成本加上当前暴露再乘上一个“追加系数”（add-on）反映合约余期的潜在信用风险。追加系数是不同产品类型与期限的函数。巴塞尔Ⅱ规定，追加因子有四类，即利率产品、证券产品、外汇产品和商品产品。在无法划归这四类追加因子产品的情况下，追加因子取最高值。利用“净额结算协议”，正偏差与负偏差可抵消。定义组合价值上限时，应推导市场参数之间相关性，已知市场参数及其相关性，可根据不同市场参数敏感性，决定组合市值波动性。

根据巴塞尔Ⅱ规定，银行自行估计EAD须满足三项要求。首先，对于所有资产类别，必须满足以下四项标准：一是表内或表外项目EAD是债务人违约时表内外项目风险暴露总额。表内项目按照初级内评法规定的表内净扣效应，以当前已提取贷款数量估计EAD。采用高级内评法银行须估计表外项目EAD，并反映在触发违约事件之时或之后借款人继续提款的可能性。二是采用高级内评法的银行自行估计每个表内外项目EAD。对相同表内项目、表外项目和借款人，EAD估计一定是相当长时期的、违约加权平均数。如能预测违约频率和EAD大小正相关性，估计EAD时必须使用经济低迷时期EAD。能开发EAD模型，可通过模型驱动因素周期特征估计EAD。三是估计EAD标准应合理直观，能将EAD按照内在驱动因素分解，估计EAD必须采用全部相关信息。四是适当考虑财务监控和还款处理方面具体政策和战略。接近违约情况下应考虑客户进一步提款能力和愿望，具备足够系统和程序，参照承诺额度当前余额、每个借款人和每个级别余额变化，每日监控表内外项目余额。

其次，对公司、主权、银行暴露而言，估计EAD还必须以一个时间段为基础。在理想情况下，这一时间段应涵盖一个完整经济周期，并且在任何情况下都不可少于7年。同估计违约损失率一样，估计EAD必须使用违约加权平均数。

再次，对于零售暴露而言，估计零售贷款违约风险暴露的数据观察期是不少于5年。