业务逻辑及变量设定
业务逻辑及变量设定在金融风险管理实践中，从世纪年代中期逐渐流行起来的风险度量方法一在险价值因简单实用被广泛采纳，巴塞尔资本协议关于商业银行资本充足率要求就是以为基础的。市场风险度量方法日益成熟后，学者又将目光转向信用风险度量。年，在期权定价模型基础上，首先提出了用期权结构来解释公司资本结构，开创了信用风险度量结构模型的工作。随着研究的深入，人们在研究违约率与违约损失率关系的基础上提出了通过市场交易、清收现金流、历史数据平均等角度来研究违约损失率模型，并归纳了影响违约损失率的主要因素，对金融不良贷款的定价方法提供了很好的理论基础。由于国内外经济金融环境的巨大差异，金融不良贷款交易的不透明，定价模型计量对数据质量的高要求，采集和利用大规模的历史数据进行不良贷款定价问题的研究也就显得意义重大。其精髓在于首先对风险进行量化分析，开辟了风险管理的新思路。可以说，是投资组合选择的研究带动了现代金融学的发展。从样本量上看，我国银行业普遍存在建模数据样本量不足的问题。首先，原来的四大国有银行在改制之前，将大量的不良贷款打包处置给了四大资产管理公司，这不仅使银行内部的违约数据大大减少，也使同一时期银行内部数据的代表性大打折扣；其次，其他银行规模相对较小，违约数据特别是违约损失率样本数据原本就不多，难以建立稳定而可靠的统计模型。内部模型建设和验证需要大量的数据支持。穆迪的模型使用了将近笔关于债券和贷款的数据；标普的模型使用了多笔关于债券和贷款的数据；充足的样本能够保证模型的可靠性和稳定性，从理论上说，样本量越大、时间跨度越长对建模越有利。一般认为，在建立违约概率或违约损失率模型时，用于单个类别模型的建模数据最好不少于个违约样本。在各类数据来源中，内部数据最能反映银行的实际状况，因此是最理想的建模数据，但以我国商业银行目前的内部数据状况，距离建立相对理想的违约损失率统计模型仍有很大差距。从样本质量上看，我国银行业普遍存在信息缺失、数据欺诈、数据不规范、缺乏代表性等问题，给数据清理工作带来很大困难。首先，历史数据普遍存在信息缺失问题。大多数银行的押品管理和清收系统建设相对滞后，很多历史数据文档散落在不同地方，这给数据收集工作带来极大困难，同时由于部分历史信息当时没有收集，已经无法还原，如一些抵押品的估值、历史上的宏观和行业运行状况、清收成本信息等；其次，数据欺诈现象较为普遍，主要表现在财务信息不真实、押品估值与价值偏离等方面；另外，由于很多银行的数据系统和数据库建设相对滞后，数据不够规范，如存在客户重复但信息不一致、信贷记录信息不完整、输入信息不规范等问题；此外，由于中国经济一直处于上行期，目前的数据均无法涵盖一个经济周期。样本数据的质量直接影响模型的质量和计量结果的可信度，而数据质量的提高不仅依赖于数据清理工作，更依赖于银行日常的数据管理和维护、数据系统和数据库建设等数据基础建设工作，这是一个长期切需要不断完善的过程，应该说这方面我国的商业银行还有很多工作要做。
页:
[1]