对于Credit Portfolio View模型的适用性分析及改进建议
黄小凤
（哈尔滨工业大学建筑学院黑龙江哈尔滨150006）
摘要：
当今国际社会中，关于信用风险的评估分析主要使用KMV模型，Credit Metrics模型，Credit Risk +模型和Credit Portfolio View模型。
在这四个模型中，只有credit Portfolio View模型考虑了宏观经济因素对商业银行信用风险的影响。
笔者认为宏观经济因素对信用风险的影响是非常大的，比如在经济萧条期间，商业银行发生的违约事件明显多于经济良好的时间。
所以，认为Credit Portfolio View模型相比于其它模型更加合理。
但该模型也有其漏洞，所以提出了实际贷款过程中以Credit Portfolio View模型为主，混合使用另外其它模型的建议。
关键词：信用风险、Credit Portfolio View模型、违约、商业银行
一．Credit Portfolio View模型概述
1.1 Credit Portfolio View模型定义
Credit Portfolio View模型是由麦肯锡开发的一个多因子模型，可以用于预测仿真既定宏观因素取值下各个信用等级对象之间联合条件违约分布和信用转移概率。
在观测到失业率、GDP增长率、长期利率水平、外汇水平、政府支出和国民储蓄率等宏观经济因子信息时，计算不同国家、不同行业、不同信用评级的违约和信用潜移概率的分布函数。
Credit Portfolio View模型将观测到的违约概率和信用潜移概率与宏观经济因素联系起来。
当经济处于衰退期时，各信用主体信用降级和违约概率增加；与此相反，当经济处于繁荣时期时，各信用主体信用降级和违约概率减少。
也就是说信用周期与经济周期密切相关。
假定能够得到相关的数据，这一框架可以应用到每一个国家，并可用到像制造业、金融业和农业等不同的部门和各种类型的信用个体。
Credit Portfolio view模型的理论基础是信贷质量的变化是宏观经济因素变化的结果,通过多元经济计量模型来模拟宏观经济状态,然后将经济状态与协同的条件违约率和评级转移对应,以此得出信贷组合的损失分布。
相对于其他模型而言,该模型的输人变量主要依靠一系列的宏观经济变量如失业率、利率、经济增长率、政府支出和储蓄水平等,对每个国家不同行业中的违约概率和信用等级转移概率的联合条件分布进行模拟。
当经济条件恶化时,降级和违约会增加;当经济状况好转时,降级和违约将减少。
Credit Portfolio View模型的假设条件是每个债券的信用评级对整体的信用周期更敏感。
1.2违约预测模型
违约概率为一个Logit函数，其变量为一些宏观经济变量的当前值或滞后值构造的综
合评级指数，可表示为：
(1)
其中，P
j,t表示国家或行业j中债券在时期t的条件违约概率，Y j,t表示由宏观经济变量
构造的评级指数。
注意上述Logit变换保证了计算得到的违约概率处于0与1之间。
某一时期一个国家经济状况的宏观经济指数Y
j,t可用下述的多因子模型来表示：
(2)
其中，为第j 个国家、产业或级别的参数；为时期t 第j 个国家或行业的宏观经济变量；v j ,t
表示与宏观经济向量X j ,t 独立的残差变量，并假设服从正态分布：v j ,t —N (O ,σj )，和v t —N(O,∑v )，这里，v t 表示残差变量v j ,t 的向量形式，∑v 表示j×j 的方差协方差矩阵。
对每一个国家来说，宏观经济变量都是给定的。
如果能够得到足够的数据，上述模型就可以在国家或产业的水平上进行计算，从而就可以估计出相应的违约概率P j ,t 、违约概率
指数Y j ,t 和相应的参数βj 。
实际估计时，一般假设宏观经济变量服从2阶自回归(AR2)过程：
X j ,i ,t = r j ,i ,0 + r j ,i ,1X j ,i ,t − 1 + r j ,i ,2X j ,i ,t − 2 + e j ,i ,t (3)
其中，X j ,i ,t − 1，r j ,i ,2X j ,i ,t − 2表示宏观经济变量X j ,t 的一阶和二阶的滞后项；r j = (r j ,i ,0,r j ,i ,1,r j ,i ,2)表示需要估计的参数；e j ,i ,t 表示独立同分布的残差项；e j ,i ,t -N(O ，σej ,i ,t )和e t -N(O ，∑e )。
其中，e t 表示残差e j ,i ,t 的向量形式，∑e 为(j×i)(j×i)的方差协方差矩阵。
为了计算违约概率，需要考虑下面的几个方程(4)：
X j ,i ,t = r j ,i ,0 + r j ,i ,1X j ,i ,t − 1 + r j ,i ,2X j ,i ,t − 2 + e j ,i ,t
其中残差的向量E t 表示为
-N(O ，)，这里,∑v,e
和∑e,v 表示交叉的协方差阵。
在计算了(4)的几个方程后，可以通过以下步骤来计算违约概率：
第一步：对协方差矩阵∑进行Cholesky 分解，即：∑=AA ’ (5)
第二步：产生标准正态分布的随机向量Z t -N(0，I)，然后计算E t =A’Z t ，所得的结果就
是v j ,t 和e j ,i ,t ，代入(4)的估计值就得到了Y j ,t 和P j ,t 。
1.3条件转移矩阵
为了推导条件信用转移矩阵，使用根据穆迪(Moody)公司或标准普尔(Standard & Poor)公司的历史数据计算的信用等级转移矩阵(无条件的马尔可夫转移矩阵)，记做币M 。
之所以称为无条件转移概率，因为它们是基于20年、跨越好几个经济周期和产业的数据之上推导的历史平均数。
经济衰退时
经济繁荣时 其中，SDP t 表示某级别债券的条件违约概率，ΦSDP 表示某级别债券的无条件违约概
率。
Credit Portfolio View 利用(6)调整非条件违约概率矩阵得到以经济状态为条件的信用转移矩阵：
M t = M (P j ,t / ΦSDP ) (7)
当经济衰退时，时，增加了债券信用降级和违约的概率；当经济繁荣，时，降低了债券信用降级和违约的概率。
因为可以计算出任何经济时期的转移概率矩阵，那么也就可以得到多期的转移矩阵：
(8)
对上式模拟很多次，就能得到任何时期，任何评级的条件违约概率的分布。
二． Credit Portfolio View 模型适用范围、特点及局限性。
2.1 适用范围
信用组合观点模型主要适用于投机级债务人，而不太适合于投资级债务人。
因为投资级债务人的违约率相对稳定，而投机级债务人的违约率会受周期性宏观经济因素的影响而剧烈变动，所以要根据宏观经济状况适时调整违约概率及其对应的信用等级转移矩阵。
2.2 特点
根据模型对信用损失的不同定义，可以将模型分为两类：以贷款的市场价值变化为基础的模型称为盯市模型(Mark-to-Market Model)，集中于预测违约损失的风险机制的模型称为违约模型(Default Model)。
盯市模型在计算贷款价值的损失和收益中既考虑了违约因素，同时也考虑了贷款信用等级上升或者下降以及由此发生的信用价差变化等因素。
违约模型只考虑两种状态，即违约或者不违约。
盯市模型和违约模型之间的关键差异是盯市模型包括了价差风险。
Credit Portfolio View 模型既可以当作盯市模型也可以当作违约模型。
Credit Portfolio View 模型中风险驱动因素是一套系统的“国家范围的”宏观因素和非系统的宏观冲击驱动着违约风险和借款人之间的违约风险的相关性。
在关于信用事件的可变性方面，各个模型之间的关键差异在于，是为违约率建立模型，还是为违约分布函数的概率建立模型。
在Credit Portfolio view 模型中，违约率是一套呈正态分布的宏观因素和冲击的对数函数，因此，随着宏观经济的演变，违约率以及信用等级转换矩阵中概率也会变化。
关于信用风险因子的计算方法，Credit Portfolio View 模型的违约损失率的估计是通过蒙特卡罗模拟法进行的。
2.3 局限性
2.3.1该法要求每个国家、甚至每个国家内的每个产业部门都要有完备可靠的违约数据，
这显然是很难实现。
即使能够实现，但如果模型中所包含的行业越多，关于违约事件的信息就会相对变得越少，这也将不利于条件违约概率的确定，并影响模型的应用效果。
2.3.2模型没有考虑诸如债务的剩余期限及其对债务偿还情况等微观经济因素的影响，而是完全依赖宏观经济因素来决定信用等级转移概率，这有点过于武断和片面。
2.3.3模型对企业信用等级变化所进行的调整，容易受银行在信贷方面积累的经验和对信贷周期的主观认识等人为因素的影响，从而有可能降低调整后模型的客观性、可信性。
2.3.4模型有可能受到调整信用等级转移矩阵的特定程序的限制，而且也无法判定在实践中是否一定比简单的贝叶斯模型表现更好。
2.3.5 Credit Portfolio View模型对于转移概率的调整带有一定的任意性。
2.3.6假设是利率和风险暴露不变，但这不符合实际情况。
2.3.7没有全面考虑到信用借款人具体情况,如银行授信、贷款合同担保能力、债务期限等因素,尤其是没有考虑到借款人的道德风险,而道德风险在我国是个较为普遍的现象。
三．混合使用多个模型的建议
Credit Portfolio View模型是国际使用最多的几大模型之一。
另外还包括KMV模型，Credit Metrics模型，Credit Risk +模型。
这几个模型各有自己的优劣，分别使用于不同的情况。
笔者认为将这几个模型的优势结合，同时去除各自的劣势，将可以得到一个预测更加精确的模型。
但是每个模型的依据有很大的差别，将这几个模型结合成一个预测更精确的模型是难以实现的。
所以，是否可以用另一种方法来提高预测的精确性，即在实际应用中，将这几个模型混合使用。
首先，要明确每个模型的使用范围。
KMV模型是以期权定价模型为技术核心, 它的输人数据为公司股票交易数据和财务报表中的财务数据,因此它可以被用于任何股权公开交易的上市公司。
并且KMV模型不要求有效市场假设，这在一些有效市场性较弱的国度是很有用的。
CeridtMetircs模型依赖于银行的内部评级系统,据此来计提坏账准备金以及衡量资本充足率水平。
该模型几乎涵盖了所有的信用产品，由于强调信用评级的一致性和一贯性，它是典型的可以在不同行业之间比较的量化方法，可以跨行业比较信用风险管理。
另外,CeridtMeitrcs模型将VaR方法应用于信用风险分析,这有利于衡量准备金和经济资本。
CeridtiRsk十模型中一个重要假定是每一笔贷款为独立的,而且,每笔独立贷款发生违约的可能性很小,贷款组合违约概率的分布符合泊松分布。
ceridtiRsk+模型在解决单个债务人违约与银行整体客户违约的概率关系问题上使用了联合概率分布办法,大大提高了准确度,并可以推导出由多项贷款组合的联合违约概率分布及损失分布,为计算VaR创造了条件。
对于一笔代贷款，银行可以分析贷款的具体请款分析它适用于哪一种模型评估。
当然，只有极少数的贷款可以完全的用一种模型评估。
大部分的贷款应该难以判断出用那种模型评估。
这样的情况下，银行可以用两个货两个以上的模型对其进行评估。
对每一个模型评估得出的分数赋予一个权重，然后计算综合得分。
最后看综合得分是否达到贷款的最低标准来确定是否贷款。
关于这个猜想的依据是：这四个模型几乎包含了所有商业银行信用风险的影响因子。
对四个模型的综合使用，可以避免几乎所有的漏洞。
但混合使用多个模型的关键在于，给每个模型的评估结果各自赋予多大的权重。
赋予不同的权重将直接影响到最终结果，也将直接影响到这种方法的精确性。
对应每一笔贷款，赋予使用的模型各自的多大的权重，应该是这笔贷款的具体情况而定。
比如这笔贷款所处的行业属于现在波动性比较大的行业，而恰好该企业的质量并不太好，则应该赋予Credit Portfolio View模型更多的权重；如果一笔贷款是在有效市场性比较弱的国家，那就应该赋予
KMV模型更大的权重。
这需要银行贷款负责人对每个模型各自的原理、适用等有一个精确的了解，也应该对请求贷款的企业或个人有一个而深入的调研。
下面关于KMV模型，Credit Metrics模型，Credit Risk +模型，Credit Portfolio View模型的比较如下：
参考文献：
曹道胜、何明升，商业银行信用风险的比较及其借鉴，金融研究，2006年10期
汪办兴，我国商业银行信用风险的国际比较与改进，当代经济学，2007年，第29卷第3期信用组合观点模型(Credit Portfolio View，CPV)，MBA智库百科。
