第三节商业银行风险程度的

第三节　商业银行风险程度的 衡量方法与评价

一、商业银行单一风险的衡量方法及其评价

(一)商业银行信用风险的衡量方法及其评价

信用风险是商业银行的主要风险，国内外对银行信用风险的衡量方法也相对更成熟。在国外，信用风险的传统评价方法主要有专家方法、评级方法和信用评分法。

国外最常见的专家方法之一是5C法。即由专家分析企业的品格(Character)、资本(Capital)、偿付能力(Capacity)、抵押品(Collateral)、经济周期的走势(Cycle conditions)等五个因素，做出主观判断，然后做出信贷决策。

尽管专家分析法在国外得到了广泛的运用，但它存在两个明显的缺陷:一是一致性问题，例如对于不同的借款人，哪些因素是共同的重要因素，很难取得一致；二是主观性问题，即五个因素中各因素的权重是什么?专家的判断可能会因借款人的变化而变化，对于同一借款者，不同的专家可能有不同的标准。这些缺陷，严重限制了专家法的实际运用。

最早的贷款评级方法之一是美国货币监理署开发的。美国货币监理署的评级方法将现有贷款组合划分为特别关注的其他资产、未达到标准的资产、可疑资产、损失资产和合格资产，并对每一类资产规定不同的损失准备权重。

信用评分法是先确定某些决定违约概率的关键因素，然后赋予各因素的权重，进行加权汇总得到一个数量，以此来判断风险的大小。这种方法中最著名的是奥特曼(Altman)的Z值模型，其线性模型如下:

Z= 1．2X₁+ 1．4X₂+ 3．3X₃+ 0．6X₄+ 1．0X₅式中:X₁代表营运资本/总资产，X₂表示留有盈余/总资产；X₃表示利息和税收之前的收益/总资产；X₄表示股权的市场价值/总负债的账面价值；X₅表示销售额/总资产。

信贷负责人在使用该模型时，如果某借款人的各项财务比率在用Z函数中估计的系数加权计算之后得到的Z值低于某个临界值，那么该公司被归入“坏”一类，银行就会拒绝对其贷款。该模型存在的一个主要问题就是各因素的权重的科学性和客观性。它们基本上是主观判断产生的，这导致计算结果也带有较强的主观性。

(二)商业银行流动性风险的衡量方法与评价

商业银行流动性风险的主要衡量方法有流动性缺口分析法、净流动资产分析法和融资缺口法。

银行的流动性缺口是其资产与负债之间的差额，它反映了银行的流动性风险。如果银行的负债大于资产，则存在流动性风险。为了更有效地反映资产和负债如何影响流动性风险，人们引入“边际缺口”的概念。

边际缺口(ΔG)=资产增量(ΔA)－负债增量(ΔL)

流动性缺口法将银行每一个时期的资产和负债进行对比得出流动性剩余或不足。这有利于银行了解目前资产和负债期限匹配的状况，进而明了未来资金的需求。但该法仍有很多缺陷。例如，划分某些资产和负债的期限往往非常困难，如活期存款虽然没有名义上的到期日，但有时他们在银行呆很长时间；再如资产提前偿还现象。此外，它不包含银行的借款能力。

美国银行业常常使用净流动性资产分析法来衡量银行的流动性风险。该方法首先将其资产负债表两边的项目进行归类，将资产负债表中的资产分为流动性资产和非流动性资产，将负债分为不稳定负债和稳定性负债，银行的净流动性资产等于银行的流动性资产与不稳定负债的差额。通过正负流动性缺口数据，可以清楚地看到银行目前是否有足够的流动性资产可以变现，用以为即将到期的存款和债务提供资金来源。

融资缺口法也是美国商业银行用来衡量银行流动性风险的一种常用方法。定义:融资缺口=资产需要总量－稳定资金来源。融资缺口越大，流动性风险也越大。

上述三种流动性风险分析方法有几个明显的优点:一是他们不仅反映出银行资产负债表的短期的变动状况，而且通过潜在流动性需求和能力的表述，将流动性管理带到表外，具有前瞻性、动态性；二是它们在对银行流动性状况进行描述时立足于宏观和战略的角度，因而对资产负债管理委员会分析银行的流动性总体状况颇具参考价值。但这些方法在世纪操作中带有较强烈的主观色彩，对未来流动性需求的预测甚至存在统计上的不稳定性；它们不能对投资者的信息进行精确度量。

二、衡量银行风险的VaR方法

(一)VaR方法的基本内涵

为测度金融机构经营活动中面临的各种风险，1993年7月，G30集团在研究金融衍生产品的基础上，提出了度量市场风险的VaR(Value at Risk)方法。1995年4月，巴塞尔委员会宣布，商业银行的资本充足性需求必须建立在VaR基础上。1996年1月，巴塞尔委员会发布了一项关于市场风险资本要求的内部模型方法的修改意见，进一步确立了VaR方法在金融风险计量方面的地位。在2004年通过的新巴塞尔协议则进一步主张用VaR对市场风险、信用风险和操作风险进行综合的风险管理，并且鼓励银行在满足监管和审计要求的前提下，可以采用自己的以VaR为基础的内部模型作为资本充足率的计算基础，VaR作为一个很好的风险管理工具开始正式在新巴塞尔协议中获得应用推广。

VaR按字面解释就是“风险价值”，其含义指:市场正常波动下，某一金融资产或证券组合的最大可能损失。更为确切的是指，在一定概率水平(置信度)下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失。用公式表示为:Prob(ΔP＜VaR)=α。

其中Prob:资产价值损失小于可能损失上限的概率；ΔP:某一金融资产在一定持有期Δt的价值损失额；VaR:置信水平α下的风险价值－－可能的损失上限；α:给定的概率－－置信水平。

具体而言，VaR是指在一定的持有期及置信水平下，某一金融资产所面临的最大潜在损失(可以是绝对值，也可以是相对值)。例如，某一投资公司持有的证券组合在未来24小时内，置信度为95%，证券市场正常波动的情况下，VaR值为800万元。其含义是指，该公司的证券组合在一天内(24小时)，由于市场价格变化而带来的最大损失超过800万元的概率为5%，平均20个交易日才可能出现一次这种情况。或者说有95%的把握判断该投资公司在下一个交易日内的损失在800万元以内。5%的几率反映了金融资产管理者的风险厌恶程度，可根据不同的投资者对风险的偏好程度和承受能力来确定。

(二)VaR模型的优点

首先，VaR为银行提供了一种对不同风险因子、不同金融工具和资产种类风险的统一测度标准。它用一个单一的指标来衡量投资组合的风险，并用货币单位表达该组合的潜在损失，它能将金融机构面临的所有种类、形式多样的风险敞口加总为一个单一数字，便于理解和比较，非常符合银行管理可视化的发展方向。

第二，VaR可作为银行控制风险的工具。在银行的业务单位、客户和产品分类层次上整合风险，利用整合的VaR，银行高级管理层和董事会得以从比较宏观的视角全面评估银行所面临的风险状况，优化自己的风险承担和风险配置，银行交易人员和各业务部门也能因此获知各自所允许承担的风险限额。这些VaR限额可以确保每项业务承担的风险不超过允许的水平，风险管理者可以查出哪个部门承担的风险最大，也可以确认银行总体面临的哪类风险的敞口最多。

第三，VaR可作为银行披露风险信息的手段。随着计量方法和标准的统一，VaR的透明度和一致性逐渐增强，监管当局可以要求银行定期编制和公布VaR报告，并提交银行业务部门和监管部门，作为银行监管资本的计算基础，银行信用评级的重要依据。借助于VaR的信息披露，股东也可以评估自己是否对银行承担的风险水平感到合理。

第四，VaR可作为度量银行绩效的新型工具。VaR体系考虑了资产组合的分散化效应，与银行的日常经营密切相关。利用与VaR对应的风险资本，可使管理者将业绩和交易内在风险结合起来考核每个业务单位、产品分类和银行交易员的业绩，从而改变传统上银行以交易员创造的利润作为衡量业绩的唯一标准。这种基于资本的风险调整收益率(Return Adjusted Risk on Capital，RAROC)考核方法不仅有效地抑制了业务单位和员工过渡追逐风险的行为，而且可以指导他们在风险最小化的条件下为银行谋取最大化的收益。

(三)几种常用VaR模型及其评价

在计算VaR的过程中，对风险因素的预测一般采用下列三种方法:一是使用隐含信息；二是用实际历史信息；三是用特定或随机产生的价格路径。这样，在实际运算中对以上方法的不同组合，就产生了计算VaR的不同方法。这些方法基本上可划分为三类:解析方法、历史模拟法和蒙特卡罗模拟法。

1．VaR的解析方法(Analytic Method)

解析方法又称为资产收益的方差－－协方差估计，它用资产收益的历史时间序列数据来计算资产或组合的标准差和相关系数，然后在正态分布假定下基于这些方差和协方差系数来计算组合的标准差，从而确定相应的VaR，即投资组合的收益分布完全由方差－－协方差矩阵确定。

根据投资组合价值函数形式的不同，分析方法可分为两类:Delta－模型和Gamma模型。在前者中，投资组合的价值函数取一阶近似，但不同模型中市场因子的统计分布假定不同。如Delta－正态模型假设市场因子服从正态分布；Delta－GARCH模型使用GARCH模型来描述市场因子。在Gamma模型中，证券组合的价值函数取二阶近似，其中Gamma正态模型假设市场因子的变化服从多元正态分布； Gamma－GARCH模型使用GARCH模型描述市场因子。在实际应用中，Delta－正态模型便于计算，应用最为广泛。

Delta－正态模型最大的优点是简单，便于计算。它假定标的资产服从正态分布，由于投资组合是标的资产的线性组合，所以方法本身也是线性的。它非常适合计算大型投资组合的风险价值。

Delta－正态模型的不足在于:首先，它对事件风险无能为力，也就是说它对突发事件或极端情况的发生无能为力。这是因为时间风险很少发生，历史数据无法充分的表达有关时间风险的信息。其次，许多金融资产收益率的分布都存在“厚尾”(Fat tail)现象，由于VaR着重考虑的是资产组合收益率分布的左半部分，以正态分布假定为基础的Delta－正态方法不能很好的拟合实际的VaR(阎庆民，2005)。

2．VaR的历史模拟法

历史模拟法是最简单最直观的方法，其核心在于根据市场因子的历史样本变化模拟投资组合的未来损益分布，利用分位数给出一定置信水平下的VaR估计。它是一种非参数估计方法，不需要假定市场因子的统计分布，可以较好地处理非正态分布的情形；它是一种全值估计，可有效地处理非线性组合。历史模拟法可分为简单历史模拟法和一般历史模拟法。

简单历史模拟法首先识别基础市场因子，收集市场因子适当时期的历史数据，并用市场因子表示出投资组合中各金融工具的市场价值；其次，根据市场因子过去n+ 1期的价格时间序列，计算市场因子过去n+1个时期价格水平的实际变化(得到n个变化水平)。假定未来的价格变化与过去完全相似，即过去n+ 1时期价格的n个变化在未来均可能出现，这样，结合市场因子的当前价格水平可以直接估计市场因子未来一个时期的n种可能的价格水平；然后，利用投资的定价公式，根据模拟出的市场因子的未来n种可能价格水平，求出投资组合的n种未来市场价值，并同当前市场因子的投资组合价值比较，得到投资组合未来的n个潜在损益和损益分布，再根据损益分布(通过分位数)求出给定置信水平下的VaR。

与解析方法中的Delta正态模型相比，历史模拟法由于没有对定价模型和金融资产市场的随机性进行特别的假定，因此可以避免“厚尾”现象；只要能收集到投资组合价值变化的数据，该方法也就比较容易实现；此外，它使用实际数据，可以引入线性的因素。

但历史模拟法也存在一定的局限:首先，它假定未来是过去的简单重复，仅采用一种样本路径，由于风险本身意味着不可预见的易变性，该方法没有充分考虑临时的波动性，没有充分考虑事件风险；其次，它对所有各期的历史数据赋予相同的权重，加上为提高模型预测的精度采用较长的样本期，这样可能将已经不重要的历史数据引入模型而不能准确预测未来的风险价值。如果资产组合的规模加大，结构较复杂，该方法的实现就十分困难。

3．VaR计算的Monte Carlo模拟方法

历史模拟法是基于市场因子的历史价格变化得到组合损益的n个可能结果，从而在观测到的损益分布基础上通过分位数计算VaR。基于Monte Carlo模拟的VaR计算，原理与此类似，不同之处在于市场因子的变化不是来自于历史观测值，而是通过随机模拟得到。其基本思路是重复模拟金融变量的随机过程，使模拟值包括大部分可能情况，这样通过模拟就可以得到组合价值的整体分布情况，在此基础上再求出VaR。

基于Monte Carlo模拟的VaR计算。其基本步骤如下:首先，它分辨出投资组合面临的基本市场风险因素，并确定由市场因素表示的投资组合盯市价值的表达式。其次，选定市场风险因素所服从的特征分布，估计分布参数。这一步是Monte Carlo模拟法区别于其他方法的主要特征，描述市场因可能变化的统计分布可以是正态分布、对数正态分布或t分布等，而方差、相关系数的估计可以从历史数据或期权数据中获得。再次，根据选定的分布，利用随机数生成器产生市场风险因素的n种未来可能值，根据每一组市场风险值对投资组合进行估价，确定组合的相应价值。最后对盯市组合价值进行排序、分组，得到投资组合收益率的概率分布和测定组合的风险价值。

Monte Carlo模拟方法是一种分值估计方法，可以处理非线性、大幅波动及“厚尾”现象；它可产生大量的情景，比历史模拟方法更精确，更可靠。但这种方法的计算量太大，系统成本太高。例如一个投资组合包括1000种资产，对每种资产涉及的价格路径是1000种，那么就需要估计一百万个资产价值。此外，它依赖于基础风险因素的随机模型和资产定价模型。如果这些模型存在缺陷，据此估计的风险价值就不可靠。