作者：叶征
出版社：中国人民大学出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
银行信用风险计量实战试读：
前言
大概是在2015年冬季，鉴于我之前长期在金融机构从事风险计量工作，王汉生老师（熊大）邀请我去北京大学光华管理学院，为面向各高校数据科学专业师生举办的“狗熊会”线下活动“熊出没”做了一次商业银行对公内部评级的专题讲座。讲座结束之后，熊大建议我基于讲座内容写点东西在“狗熊会”公众号平台上与大家分享。我最开始只写了一篇《非零售信用风险内部评级》，熊大看后说不行，让我至少写十篇，最好能形成一本书。我当时深感挑战巨大，熊大勉励我：不急，慢慢写，不限定你最后的完成时间。就这样，我一篇一篇写到2018年5月。
本书的系列文章在“狗熊会”微店上架后，得到了熊粉们的积极反馈，其中不乏中肯的批评与改进意见。据此，我对本书不断地修改和完善。
资本计量高级方法在中国乃至全球银行业的应用不断深入，国内外银行都在积极探索科学的资本计量方法，搭建和完善资本计量体系。基于中国银行业高质量数据积累不足、缺少外部评级、相关风险计量技术研究时间较短、有经验的计量人员比较缺乏等现状，中国银行业的资本计量高级方法的建设必然是一个由浅到深、由点到面，系统、持续、不断完善的过程。其中最为核心的内部评级体系建设是一项实施周期长、难度大、专业性极强的工作，比如建立内部评级模型，有很强的技术性；实现内部评级体系对信贷业务管理流程的变革性价值，则要具备丰富的银行实际业务经验。
随着我国金融监管和金融行业对风险计量工作越来越重视，已有图书对风险计量的理论和国外通行的实践经验进行介绍，但尚无详细阐述风险计量技术在我国金融机构落地的过程中众多疑难杂症的解决之道的相关著作。因此，本书不是风险计量技术的理论性总结和一般[1]方法论的介绍，而是紧扣中国银行业监督管理委员会（以下简称银监会）发布的《商业银行资本管理办法（试行）》等监管规定，充分结合本人对不同类型金融机构实践探索经验的系统性论述，同时在相关方面，特别是风险计量技术在关键业务的应用方面有所侧重，一步一步展开讲述，同时讨论业务流程、政策制度和数据治理等，为大家展现一幅银行业实践中如何把风险管理问题定义为数据可分析问题、进行风险数据分析和建模、解决风险管理业务问题的全面真实的图景。
众所周知，内部评级体系的搭建是银行信用风险管理和计量的重中之重。目前，中国银行业在内部评级过程中可能遇到各种复杂情况和挑战，例如：数据不足情况下的内部评级模型开发问题、低违约资产组合的模型开发和验证问题、评级哲学的选择问题、中小银行联合实施内部评级法问题、数据集市标准化落地问题、压力测试问题、债项评级问题等。我总结了近年来中国国有银行、股份制商业银行、城市商业银行在实施内部评级过程中比较有代表性的疑难杂症，并形成有针对性的解决方案。主要内容如下：
1.商业银行内部评级体系建设的背景
2.非零售客户评级打分卡的评估与验证
3.非零售客户评级打分卡优化的方法论
4.非零售客户评级打分卡优化的实施方案
5.内部评级建设常见误区释疑
6.时点评级法及跨周期评级法等方法与实践
7.中小银行联合实施内部评级的方法与实践
8.压力测试的方法与实践
9.内部评级数据管理的方法与实践
10.债项评级的方法与实践
11.债务人评级模型低违约组合的验证
为了让读者在阅读各章的同时能够对内部评级体系有一个总体的了解，我在本书的最后专门撰写了第12章“内部评级体系简介”，以省去入门读者寻找内部评级方面书籍的烦恼。
风险计量是一门不断发展的学科，在我国刚开始发展，我仅是这方面的早期实践者之一，有些问题随着《巴塞尔新资本协议》的完善以及同业的不断实践将产生新的、更加合适的解决方案。本书撰写的目的并不是全面深入地研究内部评级体系，由于内部评级内容涵盖广泛，其细分领域的专业性也极强，再加上本人能力有限，书中疏漏和观点偏颇之处在所难免，欢迎大家提出宝贵意见。
温馨提示：进入“狗熊会”公众号（CluBear），输入“叶征”，可以看到本书系列文章最初的状态。[1]2018年3月，根据第十三届全国人民代表大会第一次会议批准的国务院机构改革方案，将中国银行业监督管理委员会和中国保险监督管理委员会的职责整合，组建中国银行保险监督管理委员会（以下简称银保监会）。第1章 商业银行内部评级体系建设的背景竞争环境
世界银行业跌宕起伏的历史给我们留下了活生生的案例，这表明，无论规模大小，只要风险管理不好，银行最终难逃破产出局的悲惨命运。20世纪80年代，伴随利率自由化进程出现的美国储贷危机中，有534家储贷机构倒闭，2008—2011年次贷危机期间，有402家银行倒闭，血淋淋的教训无不向世人昭示“现代银行经营的是风险”这一事实。
随着中国银行业市场化进程的深入，一些管理不善或资不抵债的银行倒闭将不可避免。监管部门对此也有所准备，比如起草银行破产条例，出台存款保险制度和强调民营银行风险自担等。虽然到目前为止中国仅有一家商业银行和少数储蓄机构破产，尚未出现大范围的银行倒闭现象，但这并不意味着中国所有的银行都非常安全与稳健。曾几何时，中国许多银行甚至一些大型银行都濒临技术性破产，在国家信用的支持下才没有发生挤兑现象。随着去国家信用支持和金融市场化进程的加快，银行的未来将主要由其经营状况决定，银行的经营状况在很大程度上取决于其风险管理能力，而银行的风险计量能力是其风险管理能力的基础驱动因素。
2015年以后的中国金融市场风起云涌：经济下滑、利率自由化、央行的去一般流动性支持，使得银行躺在高利差温床上享福的时代一去不复返。除了来自经济和金融的冲击，以第三方支付为先锋的互联网金融、移动金融来势汹汹，蓬勃发展的新技术不仅最直接地抢食银行传统优势业务，多种电子渠道也动摇着几十年来银行积累的庞大客户基础。银行业不得不重新梳理业务管理流程，以便更快更有效地面对市场竞争，而风险管理作为金融服务的最大核心竞争力将决定谁能笑到最后。
眼下市场环境变化如波涛汹涌，对于在风浪中拼命挣扎的中小银行来说，唯有巩固自身的风险管理防线，才能在大潮退去之后依然坚强挺立，持续稳健经营。对我国的众多银行来说，信用风险是目前面临的主要风险，并且在未来一段时间仍将居于主要地位，而信用风险内部评级体系的验证与优化，是确保其稳定性与可靠性的有效手段，会影响信贷客户选择、产品定价、风险计量、贷中贷后监控与管理、拨备计提、综合绩效评估、资产组合风险整体暴露计量与管理以及资本计量与管理等诸多方面。许多银行前几年积累的不良信贷资产在近两年集中显现，信贷资产组合质量明显恶化。目前很多银行面临实质性的信用风险，在严峻的经济金融形势和竞争环境下可能加大，应引起高度重视。各银行需要通过建立更加精细、科学、客观的风险评估和计量机制，采用先进的信用风险管理技术和手段，建立完善的信用风险计量模型验证优化体系，严把准入关，加大对存量资产的管理力度，加强对不良资产的监控，提高对不良资产的处置要求。监管要求
监管机构不仅不会因为银行外部竞争环境更加严峻而放松监管，相反会提高对银行风险管控能力的要求，以抵御不断增加的风险。2012年6月7日，银监会下发了“中国版的新资本协议”——《商业银行资本管理办法（试行）》（以下简称《资本办法》），要求国内商业银行于2013年1月1日起根据该办法进行监管资本和资本充足率的计算，逐步落实对于银行风险管理与资本管理的各项监管要求，并最晚于2018年年底达标。《资本办法》共10章180条，有17个附件，围绕资本充足率展开，按照三大支柱的框架详细阐述。其中，《资本办法》附件16“资本计量高级方法验证要求”以《巴塞尔新资本协议》（以下简称《新资本协议》）相关要求为基础，借鉴巴塞尔银行监管委员会（以下简称巴塞尔委员会）有关验证方面的文献及其他国家和地区的监管政策，吸取金融危机中的经验教训，充分考虑国内银行的实践，明确并细化了商业银行建立验证体系所要达到的标准，为商业银行建立有效的验证体系提供了明确的标杆，有助于商业银行尽快建立验证体系，确保资本计量充分反映风险。《资本办法》要求商业银行采用信用风险的内部评级法（internal ratings based（IRB）approach）、市场风险的内部模型法、操作风险的高级计量法，按照附件16的要求建立验证体系，对资本计量高级方法及其支持体系进行持续检查，完善自我纠正机制，确保资本充分反映风险水平。
资本计量高级方法的验证目标：一是增强资本计量高级方法的稳健性和可靠性；二是建立纠正机制改进资本计量高级方法的风险预测能力，促进方法和体系的持续改进；三是增进商业银行高级管理层和相关人员对计量模型的理解，充分认识模型的局限性，完善模型结果应用，确保资本准确反映风险水平。
在商业银行信用风险内部评级体系的验证方面，根据《新资本协议》和银保监会的监管要求，必须建立一个健全的内部评级验证体系，包括验证的制度政策、流程方法、数据和IT系统等，来验证银行的评级体系、过程和风险参数量化的准确性和一致性。
银保监会将自2019年起按照《资本办法》陆续对商业银行开展检查评估，并按照评估结果对银行进行分类监管，轻则进行风险预警，重则吊销牌照。监管评估的内容有3/4集中在全面风险管理体系的建设方面，其中信用风险管理是全面风险管理体系的核心。同业经验
银监会根据《资本办法》，在2014年4月核准中国工商银行、中国农业银行、中国银行、中国建设银行、交通银行和招商银行为第一批使用资本计量高级方法计量监管资本的银行。在批准前，这六家银行都进行了资本计量高级方法的验证工作。以招商银行为例，2010年完成了信用风险内部评级体系的验证（包括非零售信用风险内部评级体系验证和零售信用风险内部评级体系验证）和市场风险内部模型验证项目，之后每年都会定期或不定期开展与《新资本协议》实施相关的验证工作，增强资本计量高级方法的稳健性与可靠性。通过实施资本计量高级方法，招商银行已经在信贷政策制定、授信审批流程、业务定价模型、贷后管理和预警、绩效考核与成本核算各个方面建立起可量化的管理模型，经营管理理念和模式更趋精细和科学。
模型的复杂性、数据清洗和样本筛选不当、变量分布特征的误判、风险驱动因素考虑不够全面、模型环境发生变化等方面的原因，可能会导致模型风险，从而对银行经营活动产生负面影响，带来不可预估的损失。
摩根大通一直号称风险管理方面的专家，在拥有大量衍生品交易的同时可以使投资者远离风险。2012年，管理着银行3500亿美元超额储备的首席投资办公室（chief investment office,CIO）在进行一系列复杂的衍生品交易（又称“伦敦鲸交易”）时损失了至少62亿美元。究其原因有以下几点：一是新的模型未经过验证和优化；二是进行大规模信用违约互换（credit default swap,CDS）交易；三是风险提升，未经验证的新在险价值（value at risk,VaR）模型失灵。该事件导致欧美主要金融机构股市纷纷下挫和摩根大通银行信用评级下调。
通过对摩根大通巨额损失事件的分析，银行可以获得如下启示：
第一，模型验证和优化是模型在银行业务中应用的基础。银行在验证政策中要对验证人员的独立性与职责进行明确，并且要求在模型投入使用前，由独立的模型验证优化部门或外部审查机构详尽记录模型的验证优化过程以及得出模型有效结论的理由。
第二，建立业务发展和风险管理的运行机制，清晰的风险偏好是前提和基础。银行风险偏好将风险与收益有机结合在一起，成为联结前、中、后台的纽带和相互沟通的共同语言。
第三，银行应建立积极灵活的风险管理机制，避免对风险管理模型的过度依赖。银行在风险管理过程中应采取主动灵活的策略，在参考风险计量模型的基础上，对市场环境的剧烈变化和突发事件做出及时的评估和反应。
众所周知，现代银行经营的是风险，而风险管理的基础和核心是风险的精确计量。首先，没有这个核心，风险准入、审批、监控、处置就无法有效进行，风险管理的政策、制度和流程难以形成完善的体系，也就难以建立随时、随需、灵活可测、变一人经验为多人经验的风险评估和计量机制。不能确定风险是否在可控范围之内，就是最大的风险。其次，各家银行应升级应对各类风险的管理方法、技术、工具和手段，达到监管要求并争取做到业界最佳，切实提高本行的全面风险管理能力，提高资本利用率和经营管理水平。
面对不断严峻的经营环境和日益严格的监管要求，结合银行自身发展的要求，各银行的领导层应高瞻远瞩、果断决策，借助监管机构重点推动全面风险管理体系建设的契机，进行业务运营及管理升级，打造风险管理引领银行之势，全面提升风险计量与管理能力，锻铸银行核心竞争力，为银行的中长期稳定发展奠定坚实的基础。第2章 非零售客户评级打分卡的评估与验证
不同于零售风险和互联网金融风险，非零售信用风险有其固有的特点，比如违约数据稀少甚至无违约数据，如某行业是国有垄断行业，可能只有几家国有企业的数据等，这就给非零售信用风险内部评级的开展带来极大的挑战。传统商业银行中非零售客户资产占比普遍较高，如果这部分资产不能通过科学有效的方法确定指标和权重，使模型指标的选择和权重的确定可重复、可检验，则无法通过银保监会资本计量高级方法的核准达到节省资本的目的，而越来越严苛的资本监管使得资本对于商业银行而言成为业务发展极为稀缺的资源。因此，本章将对低违约资产组合的评估与验证做详细论述。非零售客户评级打分卡评估与验证的目标
非零售客户评级打分卡评估与验证的目标是使银行非零售客户评级打分卡具备良好的风险识别能力，使银行打分卡开发体系更加科学、规范和透明。
所要达到的具体目标如下：
第一，对银行现行非零售客户评级打分卡的表现进行整体评估，清晰客观地分析银行评级打分卡存在的缺陷，提出打分卡验证的范围和具体实施方案。
第二，对银行重点非零售客户评级打分卡进行验证，并为打分卡后续优化提出工作建议以及系统需求，使银行优化后的打分卡及系统更加贴合银行业务实际，为银行信贷业务中信用风险的有效控制提供科学、客观、高效的工具支持。非零售客户评级打分卡评估与验证的主要内容
主要内容包括以下几个方面：
第一，对银行现行非零售客户评级打分卡的表现进行整体评估。通过审阅前期的开发文档和对总分行打分卡使用相关情况的调研，对打分卡的开发、推广和使用中的问题进行分析，整体评估打分卡的表现，提出打分卡优化的范围和具体实施方案。
第二，对银行重点非零售客户评级打分卡进行验证。根据评估结果，针对排序能力、准确性、稳定性等表现不好，且客户数占比以及信贷余额占比较大的非零售客户评级打分卡进行验证，并提出后续优化的建议。
第三，结合行内信贷系统的实际情况提出业务需求，以便上述调整能够落地实施。
第四，结合优化后的非零售客户评级打分卡体系，对银行的非零售客户评级相关政策、制度和流程进行审阅，并提出修订建议。
第五，基于优化后的非零售客户评级打分卡体系，提出持续验证和优化的数据需求和数据管理标准，以便银行能够持续地收集相关数据，用于后续的打分卡验证与优化。
非零售客户评级打分卡评估与验证的主要内容可以整合为以下两个模块：
模块一：非零售客户评级打分卡评估与验证。通过案头分析开发文档和对总分行相关情况的调研，对现行打分卡的表现进行定量验证和定性评估，根据非零售客户评级打分卡上线以来的使用情况，对评级结果表现不好且客户数占比以及信贷余额占比较大的打分卡进行重点评估与验证，确定后续优化的主要方面和主要内容。
模块二：提出现行打分卡的优化建议。对模块一中选定的打分卡设计具体的优化方案和优化策略，包括指标调优和权重调优的建议以及优化过程所需采用的优化方法，如专家判断计量模型开发方法。
非零售客户评级打分卡评估与验证的总体架构如图2-1所示。图2-1 总体解决方案架构非零售客户评级打分卡评估与验证的基本框架
通过审阅前期的开发文档和对总分行相关情况的调研，明晰客户评级打分卡开发的方法、策略和流程，对打分卡的检验以及推广和使用中的问题进行分析，掌握客户评级打分卡上线以来的评级情况，提出打分卡可以优化的领域，最终形成打分卡优化的建议书。
如何对低违约资产组合进行验证和评估，是目前业内的难点，也是监管机构对信用风险内部评级体系进行审查的重点内容。可参考国内外银行业对低违约资产组合验证的观点，按照监管要求，探索研究银行低违约资产组合的评估与验证方法，并选取合适、科学、合理的验证方法对银行现行打分卡进行定量验证和定性评估。评估与验证框架如图2-2所示。图2-2 评估与验证框架
1.定量验证的方法（1）区分能力验证
该验证确保模型能够按照债务人风险大小有效排序。模型区分能力采用两种以上的方法进行检验，包括监测累积准确曲线（cumulative accuracy profile,CAP）及其主要指数准确性比率（accuracy ratio,AR）、受试者工作特征曲线（receiver operating characteristic （ROC）curve）及AUC（area under curve）系数和K-S检验结果等。
CAP及AR主要用来检验模型对违约和非违约客户进行正确区分的能力。CAP曲线的原理是：首先自高风险至低风险排列模型的分数，即模型分数从低至高；横坐标X表示客户总数的累计百分比；纵坐标Y表示违约客户的累计百分比；横纵坐标的关系表现为在CAP曲线上，评级风险较高的X％客户占违约客户的Y％，即纵坐标描述了评级分数小于或等于（一般选取等于）相对应横坐标X的违约个数百分比。一个有效的模型应当在样本客户处于同一排除率的情况下，排除更高百分比的差客户。AR的定义为模型的CAP曲线和45°线间的区域面积，与介于45°线和最佳模型的区域面积的比率，这个值越接近1，表示模型的效果越好。应用CAP和AR，每一个验证期可得到一个CAP曲线图和一个AR比率。通常情况下，AR值越接近1越好，说明验证的模型对违约客户的区分能力很好。在业界，对于AR没有一个标准的衡量尺度。一般来说，AR值大于40%都是比较好的。图2-3为CAP曲线示意图。图2-3 CAP曲线示意图
ROC曲线及AUC系数也可用来检验模型对违约和非违约客户进行正确区分的能力。ROC曲线描述了在一定累计好客户比例下的累计差客户的比例。其原理是通过选定的评分判断债务人在下一个期间是否违约，决策者通常使用的一种方法是设定临界值C，评分低于C的债务人为潜在的违约客户，高于C的债务人为非违约客户。在最佳模型中，无论临界值C的取值是多少，模型的命中率均为100％，因而最佳模型的ROC曲线是一条纵坐标为1的直线。在随机模型中，基于任一临界值C，其正确区分违约和非违约客户的概率是50％，故ROC曲线表现为45°的直线。待评级的预测模型的ROC曲线即分布在随机模型和最佳模型之间。待评级的预测模型的区分能力越强，ROC曲线越往左上角靠近。AUC系数表示ROC曲线下方的面积。AUC系数越大，模型的风险区分能力越强。ROC曲线越往左上，即ROC曲线下的面积越大，表示该模型的正确性越好。因此，ROC曲线下面积的大小可以作为模型预测正确性高低的评判标准。根据相关的研究，若曲线下的面积为0.5，则表示模型不具备区分能力；若曲线下的面积为0.7~0.8，表示模型的区分能力是可接受的；若曲线下的面积为0.8~0.9，表示模型有很好的区分能力；若曲线下的面积在0.9以上，则表示模型有相当强的区分能力。图2-4为ROC曲线示意图。图2-4 ROC曲线示意图
K-S检验主要验证模型对违约对象的区分能力，通常是在模型预测全体样本的信用评分后，将全体样本按违约与非违约分为两部分，然后用K-S统计量来检验这两组样本信用评分的分布是否有显著差异。运用K-S检验来验证模型能否区分违约户与正常户，当两组样本的累计相对次数分配非常接近，且差异为随机的时，则两组样本的评级分配应一致；反之，当两组样本的评级分配不一致时，样本累计相对次数分配的差异会很显，如图2-5所示。图2-5 K-S经验分布曲线（2）准确性验证
该验证采用两种以上的方法分析实际违约频率与违约概率估值的吻合程度，包括二项检验、卡方检验、正态检验等。
二项检验是验证内部评级体系各级别违约概率估值的一种有效方法，其前提是每个级别下违约事件是相互独立的，要注意每次只能应用一个评级级别。
卡方检验验证模型不同风险级别违约概率（probability of default,PD）与主标尺的匹配程度，可以一次同时对多个级别进行检验，但样本需要满足独立性（违约事件在风险级别之内和风险级别之间相互独立）以及正态分布的假设。卡方检验的P值可以用来估计违约概率的准确性，P值越接近0，准确性越差。（3）稳定性验证
该验证检验违约概率估值在时间和客户群变动情景下是否具有稳定性。常用的方法包括转移矩阵法等。
转移矩阵法假设在最稳定的模型中，在其他条件不变的情况下，同一评级客户前后期的评级等级应当维持不变。因为只用一个转移矩阵无法给出评级模型效果的很多信息，所以需要比较在不同时间段的转移矩阵以衡量模型效果。将转移矩阵情况与宏观经济情况比较可以发现模型表现方面的问题，例如在经济增长时期却发现评级结果有向更差等级转移的趋势，说明模型本身可能存在问题。
2.定性评估的方法
定性评估的方法主要包括违约定义评估、打分卡开发数据评估、开发过程评估、评级结果评估等。定性评估的步骤如图2-6所示。图2-6 定性评估的主要步骤
3.低违约资产组合的验证
根据《新资本协议》实施工作组的验证工作组（AIG-V）的研究[1]，银行资产组合是在低违约和高违约两类状态之间连续变化的。当银行内部数据系统包含较少的违约事件时，资产就更接近低违约状态，这对风险参数量化即风险计量和验证工作都构成了挑战。目前，业界的最大担忧是缺乏足够的统计数据，导致风险参数返回检验困难，使低违约资产组合（客户）难以运用内部评级法。基于业界的担忧，AIG-V在2005年9月发表了一份新闻公报，其中阐述了违约数据的缺乏并不能使低违约资产组合排除在应用内部评级法之外。
目前，对于低违约资产组合的验证，已有成熟的方法应用于国内外银行的实践。业界采用的主要验证方法如图2-7所示。图2-7 低违约资产组合验证的方法
图2-7所列的验证方法中，内外部基准测试是低违约资产组合验证工作中最常运用的方法。基准测试（benchmarking）是内部评级的估计结果与内外部可观察信息（公开或非公开）之间的比较。对于内部评级体系来说，可观察的公开基准包括标准普尔公司、穆迪公司等评级机构给出的评级，这些评级机构对被评级公司给出的评级的详细信息可以从公开资料中得到，从而使检查和分析内部评级体系是可以实现的。非公开的基准是银行内部或监管部门采用的基准，一般不对外披露。
这里的外部基准被隐含地认为具有某种特殊的可信度，如内部评级的估计结果与外部基准有偏差，就应检查内部的估计值。在该方法下，外部基准用来对内部估计值进行校准或者验证。需要注意的是，由于确定绝对的基准很困难，因此使用基准时应谨慎。
针对低违约资产组合的验证步骤如图2-8所示。图2-8 低违约资产组合验证的步骤
如果银行违约客户数量较少，那么传统模型评估的返回检验方法只能得出有限的结论，在这种情况下，基准测试可以检验低违约资产组合评级模型的区分能力。通过比较评级模型和基准模型对相同债务人评级结果的相关性进行验证。因此，如果银行的违约客户数量和数据质量不够理想，建议采用基准测试的方法对风险评估模板的区分能力进行验证。如果银行客户缺乏外部机构的评级数据，也缺乏可信度较高的市场数据，不易获得外部基准数据，建议采用内部专家基准测试的方法对风险评估模板的区分能力进行验证。具体验证步骤如下：
第一步，确定测试样本客户行业和清单。
根据银行提供的历史客户及现有客户的行业分布情况统计表，综合考虑各行业的客户数量占比和信贷余额占比情况，从中筛选出几个主要的行业，分别确定各行业的测试样本客户数量。
第二步，确定内部业务专家对客户信用水平的排序结果。
内部专家基准测试的方法对专家的要求较高，因此，选择业务经验丰富、熟悉市场环境、了解客户风险特征的业务专家，是确保基准测试结果合理性的关键。专家根据银行评级框架的评级定义，为测试样本客户进行主观认定评级，并按照主观认定评级结果对测试样本客户进行排序。上述排序结果作为内部专家基准测试的“专家基准”，在此基础上进行基准测试。
第三步，计算基准测试量化结果Spearman秩相关系数。
通过基准测试评估打分卡对债务人的评分结果与专家的排序结果的相关性，正相关性高代表风险评估模板对客户信用水平的排序能力良好，反之亦然。
根据定量验证与定性评估结果，选取评级结果表现不好且客户数量占比以及信贷余额占比较大的打分卡进行重点优化，提出优化建议。
想更全面地了解低违约资产组合验证的读者可参阅本书第11章。[1]巴塞尔委员会第6期新闻公报，2005-09.第3章 非零售客户评级打分卡优化的方法论
根据业界实践和监管要求，应该对风险评估方法定期验证和优化并持续监控。对于非零售客户评级方法，监管要求的最低验证频率为每年一次。对于新投入使用的评估工具，业界一般每半年进行一次评估。定期检验、优化和持续监控强调通过检验指标来发现问题并及时监测打分卡的表现。如缺少定期检验、优化和持续监控，既不符合《资本办法》的监管要求，也不能根据宏观经济条件的变化、客户结构和客户风险的变化及时调整打分卡的指标和权重，可能会严重影响打分卡的效力。因此，银行需根据外部环境的变化对非零售客户评级打分卡及时进行调整。按照《资本办法》的附件5“信用风险内部评级体系监管要求”的规定，商业银行可以采用专家判断模型方法、计量模型方法或综合使用两种方法进行评级。因此，本章将对非零售客户评级打分卡优化的方法论进行详细论述。专家判断模型方法论
非零售客户评级打分卡优化的核心技术方法为专家判断模型开发方法。该方法是以层次分析法（analytic hierarchy process，AHP）等多种统计理论为基础，运用数学和统计学的方法，科学合理地将反映银行风险特异性和客户行为经验以及一线专家经验的数据进行收集、指标遴选、权重确定的专家判断打分卡的模型开发技术。
该方法的具体优化步骤如图3-1所示。图3-1 专家判断模型开发方法流程
第一步，选择专家判断打分卡优化策略。
在优化专家判断打分卡时，业界常用的方法包括层次分析法、专家集中讨论法或者专家调整专业机构打分卡等。具体采用何种方法，视银行所拥有的专家资源和可获取的外部模型资源而定。三种主要专家判断打分卡开发方法的特点对比如表3-1所示。表3-1 主要专家判断打分卡开发方法的比较
第二步，建立专家标准和专家库。
建立银行内部和外部各个行业信审专家标准，收集银行内部和同业银行的相关专家的信息，并建立银行专家库，记录专家的具体信息。
第三步，专家遴选和问卷调查。
按照不同行业打分卡的开发需求，选取合适数量的专家，进行问卷调查。问卷调查的目的主要是选取和确定打分卡的指标。
在设计问卷前，先要给出打分卡的指标池。指标池应当反映一般公司信用风险的因素。通过研究各行业风险因素的共性，借鉴和吸收国际评级机构的评级理念，将反映一般公司信用风险的因素归为非财务和财务两大类。其中，非财务类分为经营环境、市场竞争力、管理水平、道德风险和信用记录四大方面；财务类分为资本结构、规模、营运能力、盈利能力、流动性、成长性和债务覆盖等方面。每个风险因素通过相应的指标进行解释。
指标池的设计原则是指标指示风险的能力和反映风险因素的全面性。基于指标设计原则，确定需要优化的行业信用评级应该考虑的主要指标。
在得到原始指标池后，再据此设计专家问卷，收集专家对指标池进行增减的意见。
第四步，单变量分析和多变量分析。
在对专家问卷调查的结果进行统计分析，确定初选入模的指标，针对这些指标设定打分的规则和分数区间后，先进行单变量分析，评估单个指标对客户排序的预测能力；再进行多变量分析，评估多个指标组合对客户排序的预测能力，由此确定打分卡最终指标。
第五步，运用统计分析法确定入模变量和权重。
根据银行情况，最有可能采用的统计分析法为层次分析法。它是一种定性和定量相结合、系统化、层次化的分析方法。运用层次分析法有很多优点，其中最重要的一点就是简单明了。层次分析法不仅适用于存在不确定性和主观信息的情况，还允许以合乎逻辑的方式运用经验、洞察力和直觉。基于第五步所筛选出的入模变量，采用层次分析法可以计算出各指标的权重。层次分析法的具体步骤将在第4章详细介绍。
第六步，形成打分卡优化建议。
基于第四步和第五步的结果，可以形成最终的打分卡模型。与现行打分卡进行对比，提出打分卡优化建议。
第七步，模型校准。
模型校准包括设定中心趋势、刻画校准曲线和评级映射，通过该步骤将打分卡的得分映射到符合银行实际情况的评级。
第八步，优化后打分卡验证。
对优化的打分卡进行验证，验证的方法和流程与模块一相同（模块一详见第2章）。
第九步，模型调整/确型。
根据第八步验证的结果对优化后的打分卡进行调整，确定打分卡的最终形式，并投入试运行。计量模型方法论
计量模型方法是在统计技术的基础上发展的纯粹的自动评分模型，主要包括逻辑回归、判别分析、主成分分析、神经网络模型等方法。计量模型方法对数据的依赖性较强，必须有充分、准确、完整、有效的定量数据才能确保模型的准确性。因此，数据积累不足和数据基础薄弱的银行不适用此种方法。
1.逻辑回归
逻辑回归（logistic regression）模型是计算违约概率（PD）的传统工具，其基本原理是对已有客户的违约和非违约样本进行0,1分类（例如，客户发生违约记为1，客户不发生违约记为0），根据业务规则，选取一组指标X=（x,x,…,x）作为解释变量。取得这些已有先12n验数据的样本后，将PD=P（Y=1|X）设为客户发生违约的概率，1－PD=P（Y=0|X）为客户不发生违约的概率，那么客户发生违约和不发生违约的概率之比为（称为违约事件的发生比，表示为Odds），因为0
逻辑回归的模型构建过程如图3-2所示，图中横轴为自变量（或解释变量）的取值，纵轴为客户违约概率，★代表违约客户样本，●代表非违约客户样本，倾斜的直线为线性回归方程：Z＝β＋βx＋012βx＋…＋βx，粗体的曲线为逻辑回归方程22nn。图3-2 逻辑回归示意图
逻辑回归模型实际上是普通多元线性回归模型的推广，其误差项服从二项分布而非正态分布，因此，在拟合时采用最大似然估计法进行参数估计。
利用先验样本得出逻辑回归函数：
然后将被评级客户的相应变量代入上述判别分析式，就可以直接求出该评级客户的违约概率为：
国内外先进银行的实践经验表明，逻辑回归分析对于估计违约概率是比较有效的。
2.判别分析
判别分析是一种通过度量特定范畴内的因素，对事物进行预测和分类的方法。例如，判断银行客户是否会在一定时期内违约，只要能确定所有可能的影响因素，模型就可以使用这些因素在违约和非违约之间做出判别。在错判概率最小或错判损失最小的前提下，建立一个计算准则，依据该准则对给定样本的违约状况进行判别分析。
违约概率的计算属于多元判别分析，具体的步骤为：
首先，将已有客户的数据按其违约记录分为违约组和非违约组。根据业务逻辑和信贷经验，对两组样本选择相应的自变量指标形成基础数据样本。
接下来，求取一组自变量的最佳权重，使违约组和非违约组之间的分离度达到最大。其中，分离度是组内数据点距离之和与组间数据点距离之和的函数。为了便于理解，假设以三个指标x，y，z来计算客户的违约概率，求取这三项指标的最佳权重a，b，c，将客户的数据样本表示为三维向量的空间点阵，如图3-3、图3-4所示。求取最佳权重的几何意义是寻找一个向量，使得在沿着这个方向观察到的横截面上，违约样本和非违约样本的分离度达到最大。从统计上可以证明，不断旋转权重向量，总能找到一组权重a，b，c，使违约样本和非111违约样本能够最大限度地分离。由此，得到判别分析公式：。图3-3 判别分析法指标和权重示意图图3-4 判别分析最佳向量的横截面
将被评级客户的相应变量x，y，z代入上述判别分析式，求得其与两组样本（违约样本和非违约样本）中心点的空间距离，其中距离较小表示客户与该组样本相似。由此将客户归入违约类或非违约类，并根据空间距离的远近求出被评级客户的违约概率。
3.主成分分析
主成分分析是空间旋转构造原始变量的线性组合，它产生了一系列互不相关的新变量，从中选出少数主要变量，这些变量包含了尽可能多的原始变量信息，从而使用这几个新变量代替原始变量分析和解决问题成为可能。当研究对象确定后，变量中所含信息的多少通常用该变量的样本方差来度量。在现实经济生活中，影响违约概率的因素很多，如企业的经营状况、财务状况、还款意愿、担保品价值、政府干预等，这些因素对违约的发生有不同程度的影响。对违约概率的分析没有必要考虑所有的影响因素，运用主成分分析可以从变量的相互影响关系中提取主要因素，并根据各要素所含信息的多少确定变量关系和计算方法。
统计实验表明，该方法可以有效地确定解释变量集合，特别是在无监督学习（只有可能的自变量集合，缺乏违约记录）过程中，能够发挥逻辑回归和判别分析所不具备的功能。若与其他模型结合，通常会收到良好的效果。
4.神经网络模型
神经网络模型是近年来发展起来的一种信用分析模型，能深入挖掘预测变量之间的关系。它的基本原理是神经网络接收一组输入信息并产生反应，然后与预期反应相比较。如果错误率超过可接受水平，则需要对权重做出修改并开始学习过程。经过反复循环，错误率可以降至可接受水平。达到持续的可接受水平后，学习过程就接受并锁定权重。因此，这种处理过程与传统的多元统计模型相似，唯一的不同之处在于，权重是经过反复试错得到的，而不是通过最优解析方式得到的。
利用神经网络模型来估计违约概率比较困难，原因主要有：计算量非常大，建模时不能利用大容量数据，因为当训练样本很大时，计算所需的时间很长，所需的空间也变得非常大；神经网络模型得到的权重通常是局部最优解，而不是全局最优解，因此对初始值的选择要求非常高；神经网络模型的解释力比较差，不容易被监管机构接受；容易产生过度拟合问题，预测力比较差。因此，商业银行基本上不会采用神经网络模型来估计违约概率。
银行估计各个评级客户的违约概率后，按照违约概率从小到大排列，然后根据业务实际和违约概率的区间对所有的评级客户进行评级。模型校准方法论
模型校准的目标是建立评分与违约概率的映射关系，常用的映射方法是将评分分值分段，对每一段分值中的样本计算实际违约频率，违约频率作为违约概率的估计值（如图3-5所示）。当数据量较少时，可以通过插值法进行处理。模型的校准主要包括样本校准和中心趋势校准两部分。图3-5 模型校准曲线
1.样本校准
按照统计模型的逻辑，模型输出结果就是违约概率，但是为了更精确地对应，一般要进行校准，而且模型不仅有定量模块还有定性模块，校准就更有必要。
模型的校准是将最终得分和违约概率（一年期违约概率）进行映射的过程。假设最终得分和违约概率服从对数分布，即二者的映射关系通常通过下式对直方图进行曲线拟合。
2.中心趋势校准
由于建模样本和总体样本的平均违约概率并不一致，还需要中心趋势校准。
①中心趋势的估计通常采用历史违约数据，同时预测未来的违约概率变化。
②中心趋势的决定是整个评级过程中最重要的环节，必须征得高级管理层的同意，并且和银行的现行政策保持一致。模型的校准反映银行的风险偏好，并将影响各个敞口的风险调整收益。
③考虑到经济周期的波动等因素，中心趋势应该能够反映银行资产组合违约概率的长期平均值。
中心趋势的基本思想可以通过下式表达：
也有理论认为，从模型应用角度看，模型违约概率应该是向前看的预测违约概率，则中心趋势的基本思想可以用下式表达：定期持续监控方法论
定期持续监控方法论主要包括定期持续监控的内容、流程和方法三个方面。相关的持续监控制度主要依据方法论来结合银行实际情况制定政策，明确持续监控做什么、怎么做、谁来做、何时做。
1.定期持续监控的内容
定期持续监控的内容主要包括：评级治理工作情况；评级系统运作情况，包括评级流程、评级推翻情况；评级政策执行和调整情况；评级结果的准确性；评级使用情况；数据存储、管理、维护情况和数据质量；评级指标或风险变量的稳定性和预测性；评级模型的稳定性；评级分布和评级迁徙情况；评级模型使用环境的变化情况；前一验证阶段发现的风险点。
2.定期持续监控的流程
定期持续监控的流程主要包括设定监控指标体系、实施定期持续监控和形成持续监控报表或报告。（1）设定监控指标体系
由行内专家（包括模型专家和业务专家）通过会议和讨论的方式确定一组对内部评级计量模型的运行产生影响的监控指标，包括宏观经济监控指标、行业基本因素监控指标、模型整体表现监控指标、评级分布和评级迁徙监控指标、评级人工推翻监控指标等，以监控计量模型的表现是否能够适应当前的经济状况，是否仍在银行能够接受的范围内运行。（2）实施定期持续监控
对于非零售风险暴露内部评级计量模型，定期由持续监控人员分析以上模型的监控指标是否发生重大变化，所发生的变化是否直接或间接影响模型的结果，影响程度如何等。
对于非零售风险暴露内部评级支持体系，定期由验证主体针对验证范围、内部评级治理工作情况、评级系统运作情况、评级政策执行和调整情况、评级使用情况等关键控制点，制定检查清单，每季度按清单内容进行核查，确保内部评级支持体系正常运作。（3）形成持续监控报表或报告
综合各因素对模型结果的影响程度，判断非零售内部评级体系的有效性，即是否能够有效支持银行信用风险管理的稳定运行。根据监控结果对风险因素进行上调或者下调，或者利用最新信息进行重新训练和估算。
针对非零售风险暴露内部评级支持体系持续监控的情况，形成完整的文档记录，包括持续监控的范围、内容、方法、步骤、结果、报告、已识别的缺陷以及整改措施和改进情况评估等。
3.定期持续监控的方法
定期持续监控的方法主要包括过程核查、返回检验和基准测试。（1）过程核查
过程核查包括对内部评级以及风险参数量化是否按照设计要求运作、监控和更新评估进行核查的一系列活动。
过程核查还包括确定数据的质量、评级流程的合理性等活动，并应确保查明的缺陷得到纠正。（2）返回检验
非零售风险暴露模型的返回检验是指比较内部评级体系预测结果与实际结果，运用数理统计工具对模型的准确性、区分能力和稳定性进行验证。
通过统计计量技术，使用PD实际值检验其内部模型的估计结果。（3）基准测试
基准测试是对模型结果进行返回检验的补充验证方法，也是对低违约资产组合的风险参数量化进行验证的一种有效方式（详见第11章）。
从验证工作的角度来看，基准测试指银行将对风险参数的估计结果与通过其他估计方法得出的估计结果（基准）进行比较，来验证估计结果的准确性。第4章 非零售客户评级打分卡优化的实施方案
基于上一章介绍的非零售客户评级打分卡优化的方法论，本章以项目为例，讨论非零售客户评级打分卡优化的实施方案，并着重讨论层次分析法的业务应用。层次分析法与传统的逻辑回归、决策树等统计方法互为补充，特别是针对非零售资产使用专家判断法的银行，层次分析法可以有效地使银行内部评级覆盖资产的比例满足监管要求。
非零售客户评级打分卡优化的实施方案一般遵循表4-1所示的步骤。表4-1 项目实施步骤项目启动会
在项目启动会上，介绍非零售信用风险客户评级打分卡优化项目的内容、实施方案，并分享打分卡优化经验和同业经验等。访谈与文档复核
1.高管层及相关部门访谈
高管层访谈：了解银行的最新风险战略，了解银行期望打分卡优化项目达到的目标，听取高管层对项目的总体期望，保证项目成果与高管层的总体战略方向和目标保持一致。
风险部访谈：重点了解打分卡的开发方法、策略、流程、验证等与打分卡优化项目相关的情况和存在的问题。
信贷管理部访谈：了解信贷管理部工作流程，重点了解打分卡在信贷审批、信贷管理等流程中使用的方式和存在的问题。
公司业务部访谈：了解公司业务部工作流程，重点了解打分卡在客户选择、市场准入等方面的使用情况和存在的问题。
信息科技部访谈：了解打分卡所使用数据的数量、质量，数据质量确保机制；了解应用和配置打分卡的信贷或风险管理系统情况；整体了解信贷及风险管理相关系统所采集的与评级相关的数据，以及可能用于未来验证和优化的相关业务数据情况。
2.文档复核
重点审阅前期的开发文档，通过文档复核明晰客户评级打分卡的开发方法、策略和流程，对打分卡推广和使用中的经验及问题进行分析，掌握客户评级打分卡上线以来的评级情况。打分卡现状评估
通过案头分析开发文档和对总分行相关情况的调研，评估打分卡的表现，根据非零售客户评级打分卡投入使用以来的情况，提出需优化的打分卡和需优化的方面。
1.确定测试样本客户清单工作流程：
①银行提供历史客户及现有客户的行业分布情况统计资料。
②根据银行提供的客户统计资料，综合考虑访谈过程中的发现和反馈以及各行业的客户数量占比、信贷余额占比情况，与银行确定要测试的主要行业打分卡。
③与银行确定抽样方法（优先抽取有外部评级的客户），根据抽样方法抽取各行业打分卡的测试样本客户（抽取上线以来的所有数据，每张打分卡选20~50个客户）。收集对比检验数据的同时为优化后的打分卡对比检验做好数据储备。
2.确定内外部业务专家对客户信用水平的评级基准工作流程：
如果有外部评级的客户数充足，以客户的外部评级作为评级基准进行对比检验。
如果有外部评级的客户数不足，可由本行专家运用银行内部评级模型对有外部评级的非本行客户评级进行对比检验；或选择某外部评级模型对本行客户评级进行对比检验；或本行专家对已不是本行客户但有旧评级的客户运用新评级模型对评级进行对比检验。
如果有外部评级的客户数不足，但银行新旧评级体系并行时客户同时有新旧评级数据，则运用并行期客户的新旧评级数据进行对比检验。
对比检验如需要动用专家资源，步骤如下：
①与银行讨论业务专家的选择标准（所评估行业的复杂程度、从业年限、客户评级的稳定性、从业资格等）。
②银行根据选择标准选择行内外业务经验丰富、熟悉市场环境、了解具体行业客户风险特征的业务专家（3~5人）。
③由确定的专家根据银行评级框架的评级定义，为测试样本进行专家主观认定评级，并按照主观认定评级结果对测试样本客户进行排序。
3.计算基准测试量化结果Spearman秩相关系数
根据Spearman秩相关系数的计算公式计算各行业打分卡客户内部评级与专家判断得分的Spearman秩相关系数。
4.向银行提交非零售客户评级打分卡运行情况报告
根据获得的结果形成非零售客户评级打分卡运行情况报告。打分卡优化
根据评估与验证结果，结合银行的实际情况，选取评级结果表现不好且客户数占比以及信贷余额占比较大的打分卡进行重点优化，并对选定的打分卡设计具体的优化方案；结合行内信贷系统的实际情况，提出业务需求说明。
1.选择专家判断打分卡优化策略
根据银行拥有的专家资源和可获取的外部资源确定专家判断打分卡优化策略（层次分析法、专家集中讨论法、专家调整专业机构打分卡）。
2.建立专家标准和专家库
与银行讨论确定建立行内和行外各个行业信审专家遴选标准（如所评估行业的复杂程度、从业年限、客户评级的稳定性、从业资格等），使专家在对风险因素重要性的两两比较中做出正确合理的选择。协助银行收集本行内部和同业银行的相关专家信息，并建立银行专家库，记录专家的具体信息。
3.专家遴选和问卷调查工作流程：
①提出打分卡的指标池。
②根据指标池设计专家调查问卷。
③银行协助下发调查问卷，收集专家对指标池进行指标增减的意见，增减指标需提出合理理由。
④银行回收专家问卷。
4.问卷分析
①对专家问卷调查的结果进行统计分析。
②剔除专家判断一致性不高的指标。
③对专家问卷中建议增减的指标，统一征求专家组意见确定是否增减。
④确定打分卡最终指标。
5.运用统计分析法确定入模变量和权重
根据银行的实际情况，采用层次分析法科学地计算出各指标的权重。层次分析法的具体步骤如图4-1所示。图4-1 层次分析法的流程（a）（1）指标体系构建及层次划分
将有关因素按照不同属性自上而下分解成若干层次，同一层的诸因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的影响。最上层为目标层，通常只有一个因素；中间可以有一个或几个层次，通常为准则或指标层；最下层通常为子指标层。
通过与银行信贷和风险管理专家讨论，从影响债务人违约的因素中提炼出指标层，如营运能力、偿债能力、管理能力和盈利能力等。指标层建立后，进一步将其指标分解为子指标层，如将偿债能力分解为流动比率、速动比率、资产负债率等。（2）构造成对比较矩阵
对专家进行培训，明确问卷调查的目的、填写问卷时的重要性评分规则、风险指标体系结构、各指标风险的含义、注意事项等，以避免填写过程中的失误和遗漏。其中，对风险指标体系结构和各指标风险含义方面的充分培训是有效控制数据质量的必要条件，使专家在比较两个指标时充分理解其含义，如果是中间层指标，还应了解其下层指标结构。
提供打分卡优化模板对于从属于（或影响）上一层每个因素的同一层诸因素，用成对比较法和1~9比较尺度构造成对比较矩阵，直到最下层。
银行专家运用打分卡优化模板将子指标两两比较，给出子指标对上层指标的重要性的相对比较值。
回收打分卡优化模板，通过比较值生成成对比较矩阵。
例如：指标层中的发展能力有三个子指标，分别为主营业务收入增长率（X）、主营业务利润增长率（X）和资本积累率（X），根123据专家判断和重要性量化比对表，如果主营业务收入增长率比主营业务利润增长率略重要，则成对比较矩阵元素a=3，采用同样的办法12可确定a，a，如图4-2所示。1323图4-2 层次分析法的流程（b）（3）相对优劣排序
运用打分卡优化模板计算成对比较矩阵的最大特征根及对应的特征向量，并将特征向量元素由大到小排序，子指标对应的特征向量元素越大，其相对于上一层指标越重要，否则越不重要。
成对比较矩阵特征值和特征向量的计算流程如图4-3所示。（4）比较矩阵一致性检验
检验成对比较矩阵是否满足一致性要求。如不满足，需与银行专家讨论原因，并根据讨论结果调整比较矩阵。
检验成对比较矩阵一致性的步骤如图4-4所示。图4-3 层次分析法的流程（c）图4-4 层次分析法的流程（d）（5）指标权重排序及筛选
首先，将已确定权重的子指标按权重大小由高到低排序，取前n项指标，使其累计权重超过一定阈值（经验数据为90%）；然后，对这些指标再次进行专家判断和层次分析，如此反复循环，最终确定8~10个关键指标及其权重。
指标筛选流程如图4-5所示。图4-5 层次分析法的流程（e）
6.形成打分卡优化建议
基于前两步的结果，形成最终的打分卡模型。
将结果与现行打分卡进行对比，提出打分卡优化方案。
试读结束[说明：试读内容隐藏了图片]