度量商业银行信用风险的几种统计学方法

信用风险是商业银行面临的最主要的一种风险，其不仅关系到银行自身的安全与效率，甚至会影响到金融与经济的稳定发展。因而，信用风险管理是商业银行风险管理的重要内容。准确的信用风险度量又是信用风险管理的前提和依据。为了客观公正地评估信用风险，统计学方法被广泛应用于信用风险度量之中。

Fisher( 1936) 提出的判别分析法就是常用的统计学方法之一，Altman( 1968) 的“Z － score”模型就是该法在信用风险度量中的典型应用。由于判别分析法需要满足自变量服从正态分布、各组的总体协方差矩阵相等等几项严格的假设，而这些条件在实际问题中却难以满足。因此，假设条件较宽松的 Logistic 回归、Probit 分析和 Tobit 分析等分析方法逐步被引入到信用风险度量领域，并取得了长足的进展。

虽然现在出现了许多更为高级的现代信用风险度量模型，如基于期权理论的 KMV 模型、基于在险价值方法的CreditMetrics 模型等，以及一些非统计学方法，如基于人工智能的神经网络技术、支持向量机、遗传算法等，但是这些模型和方法的运算过程复杂且需要大量数据，目前在我国还难以得到实际运用。

在当前条件下，统计学方法在国内信用风险度量研究中仍然很受青睐，其中对 Logistic 回归的研究尤为活跃。

利用 Logistic 回归方法建立的模型也称 Logit 模型。Martin( 1977) 最早使用 Logit 模型预测银行业的破产及违约概率，他以美国 1970 －1977 年间 58 家财务困境银行为样本，从 25 个财务比率中筛选出 8 个指标建立了 Logit 模型。

Ohlson( 1980) 则与 Martin 不同，他排除了金融服务业、公用事业、运输业公司，以美国1970 － 1976 年间 105 家破产公司和 2058 家财务正常公司为样本，建立了区别正确率达 92% 以上的 9 变量Logit 模型。Ohlson( 1980) 、Collins 和 Green( 1982) 、Lo( 1986) 等通过实证比较发现采用假设条件较为宽松的Logit 模型要优于判别分析模型。现在 Logit 模型在信用风险度量领域中已经得到了广泛应用。