上海论文网提供毕业论文和发表论文,专业服务20年。

企业债务违约损失率判定研究

  • 论文价格:免费
  • 用途: ---
  • 作者:上海论文网
  • 点击次数:183
  • 论文字数:0
  • 论文编号:el201507041030546667
  • 日期:2015-07-02
  • 来源:上海论文网

第1章 绪论


1.1 研究背景
贷款风险管理不仅是银行业的核心问题,也是经济金融社会的重要课题。金融体系运行过程中必然会产生不良贷款,积聚过多,无法化解就会增大金融危机爆发的可能性,历次金融危机都与银行不良贷款有关。2008 年爆发的金融危机致使美国多家银行破产,我国银行业也受到一定的冲击。如何防范与化解贷款风险成为银行业面临的首要难题。为了降低银行业破产、违约风险,要加强银行的风险管理。信用风险是我国银行业需应对的最主要、最突出的风险。在信用风险的度量过程中,违约概率(Probability of Default,PD)和违约损失率(Loss Given Default,LGD)是两个主要风险变量。违约概率是指在交易期内,交易对手或债务人未履行合约,即不能如期偿付债务的可能性,其针对的是债务人主体;违约损失率则是从特定债项主体角度出发,衡量一旦违约造成损失的严重程度。二者构成一个完整风险概念,能够准确反映信用风险管理水平。2004 年,巴塞尔委员会制定并公布了巴塞尔协议Ⅱ,我国银行于 2010 年开始初步实施。新协议旨在鼓励银行完善风险管理体系,提升风险度量水平。其最重要的改进在于内部评级高级法,规定银行在满足新协议的条件下,可以采用内部模型自行估计 PD 和 LGD 等参数,并由此确定监管资本。如何构建适合银行自身的 LGD 模型成为实施新协议的核心问题。国外对 LGD 的关注和研究起步较早,且已日渐成熟,而国内的研究重点还集中于 PD 层面,对 LGD 的研究发展比较缓慢。由于我国商业银行风险治理结构薄弱,信贷信息披露的数量有限、收集整理难度大,金融市场不够发达,监管制度还不完善,而且我国的信用环境也不同于国外,因此我国不能直接应用国外成熟的研究方法和度量技术。
………


1.2 研究目的及意义


1.2.1 研究目的
LGD 作为反映单笔交易风险程度的基本指标和计量风险资本的主要因素,它在银行信用风险管理中的作用等同于 PD。企业贷款是银行的主体业务,也是银行的主要盈利来源,其违约损失率能直观的反映出银行的信用风险水平,以往应用简单统计模型或引用国外成熟的模型大致估计企业贷款LGD,从而计量银行损失的方法,存在一定的局限性和不足,需要建立更为有效、客观、符合中国国情的方法对违约损失率进行度量。因此,本文的研究目的就是借鉴国内外对 LGD 影响因素的研究成果,结合我国实际情况,构建企业债务违约损失率判定模型,为完善我国银行业风险管理提供参考。


1.2.2 研究意义
违约损失率是银行业资本监管体系中的一个基本要素,也是计算预期损失、非预期损失的重要依据。
1.理论意义 目前国内对 LGD 的研究大多局限于对国外研究成果的评述和总结,基于我国企业贷款数据的 LGD 计量模型研究还比较少。如何构建符合我国国情的企业债务违约损失率判定模型需要进一步探索。本文结合我国国情,探究企业债务违约损失率判定模型,对于推动我国银行业信用风险理论研究与实践探索,对于丰富违约损失率与信用风险管理理论研究具有重要意义。
2.现实意义 对企业债务违约损失率的研究的现实意义主要体现在六个方面:一是 LGD 能直接地反映出信用风险中违约造成损失的严重程度;二是LGD 可以用来度量资本充足率、预期损失率等新协议风险管理的关键指标;三是 LGD 能为商业银行不良资产的定价和处置提供思路;四是建立 LGD 模型,有利于提升信用风险的度量和管理水平,降低监管成本;五是贷款损失和不良资产的成因可分为信用风险和操作风险,对 LGD 的研究有利于银行识别这两方面因素,从而提高管理效率;六是贷款损失准备金的提取、经济资本金配置等领域也需要对 LGD 进行计量。
……..


第2章 企业债务违约损失率影响因素分析


2.1 宏观因素
经济环境对违约损失率水平影响很大。从统计意义上说,违约损失率与经济环境呈显著的负向关系。经济环境通过抵押物间接对损失率产生影响,抵押物的价值和变现能力会随着经济环境的利好趋势上升,相应的违约损失率会呈现下降趋势。也可以直接通过对 GDP、CPI、PPI 等宏观经济变量变动的分析,来阐述经济环境对损失率的影响。当经济环境向好时,GDP 稳步增长,企业经营状况良好,违约回收率也就逐渐增大。陈暮紫(2010)从这个角度进行了深入分析,发现 GDP、企业景气指数、先行指数这三个变量与违约回收率大致呈正相关关系,固定资产投资与回收率总体表现为负相关[40]。陈暮紫等(2011)指出 GDP 增速与不良贷款零回收强度表现为明显的负相关[41]。这些研究说明,经济环境是影响回收率的重要因素。此外,两者的相关关系还可以通过违约率表现出来。违约率的变化波动通常与向好的宏观经济变量是负向的,且违约损失率与违约率正相关,则向好的经济变量与损失率负相关。
……..


2.2 企业因素
各行业的发展趋向、利润水平、潜力有很大差别,因此还款情况也呈现明显的差异。同时不同性质的行业其有机构成、运营资产、有形和无形资产所占比例也不同,这意味着所能提供的抵押资产就完全不同。不同行业的企业一旦违约或破产清盘时,银行可处置资产的价值及变现程度不同,进而对银行的保证程度就不同。房地产业、建筑业等实物资产密集型行业的企业即使无力偿还贷款仍有大量可供清偿的固定资产和原材料,变现能力较强,而服务导向类行业主要是非物质投入,坏账发生或破产时,没有能够变现的资产,贷款的保证能力差。此外国内国际经济环境对各行业的影响不尽相同,这也是导致LGD差异的重要原因。国内外的研究也表明各行业的LGD波动性很大。Altman and Kishore(1996)利用美国1971-1995年公司债券信息,按行业对回收率进行统计,发现实物资产密集型行业的LGD相对低一些,如表2-2所示[1]。Dermine and Caralho(2006)分析了葡萄牙某银行违约贷款记录,也得出LGD行业特征显著[42]。国内学者张海宁(2004)最早针对我国银行业数据,作了LGD行业结构分析,指出行业间回收率水平差异较大[25]。陈暮紫等(2009)的研究也验证了这一观点[43]。
………


第 3 章 企业债务违约损失率影响因素变量选取........15
3.1 模型变量选取思路与方法....... 15
3.2 研究数据的获取与处理.... 17
3.3 变量的选取.......... 18
3.4 本章小结....... 33
第 4 章 企业债务违约损失率判别模型..........34
4.1 判别模型分析与选择........ 34
4.2 模型的参数估计与评价.... 39
4.3 本章小结....... 44
第 5 章 非极端企业债务违约损失率预测模型.....45
5.1 非极端企业债务违约损失率特征分析........ 45
5.2 非极端债务违约损失率预测模型分析与选择.......... 46
5.3 非极端企业债务违约损失率模型建立与评价.......... 49
5.4 本章小结....... 53


第5章 非极端企业债务违约损失率预测模型


5.1 非极端企业债务违约损失率特征分析
依照先判别后回归的建模思想,利用判别模型分离极端回收情况,将研究的重点放在非极端回收贷款的预测上。对非极端回收贷款违约损失率分布特征的分析是构建预测模型的基础。利用本文数据库,将银行非极端回收贷款数据筛选出来,共 979 笔,通过直方图对非极端回收贷款的回收率分布特征进行推断。图 5-1 为(0,1)回收率分布直方图。从图 5-1 可以看到,非极端回收贷款的违约回收率在一定程度上呈 U 型分布趋势。Beta 分布以其形状多变及灵活等特点,被认为是拟合(0,1)范围内最佳的一种分布。该分布的形状主要取决于参数。在不同的参数下,beta分布可表现为钟型、U 型、J 型等多种形状。因此在这里,用 Beta 分布来描述非极端回收贷款的回收率分布。P-P 图为检验数据分布是否与指定分布相符的一种有效方法。它的绘制依据为变量分布的累积概率与指定分布概率间的关系。若数据符合指定的分布形态,P-P 图中的点则可近似看成一条直线。根据已有研究及对本文数据的分析,选取 Beta 分布为指定分布。运用 P-P 图这种方法来检验非极端回收贷款的违约回收率分布是否符合 Beta 分布。图 5-2 为(0,1)区间内的违约回收率分布 Beta P-P 图。

………..


结论


在巴塞尔新资本协议在我国实施的背景下,银行信用风险的度量越发重要。违约损失率作为反映银行实际承担风险的指标,其量化模型的建立是风险度量中最核心的环节。本文以企业债务违约损失率为研究对象,给出了违约损失率的定量模型,形成一个较完整的违约损失率估计及预测体系。本文对违约损失率进行三方面研究:影响因素、判别模型和估计模型。以国内外研究成果为基础,根据我国经济环境、银行业的具体情况,详细论述了违约损失率的影响因素,重点分析了违约损失率的度量方法,经过较为深入的理论推导,得出如下结论:#p#分页标题#e#
(1)在影响因素研究方面,全面深入分析了违约损失率在各个维度上的结构特征,影响因素包括经济周期、企业所属行业和地区、企业信用等级、企业经营状况、企业规模、贷款期限、逾期时间、担保类型、贷款质量等。
(2)在判别模型研究方面,总结各种 LGD 的判别模型。利用逐步判别分析得出经济周期、行业、地区、企业信用等级等变量对违约损失率判别模型的影响较大,在此基础上,建立了 PSO_SVM 模型,并利用本文数据检验了模型的有效性和稳定性。
(3)在预测模型研究方面,分析了已有的线性模型,提出了非线性支持向量机回归模型。通过逐步回归分析得出五级分类、贷款期限、逾期时间等变量在回归过程中贡献较大,将其作为预测模型的变量,建立了SVR模型。经分析得出该模型的均方误差较小,平方相关系数接近 1,效果良好。
…………
参考文献(略)

1,点击按钮复制下方QQ号!!
2,打开QQ >> 添加好友/群
3,粘贴QQ,完成添加!!