（三）信贷矩阵（Credit Metrics）
1、信贷矩阵介绍
1997年4月，美国JP摩根与其他几个国际银行美国银行、瑞士银行、瑞士联合银行等经过共同研究，推出了世界上第一个评估银行信贷风险的证券组合模型（Credit Metrics）。该模型以信用评级为基础，计算某项贷款或某组贷款违约的概率，然后计算上述贷款同时转变为坏账的概率。该模型通过VAR数值的计算力图反映出：银行某个或整个信贷组合一旦面临信用级别变化或拖欠风险时所应准备的资本金数值。该模型覆盖了几乎所有的信贷产品，包括传统的商业贷款；信用证和承付书；固定收入证券；商业合同如贸易信贷和应收账款；以及由市场驱动的信贷产品如掉期合同、期货合同和其他衍生产品等。
信贷矩阵的具体计算步骤是首先对信贷组合中的每个产品确定敞口分布；其次，计算出每项产品的价值变动率，该变动率主要由信用等级上升、下降或拖欠引起；而后将单项信贷产品的变动率汇总得出一个信贷组合的变动率值。由此可见，在假定各类资产相互独立的情况下，每类资产信用风险组合的风险值等于该类资产的敞口分布与其信用等级变动或拖欠的变动率。即等于信用等级变动或拖欠变动率乘以贷款额。
2、衡量单笔贷款信用风险的信贷矩阵计算步骤
（1）确定借款企业当期的信用等级转换概率
基于标准普尔、穆迪公司、KMV公司或其他公司的债券或贷款分析家所收集的公开交易债券或贷款的历史数据，得到各个信用等级下的历史信用等级转换矩阵。根据借款企业的当前信用等级，找到历史信用等级转换矩阵中相应的信用等级所在行，就可以确定某借款企业在未来一段时间后信用等级发生各种改变情况的概率。
（2）确定借款企业所借贷款未来的价值分布
信用等级的上升和下降会影响贷款的剩余现金流量所必需的信用风险价差，从而会影响贷款的市场价值。根据现金流贴现原理，可以计算贷款未来的价值分布。
（3）计算该笔贷款的VAR
假设贷款未来价值呈正态部分，首先计算其期望值，可用各期贷款价值乘以各期的概率，而后计算贷款价值的波动性，也即正态部分的标准差，从而得到正态分布的公式，接着就可以计算出在某一置信水平下贷款价值的最大变动幅度。
根据较长一段历史时期内的大量企业或大量债券的信用记录计算得到的历史信用等级转换矩阵是Credi Metries的计算基础，借款企业的当前信用等级是确定贷款信用风险的重要依据，因此Credi Metrics适用于信用体系发展完善的情况，完善的信用体系和完备的信用等级数据库是应用该模型的前提条件。
（四）压力测试
压力测试是一种以定量分析为主的风险分析方法，通过测算银行在遇到假定的小概率事件等极端不利情况下可能发生的损失，分析这些损失对银行盈利能力和资本金带来的负面影响，进而对单家银行、银行集团和银行体系的脆弱性做出评估和判断，并采取必要措施。VAR的计算是平稳连续的，一旦出现大的市场和价格波动，其模型的有效性就会减弱，而压力测试法通过对历史的模拟可以大体计算出在极端情况下的VAR值，是VAR技术的重要补充工具。
中国银行业监督管理委员会也于2001年起组织国内几家规模较大的商业银行进行压力测试的课题研究，直接购买Risk Metrics公司的成熟产品Risk Manager进行压力测试的实践尝试，2003年末工、农、中、建及广东发展银行在银监会组织下，对所在行的信用风险、利率风险、汇率风险和流动性风险四个方面进行了第一次压力测试。2008年8月中旬，银监会向广东、江苏、浙江、上海、北京、深圳和宁波等七省市银监局发出《关于开展重点地区房地产贷款压力测试的通知》，随后开展了上述7个银监局辖内的银行业金融机构的房地产贷款压力测试。2007年颁布的《商业银行压力测试指引》也为我国商业银行实施压力测试给出了政策指导。总体上看，压力测试已经成为各家银行的重要风险管理手段之一，但是从目前来看，国内对于压力测试的研究和应用还处于起步阶段。对比美国银行的压力测试，我们还存在一定的不足。
1、需要构建合理的压力测试模型。我们应该在学习美国经验的基础上，构建适合我国自身情况的压力测试模型，而不是直接套用其模型。构建合理的压力测试的关键还是在于，风险管理部门对本行的各种风险情况有清楚的了解。模型要适合本行的业务发展规律、特点和风险状况。对不同的风险要构造不同的压力测试模型、此外，要定期对压力测试模型进行回测并调整，找到最合适当期的压力测试模型。
2、选择合适的压力测试情景。压力情景的定义方法有历史情景法和假设情景法两种。近二十年来中国的经济环境主体上还是呈良好的上升趋势，没有较严重的经济衰退或压力事件，不适用历史情景法。
3.完善银行内部的信息数据库。压力测试涉及预期损失和风险资本等指标的确认。尽管目前我国各银行已经尝试了压力测试，但由于信息数据的不完善及不准确，大大影响了压力测试结果的可参考价值。目前，在我国通过外部评级进行预期损失和风险资本测定的条件尚不具备，一般主要是通过内部评级来解决。因此，违约概率（PD）、违约损失率（LGD）、违约风险暴露（EAD）和有效期限（M）等关键风险指标的确认成为关键。而内部评级对数据的质量和数量要求较高，这就需要银行一方面要做大量的、长时间的数据积累工作，而且积累的数据至少要经过一至两个经济周期的检验。另一方面也要求银行要加快数据的清理和整合工作，建立并实施数据标准，制定数据质量管理规章，以确保数据的及时性、准确性和全面性。
（五）其他违约概率模型简介
1、多元判别分析法和logistic模型
该方法的基本思路是：债务人的违约率是由一些因素决定的，其中最重要的就是各种财务指标，因此，一定的财务指标与违约率存在相关关系。在测算二者相关关系时，为了简便，假定二者是线性关系。在此基础上，建立回归模型。违约率是因变量，各项财务指标是自变量，然后代入历史经验数据，对模型参数进行估值，最后确定二者的关系。该方法的优点是直观简便，但实际应用中，在计量检验上经常出现一些问题，比如残差项不服从正态分布、变量不服从协方差矩阵相等、可决系数不理想、异方差出现等。logistic模型是对这些缺点的改进，logistic回归与多重线性回归实际上有很多相同之处，最大的区别就在于他们的因变量不同，其他的基本都差不多，正是因为如此，这两种回归可以归于同一个家族，即广义线性模型。
2、神经网络人工智能法
它是大致仿真人脑思维过程及学习方法的人工智能系统。其算法是一组输入通过一个转换函数进行数学转换，产生一个输出，并在学习和训练的过程中不断调整，以使理想输出和实际输出之间的差异最小。神经网络中各变量之间并不一定要线性相关或是相互独立，从而解决了传统模型中的不合理假设的问题。虽然神经网络作为一种分类工具似乎比其他方法较具吸引力，但在财务领域解决实际问题的应用到目前为止还不多。
3、Merton期权模型
该方法的原创思想来自于莫顿模型。莫顿模型的基本思路是企业的资产来源只有一种债务工具（F）和股权融资（S），债务工具的发放者通过购买以企业资产为标的物，执行价格为负债面值（F），到期日为T的看跌期权（P），就可以消除该笔贷款的信用风险。因此，可以用看跌期权的价格来量化债务工具的发放者的信用风险。Merton期权模型在实际使用中，债务人资产的收益及其波动性是直接从其发行股票的收益及其波动性来的（直接取得或者通过一些方法迭代出的），债务人资产收益之间的相关性也是用股票收益的相关性代替的。由于每个企业的股票收益实际上也要受到系统性风险因素的影响，所以系统性风险也必然会间接地影响公司的违约概率。这些都是Merton期权模型的不足之处。
4、信用风险+系统（credit risk+）
Credit risk+模型是由瑞士信贷银行金融产品部开发并于1997年推出的，该模型的主导思想源于保险精算学，即损失决定于灾害发生的概率和灾害发生时造成的损失或破坏程度。Credit risk+模型是一种违约模式（DM）模型。它将信用事件只分为违约和不违约两类，没有考虑信用评级的变动给资产价值带来的变化。Credit risk+模型认为只要知道贷款组合的违约频率和损失的严重程度，就可以求出其违约损失分布，而违约频率可以通过违约率及其波动性计算出来，损失的严重程度则由风险暴露和回收率来确定。
