传统的金融业务中，信用风险是金融机构面临的最主要、最复杂的金融风险，对于综合了所有业务的金融集团的作用非同寻常，信用风险管理模型为金融机构管理者提供了识别风险、量化风险、控制风险的有效工具。本节全面分析了信用风险度量领域的主要方法和模型，传统信用风险度量方法以定性或线性模型为主，现代方法则采用了更精确的数学工具以及风险管理理论的最新成果，确立了信用风险度量方法的发展方向。本节重点介绍现代方法。
5.2.1 信用风险的识别
信用风险的识别，就是指对客户各项风险因子的捕获并进行判断的过程。在中国金融集团所提供的金融服务中，主要是商业银行的信贷业务存在较多的信用风险。下面主要以商业的信贷业务为例进行信用风险的分析。
商业银行在进行信用分析时，一般按照已经确定的客户信用风险评级标准，对各项指标进行数据的捕获与判断，客户信用风险评级指标主要分为：基本面指标、财务指标。
1.基本面指标。
基本面指标涵盖了除企业财务指标以外的所有指标，可以称为非财务指标。主要分为：内部指标和环境指标两类。
2.财务指标。
财务指标基本上根据企业信用风险的因素进行选择，可以分为：静态指标和动态指标两类，主要包括：偿债能力指标、营运能力指标、盈利能力指标、成长性指标、其他财务指标等。
5.2.2 传统信用风险度量方法
根据信用风险度量方法的发展时间和采用的数学工具，信用风险度量方法大致可以分为两大类或者两个阶段：传统信用风险度量方法和现代信用风险度量方法。二者的划分是相对的不是绝对的。因为现代度量方法就是由传统度量方法发展而来。代表性的传统方法有：
5.2.2.1 专家方法——“5C”法
所谓专家方法就是依靠金融机构的业务负责人对借款人的整体状况进行综合评价、权衡和判断，最后做出贷款与否的决策。这种方法很大程度上依赖相关负责人的专业技能和主观判断。专家方法有多种，其中公认比较权威的是“5C”法。即根据5项因素来分析借款人的信用状况并做出贷款决策。所谓“5C”因素，即：
1.品德（character）。品德是指借款人的诚实守信和还款意愿。主要考查借款人是否能够严格履行合同条款，是否合法正当经营以及清偿债务的诚意。如果借款人是个人或代理人，其品德还要包括道德观念、个人习惯和偏好、经营方式、业务和个人交往，以及在企业和社会上的地位和名望等方面。如果借款人是一个公司，其品德主要表现在公司管理的完善程度，在金融界、企业界以及行业上的地位和声望，以及公司经营方针和政策的稳健性等方面。
2.偿付能力（capacity）。偿付能力就是还款能力，是指借款人偿还借款及其他债务的实力。能力主要包括个人素质、法律和经济三方面。从个人素质来说，借款人的能力是指借款企业的高级管理者的经营管理才能，这种才能主要由受教育程度、个人意志、开拓性、创造力等因素来体现；从法律意义上讲，借款人的能力是指借款人拥有合法的法律地位以及能够承担借款的法律责任和义务；从经济意义上看，借款人的能力是指借款人能够按期偿还债务的资金能力以及负债的性质和构成。
3.资本（capital）。资本是指借款人的资本数额。资本数额是关系到借款人信用状况的重要因素。借款人的资本数额是避免贷款损失的第一道屏障，借款人资本雄厚，银行贷款风险就相对小些。银行对借款人发放贷款，需要借款人具备一定的资本数额，并且要限定贷款与资本的最高比例。
4.抵押品（collateral）。抵押品是指用于保证贷款偿还的任何资产或价值物。抵押品是保障银行贷款偿还的第二来源。具体的物质抵押品可以避免或减少贷款的损失，对于一般信用等级的企业，一般都要求有抵押品，特别是长期性贷款，更是严格要求抵押品或担保。
5.环境（condition）。环境条件包括宏观经济环境条件和微观经济环境条件。宏观经济环境条件是指国际经济形势和国内经济形势；微观经济环境条件是指借款企业的局部性外部条件，如所处的地理位置、运输条件等。环境条件分析，主要是分析经济货币政策、经济波动周期、经济技术和新产品发展动态等对借款者经营和收入的影响，如分析经济条件对该行业的影响，该企业产品在行业中的地位及同业竞争压力状况，技术更新对该行业产品需求和资本需求的影响，该行业受政策管制程度。
专家法最大的特点是简单容易，在金融机构的综合评估和监控客户信用风险中发挥了重要的作用，但由于主观性强在实践中可能存在一定的偏差，金融机构对专家的决策很难做出监测或评价。
5.2.2.2 Z计分模型
1968年，Altman发明了Z计分模型。该模型是一种以财务比率为基础的多变量模型，通过运用多元判别分析来构建Z计分模型。该模型属于信用评分方法，也称为计分卡法。该技术通过分析一组变量，进行多变量的主成分分析，使其在组内差异最小化的同时实现组间差异最大化，在此过程中要根据统计标准选入或舍去备选变量，从而得出Z判别函数。通过计算Z值并与度量标准相比，可以区分破产公司和非破产公司。提出该模型时，阿尔特曼（Altman）通过采用多元判别分析技术从22个变量中选择了5个变量组成了最终的Z计分模型。这5个变量是：
X1——营运资本/总资产（WC/TA）；
X2——留存收益/总资产（RE/TA）；
X3——EBIT/总资产（EBIT/TA）；
X4——权益市场价值/总债务的账面值（MVE/TL）；
X5——销售收入/总资产（S/TA）。
Z值计分模型为：
Z1.2X1+1.4X2+3.3X3+0.6X4+0.999X5（5.1）
X5对企业信用评分影响最大，X3次之，X4影响最小。模型设定了企业破产的临界值（阿尔特曼最初的研究中为1.81），Z值越小，破产可能性越大。Z值大于2.99，为安全区间（Safe Zone），表明企业财务状况良好；Z值低于1.81，为危险区间（Distress Zone），表明企业存在较大破产危险；Z值处于2.99和1.81之间，为灰色区间（Grey Zone），财务状况是不稳定的。这样，计算得到的Z值能够较好地区分破产与非破产公司。
由于该模型是线性的，而实际的情况可能是高度非线性的，各个Xi之间也可能是非线性的；其次，该模型是以财务比率为基础（股权市场价值一项除外），而财务比率的披露通常是不连续的，Z计分模型很可能导致判断的滞后甚至失误。
阿尔特曼（Altman）、赫尔德门（Haldeman）和纳内亚南（Narayannan）于1977年对原始的Z计分模型进行扩展，建立了第二代模型（ZETA信用风险模型）。该模型在公司破产前5年即可有效划分出将要破产的公司，其中破产前1年的准确度大于90%，破产前5年的准确度大于70%。该模型从信用分析时广泛采用的27个变量中，经检验，得出7个变量构成最终模型，这7个变量是：
X1资产报酬率利税前收益/总资产；
X2收入的稳定性对收入在5到10年估计值的标准差；
X3利息保障倍数利税前收益/总利息；
X4留存收益（资产-负债）/总资产；
X5流动比率流动资产/流动负债；
X6资本化率普通股权益/总资本（普通股权益用公司5年的股票平均市值度量）；
X7规模，用总资产的对数形式度量。
在上述两种模型中，ZETA分类准确度比Z计分模型高，特别是破产前较长时间的预测准确度相对较高。
5.2.2.3 信用评级方法
最早的信用评级方法来源于美国货币监理署所开发的贷款评价模型，信用评级是金融机构特别是商业银行信贷业务的重要环节，主要分为两类，即债务人评级和债务工具（债项）评级。按评级主体划分，可分为独立中介机构外部评级和商业银行内部信用评级。国际最著名、最权威的三大评级机构是穆迪投资者服务公司、标准普尔公司和惠誉国际信用评级公司。在评级方法上，发达国家金融机构将定量分析与定性分析相结合，并以定量分析为主。定量评估以财务数据为基础，加上对经营面、业务面的定性判断，最后得出结论。而目前中国的金融机构（商业银行等）才刚刚建立了内部企业信用评级体系，通常只包括反映企业资信状况的关键要素，如企业的盈利能力、营运能力、偿债能力及发展前景，并对每项要素赋予标准分值和相应权重。银行根据企业的实际情况逐项进行评分，最终得出一个总分值，据此评定企业的信用等级。银行对首次申请贷款的客户或已经与银行建立信贷关系的客户进行信用评估，作为对客户授信的基本依据。
5.2.2.4 对以上模型的简要述评
传统信用风险评价方法的优点主要是简洁、明了、易于理解，对实践操作环境要求不高，可以应用于金融机构信用分析的不同方面，包括贷款定价、债务分析、信用管理等。对于财务状况不透明、信息来源缺乏、没有足够市场价值信息的中小企业，应用这类模型是个不错的选择。
由于主要以会计账面价值为基础（个别模型也涉及市场价值），而会计数据并不能全面反映公司的实际状况和前景，因而难以发现借款人经营状况中更细微、更快速的变化。而借助定性分析，主观随意性较大，虽然也试图引进定量分析，但都是线性模型，对风险缺乏精确的刻画，在权重设置上仍不可避免地依靠主观经验判断。这些构成了传统分析方法的弊端。
5.2.3 现代信用风险度量方法
现代信用风险度量方法以数学模型为基础，结合信息技术的发展。目前国际上在信用风险管理方面比较成熟的模型主要有：
（1）以企业价值为基础的JP摩根开发的CreditMetrics，KMV公司开发的Credit Monitor和Portfolio Manager（两者简称KMV模型）；（2）以保险精算技术为基础的瑞士信贷银行金融产品部（Credit Suisse Financial Products，CSFP）开发的Credit Risk+；（3）以计量经济学为基础的麦肯锡公司（Mckinsey）开发的Credit Portfolio View；（4）以神经网络模型、人工智能分析方法（AI）为基础的模型。
5.2.3.1 CreditMetrics模型
CreditMetrics模型可用于对非交易性金融资产（如贷款、私募债券）的价值和风险进行度量。该模型基于如下假设：即某一特定时间内（通常为1年）贷款组合价值的分布与将来债务人的信用等级变化相关，而债务人的信用等级在未来可能上升、下降（包括违约），也可能维持不变；假设信用等级的变动过程为稳定的马尔科夫过程（即本期信用等级变动与以前信用等级变动情况无关）。这种方法借助度量市场风险时的风险价值概念，通过复杂的数学模型和计算，给出贷款组合在未来一定时间内、一定置信区间内贷款组合损失的最大值，也就是信用风险的大小。
1.CreditMetrics模型的基本框架。
2.模型的实际应用。
运用该模型可以定量描述某一风险敞口对风险的边际贡献，判断是否将风险敞口引入组合，提高识别、度量和管理风险的能力，利用求出的VaR值，可以计算出抵御组合风险所需的经济资本，更好地对客户进行盈利性分析，更好地进行组合风险管理。
新的巴塞尔协议建议银行可以根据自身的经营特点，在监管当局许可的条件下自行开发信用风险模型，对自身的信用风险进行度量，CreditMetrics模型是目前被证明较为有效的信用风险模型。国内银行目前所采取的信用风险度量方法较为简单。随着中国加入WTO，国内的商业银行必须迎接外资银行大量涌入所带来的竞争和压力，也必须逐步与国际银行业的做法接轨。因而，国内商业银行要着力开发自己的信用风险度量方法。首先，发展信用评级业务，提高评级质量。CreditMetrics模型中的信用等级转移矩阵是必不可少的输入因子，而这一矩阵的产生，最基本的条件首先是要有足够的贷款样本。其次，加强信用数据的搜集和整理工作，尽快建立大容量、全面的信用数据库。债券或者贷款的VaR值的计算必须建立在大量的数据分析的基础上。最后，国内的商业银行应该重视适合自己特点的信用风险模型研究和开发，只有科学地度量自身的信用风险，才能为银行的决策提供有效的支持。
CreditMetrics模型还存在若干问题：
1.所有的预测和计算都以信用等级转移概率、违约概率为基础，而该历史数据比较难以获得。
2.该模型假设等级迁移概率服从稳定的Markov过程与其过去的迁移概率不相关。但是实际的数据表明，一笔贷款过去如果发生过违约事件，那么它目前等级下降的概率要比那些没有发生过违约行为的贷款要高。
3.在计算贷款或债券的VaR时，假设等级迁移概率矩阵是稳定的，而实际上，等级迁移矩阵受到行业因素、国家因素以及商业周期等因素的重要影响。
4.模型基于一些假定，如假定企业资产价值的相关度等于企业股票收益的相关度，假定无风险利率是固定不变的，影响资产价值的只有各种信用事件，市场风险对于资产价值没有影响，这些假定还有待验证。
5.模型度量信用风险的期间为1年，不能够根据贷款或债券的即时变化对其风险价值作相应的调整，是一种基于历史数据的向后看（backward looking）的方法。
上述缺点大大影响了该模型的应用范围。
5.2.3.2 KMV模型
KMV模型是KMV公司发明的进行信用风险的计算方法。该方法以企业在资本市场上的价值、企业的资本结构为基础，根据Merton的期权定价理论进行信用风险的度量，而与信用等级无关。
KMV模型利用Merton的期权定价理论，将债权看做债权人向借款公司股东出售的对公司价值的看跌期权（卖权），期权标的是公司资产，执行价格是公司的债务价值。企业所有者实际上相当于购买了一项违约或不违约的选择权，在发生违约时，债权人比股东具有优先权，可以获得公司的全部价值。否则，债权人获得应得的金额。如果公司违约，股东将一无所获，但是如果公司具有偿付能力，股东会获得所有的利润。
OB表示债务价值（贷款），贷款银行的损益分布类似看跌期权卖方的盈亏分布。违约概率取决于债务到期时企业价值低于债务价值的可能性。根据上述原理，违约概率的大小应取决于企业负债线的位置和企业未来资产价值分布曲线的形状，该分布曲线在代表公司债务价值的负债线以下的区域的面积即表示公司的违约概率。KMV公司的信用风险分析着重于看跌期权可能被执行的概率，也即违约概率。
1.计算预期违约概率EDF。
（1）估计公司资产的市场价值及其波动性。
股权可看做是股东对公司资产价值的看涨期权，根据期权定价理论，股权价值的公式是：
Ef（A，σA，B，r，τ）（5.2）
式中E是股权价值，A是资产的市场价值，σA是资产价值波动性，B是负债价值，r是无风险利率，τ是时间范围。
企业股权价值波动性σE与企业资产价值波动性间存在理论上的关系：
σEg（σA）（5.3）
假设企业是上市公司，在公式（5.2）和（5.3）中，已知变量就有：E，可直接观察得到；σE，可由历史数据估算出；B，公司的违约实施点或违约触发点，已知；τ一般设定为1年，r可直接观察得到。在公式（5.2）和（5.3）中余下两个未知数：资产价值A及其波动性σA。将（5.2）、（5.3）两个等式联立，可求出两未知数。
（2）计算违约距离。
违约距离就是企业资产价值和违约临界值B点的标准差。假定公司未来资产价值围绕其现值呈正态分布，均值为A，标准差为σA，则可利用下面的公式计算公司在1年内或t=0时（现在）距违约触发点的距离，即违约距离DD（Distance to Default）：
DDA-B
σA（5.4）
（3）估算公司违约概率。
违约概率是企业资产价值分布曲线位于从B点出发的水平线（负债线）以下的区域，这一区域表示企业资产价值现值在一年的时间内下降到B（负债价值）以下的概率。若假定资产价值是正态分布，即可根据违约距离直接求得与之对应的违约概率，也就是EDF的理论值。例如，如果违约距离为2σA，则公司未来资产价值在其均值周围±1.96σA内变化的概率是95%，因而公司的预期违约概率是2.5%。
由于资产价值服从正态分布的假设与现实不符，因而KMV模型还需要利用历史经验数据求EDF的经验值。假设违约距离为2σA，则经验EDF的计算公式为：
经验EDF违约距离为2σA的一年内违约企业数目
违约距离为2σA的企业总数（5.5）
（4）根据EDF预测违约行为。
KMV方法通过估计EDF来提供信用调控服务，并且证明了公司在违约之前的1～2年的时间里，其EDF会迅速增加。EDF的变化类似于穆迪和标普所作的降级评价工作，但EDF不受违约周期的影响：在经济衰退时，违约率会变大，但EDF会减小；在经济繁荣时，DD则会增大。
2.KMV模型的具体应用。
KMV模型建立在当代公司理财理论和期权理论的基础之上充分利用资本市场上的信息，对所有公开上市企业进行信用风险的量化和分析，由于数据来自股票市场的资料，而非企业的历史数据，因而更能反映企业当前的信用状况。KMV模型是运用现代期权定价理论建立起来的违约预测模型，是对传统信用风险度量方法的一次重要革命。
与其他模型一样，KMV模型仍然存在许多缺陷。一是模型的使用范围有一定的局限性，适用于上市公司的信用风险评估，而对非上市公司进行应用时，往往要借助一些会计信息或其企业特征值的指标来替代模型中一些重要变量，在一定程度上就有可能降低计算的准确性；二是该模型假设资产价值服从正态分布，而实际中企业的资产价值一般会呈现非正态的统计特征；三是模型假定公司债务结构不变，不能够对债务的不同类型进行区分，如偿还优先顺序、担保、契约等类型，使得模型的输出变量的计算结果不准确。
5.2.3.3 Credit Risk+模型
Credit Risk+模型是苏黎世信贷银行推出的产品，该模型认为违约是一种随机行为，违约概率较小，违约服从泊松分布，应将风险暴露划成频段，以降低不精确的程度，将不同频段的损失加总，即可得到贷款组合的损失分布。
该模型借鉴了财产火灾保险理论，假定每笔贷款的违约概率较小，且贷款违约事件相互独立，由此贷款组合违约率的分布近似于泊松分布；认为贷款的违约损失程度很不确定。由于逐笔度量损失程度较困难，可以按贷款的损失程度或风险暴露将信贷组合划分为若干频段。
模型的具体计算步骤如下：
第一步，将银行持有的所有贷款按单笔贷款的风险暴露额划分为若干频段。
第二步，求出各频段的违约概率函数。
根据历史数据确定某频段的平均违约率。已知违约次数均值，将之代入泊松分布的概率分布函数中，可分别求得组合中出现从0～N起贷款违约的概率。在某段时间t内，频段中违约事件发生频率的公式是：
P（n）μne-μ
n！n0，1，2……（5.6）
式中：μ表示单位时间内平均违约次数（违约次数平均值，或期望值）。然后，将违约次数和相应的概率结合，可得到该频段违约次数的概率分布曲线。
第三步，计算各频段的损失概率分布。
该频段的预期损失=平均（期望）违约次数×每笔贷款的风险暴露
将违约损失值与对应的违约概率结合，可得到该频段的损失分布曲线。
第四步，将各频段的损失分布加总得到组合损失分布。
由于各频段违约事件彼此独立，计算出各频段所有可能违约状态下的总体组合损失值和相应的违约概率，将二者结合，可以得到跨越所有频段的总体组合的损失分布曲线。进而可以计算出组合的预期损失值和一定置信水平上未预期到的损失值，根据二者的差额即可确定信贷组合的经济资本要求。
通过上述步骤计算得出的总体组合损失分布比较接近于正态分布，而实际分布曲线会有更肥厚的尾部，容易造成计算出的经济资本低于真实的资本要求。
实际上，违约率均值本身是随时间或随经济周期而变化的，即违约率均值本身的不确定性。CSFP对上述模型作了修正，将违约率均值假定为服从gamma分布，在三类不确定性（贷款的违约不确定性、违约损失程度的不确定性、违约率均值本身的不确定性）的前提下，建立贷款违约相关系数公式，在此基础上得到相应的组合损失分布，计算预期和未预期损失，并用于计算贷款组合经济资本要求。
从应用方面看，该模型的优点是可以处理成千上万个不同地区、不同部门、不同时限的不同类型的风险暴露。由于该模型给出的损失分布是一个解析表达式，而且只关心违约与否，几乎没有什么要估计的量，所需要的数据很少（输入单项资产的风险暴露、违约率的均值和标准差），使组合损失和边际风险贡献计算的速度大大加快。
与CreditMetrics模型相比，对于给定的置信水平，由CSFP模型所描述的损失分布密度函数可以直接估计出组合的预期损失EL和意外损失UL，而CreditMetrics模型是通过组合价值的分布，首先估计组合的预期价值EV和远期价值FV，然后再估计预期损失EL和意外损失UL，最后得到VaR。
5.2.3.4 Credit Portfolio View（CPV）方法
Credit Portfolio View（CPV）方法是多因素模型，它认为债务人的违约率和转移矩阵与外部环境有密切关系，比如GDP增长率、失业率、汇率、长期利率、政府支出和储蓄等宏观经济因素。认为信用质量的变化是宏观经济因素变化的结果。
这个模型基于CreditMetrics方法，以历史的宏观经济变量数据及平均违约率的时间序列数据，构建一个国家指数和行业指数的多因素模型。它对以前模型进行了如下的改进：（1）它不以历史数据的平均数为基础，而是以经济状况为条件来求得损失的分布；（2）它清晰地给出了依赖于子组合中信用头寸的个数和大小的实际离散损失分布模型；（3）对所有可以流通的风险暴露头寸以及不可以流通头寸的风险暴露造成的风险损失都使用盯住市场的度量方法；（4）这个方法不仅适用于单个的债务人的情况，也适用于一群债务人的情况；（5）这个方法能表征挽回率的不确定性特征，以及由于国家风险所带来的损失。
该模型与CreditMetrics应用的转移概率和违约率不同，不是以历史等级转移和违约的数据来估计，而是以当期的经济状态为条件来计算债务人的等级转移概率和违约概率。为了得到转移矩阵，模型需要对经济衰退和扩张时期的违约概率进行调整。
5.2.3.5 人工神经网络模型
人工神经网络就是模仿人脑工作方式而设计的一种机器，通过进行理论抽象、简化和模拟而构成的一种信息处理系统。它由大量的神经元通过极其丰富和完善的连接而构成的自适应非线性系统。人工神经网络系统一般包括：输入层、中间层、输出层、传递函数等。
1.神经元模型。
人工神经元是神经网络的基本处理单元，它是对生物神经元处理的简化和模拟。它拥有三个基本要素：
（1）一组连接（对应于生物神经元的突触）。连接强度由各连接上的权值表示，权值为正表示激活，权值为负表示抑制。
（2）一个求和单元。用于求取各输入信号的加权和（线性组合）。
（3）一个非线性激活函数。起非线性映射作用并将神经元输出幅度限制在一定的范围内（一般限制在（0，1）或（-1，1）之间）。
此外，还有一个阈值θk（或偏置bk-θk）。
输入输出关系可以表示为：
ukp
j1kjxj，vknetkuk-θk，ykφ（vk）（5.7）
其中，x1，x2，x3……，xp为输入信号，k1，k2，k3……，kp为神经元k的权值，uk为线性组合结果，θk为阈值，φ（·）为激活函数，yk为神经元k的输出。
由于神经元具有强大的模型识别能力，这使它可以充分利用数据，在没有任何限制参数的建模假设下，由数据确定模型的结构和参数。该算法可以有效应用于指标体系（基本面指标与财务指标）与信用风险的关系分析中。神经元网络模型拥有很多种，例如多层前馈网络、重复和统计网络、联合记忆网络和自行组织网络等。在这些网络中，多层前馈后传网络（multilayer feedforward backpropagation networks）在信用风险的应用中非常普遍。
2.BP神经元网络模型。
多层网络可以解决客户的非线性可分类问题，由于存在隐层使得学习比较困难，所以限制了多层网络的发展，后传（backpropagation）算法有效解决了学习问题，促使多层网络在金融信用风险分析应用。多层前馈后传网络（multilayer feedforward backpropagation networks）简称BP神经元网络模型。该模型是一反向传播的多层前向网络，可以表示为一个从输入到输出的高度非线性映射。
指标数据作为信号从输入层节点，依次传过各隐层节点，然后传到输出层节点，每一层节点的输出只影响下一层节点的输入，每个节点都是一个神经元结构。
设BP网络输入节点为xj，隐节点为yj，输出节点为oe，输入节点与隐节点间的网络权重为ij，隐节点与输出节点间的网络权重为Tej，输出节点的期望输出为te，计算过程简化，通过调整各个节点的权重和阈值，使神经元网络的输出与目标值之间的误差达到训练精度的要求即可。
通过分析客户的指标数据可以有效进行分类，建立指标与信用风险之间的关系。贾恩（Jain）、杜因（Duin）和毛（Mao）（2000）发表了一个涵盖统计模式识别领域最重要和最新成果的简短评述，列出了150多篇非参数技巧和机器学习方法。阿尔特曼、马克和瓦尔托（1995）对意大利财务危机预测中应用了神经网络分析法，寇斯和凡特（1993）、特莱皮和特班采用神经网络分析法分别对美国公司和银行财务危机进行了预测，杜塔（Dutta）和施克（Shekhar）（1988）在债券评级中进行了应用，取得了一定的效果。这些可以有效应用在信用风险的分析过程中。
5.2.4 中国金融集团信用风险度量模型的选择
首先，现代信用风险度量技术使用了大量的先进技术，采用了计量经济学方法和金融理论，实现了从定性分析转向定量分析，从指标化形式向模型化形式转变，或二者有机结合，从单项贷款分析转向组合分析，从盯住账面价值转向盯住市场价值，风险因子的描述从离散形式向连续形式转化。同时考虑宏观环境对信用风险的影响。但现代信用风险模型还存在一定的问题：一是模型还需要进一步完善，以便于进行实际的计算。二是模型风险问题。模型可能脱离其原始的前提假设；模型可能无法代表现实情况，产生模型错误。三是模型的参数估计较为复杂和繁重。四是模型所需大量的输入数据在实际应用中往往不是空白或残缺，可能就是过时、有偏差、错误。
其次，现代信用风险度量模型是以西方成熟的金融市场和完善的信用制度为基础。由于中国金融体系还不完善，金融市场还不发达，股价信息和债券市场还不能完全作为商业银行建立信用风险量化管理的依据，同时社会广泛缺少信用体系、信用数据、信用制度和信用文化，主观因素和外部环境对公司信用资产的损失有较大的影响。例如，现在的中国没有贷款二级市场，资产证券化、贷款转让等工具几乎空白，于是造成贷款没有市场价格，盯市模型就会“无市可盯”。有些学者借用债券市场的价格变化来模拟信贷市场，这是一种替代性考虑，但由于国内债券市场规模与信贷市场规模完全不在一个数量级，市场主体也很不相同，而且二者的相关性到底有多大也还没有得到证明。还有一种方法是通过模型模拟贷款的市场价值，也是一种有益的探索。
总之，这些模型要应用于中国金融集团的信用风险管理还需要作很多基础性的准备。目前国内商业银行业务的风险管理应从行业内部着手，建立起自己的量化管理模型和基础数据的收集。步骤如下：
（1）建立大规模的信用数据库。商业银行与其他非银行金融机构间应建立共享的同业信用数据库，数据包括违约率、损失率、挽回率、信用等级迁移频率等的时间序列数据和截面数据。同时，商业银行应充分利用评级机构及征信机构所提供的信用数据作为参考，并积极地与各行业的行业协会及政府主管部门合作以获取关于行业的相关数据。对公开数据和内部数据进行整理，建立全面的基础信用数据库。
（2）依国情和本行业实际经验对国外模型中的参数予以适当调整，并进行检验。
（3）由于现代信用风险度量技术对中国金融机构提出了较高的要求，必须考虑具体实际以及与监管当局的要求，进行信用风险度量与人工专家方法的结合处理。
（4）实现信用决策自动化与人工经验判断的相结合。现阶段中国商业银行业务可以将现代信用风险度量模型作为业务决策的辅助技术，对不确定性较高、涉及金额较大的贷款项目，可由专家深入调查和分析。并对决策数据进行存储，在业务结束后，进行完整数据的存储。
