一、 导言 　　信用风险是金融市场上最为基本、最为古老的一类风险，也是银行所面对的基本风险之一。90年代后期以来，信用风险管理变得更加复杂，更具挑战性。银行也承受着越来越多的信用风险，具体表现在：由于银行业务之间竞争加剧，银行存贷利差持续缩小；新型金融衍生工具的不断发展，其信用风险暴露更具不确定性，较之传统工具更难管理；新兴市场的发展和资产的证券化也加剧了信用风险。因此，银行迫切需要更为有效的定量工具能够更加精确的度量和控制信用风险。 　　近年来，在信用风险度量与管理的技巧和科学研究方面已经取得了长足的进展。以VaR（Value at Risk）为标志的先进信用风险评估管理技术的研究，在国际银行业正方兴未艾。其中，典型的代表为就是J.P.Morgen公司协同几家机构共同开发的CreditMetrics模型。 　　二、 模型及其在银行中的应用 　　1997年4月由J.P.Morgen公司和一些合作机构（美国银行、KMV和瑞士联合银行等）共同推出了用于量化信用风险管理的金融产品：CreditMetrics模型。CreditMetrics，又称“信用度量术”，旨在提供一个进行风险估值（VaR）的框架,用于诸如贷款和私募债券这样的非交易性资产的估值和风险计算。VaR值用来衡量投资组合风险暴露的程度，是指在一段时期内，一定的置信水平下，资产或投资组合可能发生的最坏情况下的损失金额。 　　对于贷款来说，由于其不能公开贸然地进行交易，流动性又差，其市场价值和波动性不能直接地观测到。CreditMetrics方法的创新之处在于，它利用借款人的信用评级；借款人在下一年里评级发生变化的概率；违约贷款的回收率；贷款或债券市场上的信用风险价差和收益率等数据，可以为任何非交易性的贷款或债券计算出一组合理的资产价值P和，从而推断出个别贷款和贷款组合的VaR值。由于考虑了信用评级的变化以及由此而引起的信用价差的变化对于贷款价值的影响，CreditMetrics可以被认为是盯市模型。 　　我们使用分析方法，可以求出资产组合价值的均值和方差。当投资组合包含多种资产时，要对投资组合价值分布做出假设。因而，在CreditMetrics方法中，计算投资组合价值分布主要是用模拟方法。模拟方法首先根据信用转移矩阵确定信用等级发生变化的临界资产收益率；然后假定公司资产价值收益服从正态分布，模拟产生相当数量的资产收益率情景（Scenario），结合临界收益率决定每次模拟信用等级变动情况，分别计算投资组合价值；最后得到投资组合价值分布的模拟曲线，根据该曲线可以计算VaR值。 　　CreditMetrics方法还考虑了投资组合中的不同贷款资产之间的相关性。为求这个相关度，该方法首先构造国家不同产业的相关度模型，使用各个国家证券市场的综合指数和行业指数来进行分析。然后根据每个债务人在国家和产业中的参与程度，来分配权重。这样，运用指数的相关度和权数就可以计算债务人之间的相关度了。 　　三、 结论及展望 　　就目前而言，基于VaR的CreditMetrics方法较VaR市场风险测量和管理技术难度大，还存在一些问题需要进一步讨论： 　　1． 模型中转移概率取自于历史数据平均值，而实际研究表明，转移概率与宏观经济状况有直接的关系，会受到GDP增长、通货膨胀、失业率、经济周期等因素的影响。 　　2． 在使用模拟方法时，模型假定资产收益服从正态分布，而实际上资产收益的分布有待进一步研究。 　　3． 模型中假定企业资产收益之间的相关度等于公司证券收益之间的相关度，这有待进一步验证。模型对这一假定的敏感度很高。 　　4． 模型只考虑了信用风险，实际上市场风险对投资组合价值有很大的影响。 　　应用信用度量术的前提是：存在公平统一的信用评级标准；必须具有丰富的信贷历史数据，据此才有可能计算各个等级的违约概率及信用等级变化矩阵。所以，CreditMetrics模型在我国商业银行中的应用也还存在一些操作性的困难： 　　首先，VaR方法最初用于度量市场风险，对信用风险的评估和定价还处于试用完善阶段，需要时间发展和完善；其次，我国商业银行的信用数据较少，连续性和可比性较差，所以目前在信用转换矩阵的生成上存在一定的困难，而且在对模型进行返回检验的时间规定上也无法确定；还有，实际中的资产收益的分布多是厚尾的，需要大量的模拟数据；最后,我国目前缺少一个准确的基准贴现利率。 　　虽然如此，国外银行业的信用风险度量与管理方法中有很多值得我们学习。从国外银行业风险管理的实践和发展来看，度量信用风险是银行业内部管理和外部监管发展