爱华网系列专题：《零距离认知华尔街：我在美联储监管银行》
2. 信用评级(credit rating)-- 这是针对具体企业的评级，同评级相对应的是企业降级倒闭的风险概率。比如，根据标普(SandP)评级公司的统计数据，一企业的信用评级若今年为A，则明年降为B的可能性是0.24%，一年内破产的可能性为0.02%。五年、十年的评级变化，都有数据。 3. 违约损失率(loss given default)-- 这是估计万一借款企业违约或倒闭了，银行能收回多少资金，损失多少贷款。这个指标是针对具体贷款而言(facility)，而非针对具体企业或债务人(company or obligor)。若一贷款有抵押品作担保，则其损失的比率要比没有抵押品的低。 4. 相关系数(correlation)-- 这是指一笔贷款与其他贷款的互动性，用来衡量整个资产组合的信用风险。若资产之间的相关系数高，互动性强，则共同损失的可能性大，整个资产组合的总风险就大；反之，若相关程度低，资产之间就更有可能独立运行，不会同步下滑，那整个资产组合的总风险就小。
5. 违约倒闭模式(default-mode paradigm)或按市定价模式(mark-to-market paradigm)-- 一般模型都只计算企业违约所带来的风险和损失，只要企业没倒闭，潜在价值就不变。但更精确的市场化的做法是连市场信用风险波动都算在里面。即便企业没有倒闭，但因为它的信誉下跌，信用级别下降，或纯粹市场信用点差(credit spread)指数上升，资产价值也会下降。比如，一笔金额为1亿美元的10年贷款，给信用级别A的企业，如果该企业的信用级别降为B，则该贷款的价值就不值1亿美元，其中的差额就是信用点差损失。这是所谓的按市定价的计算法。 6. 解析法(analytical)或模拟法(simulation)-- 这是如何将上述单变量汇总起来，算出整个资产组合的信用风险，即概率密度函数的方法。解析法简单易行，运算速度快，事先假定风险密度函数的具体方程式，代入各种变量，便信手可得各类风险值。模拟法不需要引入诸如风险密度函数方程式等关键假设，计算机模拟自然给出整个资产组合的风险状况，信息量充分，能进行各类运算，使信用风险模型做到最理想化的运用，缺点是计算时间长，容易受到计算机功能的限制。 所有信用风险模型都仰赖于大量数据，充斥着许多参数和假设。同市场风险模型相比，它有两大弱势。一是数据不够大量、充分、可信。历史上没有频繁发生的信用违约和倒闭事件，致使上述几大量化的数据很难证实其可靠性。而市场风险模型依赖的是每天市场的上下波动，有相当充足的数据库。其二，信用风险模型的损失区间(loss horizon)或持有期通常定为一年，而不同于市场风险模型的1天(或政策规定的10天)。这样的话，市场风险模型一年就有250个样本点，可以用来做回溯检验(backtesting)，以验证模型的可靠有效性。而信用风险模型要做回溯检验，则需要几十年，甚至上百年的数据点，这是不现实、没有意义的任务。不能做回溯检验这点，特别让监管部门忐忑不安，难以给信用风险模型寄予一定信任度。 从长远角度来看，信用风险模型非常有用、大有潜力，对于更合理、更有效地管理银行，有着重大作用和意义(这里不做具体描述)。随着模型的成熟、信息的推广和数据库的丰富，信用风险模型的广泛运用只是时间问题，而非是否问题。 信用风险模型采样和评估 我和Jennifer开始这个项目的第一步是深入基层，采集样本，弄懂弄通信用风险的变量和模型，回来向Christine及其他政策要员汇报，向他们提供精确反馈。也就是说，我们是他们的视线和触角(eyes and ears)，为他们提供第一手原始资料。 我们研究的第一个样本是由摩根银行内部一个小组发展出来的《信贷算法》(CreditMetrics)，是专门销售给外界用的计算机软件(摩根银行本身并不用此软件)。该软件编写小组后来从摩根银行分离出去，自成一公司。《信贷算法》的技术文件(technical document)非常权威，写得清晰流畅，把最复杂的统计知识、理论术语，用最浅显易懂的语言表述出来。《信贷算法》堪称信用风险模型的经典教科书，我本人就是从读这些技术文件开始，弄懂信用风险模型的基本框架，知道它想做什么、派什么用场，有些什么基本要素。这是摩根银行继推出它用于计算市场风险的经典《风险算法》(RiskMetrics)后，对金融界的又一重大贡献。
