第十九章 信用衍生工具
第十九章 信用衍生产品 【学习目标】 信用风险是金融市场上最为基本、最为古老，也是危害最大的一类风险，而信用衍生产 品则是20世纪90年代信用风险管理的最新发展。本章第一节全面介绍了现代意义上的信 用风险的定义、特点、以及信用风险度量模型的发展和衍生工具信用风险的衡量方法； 第二节简要说明了信用衍生产品的定义、发展和作用，并详细介绍了五种信用衍生产品 的基本原理。以期通过本章的学习，让读者对信用风险和信用衍生产品有个基本的了解 。 第一节 信用风险 一、信用风险的概念与特点 信用风险（Credit Risk）是金融市场上最为基本、最为古老，也是危害最大的一类风险。传统意义上的信 用风险是指借款人不能按期还本付息而给贷款人造成损失的风险。现代意义上的信用风 险则包括了由于交易对手直接违约或交易对手信用水平、履约能力的变化而使投资组合 中资产价格下降进而造成损失的风险。 信息不对称是信用风险产生的重要源泉。由于企业违约的小概率事件以及贷款收益和 损失的不对称性，造成了信用风险收益分布曲线向右侧倾斜，并在左侧出现肥尾现象（ 如图19.1所示）。同时，与市场风险不同，信用风险的非系统性特征较为明显，借款人 的还款能力主要取决于与借款人相关的非系统性因素，如借款人的财务状况、经营能力 、还款意愿等。此外，由于贷款等信用产品缺乏二级交易市场，流动性差，信用资料的 全面性和时效性均不如市场风险采取盯市法所获得的数据。而且贷款的持有期限一般较 长，即使到期出现违约，其频率也远比市场风险的观察数据少得多。因此，观察数据的 匮乏就使得运用VaR方法来衡量信用风险，以及对信用风险定价模型进行有效性检验都相 当困难，严重阻碍了实证研究的发展。 [pic] 图19.1　信用风险收益分布的特征[1] 二、信用风险度量及管理模型的发展 长期以来，信用风险都是银行业，乃至整个金融业最主要的风险形式。尤其是20世纪 80年代中期以后，随着金融自由化和金融全球化的发展，世界范围内的破产有了结构性 的增加，信用规模和风险程度都呈指数式增长。而且，融资的脱媒效应，银行间竞争的 加剧以及抵押品价值的下降都大大增加了银行传统信贷业务的风险，使得信用风险再度 引起普遍的关注，成为银行内部的风险管理者和银行监管者共同面对的一个重要课题。 同时，贷款出售和贷款证券化的使用，组合投资原理在风险管理中的实践，以及衍生工 具市场的显著扩张和各种信用衍生产品的出现，也对信用风险的测量和控制提出了更高 的要求。 然而传统的信用风险衡量方法（主要包括专家法、信用评级法和信用评分法等），由 于其主要依赖于评估者的专业技能、主观判断和对某些决定违约概率的关键因素的简单 加权计算，难以对信用风险做出精确的测量，因此，近年来以KMV、CreditMetrics、Cr editRisk＋及Credit Portfolio View为代表的信用风险量化管理模型的开发得到了理论界和实务界越来越高的重视。 （一）KMV模型 KMV模型以Black－Scholes的期权定价理论为依据，认为公司的破产概率在很大程度 上取决于公司资产价值与其负债大小的相对关系以及公司资产市价的波动率，当公司的 市场价值下降到一定水平以下时公司就会对其债务违约。它将股票价值看作是建立在公 司资产价值上的一个看涨期权，用公司股价的波动率来估算公司资产价值的波动率，主 要通过计算预期违约频率EDF(Expected Default Frequency)，即借款者在正常的市场条件下在计划期内违约的概率，来衡量信用风险的 大小。详见图19.2。 未来资产价值的概率密度函数 未来资产价值的标准差 资产净预期增长率 资产价值的均值 市 场 值 由于气球式偿款方式导致 的偿付要求的提高 从未来价值的均值 公司处于危机区域的 到违约点的距离 预期违约概率 概率密度曲线的形状 现在 一年后 时间 所需清偿的债务 图19.2 KMV模型简图 资料来源：KMV corporation (1993)。 (二)CreditMetrics模型 CreditMetrics模型最突出的特点就在于它把人们对信用风险的认识仅仅局限于违约 情况的传统思想，转移到了包括信用等级变迁在内的新情形，第一次将信用等级的转移 、违约率、回收率、违约相关性纳入了一个统一的框架，全面地考虑对信用风险的度量 。它认为企业信用等级的变化才是信用风险的直接来源，而违约仅仅是信用等级变迁的 一个特例。因此，它主要根据信用评级转移矩阵所提供的信用工具信用等级变化的概率 分布，以及不同信用等级下给定的贴现率，计算出该信用工具在各信用等级上的市场价 值，从而得到该信用工具市场价值在不同信用风险状态下的概率分布。不仅可以用于单 一资产信用风险的测量，而且可以用于多种资产组合信用风险状况的计算，其主要框架 如图19.3所示： 风险暴露 信用VaR 相关性 图19.3 CreditMetrics分析框架 资料来源：J.P.Morgan (1997), CreditMetrics - Technical Document。 以一项金额为1亿美元，年利率为6%的5年期BBB级固定利率贷款为例，简单说明一下 Creditmetric模型的基本思想。详见表1。 此外，CreditMetrics模型的一个重要特点就在于它是从资产组合而不是单一资产的 角度来看待信用风险的，因此可以用于衡量组合的集中信用风险值。模型中整个投资组 合的市场价值的期望和标准差可以表示为： [pic] 表19－1 BBB级贷款的VaR的计算(基准点是贷款的均值) |年末信用|状态的 |新贷款价值 |概率加权的 |价值偏离均 |概率加权 | |评级 |概率(%)|加利息/亿美|价值/亿美元|值的差异/亿|差异的平方| | | |元 | |美元 | | |AAA |0.02 |1.0937 |0.0002 |0.0228 |0.0010 | |AA |0.33 |1.0919 |0.0036 |0.0210 |0.0146 | |A |5.95 |1.0866 |0.0647 |0.0157 |0.1474 | |BBB |86.93 |1.0755 |0.9349 |0.0046 |0.1853 | |BB |5.30 |1.0202 |0.0541 |(0.0506) |1.3592 | |B |1.17 |0.9810 |0.0115 |(0.0899) |0.9446 | |CCC |0.12 |0.8364 |0.0110 |(0.2345) |0.6598 | |违约 |0.18 |0.5113 |0.0009 |(0.05596) |5.6358 | | | | |1.0709＝均 | |8.9477＝ | | | | |值 | |价值的方差| |σ＝标准差＝299万美元 | |假设正态分布： 5%的VaR＝1.65×σ＝493万美元 | |1%的VaR＝2.33×σ＝697万美元 | |假设实际的分布：5%的VaR＝实际分布的95%＝1.0709－1.0202＝0.0507 | |1%的VaR＝实际分布的99%＝1.0709－0.9810＝0.0899 | 注：5%的VaR近似地由6.77%的VaR给出(也就是5.3%＋1.17%＋0.12%＋0.18%)， 1%的VaR近似地由1.47%的VaR给出(也就是1.17%＋0.12%＋0.18%)。 资料来源：J.P. Morgan, CreditMetrics－Technical Document，April 2，1997，p.28。 （三）CreditRisk＋模型 CreditRisk＋方法是由瑞士信贷银行(Credit Suisse Financial Products，CSFP)于1996年推出的一个违约风险的统计模型。主要以保险精算科学为基础 ，假定违约遵从泊松过程，而与公司的资本结构无关。利用违约率的波动性来估计客户 信用等级变化的不确定性以及违约的相关性，并进一步生成债券和贷款投资组合的损失 分布，以计算应提列的授信损失准备。其最主要的优势就在于只需要相当少的数据输入 (比如主要输入数据仅为贷款违约率、违约率波动率和风险暴露，而不需要风险溢酬方面 的数据)，就可以计算出每位债务人的边际风险贡献度以及整个投资组合的违约损失分布 。其主要局限也在于它不是充分估值的VaR 模型。 （四）麦肯锡公司的Wilson模型 麦肯锡公司的Wilson模型(1997)即信贷组合观点(Credit Portfolio View)是一种通过计量经济学和蒙特卡罗模拟来分析组合风险和回报的方法。与CreditM etrics相比，其最大的改进就在于把宏观因素(包括系统的和非系统的，如失业率、GDP 增长率、长期利率水平、汇率、政府支出和储蓄水平等)对于违约概率和相关联的评级转 移的影响纳入了模型，通过模拟宏观因素对于模型的冲击来测定转移概率的跨时演变， 这样可以得到未来每一年的不同的转移矩阵，在此基础上运用CreditMetrics的方法计算 出于不同经济周期的VaR，从而克服了CreditMetrics模型中由于假定不同时期的转移概 率是静态的和固定的而引起的偏差，可以说是对CreditMetrics的一种补充。与KMV模型 相比，两者所应用的方法同样都是基于经验观察，即违约和转移概率都随时间变化。但 KMV模型主要是从微观经济角度研究债务人的违约概率和相关资产市值，而Credit Portfolio View模型则主要运用宏观经济中的因素与违约和转移概率相联系。 现将以上四大模型在6个关键维度上的异同点归纳为表19－2。 表19－2 四大模型的比较[2] |比较的维度 |KMV模型 |CreditMetrics|CeditRisk＋ |Wilson模型 | |1.风险的定义 |违约模型 |盯市模型 |违约模型 |盯市模型 | |2.风险趋动因 |资产价值 |资产价值 |预期违约率 |宏观因素 | |素 | | | | | |3.信用事件 |可变 |不变 |可变 |可变 | |的波动性 | | | | | |4.信用事件 |多变量正态|多变量正态 |独立假定或与预|因素负载 | |的相关性 | | |期 |factor | | | | |违约率的相关性|loadings | |5.挽回率 |不变或随机|随机 |在频段内不变 |随机 | |6.计算方法 |解析法 |模拟法或解析 |解析法 |模拟法 | | | |法 | | | 迄今为止，从实证角度对各个信用风险模型进行系统比较分析的文章还很少。Gordy (2000)和Crouhy(2000)在对各模型进行模拟的基础上分别在各自的文章中指出，各种不 同的模型对在同一时点的相同资产组合进行评估时得出的结果是相近的。Nickell(1998 )等人将信用风险模型应用于对实际资产组合风险损失估计的研究，发现结果与实际情况 大相径庭。看来根据本国实际研究适用的信用风险模型还路途遥远。 至于在实践中该选择运用哪一个模型则主要取决于信用风险资产组合的性质，风险管 理的范围和要求，以及数据的可获得性。对于主要依赖于公司特有数据的异质资产组合 （Heterogonous Portfolios），则结构性模型比较适合；对于具有潜在流动性债券市场的资产组合，则 简约式模型具有较大的优势；对于同质资产组合（Homogenous Portfolios）的风险管理者，如果不关注评级转移风险，则计算相对简便的以保险精算 为基础的信用风险模型就足够了；对于高度依赖于经济状况的同质资产组合，则宏观经 济类模型是最优的选择。 三、衍生工具信用风险的测量 80年代以来，随着金融市场上市场风险的与日俱增，衍生工具因其在金融投资、套期 保值行为中的巨大作用而获得了飞速的发展，尤其充实拓展了银行的表外业务。然而这 些旨在规避市场风险应运而生的衍生工具又蕴藏着新的信用风险。如利率互换和货币互 换虽能减少利率风险，但却要承担互换对方的违约风险。此外，随着场外市场期权交易 的发展，其违约风险也日益增加。因此，衍生工具信用风险的管理也日益受到各国金融 监管当局的重视。 原则上，以上这些模型对衍生工具信用风险的测量仍有一定的用武之地，因为交易对 手陷入财务困境始终都是引起合同违约的最重要的一个原因。但衍生工具的信用风险与 表内业务仍存在着许多不同之处，主要在于：首先， 即使交易对手陷入财务困境，也只可能对虚值合同（履约带来负价值的合同）违约而会 力求履行所有的实值合约（履约带来正价值的合同），因此衍生工具合约的无违约价值 对交易对手而言必须为负值；其次，在任一违约概率水平上，衍生...
第十九章 信用衍生工具