信用风险的定义.ppt

專家系統程式 專家評等法的成功與否決定於專家的經驗、能力以及判斷力，然而一個專家訓練不易，而且所費不貲。 因此類似的技術則是運用電腦程式人工智慧來模擬專家評等法的過程，以進行徵信或信用評等，一般稱為「專家系統程式」（Expert System）。 「專家系統程式」是一套由問題與決策法則所組合的資料庫，藉以模擬實際專家的徵信評等過程。 專家系統程式 信用風險會與時變化，專家系統程式在一般信用評估的狀況，可以提供協助；然而較複雜的狀況則表現不佳。 專家系統程式表現不佳的原因有兩點： 即使是信用評估專家也會很快過時，何況是人工智慧的專家系統程式也跟不上調整的腳步。 信用風險評估仍然需要人為判斷，專家系統程式無法完全取代的。 8.7 量化的傳統信用風險模型信用分數(Credit Scoring)法 信用分數(Credit Scoring)法是根據公司與個人的信用風險特性打分數，將各項分數加權計算總分，藉以判斷其違約機率。 自然人的風險特性包括性別、年齡、教育程度、職業、婚姻狀況等；在美國的信用市場裡甚至會以申請人的種族與郵遞區號來評估信用風險。 8.7 量化的傳統信用風險模型信用分數(Credit Scoring)法 企業的風險特性包括各項財務比率，例如負債比率、流動比率、獲利率等，以及企業特性，例如企業成立時間長短、企業規模、員工人數等。 信用評等法廣為銀行所採用，美國有97%的銀行採用信用評等法來審核小額企業貸款。 信用分數法 銀行分別就每個風險特性給予適當權重，這些權重則必須經由理論模型來決定。 風險特性權重的決定模型 線性機率模型（Linear Probability Model） －Logit模型 －Probit模型 －區隔分析法（Discriminant Analysis） 線性機率模型 線性機率模型為一般的多元迴歸模型 自變數:風險特性變數 因變數: 設定 為0與1 (違約與不違約) 以最小平方法估計模型參數，解決自變數不 服從常態分配之問題 模型使用時不需將資料轉換，使用相當容易 缺點 為只能做兩種分類選擇 實際操作時，模型所產生之估計值常落於0與1之外 Logit 模型 改善線性模型之估計值可能落於0與1之外的缺失 解決自變數非常態的問題 可適用於非線性的情況 8.7.1 羅吉斯迴歸模型 羅吉斯迴歸分析的Logit函數： P為客戶的違約機率，Y為常數加上客戶風險特性的加權總和： 羅吉斯迴歸模型 經由MLE決定的風險特性之權重值後，羅吉斯模型寫成下式： MLE估計風險特性的權重時，概似函數（Likelihood Function）如下： Probit模型 所求得之機率值落於0與1之間 解決自變數非常態的問題 可適用於非線性的情況 缺點為轉換程序較為複雜 8.7.2 區隔分析法 區隔分析法（或稱為區別分析、判別分析） －依區隔方程式將樣本區分為不同特性的組別：ex. 違約與不違約 －各組組間變異最大、且組內變異最小為原則 區隔分析 區隔分數的計算是客戶各信用風險特性變數的加權總合： 區隔分數Z＝ 是客戶的各項風險特性， 則是各信用特性的權重。 Z-Score模型 信用風險衡量技術中，採用上述區隔分析者最有名的是歐特曼（Edward Altman）在1968年所提出的Z-Score模型 歐特曼利用1946-1965年間的美國製造業資料，樣本中包含33家正常公司，33家破產公司。 歐特曼選出22個財務變數(財報比率)。這22個財務變數包括五類，分別為：流動性、獲利性、槓桿程度、償債能力、週轉率。 最後再由這22個財務變數中，篩選出5個最具代表性的財務變數，並利用區隔分析法提出著名的區隔方程式 Z-Score模型 區隔方程式： ：(營運資金)/(總資產帳面價值) ：(保留盈餘)/(總資產帳面價值) ：(息前稅前淨利)/(總資產帳面價值) ：(權益市值)/(總負債帳面價值) ：(營業收入)/(總資產帳面價值) Z-Score模型 將公司的這五項財務比率至的值代入上述區隔方程式，即可計算公司的Z分數。 公司的Z分數越高，表示其財務狀況越佳，越沒有違約的可能性。 若公司的Z分數: 低於1.81，則被判定屬於非常可能違約的一群 高於2.99，則被判定屬於不可能違約的一群 介於1.81到2.99之間，則屬於灰色地帶，Z-Score模型無法判定。 Z-Score模型 計算實例 8.3 請根據以下財報比率計算各公司的Z-Score，並判定它們是否將會違約？ 解答 根據(8.1