信用分析是商业银行对借款人的还款能力进行的系统调查和研究。目的是防止银行在发放贷款过程中可能遇到的风险，保证银行经营资金的安全和及时归还。包括两方面的内容： ①信用风险评估。即通过对借款人的品质、经营才能、贷款用途、贷款数额、还贷资金来源、还贷时间、抵押品质量等进行的系统分析，决定贷或不贷、贷多少及贷款的条件，并据以控制整个银行的贷款规模及其结构。②财务分析。即通过对借款企业的资产负债表、损益表、财务状况变动表 (或现金流量表) 及其他附表的分析，准确掌握借款企业的流动性比率 (包括流动比率、速动比率、现金比率、应收款项周转率、存贷周转率)、杠率(包括负债资本比率、利息费用收益率、固定费用收益率、固定资产净值与资本净值比率、红利支付比率等)、盈利能力比率(包括销售增长率、资产收益比率、股东收益率等)，并据以编制预测其财务报表，预测其可能出现的财务状况和经营风险，具体评估其信用风险大小，进而确定贷款的数量和偿还时间。

信用分析是对债务人的道德品格、资本实力、还款能力、担保及环境条件等进行系统分析，以确定是否给与贷款及相应的贷款条件。

因此，在信贷决策过程中，信贷管理人员的专业知识、主观判断以及某些要考虑的关键要素权重均为最重要的决定因素。

在专家制度法下，绝大多数银行都将重点集中在借款人的“5c”上，即品德与声望(character)、资格与能力(capacity)、资金实力(capital or cash) 、担保(collateral)、经营条件或商业周期(condition)。也有些银行将信用分析的内容归纳为“5w”或“5p”。 “5w”系指借款人(who)、借款用途(why) 、还款期限(when)、担保物(what)、如何还款(how)；“5p”系指个人因素( personal)、目的因素( purpose) 、偿还因素( payment)、保障因素(protection)、前景因素(perspective)。这种方法的缺陷是主观性太强，只能作为一种辅助性信用分析工具。

特征分析模型是在国外信用管理模型中应用较为普遍的一种新的信用分析工具，本质上它也属于传统的信用分析和评价方法。该模型的主要用途就是对客户的资信状况做出综合性的评价，并以定量化的方式，对客户的授信做出评定。

它是从客户的种种特征中选择出对信用分析意义最大、直接与客户信用状况相联系的若干因素，将其编为几组，分别对这些因素评分并综合分析，最后得到一个较为全面的分析结果。特征分析方法主要由信用调查机构和企业内部信用管理部门使用。

贷款评级分类模型是金融机构在美国货币监理署(occ)最早开发的评级系统基础上拓展而来，occ对贷款组合分为正常、关注、次级、可疑、损失等5类，并要求对不同的贷款提取不同比例的损失准备金以弥补贷款损失。

在我国，1998年以前各商业银行贷款分类的方法一直沿用财政部《金融保险企业财务制度》的规定，把贷款分为正常、逾期、呆滞、呆账四类，后三类合称不良贷款，简称“一逾两呆法”。 这一方法低估了不良贷款, 因为它没包括仍支付利息尚未展期的高风险贷款。

1998年我国开始借鉴国际监管经验，对贷款分类进行改革，按照风险程度将贷款划分为正常、关注、次级、可疑、损失五类，即五级分类方法。2003年12月中国银监会发布文件决定自2004年1月1日起，我国所有经营信贷业务的金融机构正式实施贷款五级分类制度。

信用评分方法是对反映借款人经济状况或影响借款人信用状况的若干指标赋予一定权重，通过某些特定方法得到信用综合分值或违约概率值，并将其与基准值相比来决定是否给予贷款以及贷款定价，其代表为z计分模型。

z计分模型是Altman 1968 年提出的以财务比率为基础的多变量模型。该模型运用多元判别分析法，通过分析一组变量，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。

根据z值的大小同衡量标准相比，从而区分破产公司和非破产公司。1995 年，对于非上市公司，Altman对z 模型进行了修改，得到z′计分模型。Altman、Haldeman 和Narayannan在1977 年对原始的z 计分模型进行扩展，建立的第二代的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 年准确度大于90 % ，破产前5 年的准确度大于70 %。

新模型不仅适用于制造业，而且其有效性同样适用于零售业。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。由于方法简便、成本低、效果佳，上述方法应用十分广泛。

值得注意的是该类模型构建中的数理方法，综合以来，主要有以下几种：

1．判别分析法(discriminant analysis)

判别分析法(discriminant analysis，简称DA) 是根据观察到的一些统计数字特征，对客观事物进行分类，以确定事物的类别。它的特点是已经掌握了历史上每个类别的若干样本，总结出分类的规律性，建立判别公式。当遇到新的事物时，只要根据总结出来的判别公式，就能判别事物所属的类别。

da 的关键就在于建立判别函数。统计学建立判别函数常用方法有：一是未知总体分布情况下，根据个体到各个总体的距离进行判别的距离判别函数；二是已知总体分布的前提下求得平均误判概率最小的分类判别函数，也称距离判别函数，通常称为贝叶斯(bayes)判别函数；三是未知总体分布或未知总体分布函数前提下的根据费歇(fisher) 准则得到的最优线性判别函数。

2．多元判别分析法(multivariate discriminant analysis)

多元判别分析法(MDA)是除美国外的其他国家使用最多的统计方法。多元线性判别分析法，可以具体为一般判别分析(不考虑变量筛选)和定量资料的逐步判别分析(考虑变量筛选)。但应用多元判别分析(MDA)有三个主要假设：变量数据是正态分布的；各组的协方差是相同的；每组的均值向量、协方差矩阵、先验概率和误判代价是已知的。该种方法的不足之处是必须建立在大量的、可靠的历史统计数据的基础之上，这在发展中国家如中国是难以具备的前提条件。

3．logit 分析判别方法

logit 分析与判别分析法的本质差异在于前者不要求满足正态分布或等方差, 从而消除了MDA 模型的正态分布假定的局限性。其模型主要采用了logistic 函数。

该模型的问题在于当样本点存在完全分离时，模型参数的最大似然估计可能不存在，模型的有效性值得怀疑，因此在正态的情况下不满足其判别正确率高于判别分析法的结果。另外该方法对中间区域的判别敏感性较强，导致判别结果的不稳定。

4．神经网络分析法（artificial neural network，简称ANN）

神经网络分析法是从神经心理学和认知科学研究成果出发，应用数学方法发展起来的一种具有高度并行计算能力、自学能力和容错能力的处理方法。它能有效解决非正态分布、非线性的信用评估问题，其结果介于0与1之间，在信用风险的衡量下，即为违约概率。神经网络分析方法应用于信用风险评估的优点在于其无严格的假设限制且具有处理非线性问题的能力。Altman、Marco和Varetto（1994）在对意大利公司财务危机预测中应用了神经网络分析法；Coats及Fant（1993）Trippi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预测，取得较好效果。然而，要得到一个较好的神经网络结构，需要人为随机调试，需要耗费大量人力和时间，加之该方法结论没有统计理论基础，解释性不强，所以应用受到很大限制。

5．聚类分析法(cluster analysis)

聚类分析(cluster analysis)属于非参数统计方法。信用风险分析中它根据由借款人的指标计算出的在样本空间的距离，将其分类。这种方法一个主要优点是不要求总体的具体分布；可对变量采用名义尺度，次序尺度，因此该方法可用于定量研究，也可对现实中的无法用数值精确表述的属性进行分析。这很适用于信用风险分析中按照定量指标(盈利比、速动比等) 和定性指标(管理水平、信用等级等) 对并不服从一定分布特性的数据信息分类的要求。例如，Lundy运用该方法对消费贷款申请者的典型信用申请数据及年龄、职业、婚否、居住条件进行处理分成6类并对每类回归评分，它不仅将借款人进行有效的分类而且帮助商业银行确定贷款方式策略。

6．k近邻判别法(k-Nearest Neighbor)

k近邻判别法在一定距离概念下按照若干定量变量从样本中选取与确定向量距离最短k个样本为一组，适用于初始分布和数据采集范围限制较少时，减小了以函数形式表达内容的要求。另外，knn 通过将变量在样本整体范围内分为任意多决策区间，而近似样本分布。

Tametal将之用于信用风险分析，取马氏距离，从流动性、盈利性、资本质量角度选出的19 个变量指标，对样本分类，经比较其分类结果的准确性不如lda、lg 以及神经网络。原因在于在同样的样本容量下，若对具体问题的确存在特定的参数模型并可能找出时，非参数方法不及参数模型效率高。

7．层次分析法（AHP）

该方法强调人的思维判断在决策过程中的作用，通过一定模式使决策思维过程规范化，它适用于定性与定量因素相结合、特别是定性因素起主导作用的问题，企业信用等级综合评价就是这种定性因素起主导作用的问题。AHP 法的基本步骤是：建立递阶层次结构，构造判断矩阵，求此矩阵的最大特征根及其对应的特征向量，确定权重，并进行一致性检验。

8．其他方法

此外还存在着其他众多的方法：probit 法、因子－logistic法、模糊数学方法、混沌法及突变级数法、灰关联熵、主成分分析综合打分法、主成分分析与理想点的结合方法、原蚁群算法、数据包络判别法等等。关于这些方法的应用，将在后面的实证部分进行探讨。

20世纪80年代以来，受债务危机的影响，各国银行普遍重视对信用风险的管理和防范，工程化的思维和技术逐渐被运用于信用风险管理的领域，产生了一系列成功的信用风险量化管理模型。现代信用风险的计量模型按其计量的风险层次分为三种类型：一是单个交易对手或发行人的计量模型，二是资产组合层次的计量模型，三是衍生工具的计量模型。

交易对手或发行人层次的计量模型

（一）基于期权定价技术的风险计量模型。

Merton发现银行以折现方式发放一笔面值为d的贷款所得到的支付和卖出一份执行价格d的看跌期权所得到的支付相等。因此有风险贷款的价值就相当于一个面值为d 的无违约风险贷款的价值加上一个空头卖权。贷款的卖权价值取决于5个变量，即企业资产的市场价值、企业资产的市场价值的波动性、贴现贷款的面值、贷款的剩余期限以及无风险利率。

基于企业的市场价值和其波动性的不可观测性，1995 年美国KMV公司开发了KMV模型，该模型又称为预期违约概率模型( expected default frequency，简称edf )，模型使用企业股权的市场价值和资产的市场价值之间的结构性关系来计算企业资产的市场价值；使用企业资产的波动性和企业股权的波动性之间的结构关系来计算企业资产的波动性，同时统计在一定标准差水平上的公司在一年内破产的比例，以此来衡量具有同样标准差的公司的违约概率。

该模型是实际中应用最为广泛的信用风险模型之一。该模型理论依据在很多方面与Black-Scholes (1973)，Merton(1974)以及Hull和White（1995）的期权定价方法相似。其基本思想是，当公司的价值下降至一定水平时，企业就会对其债务违约。根据有关分析，KMV发现违约最频繁的分界点在公司价值等于流动负债±长期负债的50%时。有了公司在未来时刻的预期价值及此时的违约点，就可以确定公司价值下降百分之多少时即达到违约点。要达到违约点资产价值须下降的百分比对资产价值标准差的倍数称为违约距离。违约距离=（资产的预期价值－违约点）/资产的预期价值×资产值的波动性。该方法具有比较充分的理论基础，特别适用于上市公司信用风险。

KMV模型的优点在于其将违约与公司特征而不是公司的初始信用等级联系在一起，使其对债务人质量的变化更加敏感；同时，它通过股票价格来测算上市公司的预期违约概率，因而市场信息也能被反映在模型当中，使其具有一定的前瞻性，模型的预测能力较强；并且，由于该模型使用的变量都是市场驱动的，表现出更大的时变性，因此持有期的选择比信用度量术模型更加灵活。

（二）基于风险价值var的信用度量模型。

var是指在正常的市场条件和给定的置信水平上，用于评估和计量金融资产在一定时期内可能遭受的最大价值损失。在计算金融工具的市场风险的var时，关键的输入变量是金融资产的市场价格和波动性。由于贷款缺乏流动性， 因此贷款的市场价值和波动性不能观测。

JP Morgan（1997）银行开发了信用度量制（credit metrics™） 系统，该系统解决了诸如贷款和私募等非交易性资产的估值和风险计算。该方法基于借款人的信用评级、信用转移矩阵、违约贷款的回收率、债券市场上的信用风险价差计算出贷款的市场价值及其波动性，推断个别贷款或组合的var，从而对贷款和非交易资产进行估价和信用风险评价。

信用度量制模型的优点在于其第一次将信用等级转移、违约率、违约回收率、违约相关性纳入了一个统一的框架来度量信用风险。该模型适用于商业信用、债券、贷款、贷款承诺、信用证、以及市场工具（互换、远期等）等信贷资产组合的风险计量。但该模型在应用中存在以下问题：违约率直接取自历史数据平均值，但实证研究表明，违约率与宏观经济状况有直接关系，并非固定不变，假定资产收益服从正态分布，但实证研究表明实际分布多呈现厚尾特征；关于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的假设有待验证方法计算结果对于这一假定的敏感性很高。

（三）基于保险精算的creditrisk +系统。

Credit Suisse First Boston(CSFB，1997)银行开发的信用风险附加（creditrisk +）系统的主导思想源于保险精算学，即损失决定于灾害发生的频率和灾害发生时造成的损失或破坏程度，它不分析违约的原因，而且该模型也只针对违约风险而不涉及转移风险，特别适于对含有大量中小规模贷款的贷款组合信用风险分析。

该方法基于这样一些假设：贷款组合中任何单项贷款发生违约与否是随机的；每项贷款发生违约的可能性是独立的，因而这个方法假设贷款组合中单项贷款的违约概率分布服从Possion分布。信用风险附加模型的优点在于，它只要求有限的输入数据，基本上只有贷款组合中各组的贷款违约率、违约率波动率和风险暴露，因此贷款损失很容易计算。

（四）以宏观模拟为基础建立的Creditportfolio View系统。

该信用组合观点系统由mckinsey公司开发（Wilson，1997），它是一个违约风险的宏观经济模拟系统。由于商业周期因素影响违约的概率，麦肯锡公司将周期性的因素纳入计量模型中，该系统在credit metrics的基础上，对周期性因素进行了处理，将评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量之间的关系方法化，并通过Monte Carlo法模拟周期性因素的“冲击”来测定评级转移概率的变化，分析宏观经济形势变化与信用违约概率及转移概率的关系，进而分析不同行业或部门不同信用级别的借款人的信用风险程度。

该模型的优点在于其将各种影响违约概率和信用等级变化的宏观因素纳入了自己的体系之中，并且给出了具体的损失分布，能够刻画回收率的不确定性和因国家风险带来的损失；对所有的风险暴露都采用盯市法，更适用于对单个债务人和一组债务人进行信用风险度量。其主要适用于对对宏观经济因素变化敏感的投机级债务人的信用风险度量。

资产组合层次的计量模型

现代资产组合理论（MPT）表明适当地利用资产之间的相关关系可以有效地降低风险并改善资产组合的风险－收益状况。然而流动性很差的贷款和债券组合存在着收益的非正态性、收益和相关系数的不可观测性等问题，这使得资产组合理论不能简单地运用这些组合中去。收益的非正态性使得基于两矩（均值和方差） 而构建的资产组合理论只有增加偏度和峰度两矩才能较好地进行描述。历史价格和交易数据的缺乏造成了使用历史的时间序列数据计算收益率、方差以及收益之间的协方差和相关系数变得极为困难。资产组合层次的信用风险计量模型正是通过克服这些问题而发展起来的。这类模型大体上可以分为两大类：一类是寻求计算证券组合的全部风险－收益的交替关系，如KMV的资产组合管理模型；另一类是集中风险维度和组合的var计算，如Creditmetrics资产组合模型。

衍生工具的信用风险计量模型

衍生工具可以可分为利率衍生工具和信用衍生工具。前者按其风险－收益特性可以分为对称性衍生工具，主要是指远期、期货和互换，而期权属于非对称性衍生工具，其风险－收益特征表现出典型的非线性。而后者主要通过采用分解和组合技术改变资产的整体风险特征，如信用互换、信用期权以及信用远期等。

衍生工具的信用风险与表内业务存在许多区别。首先，合约的无违约价值对交易对手而言必须为负值；其次，交易对手一定处于财务困境之中；再次，在任一违约概率水平上，衍生工具结算一般采取轧差方式，其违约遭受的损失往往低于同等金额的贷款违约的损失；最后，银行和其他金融机构都是用其它许多机制来降低违约的概率和损失。鉴于此，研究者相继提出许多计量模型，但主要集中在互换和期权两类衍生工具上。

信用衍生产品的定价是信用风险管理研究领域的难点问题。学术界和实务界主要有三类定价信用衍生产品的方法：基于保险理论的定价，基于复制技术的定价和基于随机模型的定价。在基于保险理论的定价方法中，保险公司承担了投保人的信用风险，因而必须得到一定的保险费作为补偿。这种定价方法是一种基于保险公司历史违约数据库的统计方法，应用范围很窄，只能对存在历史违约数据的信用衍生产品提供保险。而基于复制技术的定价需要逐一确定投资组合中所有头寸的价值，对于结构复杂的信用衍生产品来说，这种技术很难实现。基于随机模型的定价是主流方向，其中强度模型和混合模型的应用十分广泛。