爱华网文/章 彰 在中国，如何遏制商业银行短期扩张的冲动一直是监管机构、社会公众、银行的利益相关者关心的话题。 历史实践证明，由于银行资本扩张的速度往往滞后于资产扩张的速度，扩张什么样的资产，按照什么标准扩张资产，在缺乏风险控制的客观依据和清晰标准的情况下，从众心理往往会占据主动。而银行资本充足率层面的约束是事后的和被动的，如何有效地实施事前的主动性风险管理，并在事后循环不断地检验主动性风险管理的效果是新协议乃至此次金融危机最值得反思的内容之一。 从“不良率”监控向管理“违约率及损失率”转变 在银行内部，实现事前的主动性风险管理必须依赖一套客观评价的、可量化并可持续检验的风险判断标准。其中，客观评价意味着评价风险高低的标准主要依赖银行获得的债务人客观信息及债务人准入后债项的偿还信息进行的，主观判断应以客观事实为基本依据；而可量化意味着风险可以通过模型或统计技术进行度量；可持续检验则要求银行通过循环往复的过程不断证明这些量化标准的客观性、保守性及正确性。在这个循环往复的过程中，如果银行的风险量化标准是客观的，能有效对信用状况好的债务人和信用状况差的债务人，损失小的债项和损失大的债项进行区分，那么以长时间、大样本进行持续检验，理想状态下，违约率高的债务人一定是那些事先信用评级较低（接近违约级别）的债务人，损失率高的债项一定是那些事先信用评级较低（赋予较高损失级别）的债项。 尽管“不良率”仍是判断银行业资产质量通用的指标，但很明显它属于判断银行风险管理效果的事后指标，而且以年计算的不良资产率与当年资产总量扩张速度有直接的关系。实践中的一个悖论是，只要当年资产规模扩张速度超过当年的不良资产增长速度，不良率指标总是下降的。与不良率指标相比，新协议倡导的违约率和损失率在客观性上有更明显的优点。 首先，认定资产是否列入不良资产，是对债务人第一还款来源和第二还款来源综合判断的结果。即使是债务人还款出现困难，考虑到第二还款来源能够覆盖债务的本金和利息，仍可以不将其作为不良资产。而违约率认定的基本标准以本金或利息是否逾期90天这一客观事实为依据，排除了违约的技术性因素，如果债务人逾期90天，不考虑第二还款因素（抵押品等），都会作为违约来对待。损失率是违约债项发生的实际经济损失与此笔债项风险暴露（Exposure At Default）之比，考虑到债务人从违约到银行形成实际损失需要一段时间，而且每笔违约债项最终损失率大小和有关清偿的法律规定、银行内部清收或重组政策和程序、债务人配合程度等因素均有关系，个案情况可能非常不同。损失率将从违约到清收结束期间的各种成本，如资金成本、风险成本、管理成本等，采用考虑了“风险溢价因素”的折扣率，对全部清收案例造成的经济损失逐笔进行测算。与同时期形成的账面损失率相比，它能更加真实地反映银行的全部损失状况。 从“定性判断为主”向“定量测算为主”过渡 不良率指标是不良资产状况的一个综合反映，而违约率及损失率将这个综合指标分解得更清楚，代表着风险管理的精细化程度进一步提高。更重要的是，以违约率与损失率为依据，可以建立起相对应的违约概率和损失概率这两个事前主动性风险管理的指标。事前的主动性风险管理要求事前管理违约，同时也要求事前管理损失。没有预测违约概率和损失概率的模型，很难系统性地实现事前管理。为此，需要银行建立起相关的计量模型，进行事前的估计和防范。 当银行内部建立起不同类型的风险计量模型，如评价金融机构违约风险的模型，评价公司客户违约风险的模型，评价住宅按揭贷款违约风险、损失风险的模型等，一个随之而来的问题是如何评价这些模型的好坏。 按照国际惯例，以事后收集到的违约及损失的相关信息，评价模型的辨别能力、稳定程度和准确程度。 就辨别能力而言，实践中需要区分低违约组合和其他组合。低违约组合最大的特点是银行缺少违约数据，即使是很长一段时间内也没有可以在统计上认可的、足够的违约案例对模型的辨别能力进行区分，典型的低违约组合包括银行对主权国家及同业的授信组合（如银行、证券公司、保险公司、大型企业等）。在没有违约发生的条件下，没有足够的信息认可模型的表现。极个别的违约案例发生可能是个偶然结果。检验低违约组合的表现是全球银行业面临的难题。换句话说，在技术上银行对低违约组合违约风险的管理是无能为力的，只能听天由命，但由于历史证明发生违约和损失的可能性很低，不需要过于紧张。对于其他非低违约组合，国际通用的模型辨别能力检验指标完全可以发现模型区分好坏债务人的能力。对中国银行业而言，最实际的问题是如何保证检验过程中取到的违约数据没有遗漏，是全部经过评级的违约案例，知道违约之前最新的内部评级结果。这对于客观判断模型表现非常关键。由于统计指标对违约案例的个数和违约前内部评级的级别非常敏感，不能保证违约数据没有重大遗漏，检验的结果就要打折扣。 就稳定程度而言，包括两重含义。第一重含义是模型适用的客户群是否稳定，是否在一个阶段后发生了明显的变化；第二重含义是模型表现是否稳定，是否在一个阶段后判断模型辨别能力的指标出现了大幅恶化。模型开发有特定的样本，理论上只有模型针对与开发样本风险特征一致的客户群才能有效。即便如此，也可能由于评级模型在人为判断因素上的差异导致一个阶段和另一个阶段出现明显分别。由于零售客户数量众多，国际活跃银行使用样本稳定指数（population stability index）作为判断开发客户群和新的客户群是否出现明显差异的指标。超过一定阈值，则认为与开发模型使用的客户群样本相比，新客户群已出现明显差异，这种差异有可能导致模型辨别能力或准确程度出现恶化。对于模型本身的稳定性，一般会比较两个不同时间点上模型的辨别能力指标或精确度指标，并设定一定的标准。 用违约率和损失率对违约概率和损失概率进行可持续检验是实现信用风险管理科学化最重要的工作之一。通过长时间、持续地观察预测值与实际值的差别大小，对量化的效果进行反复证明是对模型建立信心的基础。值得注意的是，由于受经济周期因素的影响或模型设计上的影响，在不同的时期或检验的不同时间段，统计指标表现差异可能非常明显，银行内部需要积累经验，确定何时认为模型稳定性出现重大问题，必须重新开发。常见的情况是由于预测值的过于保守而导致不准确，不能通过模型的准确程度测试。遇到这样的情况，可以考虑通过重新调校模型（recalibration）来实现保守性和准确性的平衡。 从“债务人承债能力”向“预期损失波动”转变
中国银行业在风险管理实践中的一个难题是，容易控制单一风险限额，而难以判断组合风险限额。比如一个地区、一个行业或某类产品到底将限额设置在什么水平，在市场情况出现变化时能否突破这些限额，突破多少，在没有组合限额量化基础的前提下，授信决策很难避免随意性。银行往往以债务人自身的债务承受能力作为确定单一风险限额的依据，如果银行之间限额信息及限额使用状况不能动态地共享，对公认的好的债务人就会出现银行之间激烈竞争，甚至是恶性竞争的情况，难以控制对客户的过度授信。 随着债务人违约概率和违约损失概率的引入，单一债务人的预期损失完全可以度量，但在初始阶段，银行并不能确定债务人预期损失的客观性如何。也没有预期损失的波动性数据，以此设定的限额只能作为参考。但随着违约概率和违约损失概率的广泛应用，只要能证明违约概率、违约损失概率、违约暴露的估计值是保守的（意味着对单一债务人的预期损失估计也是保守的），并且根据实际情况，调整波动幅度在可控制的合理范围内。由于单一债务人预期损失可以累加，从下至上的累加单一债务人的预期损失，可以知道行业或地区组合的预期损失总额，考虑银行的风险偏好，可以设定初始的风险限额并动态调整，积累足够的数据后，逐步过渡到以组合预期损失的波动性设定限额。 以“风险参数估计值的保守性和准确性”判断“资本充足率的保守性和准确性” 实施事前主动性风险管理需要的风险参数主要包括违约概率、违约损失概率、违约暴露。这些参数一方面用于识别债务人和债项的潜在风险，另一方面也用于资本充足率的计算，于是这些风险参数估计值的精确程度就和资本充足率的准确程度紧密地联系在一起。 评判风险参数估计值优劣有两个最关键的要求，较低要求是保守性，较高要求是在满足保守性前提下的精确性。由于风险参数估计值和银行的历史数据质量有关，同时模型开发人员的保守倾向也使得模型参数估计值偏向保守，由此导致实践中风险参数保守性标准比较容易得到满足，但精确性标准很难达到。即便是香港的主要银行，在实施内部评级法的初期阶段，风险参数的估计值也因为过度保守而丧失了准确性。 就违约概率而言，每年至少要求根据实际的违约状况，通过一定置信度下的二项式检验（binomial test），检验银行赋予的每个级别债务人的违约概率是否保守，而通过一定置信度下的卡方检验（Chi-square test），检验各个级别债务人的违约概率是否准确。 就违约损失概率而言，用于计算监管资本使用的是衰退时期的违约损失概率（downturn LGD），而用于定价的是平均的违约损失概率。由于违约概率的预测代表未来一年内债务人不能履约的可能性，因此常见的做法是观测各个级别债务人在一年内实际违约率，以此作为模型保守程度和准确程度的证明。但由于违约到清收结束的时间很长，清收过程中收回的现金流需要逐笔计算，在检验时间点上可能清收结束的数据非常有限，对预测的违约损失概率是否准确难以得出一个客观结论。换句话说，一个时点上逐笔清收案例计算出的实际违约损失率和另一个时点上计算出的实际违约损失率相差可能很大，无法保证违约损失概率预测值的稳定性，这也是全球银行业违约损失概率模型的表现远不如违约概率模型的原因之一。为了消除数据不足导致的偏差，监管机构往往要求银行将预测的违约损失概率与同类型债项至少五年的实际发生的违约损失率平均数进行比较，以保证估计值的保守性。 衰退条件下的违约暴露也会纳入监管资本的计算。估计违约暴露的模型需要区分不同授信产品的特征。当经济衰退时期，有些产品，如透支，违约暴露会比正常时期有所增加。对绝大部分的产品，在银行控制手段得力的前提下，从违约前一年到真正违约时点这一年的时间里，违约暴露会呈现逐步下降的趋势。这些数据是计算信用转换系数（credit conversion factor）的基础。针对某些特殊的产品（如衍生工具），在经济衰退时到底比正常状况下违约暴露增加多少，尤其是流动性发生枯竭时，会发生怎样的情形。在技术上具有更大的复杂性，预测值的准确性是非常大的挑战。 违约概率、违约损失概率、违约暴露的保守程度和准确程度直接影响监管资本的计算是否较为保守和准确地反映出银行承担的风险，及风险参数预测值能否用于定价。从监管机构的角度看，保守性要求是第一位的，只要银行能证明风险参数估计值足够保守，由此计算出的监管资本水平就可以接受。但过于保守导致的不准确对银行有很大的负面影响，由于计算出的预期损失及“弥补预期损失需要的价格水平”脱离市场竞争状况，在内部评级法实施初期，风险参数的估计值可能根本无法用于定价。 以特殊案例判断模型的适用对象及优劣 任何模型都是对实践经验的抽象和总结，任何模型也都会有先天的缺陷，即使是在模型开发完毕，经过用户测试，投入正式使用以后。除了定期检验模型的辨别能力、稳定程度和准确程度以外，银行还需要查看模型不适用的特殊案例，以此来判断模型的使用对象是否恰当，是否有明显的缺陷。 开发模型时都会确定模型的适用对象，但使用模型后，往往会发现有些原本认为适用模型的对象并不特别适用。中国不同类型企业债务人特征的差异性非常可能导致这种情况的发生。而这种情况一旦发生意味着对模型开发时选择的分类方法（segmentation）构成挑战。实践中，评级推翻（override）是判断模型优劣的一个重要参考指标，一般情况下评级推翻模型结果超过了全部评级数量的10%，则需要认真研究是否在模型设计方面存在一定的改善空间。 （作者为中银香港风险管理部副总经理、模型验证主管）
