基于Copula函数CreditMetrics模型改进与应用研究

发布时间：2020-11-06 14:21

　　 信用风险是商业银行面临的主要风险之一,随着当代金融危机的频繁出现,作为金融领域中心环节的商业银行,其风险管理重点已逐渐从传统的资产负债管理向以风险计量和风险优化为核心的全面风险管理过度。信用风险管理作为全面风险管理的重要组成部分,已越来越受到国际金融界的关注。我国商业银行信用风险的管理还主要停留在定性分析的基础上,与国际领先水平尚有一定的差距,鉴于此,本文借鉴国内外研究和应用的一些成果,并结合我国商业银行的具体特征,尝试引入量化信用风险管理方法。 本文从风险管理理论的发展进程出发,借助《巴塞尔新资本协议》以最低资本要求、监管部门监督检查与市场约束三大支柱为核心的内容,引出全面风险管理对商业银行信用风险量化的要求,进而通过信用风险分类和四种传统信用风险管理方法的介绍,分析我国当下商业银行在这一方面的现状,并指出当代信用风险模型的发展趋势。 在模型借鉴方面,本文以计算原理、分类标准、数据可得性与市场成熟度等作为主要参考指标,遵照巴塞尔委员会对于商业银行使用内部评级法时需要建立信用计量模型和相关技术程序的要求,分别对其推荐的CreditMetrics、KMV、Credit Portfolio View、CreditRisk+四种模型作了详细的比较研究与适用性分析,提出现阶段,CreditMetrics模型较之其他三种,更适用于我国商业银行信用风险管理。 通过CreditMetrics基本框架与输入参数的介绍,讨论了模型实施中的不足之处与改进的途径。本文选择引入Copula函数对模型相关性模块进行改进,使其具有更好的灵活性和操作性。鉴于数据的特点,文章选取了多种二元二参量Copula函数进行模拟。除此以外,结合我国金融市场实际发展的状况,文中对CreditMetrics模型的输入参数做了调整,包括违约损失率、信用转移矩阵和远期收益率曲线。 文章选取具体银行信贷数据作为实证研究的对象,应用改进后的CreditMetrics模型对单笔贷款与贷款组合分别作了实证研究,求出风险价值,并对未经Copula改进的结果进行了比较,指出改进模型在商业银行信用风险管理上的优势,并对我国商业银行量化信用风险管理提出了建议。 综上所述,本文从CreditMetrics模型在我国的可行性、模型测量信用风险的整体框架,模型的参数改进,Copula函数的选择和引入,模型的具体应用以及我国商业银行量化信用风险配套措施等几个方面进行了深入分析,以期为我国商业银行量化信用风险管理做出有益的探索。
【学位单位】：中国海洋大学
【学位级别】：硕士
【学位年份】：2011
【中图分类】：F832.33;F224
【文章目录】：
摘要
Abstract
0. 引言
    0.1 选题背景及研究意义
    0.2 国内外研究现状
        0.2.1 国外研究现状
        0.2.2 国内研究现状
    0.3 论文内容与研究方法
        0.3.1 论文主要内容
        0.3.2 论文研究方法
    0.4 论文创新之处
1 商业银行信用风险管理相关理论
    1.1 商业银行风险管理理论发展
    1.2 巴塞尔Ⅱ的主要内容与影响
        1.2.1 巴塞尔Ⅱ的三大支柱
        1.2.2 巴塞尔Ⅱ的影响
    1.3 全面风险管理理论
    1.4 信用风险管理
        1.4.1 信用风险
        1.4.2 传统的信用风险管理方法
2 现代信用风险模型及其比较分析
    2.1 模型介绍
        2.1.1 CreditMetrics 模型
        2.1.2 KMV 模型
        2.1.3 Credit Portfolio View 模型
        2.1.4 CreditRisk+模型
    2.2 模型的比较
3 我国商业银行选取信用风险管理模型参考因素
    3.1 我国商业银行信用风险模型的选取
    3.2 CreditMetrics 模型的基本框架
    3.3 CreditMetrics 模型的参数
    3.4 CreditMetrics 模型的不足之处
4 基于 Copula 函数对 CreditMetrics 模型的改进
    4.1 CreditMetrics 模型改进的途径
    4.2 Copula 函数的性质与选取
        4.2.1 Copula 函数的定义
        4.2.2 常见的Copula 函数
        4.2.3 基于Copula 函数的相关性测度
        4.2.4 Copula 函数的选取
    4.3 分析中使用的方法与环境
        4.3.1 蒙特卡洛模拟法与cholesky 分解
        4.3.2 R 软件与MATLAB 环境
    4.4 针对我国实际情况对数据的调整
        4.4.1 违约损失率的调整
        4.4.2 信用转移矩阵的调整
        4.4.3 远期收益率曲线的调整
        4.4.4 资产相关系数的调整
5 基于 CreditMetrics 模型的实证分析
    5.1 数据来源与假设条件
    5.2 应用改进后的 CreditMetrics 模型的 VaR 计算
        5.2.1 单笔贷款的VaR 计算
        5.2.2 资产组合的VaR 计算
    5.3 实证研究结论
    5.4 我国商业银行量化信用风险管理建议
    5.5 观点总结
    5.6 本文局限
参考文献
致谢
个人简介
发表的学术论文

【引证文献】

相关硕士学位论文 前1条

1 陈伶俐;信用风险模型的分析与蒙特卡洛模拟[D];西南财经大学;2012年

本文编号：2873254