简述商业银行风险的特征(整理2篇)
简述商业银行风险的特征范文篇1
“互联网金融”无疑是今年以来金融界最火的词，究竟什么是互联网金融，在互联网技术日新月异，已经渗透到众多传统行业的今天，互联网金融给传统的商业银行带来什么样的影响，是革命，还是运用新技术对金融业的改造？本文将结合三个案例：阿里小贷、P2P融资、余额宝来逐一分析对于传统银行的影响。
【关键词】
互联网金融；P2P融资；阿里小贷、余额宝
1互联网金融的定义
什么是互联网金融？要弄清楚互联网金融，首先要明晰金融的定义，广义的金融泛指一切与信用货币的发行、保管、兑换、结算、融通有关的经济活动；狭义的金融，一般指货币的融通，所谓货币融通，是指资金在各个市场主体之间的融通转移的过程。本文取狭义的金融，也就是说，资金融通依托互联网来实现的方式方法都可以称之为互联网金融。
互联网金融对于商业银行的影响，先讨论下传统商业银行的业务范围，按资金的来源和运用将其划分为资产业务、负债业务、中间业务（表外业务）三大类。负债业务是形成银行资金来源的业务，资金来源主要包括存款、借入款和银行资本等，其中存款是负债资金的核心来源。资产业务是指银行运用其吸收的资金，从事各种信用活动，以获取利润的行为，主要包括放款业务和投资业务。中间业务是商业银行利用其在机构、技术、资金、信誉和住处等方面的优势，提供一些服务性的业务与之配合。
对于流行的互联网金融的观点，针对传统银行的业务进行了简化拆分，一个是信贷类的互联网金融，带有风险特征，核心是风险的管控；一个是非信贷类的互联网金融，不带有风险特征，主要是做渠道，对应商业银行的中间业务和表外业务。
本文将对当前互联网金融的三个典型案例阿里小贷、P2P融资、余额宝分别进行分析，讨论对商业银行的冲击。
2阿里小额贷款
阿里小额贷款是阿里金融为阿里巴巴会员提供的一款纯信用贷款产品，（简称“阿里小贷”）。阿里小额贷款具有无抵押、无担保、网上作业、审批快捷等特征。基于阿里巴巴平台交易数据积累，利用互联网大数据技术，通过大规模运算和风险模型设计，有效降低运作成本。阿里巴巴通过将自身网络内的客户的一系列有利于进行风险判别的数据例如交易数据，客户评价度数据、口碑评价、货运数据、认证信息等进行量化处理，同时引入一些外部数据，例如海关数据、税务、电力、水力等方面的数据情况加以匹配，从而形成了一套独特的风控标准，意图建立起纯粹的定量化的贷款发放模型。同时由于信贷资金的流向以及客户上下游在阿里生态是全程可监控的，也就极大程度上控制了风险。
根据相关资料显示，“阿里金融的统计数据显示，截至2012年末，阿里金融累计借贷的小微企业数超过20万户，这些企业全年平均占用资金时长为123天，实际付出年化利率成本为6.7%。以日息为万分之五的订单贷款产品为例，2012年所有客户平均全年使用订单贷款30次，平均每次使用4天，以此计算客户全年的实际融资利率成本仅为6%，仅相当于一年期贷款的基准利率。与此同时，其不良贷款率仅为0.9%。阿里金融总裁胡晓明也曾对外公开透露，创新金融单笔小微信贷操作成本为2.3元。而在银行，单笔信贷操作成本一般在2000元上下。”
基于此很多人开始认为阿里小贷极大的冲击了现有的银行体系，优越性远胜于银行，担心阿里小贷再做下去，会让传统商业银行寝食难安。其实大可不必，阿里小贷相对于传统商业银行具有两个明显的核心特征：一是阿里小贷依托于阿里生态系统，所有的交易数据的积累都是来源于阿里生态，也就限定了贷款对象必须是阿里生态的客户，阿里小微贷的目标服务是3年内为100万家客户服务，这相对于全国的4000多万家小微企业来说，也不过是四十分之一，阿里生态的客户只占整个社会的用户的极小部分。阿里小贷的定位是作为配套而存在，建设和完善整个生态体系，也就受限于阿里生态的整体规模。所以相对于整个社会的贷款融资规模，仅仅是沧海一粟。而一旦脱离阿里生态系统，阿里小贷的数据优势将不复存在，模型不再适用，也就和传统银行站到了同一起跑线。二是不能吸储。只能通过注册资本进行放款，即便可以通过金融机构借款等方式可以借入不超过注册资本的2倍资金，受制于资金来源，规模无法做大。而传统银行可以通过吸储等多重方式补充资金，通过借贷杠杆，可以放贷多倍于自身本金的规模。上述两点也就注定了阿里小贷不是个大规模社会应用，不会对传统商业银行的信贷业务造成冲击。
3P2P融资
P2P融资，是Peer-to-Peerlending，是点对点信贷的简称，或者称为称个人对个人信贷，在央行的相关文件里，称为人人贷。从定义上来看，是典型的直接融资模式。以前个人借款都是通过中介来实现，存款汇集到银行，然后银行统一放款，P2P则改变了这种方式，借助P2P融资平台，出借人可以自行将钱出借给在平台上的其他人，而平台则通过制定各种交易制度来确保放款人更好的将钱借给借款人，同时还会提供一系列服务性质的工作，帮助更好的进行借款管理。所有的制度和服务其实都是围绕着如何更好的搭建平台以吸引更多的人参与交易作为基础性特征的。P2P平台地位相对独立，作为管理方，只提供各种有利于交易双方交易的服务，不参与交易行为，也不能对交易双方有倾向性意见，更不可以作为借款方式里的一个主体。借款的最终决定权，在出资人自己手里。出资人自己根据平台所设定的一系列交易制度作为基础，独立判断出资行为，同时承担出资后的后果。P2P平台利用优秀的交易制度和交易服务来吸引出资人进入到这个平台。
那么P2P融资平台能从多大程度上取代银行这个中介，取决于能够做大到什么规模。在没有互联网之前，民间借贷已经延续了千年，由于信息的不对称及风险控制的专业性，借贷关系只存在于熟人之间，规模有限，后来逐渐发展了典当等专业中介机构，也就是现在银行的雏形，近代以来，通过利用统计学的规律和风险控制技术日渐专业，银行一步步发展到今天这个规模。P2P虽然会要求披露相关信息，但存在道德风险，无法从根本上解决信息不对称这一特征，同时，由于信用是贷款的基石，陌生人之间本身就缺乏信任，于是国内一些P2P平台机构，将自己的信用加入其中，例如设置了出资人的保本条款，甚至还设定了保息条款，把中介服务机构收取的无风险收入变成了风险收入，成了事实上的担保平台，这种带有信用附加的风险收入行为，背离了P2P平台的初衷，而且由于引入了风险，给平台的生存带来极大的不确定因素。更有甚者，建立资金池，进行期限错配，具有鲜明的影子银行特征，这是金融监管所不允许的。
可以看出，P2P融资并没有根本性的解决信息对称问题，也并没有创新风控技术有效降低风险，注定是一个小众范畴，不会对传统商业银行信贷造成影响。
4余额宝
余额宝由国内第三方支付平台支付宝打造的一项全新的余额增值服务，通过余额宝，用户在支付宝网站内可以直接购买基金等理财产品，获得相对较高的收益，同时余额宝内的资金还能随时用于网上购物、支付宝转账等支付功能。
余额宝存在三个主体，分别为基金公司、支付宝和支付宝用户。其中，支付宝推出兼具支付和增值功能的余额宝产品，是基金买卖客户资源和第三方结算工具的提供者；天弘基金公司推出增利宝基金产品，并嵌入到余额宝中，是基金的销售者；支付宝客户通过把支付宝账户余额转入余额宝，实现对增利宝基金的购买和持有，是基金的购买者。余额宝中支付宝作为平台商，不涉及信贷风险。支付宝公司在金融产品设计上的高明之处：就是把基金销售行为定义为直销，并严格按照直销来设计业务流程，使资金和资产的所有权在转移流动过程中不会转移给支付宝公司，而且支付宝公司把从基金公司获得的收益作为支付宝提供交易平台的对价，名称上界定为“管理费”，这样就成功地规避了监管风险。
有人指出，相比于银行的活期利息，余额宝在不丧失流动性的前提下实现更高收益，会动摇银行的存款基础，甚至担心会不会造成存款搬家，这种观点无疑混淆了一个重要概念，余额宝作为投资产品，实际上是货币基金，收益并不是无风险的，参照对象并不应该是活期存款，存款有国家信用作为担保，而应该是其它货币基金。并且货币基金的风险并不确定，2008年，TheReserve的货币基金由于持有雷曼兄弟商业票据5.35亿美元，而雷曼兄弟宣布申请破产保护则导致这些投资可能血本无归，基金持有人大量赎回的压力下，TheReserve的资金流动性终于爆发了全面危机，进而不得不停止基金赎回并不断延长停止赎回期，最终坠入清盘深渊。可见，货币资金并不像宣称的那样毫无风险，而且收益的高低与基金管理人操作水平相关。
可见，支付宝此处作为一个平台商，对银行的影响并不在于存款，而在于通道业务。支付宝的目的也不在于余额宝这一款产品，而在于成为个人金融中心，互联网模式在于大用户量，做平台做通道，本身并不提供金融产品。当越来越多的一系列和普通人息息相关的金融行为，比如缴水电费、理财、保险等都可以在支付宝平台实现，支付宝就成为了事实上的个人金融中心，不仅成为消费者最大的金融通道，而且随着数据的积累，个人信用的建立，批量放贷就成为了可能。这样不仅对于银行的非信贷业务有影响，还会冲击传统银行信贷业务。但是短期来看，在支付宝成为大多数人的个人金融中心之前，支付宝作为众多渠道之一，对银行的非信贷业务冲击幅度有限。
5综述
通过上面的论述可以看出，不可否认的是互联网金融在一些细节上的创新是出色的，但动摇传统银行的业务为时尚早。对于传统的信贷业务，并没有创新新的风控技术来有效降低风险，或者应用范围有限，也没有动摇银行立行的根本，存款。对银行的影响不大，可作为传统信贷的有益补充；另一方面，对于非信贷业务，互联网金融是有潜质逐渐渗透到大众生活中，建立一种崭新的渠道，而且，互联网金融以用户为中心的思想对用户更友好，方便快捷，这也是传统银行需要借鉴的，这一方面，传统银行要引起足够的重视，关注互联网技术带来的变革，拥抱变化。
【参考文献】
[1]易纲.《货币银行学》，上海人民出版社；第1版，1999年9月1日
[2]谢平.《互联网金融模式研究》，2012年8月
简述商业银行风险的特征范文篇2
关键词：商业银行；信用风险模型；贷款风险度；改进路径
中图分类号：N830，33文献标识码：A文章编号：1002-2848-2007(03)-0065-06
一、问题的提出
现代商业银行信用风险管理已由传统的信用风险识别和违约评估发展到现代信用风险模型化阶段，由国际活跃的银行和金融机构创建和广泛应用并被巴赛尔银行业监管委员会(下称委员会)建议使用的现代信用风险模型主要有JP.Morgan(1997)的CreditMetrics、KMV(1993)的EDF(creditmoni-tor)、CSFP(1997)的CreditRisk、Mckinsey(1998)的CreditPortfolioView等模型。2004年6月公布的巴塞尔新资本协议(下称新协议)所推出的信用风险内部评级法(IRB)也是基于上述模型的适用性考虑后的折中产物。
国外对现代信用风险模型的有效性验证研究结果显示，上述模型均是有效的信用风险量化技术，并且在对不同的信用资产风险度量中具有自己独特的优势。委员会于2004年6月推出新协议提倡使用IRB管理信用风险，并推荐使用上述模型进行内部评级，可见现代信用风险模型已经在国外得到了广泛的认可和使用。
目前，我国商业银行信用风险管理水平离新协议的要求还有相当大的差距，仍停留在传统的贷款风险度衡量阶段，但银监会表示，我国商业银行应积极过渡到以IRB为代表的现代信用风险模型管理阶段。国内理论界和银行业已对IRB和现代信用风险模型进行了理论研究，并探讨了在我国的适用性和模型选择，但存在的主要缺陷是没能遵循“路径依赖”的原则，忽视了在我国商业银行现有信用风险管理模型的基础上的改进路径选择，从而提高了改进成本。本文将弥补既有研究的这一缺陷，在细致考察我国商业银行现有的信用风险管理模型的贷款风险度方法存在的不足和缺陷的基础上，将其与现代信用风险管理模型进行比较分析，从而寻找改进和构建我国商业银行信用风险管理模型的路径选择。
二、我国商业银行信用
风险管理模型：贷款风险度方法
多年来，我国商业银行的信用风险管理方法主要以定性分析与经验分析为主，定量分析和各种财务工具的运用处于次要位置。目前这种局面己经有了改进，我国商业银行初步建立起由客户信用评级法和贷款风险分类法所构成的两维评级体系为基础的贷款风险度方法。
(一)贷款风险度方法框架
目前，我国商业银行的信用风险评估管理主要采用贷款风险度方法。所谓贷款风险是指发生贷款本息损失的不确定性，其主要影响因素有：贷款对象、贷款方式、贷款期限和贷款形态。在实践中，即将交易对手企业客户划分为不同的信用等级，确定相应的风险权数，即企业客户信用等级风险系数T；再给出贷款方式的风险权数，得到贷款方式风险系数S。于是，单笔贷款风险度X可表示为：
贷款风险度X＝T×S
由上式，贷款风险度的本质是取值在0-1之间用概率表示的贷款风险程度。上式表明，X是贷款风险的量化指标，X越大，表明此项贷款面临的风险越大。实际工作中往往通过统计结果来确定贷款最佳风险度X(一般为0.4)和临界风险度X(一般为0.6)。X以下的贷款质量处于良好状态，超过X就视为高风险区。
贷款发放后就参与了企业生产资金的周转过程，也就具备了增值或亏损的可能性。人民银行的《贷款通则》规定：银行已发放的贷款资产可划分为：正常、关注、次级、可疑和损失五类，据此可确定不同贷款形态的风险系数P；再考虑不同期限贷款面临不同的风险损失，可确定贷款期限风险转换系数p，于是，在最终贷款审查和评估时，有：
贷款资产风险度L＝单笔贷款风险度×贷款形态风险系数×贷款期限风险转换系数
＝X×P×Q＝T×S×P×Q
单项贷款风险权重资产=单项贷款金额×该笔贷款资产风险度，即：
RWA＝A×L＝A×T×S×P×Q
全部贷款资产风险度＝∑贷款风险权重资产/∑贷款余额，即：
(二)我国银行业贷款风险度方法的总体判断分析
通过与国际银行业采用的现代信用风险管理模型和新协议的1RB法比较，可得出以下判断：
1、贷款风险度方法实际上低估了信用风险
贷款风险度的计算公式是根据概率论中全概率法则建立的，该法则的假设前提是各因素都应是独立无关的；然而，贷款风险度L的影响因素T,S、P均是与企业相关的内部因素，三者的含义和评估标准有重复的地方。所以贷款风险度方法并不符合严格的条件概率定义，在实际应用中低估了信用风险。因此，可以将S和P纳入，评价中去，将信用等级风险系数定义成严格意义下的条件违约概率。
2、评估方法简单化，主观性较强
贷款风险度方法以信用评级为基础。目前，我国商业银行的内部信用评级普遍采用“打分法”，这种方法的最大弊端是评级的基础是过去的财务数据，与风险预测的关联度不大。客户信用等级风险系数和贷款方式风险系数指标和权重的确定缺乏客观依据，难以反映评级对象未来的真实偿债能力。因此贷款风险度方法实际上是建立在主观因素过强的信用评级基础上的经验公式，无严格的理论基础和证明，很难有说服力。
3、无严格的理论基础，其科学性和准确性没有很强的说服力
可见，贷款风险度方法只是一个近似的加权平均，并不严格符合概率论的意义，从而，贷款风险度的计算公式所依据原理的科学性值得怀疑，其评估的准确性不能高。而国际高级信用风险模型则大都使用了联合概率分布和概率母函数的办法解决单个债务人的违约与银行整体客户违约的概率关系问题，以严格的理论为基础，其准确程度明显高于贷款风险度方法，并且可以推导包括多项贷款或其他银行业务的资产组合联合违约概率分布及损失分布，便于商业银行进行组合多样化管理。因而，我国在信用风险的评估方法中应引入严格的理论推导，以严格的理论为指导才能够保证信用风险度量及管理的准确性和有效性。
4、缺乏贷款组合风险管理功能
贷款风险度方法中仅考虑单项贷款的风险，没有考虑贷款组合和贷款集中度，缺乏贷款组合风险
管理功能。事实上，集中于某一行业的贷款违约很有可能造成银行破产，贷款组合可以降低单项贷款带来的风险；好的风险评估模型应该关注银行现有客户的分布和组合贷款风险，便于商业银行进行组合多样化管理；并且由于贷款风险度方法不能推导出PD以及LGD分布，缺乏进行组合风险VaR分析的基础，从而无法进行VaR分析。
5、评估结果不全面，且呈现静态性和波动性
贷款风险度方法仅给出贷款风险的PD测量，而没有给出LGD估计值。而在实际工作中需要对LGD进行估计。因此使得贷款风险度评估结果不全面。而且由于贷款风险度方法中所使用的指标考察期均较长，评估结果时效性差，难于应对瞬间变化的金融市场。
贷款风险度作为信用风险的评估标准本身具有波动性，即贷款风险度对信用风险的反应不固定而时大时小，具体表现为：贷款风险度对信用得分差距原本较大的贷款企业，其评估结果却一视同仁；而有时信用得分差距微小的贷款企业，其评估结果却差异很大。贷款风险度指标对信用风险的度量只是一种粗略的度量，对于相差很大的贷款企业可能做出正确判断，而对相差不大的方案，该指标很有可能会掩盖企业间的风险差异，使银行做出错误的决策。形成波动性的根源在于贷款风险度自身的“离散性”与风险的不确定性和随机性之间的矛盾(于立勇，2002)。
三、现代信用风险内部模型的分类
银行内部信用风险计量是通过对客户和债项类型风险特征的评估确定银行可能遭受的损失，进而估计经济资本(EC)。IRB法需要估计和确定的主要变量有违约概率(PD)、违约损失率(LGD)、风险暴露(EAD)、期限(M)、预期损失(EL)、意外损失(UL)和风险价值(VaR)。其中，PD、LGD、EAD、M是IRB的主要输入数据，而EL、UL和VaR是主要输出结果。新协议对信用风险资本金的确定借鉴了市场风险中计算资本金的VaR方法，而且定义VaR就是EL与UL之和。用VaR方法计算资本金时需要确定信贷资产未来价值或损失的概率密度函数(PDF)，从不同的角度考察信用风险度量模型和用不同的方法计算相关参数，就会对模型产生不同的分类，通常有如下分类方式：
1、依据模型的演绎或归纳方法
演绎模型(Top―downModels)用单个统计数据对信用风险进行分组，也就是说将许多不同来源的风险视做同质风险加总到组合的整体风险中，不考虑个别交易特征。这种方法对于所含信用笔数很多的零售信用组合比较合适，但对于公司贷款或国家贷款组合而言，就不太合适了。即使零售资产组合，演绎模型也可能隐藏着来自行业的或地理位置的特别风险。
归纳模型(Bottom-upModels)解释了每一种资产/贷款的特征。此种方法非常类似于对具有市场VaR系统特征的头寸进行结构分解。它适用于公司信用资产组合和资本市场组合。归纳模型对于采取纠正措施也是最有用的，因为可以按照其风险结构进行反向操作来修正风险曲线。
当今的信用风险模型中归纳方法占主导地位。只有CSFP的CreditRisk是对假设为同质的资产在整个等级的层次进行分析，可以被认为是top―down方法。
2、依据建模原理与分析方法
对于PD、等级转移矩阵和信用质量相关性的计算，主要有三种方法。
其一是经济计量模型方法，该方法对PD计算的根据是，PD与当前的宏观经济状况、行业和公司所处的地理位置等有关，环境的差异或宏观经济因素的变化影响了公司的资产价值，因而影响了公司的信用质量，进而使公司之间的信用质量表现出相关性。经济计量方法适用于简化式模型；其二是基于精算的方法，其基本方法是只考虑KMV的预期违约概率(EDF)有关计算，假定违约遵从随机泊松过程，应用客户的历史违约率数据预测具有类似特征的客户的EDF，在此基础上再估计相关参数，比如等级转移矩阵和相关系数。基于精算方法的参数估计具有“后顾性”(backward―looking)；其三是基于Merton期权模型的方法，把公司违约或信用质量的变化与公司资产的价值、股权、债务联系起来进行考虑。该方法利用可获得的关于公司的债务、权益的历史价值和当前市场价值以及权益价值的历史波动性估计公司资产价值的大小、变化率和波动性。进而通过期权模型确定公司的EDF和违约相关性。基于权益的方法具有“前瞻性”(forward-looking)。
CreditMetrics依据评级的历史数据统计和股权分析；KMV依据期权定价原理；CPV依据宏观经济因素调整的模拟分析；CreditRisk则依据保险精算的寿险和财险思想。
3、依据模型对风险的定义方式分类
违约模式(Default―modeModels，DM)与盯市模式(Market-to―MarketModels，MM)是银行业内普遍使用的两大类信用风险模型，其分类原则是基于对资产价值和信用损失估计方式的不同考虑。所谓信用损失是指信贷资产组合当前价值与某给定时期末的未来价值的差，当前价值往往是已知的，而未来价值是不确定的但是有一概率分布。DM模型只考虑违约与不违约两种信用状态，即只把完全的违约视为信用事件。因此，资产组合的市场价值的任何变化或信用评级的任何变动都是无关的；而MM考虑资产组合市场价值的变化和包括违约在内的信用等级的变化，公平市场价值为模型提供了对风险更好的估计。在此意义下，MM模型是DM模型的一种推广。
CreditMetrics属于MM模型；CreditRisk和KMV本质上属于DM模型，但KMV公司目前正准备提供MM版本；CPV既可被当作MM使用，也可被用做DM。
4、依据违约事件的条件概率分类
条件概率模型(ConditionalModels)中包含了宏观经济因素变动对PD的影响。即此类模型考虑了经济衰退期PD会上升。
无条件概率模型(UnconditionalModels)具有固定的PD，并且因此往往关注的是贷款者或特定因素信息。但某些环境因素的改变也允许用改变模型参数的方法来实现。
CreditMetrics是基于违约历史资料统计的结果，没有反映宏观经济因素，因此属于无条件测度；CPV、KMV以及CreditRisk分别融入了宏观经济因素以及市场价格等信息，因此属于条件测度。
5、依据违约事件的结构化和简化设定分类
这种划分的根据主要是出于对违约相关或信用等级转移相关性确定方法的考虑。在同一行业和地区的客户之间，由于信用事件(违约、信用等级转移、违约时的损失率、信用价差、风险暴露等)的变化是非独立的，即存在着相关性，在估计信用损失确定资本金时应考虑相关性。但是，实际应用中由于
数据及模拟技术的限制，通常只考虑不同客户之间违约或等级转移的相关性，而其它信用事件之间的相关性不予考虑。对相关性的估计，委员会选择了两类模型，即结构化模型(structuralmodel)与简化式模型(reduced-formmodd)。结构模型试图通过假定金融产品或经济单位的微观经济特征来解释单个客户的违约或信用质量的变化，比如资产价值和负债之间的比例关系可能决定了客户的信用质量。那些用于决定客户风险等级变化(包含违约)的随机变量称为等级转移风险因素(Migrationriskfac-tor)，在结构模型中，就是要估计或确定客户问等级转移风险因素的相关性。而简化模型则不同，它不是试图解释违约或信用等级的转移，而是选择一种统计方法并建立适当的因素模型来刻画违约或信用等级的转移现象。在简化模型中，特别假定了客户的EDF或转移矩阵与可以观察到的宏观经济活动指标或不可以观察到的随机风险因素之间存在一种函数关系，简化模型认为正是单个客户的财务状况对公共因素或相关背景因素的依赖才引起了客户之间违约率的相关性和信用等级转移之间的相关性。
CreditMetrics、KMV属于结构模型；CreditRisk与CPV属于简化模型。
6、依据违约的驱动因素分类
CreditMetrics和KMV的违约驱动因素为企业资产价值及波动性；CPV的驱动因素为宏观经济因素；CreditRisk的违约驱动因素则为违约风险平均水平及其波动性。
7、依据违约概率测度的离散性与连续性
由于金融产品的价值要受到其信用质量的影响，而对信用质量的描述变量有连续与离散之分，因此依据对金融工具信用质量变化方式的不同刻画，对金融工具在给定期限末的价值或损失的估计就有了两种可以选择的方法：一是，信用质量按离散的信用等级变化(信用评级)进行刻画，基于此的估值模型称为离散估值模型；二是，信用质量通过违约概率或违约概率密度函数按连续的方式进行刻画，基于此的估值模型称为连续型估值模型。
在以上几种模型中，CreditMetrics、CPV属于离散测度，而KMV、CreditRisk则属于连续变量测度。
四、贷款风险度方法与
现代信用风险模型的比较
从提高我国银行业信用风险管理的前瞻性角度思考问题，可行的方法是以现代信用风险管理模型为参考，改进我国现行的贷款风险度方法。将其方法与CreditMetrics、KMV、CPV、CreditRisk进行比较分析，主要特征比较如表1所示。
从比较中可以发现，与我国贷款奉献度方法在诸多特征最为接近的是CreditMetrics模型，因此，我国银行业在对此深入研究的基础上对我国现行信用风险管理模型做一改进，使其逐步向现代信用风险管理模型靠近，并满足IRB要求。
五、我国银行业现代信用风险
管理模型的改进方向及其选择
现代信用风险管理模型均具有不同的比较优势，从而也各具有不同的适用性，即：CreditMetrics和KMV适用于对公司和大的私人客户的信用风险度量；CreditRisk适用于对零售客户的信用风险度量，CPV适用于对宏观经济因素变化敏感的投资级债务人或债项如房地产贷款的信用风险度量。而我国银行业具有不同的类型和业务范围，可以选择较为适合的模型来改进自身的信用风险管理。
KMV主要用于分析发债公司的信用状况和资本市场的信用风险，其中一个基本条件是需要大量的股票市场的有效数据，适用范围受到了限制，特别适用于上市公司的信用风险评估，对非上市公司的EDF进行计算时，需要借助很多会计资料，同时还要通过对比分析手段最终得出企业的EDF，因而，计算过程复杂且结果未必准确。但由于我国股票市场历史较短，上市公司信息质量不高，股权分割等因素导致上市公司的股票价格时常背离公司的实际，进而影响对上市公司价值的准确估计，即使通过上市公司股票价格来估价公司价值，其差异也非常大：模型假定借款企业资产价值呈正态分布是不合乎实际的；模型不能够对长期债务的不同类型进行分辨。但随着我国资本市场的不断完善，资本市场作为重要的资源配置场所作用的日益增大，KMV在我国的应用条件会逐渐具备，而且随着上市公司数量的不断增加，其应用范围也会逐渐增加，并在未来的信用风险管理中发挥重要作用。
CPV和CreditRisk都涉及到宏观和行业因素。CPV是从宏观经济的角度来分析借款人的信用等级的迁移，而信用登记迁移概率在不同时期受到GDP增长率、经济周期、失业率、汇率、产业等多因素的影响。该模型的应用是以上述数据均正确为前提。由于此类数据的完整获取和精确计量在我国尚有一定的难度，再加上从方法论上看，从宏观因素的个数及其经济含意与信用等级迁移的具体函数关系尚缺乏稳定性和风险性，我国的信用风险量化处于起步阶段，还没有建立完善的数据库，因此在使用上述模型时缺乏基础条件，但随着我国宏观经济数据的不断完善，可以成为我国银行业信用风险管理的重要参考模型。
CreditMetrics适合于对各类贷款资产信用风险的分析和预测，其适用的基本条件是金融机构的内部评级体系或外部评级机构的评级结果。但由于我国信用评级制度不健全，银行内部评级制度尚处于发展阶段，外部评级机构的信用评级也是刚开始，还没有形成长期的企业评级数据库，在此情况下，该模型的应用空间受到很大限制。但我国的信用体系建设已经得到政府的高度重视，企业信用信息征集、评价机制正在不断完善，银行内部评级和外部评级机构也在不断发展，随着各项条件的具备，该模型在我国的应用前景广阔，可以作为一种基础性的信用风险管理模型。
相比之下，CreditMetrics具有两个优点：一是所计算出的Vail可以较为准确地反映不同信用等级和不同时期的贷款在未来可能发生的价值损失；二是以VaR来确定最低的风险资本量可以有效地保证银行在遭受信用风险损失的情况下能够继续生存下来。因此，CreditMetrics可较好地用于我国商业银行对信用风险进行量化和管理。
