我在美联储监管银行-第7章
按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
信用风险模型的参数一般量化为以下几个主要变量。
1。 风险敞口（exposure） 如果是传统的定期贷款的话，那么，贷款额便是风险敞口变量。但事情并非都如此简单，有些贷款含有期权，比如周转信贷（revolving credit），银行提供的信用额度，企业不一定要去用，或用完。但如果企业发生资金周转危机了，这笔信用额度就要被启动，而且可能都用完。如何模拟这类贷款的不确定风险敞口，便众口不一。
2。 信用评级（credit rating） 这是针对具体企业的评级，同评级相对应的是企业降级倒闭的风险概率。比如，根据标普（SandP）评级公司的统计数据，一企业的信用评级若今年为A，则明年降为B的可能性是0。24％，一年内破产的可能性为0。02％。五年、十年的评级变化，都有数据。
3。 违约损失率（loss given default） 这是估计万一借款企业违约或倒闭了，银行能收回多少资金，损失多少贷款。这个指标是针对具体贷款而言（facility），而非针对具体企业或债务人（pany or obligor）。若一贷款有抵押品作担保，则其损失的比率要比没有抵押品的低。
4。 相关系数（correlation） 这是指一笔贷款与其他贷款的互动性，用来衡量整个资产组合的信用风险。若资产之间的相关系数高，互动性强，则共同损失的可能性大，整个资产组合的总风险就大；反之，若相关程度低，资产之间就更有可能独立运行，不会同步下滑，那整个资产组合的总风险就小。
5。 违约倒闭模式（default…mode paradigm）或按市定价模式（mark…to…market paradigm） 一般模型都只计算企业违约所带来的风险和损失，只要企业没倒闭，潜在价值就不变。但更精确的市场化的做法是连市场信用风险波动都算在里面。即便企业没有倒闭，但因为它的信誉下跌，信用级别下降，或纯粹市场信用点差（credit spread）指数上升，资产价值也会下降。比如，一笔金额为1亿美元的10年贷款，给信用级别A的企业，如果该企业的信用级别降为B，则该贷款的价值就不值1亿美元，其中的差额就是信用点差损失。这是所谓的按市定价的计算法。
6。 解析法（analytical）或模拟法（simulation） 这是如何将上述单变量汇总起来，算出整个资产组合的信用风险，即概率密度函数的方法。解析法简单易行，运算速度快，事先假定风险密度函数的具体方程式，代入各种变量，便信手可得各类风险值。模拟法不需要引入诸如风险密度函数方程式等关键假设，计算机模拟自然给出整个资产组合的风险状况，信息量充分，能进行各类运算，使信用风险模型做到最理想化的运用，缺点是计算时间长，容易受到计算机功能的限制。
所有信用风险模型都仰赖于大量数据，充斥着许多参数和假设。同市场风险模型相比，它有两大弱势。一是数据不够大量、充分、可信。历史上没有频繁发生的信用违约和倒闭事件，致使上述几大量化的数据很难证实其可靠性。而市场风险模型依赖的是每天市场的上下波动，有相当充足的数据库。其二，信用风险模型的损失区间（loss horizon）或持有期通常定为一年，而不同于市场风险模型的1天（或政策规定的10天）。这样的话，市场风险模型一年就有250个样本点，可以用来做回溯检验（backtesting），以验证模型的可靠有效性。而信用风险模型要做回溯检验，则需要几十年，甚至上百年的数据点，这是不现实、没有意义的任务。不能做回溯检验这点，特别让监管部门忐忑不安，难以给信用风险模型寄予一定信任度。
从长远角度来看，信用风险模型非常有用、大有潜力，对于更合理、更有效地管理银行，有着重大作用和意义（这里不做具体描述）。随着模型的成熟、信息的推广和数据库的丰富，信用风险模型的广泛运用只是时间问题，而非是否问题。
信用风险模型采样和评估
我和Jennifer开始这个项目的第一步是深入基层，采集样本，弄懂弄通信用风险的变量和模型，回来向Christine及其他政策要员汇报，向他们提供精确反馈。也就是说，我们是他们的视线和触角（eyes and ears），为他们提供第一手原始资料。
我们研究的第一个样本是由摩根银行内部一个小组发展出来的《信贷算法》（CreditMetrics），是专门销售给外界用的计算机软件（摩根银行本身并不用此软件）。该软件编写小组后来从摩根银行分离出去，自成一公司。《信贷算法》的技术文件（technical document）非常权威，写得清晰流畅，把最复杂的统计知识、理论术语，用最浅显易懂的语言表述出来。《信贷算法》堪称信用风险模型的经典教科书，我本人就是从读这些技术文件开始，弄懂信用风险模型的基本框架，知道它想做什么、派什么用场，有些什么基本要素。这是摩根银行继推出它用于计算市场风险的经典《风险算法》（RiskMetrics）后，对金融界的又一重大贡献。
如果说摩根是风险管理模型的前驱者，一点都不为过。它不仅免费出版这类教育性、权威性的技术文件，还在银行管理中推行风险意识，推动现代化管理。它的总裁当时很前卫，每天早上阅读报表时，尤其关注风险价值（VaR）之类的风险指标，领导银行界新潮流。在摩根的带动下，其他银行也纷纷效仿，一时间，VaR概念深入人心，再伴之以监管部门诸如《市场风险补充案》的新规章新制度，风险管理行业欣欣向荣，造就了一大批新的银行专业人士。
《信贷算法》从理论上讲，是一个非常先进完美、精致漂亮的模型，用的是最前卫的按市定价模式，计算机模拟法也为模型提供很大的灵活性，减少诸多假设的约束。只可惜信贷方面的数据不多也不牢靠，信贷事件也不常见，所以模型再完美，若数据不过关，也只是废物进、废物出（garbage in，garbage out），最后的结果没人采信。该模型的计算机模拟方法，同时也是它的明显弱点：耗时费力，需要计算机运转一个晚上才能得出结果，而且计算机的顺利运行还难以保证。我们当时的感觉是银行内部采用的信用风险模型，肯定要简单实用得多，会更适合银行本身的经营特色。
当时在纽约联储，摩根银行（J。P。 Morgan and Co。）和大通曼哈顿银行（Chase Manhattan Corp，简称大通）是辖内两家最大的银行，拥有一流的资产、产品、技术和人才，被经常用来作比较。这两家的文化、理念，及随之而来的产品、业务相当不同。摩根崇尚的是高、精、尖，向来以追求〃第一流〃（first…class）为己任。它的企业客户大都是美国信用评级高、实力雄厚、财富500榜上有名的公司厂家，它的私人客户也是高收入、高资产（high net…worth）的富人群，非平民百姓所及。确实，它的产品业务，都向着领导行业新潮流的方向看齐，〃不鸣则已，一鸣惊人〃，它在银行界有着许多划时代意义的突破和建树。美国名校的毕业生，冲着它显赫的历史、傲人的声望，都争先恐后想去镀层金，为能被冠以〃摩根〃的招牌而孜孜不倦。摩根也有非常优秀的培训项目，招募了名校毕业生后，集中强化培训，使文化、理念、知识、业务整齐划一，〃更上一层楼〃。这样，年复一年，周而复始，摩根也为华尔街输送了一批又一批的人才。从摩根跳槽去其他金融机构的，一般都能在职位和薪酬上有一大飞跃。
20世纪90年代初，摩根开始由商业银行向投资银行方向大幅度转型，也得到美联储的特批，经手了几大证券和债券的发行，为打破商业银行和投资银行的壁垒作铺垫。但它毕竟是商业银行出身，做投资银行业务的资源和火候未到，再加上一些丑闻，一直经营不善、问题连连。按华尔街的说法，摩根是桌上的肉（meat on the table） 有待瓜分吞并。摩根曾有意同Sandy Weill领导的旅行者集团合并（第三章〃花旗集团的合并评估及20世纪美国银行法的变革〃具体描述了旅行者集团同花旗银行1998年合并，组成世界上资产最雄厚的花旗集团的案例），但谈判到最后阶段破裂了，据称还是摩根的傲气使然。到了2000年，摩根宣布同大通合并，组成与花旗集团不相上下、势均力敌的摩根大通集团。虽然依然沿用摩根的响亮招牌，但事实上，两者的合并，更大程度上，是大通把摩根给吞并了。
相比之下，大通是属于大众型、普及型银行，埋头务实，兢兢业业地专注着创造财富，经营效果一直比较平稳健康。一直坚守着商业银行的老本行，尽管也从事证券债券发行业务，但没有大幅度转向跌宕起伏的投资银行业务。摩根和大通的差别，在它们所用的市场风险模型上也〃管中窥豹，可见一斑〃。摩根起初用的是精致先进的计算机模拟法，费事耗时；大通的很实在，用的是简约的但也被监管机构接受的历史模拟法。几年后，摩根也摒弃了它的计算机模拟法，转向使用大通式的历史模拟法。
我们去银行采样的第一站是大通银行。负责接待我们的是一位董事总经理（managing director），信用风险模型方面的专家，曾在二月份纽约联储会议上作过关于大通的信用风险模型的报告。当时他的报告仅半个小时，只能介绍概况。现在则不同，我们要亲自调查、详细了解每个细节的来龙去脉。这位董事总经理对我们的来路、意图一清二楚，大通是修改巴塞尔I的积极倡导者、游说者，对我们此行自然大加欢迎，竭力配合。我们也就毋庸赘述，单刀直入，第一次见面的时候向他要了很多数据和资料。按规定，银行对监管部门必须采取全面披露（full disclosure）的政策，我们需要什么，他们就应该提供什么，不能有丝毫隐瞒。好在我们此行是政策调研，而非银行检查，所以接待我们的人员比较放松自如，畅所欲言。有时候，我们还会讨论一些信用风险模型以外的银行经营和政策法规的议题。
与大通银行几个来回后，我们对它的整个信用风险模型的体系和结构有了全面了解。因为银行资料的保密性质，我这里不便细谈。我们接下来的任务是将模型所设计的所有变量和假设都汇总归类，一一分析 数据的来源、变量的可靠性、假设的合理性等，及模型在大通的实际运用。洋洋洒洒写了近二十页翔实全面的报告。
我所作的特别贡献是花了两三页纸的篇幅，采用逆转工程术（reverse engineering），用一个数字实例，代入大通的假设、公式和模型，步步验证，最后得到与大通同样的结论。这个实例，倒是让我绞尽了脑汁。开始的时候，数据怎么都对不上号，同那位董事总经理几个来回下来，还是不得要领。紧张状况升级之际，那位董事总经理 〃突然〃想起来，说他们在正规模型的基础上，又加了些随意参数！
大通曼哈顿银行位于Park街的总部大楼
这份报告是监管系统第一份银行调研报告，把银行业的泛泛而谈同具体的模型操作紧密联系起来。我们回头在向Christine等纽约联储的政策官员汇报大通银行模型的时候，他们都认为这份报告具体深刻，非常有价值，把很多问题的真髓都揭露出来了。他们中大多数是经济学博士，有较强的数理功底，那个数字实例也言简意赅、恰到好处，他们从中可以对一个银行的模型有透彻的了解。
在此期间，我们还经常同研制信用风险模型的软件公司打交道，了解它们的软件产品、研究成果和实际操作。软件公司的产品一般都比较新潮时尚、考虑周全，聚集了最优秀的商业和学术界人士进行开发，否则就难以吸引买主。这其中较为著名的有KMV，Cats，CreditRisk ，CreditPortfolioView。它们都竭力同监管机构搞好关系，为我们提供资料信息，为我们的计算机装上软件进行测试。如果我们能让某一模型作为标准，或其中某一参数作为标准，它们便会客户不断、商机无限了。
这其中，KMV是由三位著名教授创立的公司，KMV是他们三个人姓的第一个字母的组合。KMV的信用风险模型称为Portfolio Manager（组合管理），他们还曾派专员来纽约联储和华盛顿美联储总部作介绍。但它最热门、最先驱的产品是用于信用评级的Credit Monitor （信用监控），用先进的期权理论来及时模拟公司的资金运行，从而快速预测公司违约倒闭的风险。许多银行都购买了Credit Monitor作参考。KMV有许多保密的学术论文和研究资料，都送给我们拜读。KMV最后被它的竞争对手 穆迪评级公司（Moody's）给高价买去了。Cats的总设计师也曾是加州大学洛杉矶分校的一位教授，CreditRisk 是由瑞士银行（Credit Swiss First Boston）发展出来的，CreditPortfolioView 是由麦肯锡咨询公司（McKinsey）发展出来的。
到了八月份去摩根银行调研的时候，时间一下子变得非常紧迫。BIS银行监管委员会这时出了一份调查问卷表（questionnaire），要求各大监管机构，对所属大银行所采用的信用风险模型进行调研，填写问卷表，汇总到BIS，再由BIS公布问卷结果，并商讨下一步的行动方案。我们当时曾经协助BIS设计这份问卷表，用我们掌握的知识（当时也可能就是我们所掌握的信息量最大、最全面）把该要考虑的信用风险模型的要素都列总出来，用最浅显的语言把模型设计的不同方法都归纳进去。最后定型的问卷表与我们提议的相差不大，这可能也与当时在BIS主管这项工作的要员就是纽约联储派去的有关。但我们没想到的是，这份问卷表要得这么急，给我们的截止期限这么短，我们虽有大通银行的资料，但却少了另一大旗舰单位 摩根银行的资料。
摩根内部所用的信用风险模型，与他们外销的《信贷算法》并不一致，这点我们早在二月份纽约联储开会的时候就已知道，当时这两个组都来作关于它们模型的描述。但根据摩根向来在模型设计上前卫的传统，我们预计它的内部模型不会简单，得费时耗力。由于时间紧迫，我们当时要求领导人物临时从纽约联储的研究部门挖了一个能文能武、有理论有技术的经济学家来协助我们完成工作。
果不出所料，摩根的模型不是一般的复杂，而是相当的复杂，我们费了很多周折。究其原因主要有两点：一是它的模型本身就很复杂。摩根总是想方设法囊括所有能囊括进去的参数，把模型做得精致细腻。这样做的目的，无非是为了得出较为精确的结果，使模型在运用于信贷定价和资本金配置时，让业务部门心悦诚服，不会产生过多的非议和指责。但这样做的必然结果是模型变得相当复杂，环环相套，盘根错节，不容易一下子看懂看穿。第二个，也是更重要的原因，是它没有完整的技术文件来说明模型的来龙去脉。因为这是摩根的内部模型，不需要像外销产品那样，有详细清晰的说明书，更何况它几经修改，几拨工作人员前赴后继，最终的模型可能与前几轮的模型大相径庭，即便有个别说明文件，也语言简单、文字晦涩、数字符号一大堆，恍恍乎，不知其所以然。我们也就只能跟着折腾来折腾去，想方设法从现成的资料里琢磨出个原委。
经过几周的加班加点、冥思苦想，还有与摩根的几轮来回，我们最后总算恍然大悟，弄清了它的来龙去脉。因为赶着要给巴塞尔交问卷表�
