三、美国信用评级机构的信用模型

1、美国信用评级机构的信用模型概述

除了Z模型和默顿模型以外，针对单个企业的信用评估模型的文献报道比较少。这主要有两方面的原因。一是这类模型大都是国内外金融机构的商业秘密，一般都不对外公布。另一个原因是这类模型由于本章第四节中提到的原因，在国外金融领域实际用得比较少，或只为评级起参考作用。

然而美国两大信用评级机构标准普尔和穆迪投资者服务公司凭借其自身强大的企业信息数据库和遍布世界的网络，都建立了自主知识产权的企业信用评估模型。标准普尔公司在1999年推出其企业信用评估模型CreditModel(信用模型)，穆迪投资者服务公司也在2000年推出其针对非上市公司的评估模型RiskCalc(风险计量)。这两个模型的共同特点是都建立在企业财务数据基础上的模型，而标准普尔的CreditModel子模型还考虑了行业特征信息。

为了提高模型的适用性和针对性，CreditModel由二十几个子模型组成，分别适用于不同的行业和地区。目前这些子模型覆盖的区域包括北美、日本和西欧国家的工商企业。CreditModel主要适用于销售收入超过5000万美元的较大公司(包括上市和非上市公司)。而穆迪公司的RiskCalc模型也包含适用于澳大利亚、英国、法国、日本、韩国等多个国家的子模型。RiskCalc主要适用于非上市的中小型企业，例如针对北美的RiskCalc子模型在研制时，其样本空间有70%以上的企业年销售收入介于100万和6400万美元之间。

虽然美国信用评级机构都相继推出了自己开发的评估模型，但其结果与信用评级机构分析师们得出的等级有重大区别。信用评级机构给出的等级反映的是被评级企业整体的信用风险，而信用模型给出的分数(及映射出来的等级)并不代表评级机构的观点，虽然两者有一定的较高的关联度。这是因为模型输入参数不可能包括专家所考虑的所有变量因素，因此模型评出的结果只是对信用等级的一种“估算”，并采用不同常规的信用等级符号表示。另外，信用评级机构既可以对债务人，也可以对债项进行评级。而模型就只能对债务人进行评级。

2、模型变量的选取

信用模型的核心是变量的选取和权重比例的确定。然而信用评级机构的研究证实选取能够预测未来风险的财务变量比权重比例更为重要。建立在神经网络技术上的CreditModel放弃了采用固定权重比例的模式，而是模仿一个分析师的思维方式，即每一个输入变量到底占多大权重取决于企业的其它财务数据。模型从整体上考虑所有的输入变量，按其对模型结果的重要性依次排序，就是说即使是同一个模型，不同企业会有不同指标权重比例。另一方面，建立在由商业银行提供的大量财务报表和统计分析技术上的RiskCalc模型则采用相对固定的权重比例。

面对几百个可供选用的财务指标数据，美国信用评级机构都采取了“精选指标”的方法。这是因为如果模型的输入变量数目过于庞大，往往会造成对测试样本空间的数据有效、而一旦走出样本空间回到现实世界就失效的后果。另外在选用模型的输入变量时一般都采用比率指标，而不用绝对数值。比如说，同一数额的净利润对一个小公司和一个大的集团公司就有着完全不同的意义。结果最后决定一个企业信用分数(等级)的往往就只剩下几个财务比率及反映企业经营规模的一个绝对指标。

虽然对于不同国家，模型选用的变量会有所不同，但是信用模型都会从企业的现金流量、盈利能力、公司规模大小等这些存在共性的方面去考察企业的违约可能性。下面就举一个典型的选取财务指标的例子。这个模型共从7方面(共7个指标)去考察企业的违约风险：现金流债务覆盖率、资产负债率、留存收益、利润率、企业规模、运营效率和资产的流动性。其中前三个比率所占权重比例最大。模型根据以上的财务指标计算一个中间变量，未调整的违约率。然后从一个对应表(这个表其实就是模型的函数)中查处出企业的1年期和5年期“预期违约频率”。这个预期的违约率然后再用一个表格映射到评级公司的信用等级中去。

四、单个信用资产风险模型的应用

单个信用资产风险模型的结果可以运用到如下的几个方面：

1、信贷资产的监控：用模型对整个银行的贷款进行“扫描”，可以及时发现资产中的潜在的“危险资产”，为后续的人工干预和进一步的分析作好准备。

2、贷款决策和定价：信用等级和违约率的输出结果可以为贷款决策和定价起参考作用。

3、资本金准备/资本充足率：银行监管当局可以用这类这些比较公正、客观的模型来衡量银行的资本充足率。

4、资产证券化：某些银行试图剥离部分资产，通过资产证券化的方式将其资产出让给感兴趣的投资方。在投资者购买这些资产之前，可以用模型对整个出让的资产进行监测，为资产证券化提供依据和保证。

以上这些应用可以让我们能够得到独立、公正、客观的资产质量信息(包括违约率信息)，并且将各类资产进行比较，对资产进行分类。