信用風險加成模型之相關文獻探討

Crouhy,Galai及Mark（2000）有關信用風險模型的比較文章中，介紹近年來在信

用風險上盛行的四個模型：JP.Morgan的CreditMetrics、Moody‘s KMV的KMV法、CSFB 提出的CreditRisk⁺以及McKinsey提出的CreditPortfolioView。其中Crouhy等人除了對 於KMV法和CreditMetrics兩個方法了做詳盡的介紹外，也介紹了此兩種模型在信用風 險衡量方面的相關應用；但對於CreditRisk⁺及CreditPortfolioView方面則只做了方法的 介紹，無提及風險衡量之應用。而Gordy（2000）則是對CreditMetrics和CreditRisk⁺加 以比較，認為這兩個模型雖然表面上看起來截然不同，但它們所用的數學結構是類似 的，也因此，Gordy提出了一個新的比較基準點，讓這兩個模型彼此是可以相互映像

（mapping）比較；且Gordy認為衡量結果的不一致主要是來自於違約機率分配假設及 其函數形式上的差異。除了機率結構的比較之外，其強調考慮全部信用評等轉換狀態 的CreditMetrics 包 含 較 寬 廣 的 信 用 風 險 觀 念 ， 而 只 考 慮 有 無 違 約 兩 種 狀 態 的 CreditRisk⁺ model產生厚尾的可能性較大。並且，Gordy進一步指出，兩個模型在衡量 信用風險時，對於違約機率的波動性皆有很高的敏感度。當違約機率的標準差提高兩 倍時，機構需計提的資本會增加兩到三倍。

Gordy（2002），為了改進CSFB提出的CreditRisk⁺模型內所用的Panjer遞迴演算 法的不足，Gordy提出了比Panjer遞迴演算法更穩健的方法，它是建立在cdf(cumulant generating function)的觀念上，經由鞍點逼近法（Saddlepoint Approximation）直接估 算CreditRisk⁺的損失分配。該方法無需將貸款的資產暴險額或損失的嚴重性湊成整數 和劃分區段，而是在計算中直接使用違約的損失值，因此在信用風險的計算上較優於 Panjer遞迴演算法，且有效地避免捨入誤差。且當我們使用較高階的程式語言進行運 算時，運算速度仍然十分快速而有效率。

Mario（2004）提出利用快速傅立葉轉換（Fast Fourier Transform），可以更精確 且 快 速 的 計 算 損 失 分 配 函 數 ； 文 章 中 首 先 先 介 紹 機 率 生 成 函 數 、 遞 迴 關 係 以 及 CreditRisk⁺的應用。並且透過一些淺顯易懂例子，解釋在實務面如何藉由CreditRisk⁺使 用遞迴關係，讓研究者更明瞭CreditRisk⁺的運算過程。

實證文獻方面，Balzarotti（2004），認為新興國家的經濟情勢很容易變動的，且 和工業國家相比，其資產風險會有更多的相關性存在。因此Balzarotti針對阿根廷信貸 局的歷史資料來討論在實務上CreditRisk⁺如何衡量信用風險，說明需要的資料型態及 參數設定與選擇，經由CreditRisk⁺求得的損失分配提列各項準備金，且由實證過程中 發現：違約機率的波動度越大，非預期損失變動的幅度會大於期望損失；除此之外，

Balzarott亦利用相同資料模擬 Basel II 所規定的IRB漸近法，並比較用CreditRisk⁺模

擬和IRB做出來的結果有無差異。分析IRB漸近法應如何被重新校準，最後討論在新 興市場中，其他關於IRB執行的其他議題。

國內張永吉（2005）利用國內某家公營銀行授信資料與台灣經濟新報資料庫內相 關信用風險進行研究，以2004年一月一日起公開發行公司七年內平均累積違約機率之 第一年違約機率作為估算各信用等級的違約機率，採用CreditRisk⁺模型幫助金融機構 估計經濟資本與授信損失所需計提的各類信用準備；該研究風險期間為2004年一年，

總計樣本為90家，依序將90位客戶資料區分為9個信用等級組合，再以區間計算方式 取得各組織預期債權損失，進而估算出投資組合之預期損失金額為12,190百萬元；非 預期違約損失（99.5％損失水準）金額為35,116百萬元；經濟資本為22,926百萬元；

年度信用準備為6,475百萬元；附加信用準備上限（即99.5％損失水準）為35116百萬 元。