金融领域常用风险模型

1. 金融领域常用风险模型

现金流折现模型测试基于对未来现金流入的预测确定单笔金融资产损失准备。通常对单笔金额资产逐笔进行DCF测试，通过测试时点预计与金融资产相关的未来各期现金流入，并按照一定的折现率折现加总，获得金融资产未来现金流入的现值，账面金额与现值的差额，即为该笔金融资产应该计提的损失。
  
 预测现金流，以客户或单笔金融资产维度，对未来借款人、担保人的还款情况，以及抵质押物或借款的自有资产的处置变现情况进行预测，确定可以用户偿还债务的现金流。
  
 计算贴现现值，运用未来现金流折现计算，以原贷款合同利率为贴现率，以预计收回时间和当前时间的差值为折现期间，得到未来现金流的现值。
  
 最后将贷款现值低于贷款账面原值的部分，作为损失准备金额。
  
 现金流折现的方式有多种，常见的：借款人经营现金流、担保人代偿产生的现金流、抵质押物处置变现、查封财产处置变现。
  
 迁移模型测试首先将金融资产进行合理分组（银行常采用五级分类或信用等级分组），在组合层面按照资产迁徙情况确定金融资产损失准备。迁移测试将金融资产划分为具有相同信用风险特征的若干组合，再分别测算组合中每一级次资产向下迁移的迁移率及损失率，并将测试时点各级次金融资产余额与对应的损失率相乘，从而得到各级次金融资产应计提的损失准备。
  
 计算损失率的公式为：
                                          
 M为使用迁移模型计算损失率的级次数量，N为直接确定损失率的级次数量；M+N为全部级次数量;P为金融资产由i级次下迁到j级次的迁移率；Li为i级次贷款拨备率。
  
 滚动率模型和迁移模型相似，组合层面计算金融资产在不同风险类别之间的滚动率和损失率。滚动率模型通常按照逾期天数对贷款进行类别划分，每一类别的贷款在经过一期后只能向下滚动一期。通常信用卡采用滚动率模型。
  
 IFRS9新准则规定，逾期信用损失，指以发生违约的风险为权重的金融工具信用损失的加权平均值。
  
 信用损失，指企业按照原实际利率折现的，根据合同应收的所有合同现金流量与预期收取的所有现金流量之间的差额，即全部现金短缺的现值。
  
 预期信用损失通常是各现金流差额折现后的概率加权的预测，即根据违约风险的大小进行加权平均后的信用损失，预期信用损失的计算主要包括关键要素有：
  
 PD违约概率
  
 LGD违约损失率
  
 EAD违约风险暴露
  
 Rate折现率
  
 LifeTime存续期
  
 预期信用损失ECL=PD*LGD*EAD  (PD分为累积PD和边际PD，利用边际PD计算通常要对各期的预期损失加总)

2. FRM干货：常用的金融风险的模型有哪些

金融市场的一项主要功能实际上是允许经济界的不同参与者交易其风险，而近二十年来，由于受经济全球化和金融一体化、现代金融理论及信息技术、金融创新等因素的影响，全球金融市场迅猛发展，金融市场呈现出前所未有的波动性，金融机构面临着日趋严重的金融风险。
近年来频繁发生的金融危机造成的严重后果充分说明了这一点。

一、波动性方法
自从1952年Markowitz提出了基于方差为风险的*3资产组合选择理论后，方差（均方差）就成了一种极具影响力的经典的金融风险度量。方差计算简便，易于使用，而且已经有了相当成熟的理论。当然，波动性方法也存在以下缺点：
（1）把收益高于均值部分的偏差也计入风险，这可能大家很难接受；
（2）以收益均值作为回报基准，也与事实不符；
（3）只考虑平均偏差，不适合用来描述小概率事件发生所导致的巨大损失，而金融市场中的“稀少事件”产生的极端风险才是金融风险的真正所在。
二、VaR模型（Value at Risk）
风险价值模型产生于1994年，比较正规的定义是：在正常市场条件下和一定的置信水平a上，测算出在给定的时间段内预期发生的最坏情况的损失大小X。在数学上的严格定义如下：设X是描述证券组合损失的随机变量，F(x)是其概率分布函数，置信水平为a，则：VaR(a)=-inf{x|F(x)≥a}。该模型在证券组合损失X符合正态分布，组合中的证券数量不发生变化时，可以比较有效的控制组合的风险。
因此，2001年的巴塞耳委员会指定VaR模型作为银行标准的风险度量工具。但是VaR模型只关心超过VaR值的频率，而不关心超过VaR值的损失分布情况，且在处理损失符合非正态分布（如厚尾现象）及投资组合发生改变时表现不稳定。
三、灵敏度分析法
灵敏度方法是对风险的线性度量，它测定市场因子的变化与证券组合价值变化的关系。对于市场因子的特定变化量，通过这关系种变化关系可得到证券组合价值的变化量。针对不同的金融产品有不同的灵敏度。比如：在固定收入市场的久期，在股票市场的“β”，在衍生工具市场“δ”等。灵敏度方法由于其简单直观而得到广泛的应用但是它有如下的缺陷：
（1）只有在市场因子变化很小时，这种近似关系才与现实相符，是一种局部性测量方法；
（2）对产品类型的高度依赖性；
（3）不稳定性。如股票的“贝塔”系数存在不稳定的缺陷，用其衡量风险，有很大的争议；
（4）相对性。敏感度只是相对的比例概念，并没有回答损失到底有多大。
四、一致性风险度量模型（Coherentmeasure of risk）
Artzner et al.（1997）提出了一致性风险度量模型，认为一个完美的风险度量模型必须满足下面的约束条件：
（1）单调性；
（2）次可加性；
（3）正齐次性；
（4）平移不变性。
次可加性条件保证了组合的风险小于等于构成组合的每个部分风险的和，这一条件与我们进行分散性投资可以降低非系统风险相一致，是一个风险度量模型应具有的重要的属性，在实际中如银行的资本金确定和*3化组合确定中也具有重要的意义。目前一致性风险度量模型有：
（1）CVaR模型（Condition Value at Risk）：条件风险价值（CVaR）模型是指在正常市场条件下和一定的置信水平a上，测算出在给定的时间段内损失超过VaRa的条件期望值。CVaR模型在一定程度上克服了VaR模型的缺点不仅考虑了超过VaR值的频率，而且考虑了超过VaR值损失的条件期望，有效的改善了VaR模型在处理损失分布的后尾现象时存在的问题。当证券组合损失的密度函数是连续函数时，CVaR模型是一个一致性风险度量模型，具有次可加性，但当证券组合损失的密度函数不是连续函数时，CVaR模型不再是一致性风险度量模型，即CVaR模型不是广义的一致性风险度量模型，需要进行一定的改进。
（2）ES模型（Expected Shortfall）：ES模型是在CVaR基础上的改进版，它是一致性风险度量模型。如果损失X的密度函数是连续的，则ES模型的结果与CVaR模型的结果相同；如果损失X的密度函数是不连续的，则两个模型计算出来的结果有一定差异。
（3）DRM模型（Distortion Risk-Measure）：DRM通过一个测度变换得到一类新的风险度量指标。DRM模型包含了诸如VaR、CVaR等风险度量指标，它是一类更广义的风险度量指标。
（4）谱风险测度：2002年，Acerbi对ES进行了推广，提出了谱风险测度（Spectral Risk Measure）的概念，并证明了它是一致性风险度量。但是该测度实际计算的难度很大，维数过高时，即使转化成线性规划问题，计算也相当困难。
五、信息熵方法
由不确定性把信息熵与风险联系在一起引起了众多学者的研究兴趣，例如Maasoumi，Ebrahim，Massoumi and Racine，Reesor.R等分别从熵的不同角度考虑了风险的度量，熵是关于概率的一个单调函数，非负，计算量相对较少，熵越大风险越大。
六、未来的发展趋势
近年来行为金融学逐渐兴起，它将心理学的研究成果引入到标准金融理论的研究，弥补了标准金融理论中存在的一些缺陷，将投资心理纳入到证券投资风险度量，提出了两者基于行为金融的认知风险度量方法，并讨论了认知风险与传统度量方差的关系。2004年Murali Rao给出一种新的不确定性度量--累积剩余熵。累积剩余熵是用分布函数替换了Shannon熵的概率分布律或密度函数，它具有一些良好的数学性质，这个定义推广了Shannon熵的概念让离散随机变量和连续随机变量的熵合二为一，也许会将风险度量的研究推向一个新的台阶。
总之，金融风险的度量对资产投资组合、资产业绩评价、风险控制等方面有着十分重要的意义。针对不同的风险源、风险管理目标，产生了不同的风险度量方法，它们各有利弊，反映了风险的不同特征和不同侧面。在风险管理的实践中，只有综合不同的风险度量方法，从各个不同的角度去度量风险，才能更好地识别和控制风险，这也是未来风险度量的发展趋势。