现代经济信息
一、引言意识形态广告
信用的发展至今已有将近200年的历史，由于最近的金融危机和欧洲债务危机，信用风险评估已成为金融风险管理的一个日益重要的领域。在金融危机的余波中，评级机构由于潜在的利益冲突和缺乏透明度等原因备受瞩目。信用评级提供了一个衡量发行人履行其财务义务的能力和意愿的途径，当实施一个信用评级时，评级机构需要考虑到发行人及发行的具体因素，宏观经济和市场因素，以及监管和法律因素。对于广泛的利益相关者体，如投资者和监管机构，这些评价是至关重要的。由信用评级机构对国家主权、企业债券和金融机构等的评级可被视为能为投资者提供这些受评主体的财务状况是否存在问题和信用风险信息的工具，信用评级机构通过提供公司在财务状况存在问题的信息方便了资本配置。因此信用评级机构总体上应该是公正的，因为他们不仅有利于减少投资者与公司间的不对称信息，同时也起到了灵活监督的功能。 此外，评级是一系列有序的措施，它不仅应反映目前受评对象的财务状况，也应能提供他们未来财务状况的信息。目前在预测债券评级时有大量的研究使用了多元判别分析、排序选择模型、非参数技术和混合方法预测来预测债券评级或者违约预测。信用风险评估模型对于金融机构越来越重要，尤其是对授信机构制定正确的授信决策至关重要。在金融机构贷款组合的扩展中，信用评估实践中较小的精度提高的 潜在利益都是巨大的，即使能让信用评估准确性增加百分之一，也有可能是一个重大的成就。模型化评级过程中的主要问题是增加正确分等级的可能性。多数预测模型已经成功地应用于其他一些领域，包括金融方面用来对信用评级的预测、小型企业违约预测、建立消费者信用记分卡和在波动性预测中等被广泛应用。目前国外已有研究可以分为两大主线：第一个是试图确定信用评级工作可靠性的研究为代表，第二个主要集中于信用预测模型的研究。
二、评级可靠性研究
ungelivable
信用评级机构实施评级时对受评主体提供的“真实”信用状况的能力已遭到大量质疑，既然评级工作是回顾之前而不是展望未来就可能提供误导性信息，此外，由于信息不对称性，评级机构不具备也不可能拥有对于市场参与者不确定性和公司资不抵债等的优质信息。比如信用评级机构都没有预测到20世纪90年代末的亚洲金融危机、评级机构对欧元区国家每一次的降级都加重了欧债危机的程度等。常见信用评级可靠性争论之一是没有明确保证使得信用评级机构能够评估信用风险好于银行内部评级。另一个争论认为，信用评级机构对国家主权或者公司企业使用的外部评级方法是不透明的方法。Amato和 Furfine[1]分析了对于商业周期的信用评级分配用以测试信用评级机构是否顺周期的假说，认为信用评级应该是基于周期评级理论基础上实施的，而不是依据在信用状况方面的短期波动。评级机构之间是存在不一致的，早前研究通过分别分析美国和日本的金融公司和非金融公司，证实了美国金融公司的评级分配明显不一致，在这种情况下，指定评级较高的非财务公司具有类似的违约风险。其另一项
关于评级不一致的研究认为美国银行比美国非银行企业拥有更高的投机级别的年度违约率。Morgan[2]试图使用logit回归来出由两个独立评级机构实施的银行评级中产生的决定性因素，Morgan的工作是出于银行外部的银行方面固有的不透明性，包括信用评级机构评估由本身不透明的银行承担的风险。Galil[3]测试了企业信用评级的质量，结果明确地证实了使用公开可用的信息有利于评级的实施。然而，评级违约风险比只使用公共信息提供了优质的信息。Iannotta[4]通过分析评级机构间的分歧研究了银行的不透明性，其得出的结论认为，如果模型考虑到风险和其他问题特性，那么将会有更少的银行分等级问题，而且分等级的概率会更高；其还认为次级债券更容易受制于评级机构间的分歧。三、评级预测模型研究概述
第二条实证研究的主线是集中在评级预测模型上。评级是定序测量、等级测量，不仅应该反映目前主权国家、企业、银行等的财政状况，而且还应提供他们的未来财务状况信息。这样的研究涉及到用于财务稳健和债券评级预测方面的方法论应用。最近的实证研究有两组最为代表：第一组是例如采用最小二乘法(OLS)、多元判别分析(MDA)、有序线性概率模型(OLPM)以及有序线性logit模型等的统计技术；第二组是采用人工智能的方法，特别是机器学习技术，如神经网络(NN)，支持向量机(SVM)和其他基于内核的技术。
实证研究中采用统计模型来预测债券评级可以追溯到20世纪60年代，最小二乘法(OLS)在预测中较为盛行，与此同时大量学者应用多元判别分析(MDA)来预测债券评级，Altman 和Katz[5]应用logistic回归
和概率的混合模型进行信用预测，得到了较好预期效果。Kamstra等[6]应用有序Logit回归相结合的方法从不同的个体的预测来预测债券评级，通过使用穆迪的债券评级服务将他们的方法应用在交通运输和工业部门债券上。
此后人工智能技术，尤其是神经网络和支持向量机，已被应用于预测领域。相比标准次序选择模型，运用支持向量机能显著地预测银行信用。神经网络具有训练快捷、易于掌握、结构相对简单等优点，便于商业银行及时调整，以适应借款人集合的即时变化。Kim[7]使用非参数化技术旨在捕获输入和输出变量之间的动态关系。Huang等[8]证实，人工智能方法相比标准的选择排序方法并不能提供优质的债券评级预测。Stjepan等将带有遗传算法和人工神经网络的混合系统应用到零售业信用风险评估，证实其技术明显优于其他技术，并能评估没有实体存在的客户的信用。
多维视觉训练>悬崖边的贵族四、结语石家庄东方城市广场
我国信用评级起步较晚，但是随着经济全球化的加速进行、我国改革开放的发展以及我国市场经济的进一步深化，为了维护正常的市场经济秩序，防范信用风险，借鉴与应用国外优秀评级理论与方法，建立适应我国经济发展要求的信用评级方法与监管机制，对我国乃至世界经济的健康发展有着重要的意义。
参考文献：
水月料理[1] J.D. Amato, C.H. Furfine. Are Credit Ratings Procyclical? [J].
国外信用评级理论进展综述
朱晓刚 北京化工大学经济管理学院
摘要：本文首先阐述了当前信用评级的发展现状和遇到的问题，然后分别从信用评级稳定性研究与信用预测模型研究两条主线对近些
年国外主要信用评级理论进行了概述，通过分析得出对我国信用评级发展具有借鉴价值。
关键词：信用评级；评级理论；评级预测
中图分类号：F831 文献标识码：A 文章编号：1001-828X（2013）07-0276-01
（下转第282页）
276
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议