违约概率（probability of default, PD）
目录 |
国际银行业监管的统一标准——《巴塞尔新资本协议》在2004年6月正式定稿。与1998年的协议相比，新协议的最大创新之处是提出IRB法，即允许银行采用内部数据估计风险计量参数，包括违约概率PD，违约损失率LGD，违约风险暴露EAD和有效期限M等。
在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。违约概率是计算贷款预期损失、贷款定价以及信贷组合管理的基础，因此如何准确、有效地计算违约概率对商业银行信用风险管理十分重要。
对商业银行信用风险管理而言，违约概率测度居于基础性地位，发挥着重要作用。
首先，这是进行信用风险管理的首要条件。作为测量信用风险的一种基本方法，信用评级的作用是建立在对借款人违约概率的测度基础上的。只有首先对借款人的违约概率作出科学测度，银行才能够精确地计算出预期损失的量，也才能够对客户信用状况作出客观、准确的评估，进而才能够保证商业银行信用风险管理的科学性与有效性。
其次，这是衡量不同评级体系优劣的客观标准。如果没有违约概率的测度，就难以衡量不同评级体系的优劣；如果回避严谨科学的违约概率测度，而仅仅追求评级指标体系的建设和评级方法的完善，就无法实现信用评级的现代化飞跃。违约概率测度是信用评级具备权威性和可操作性的灵魂，是衡量不同评级体系优劣的客观标准。
再次，这是提升商业银行风险管理素质的重要动力。实践经验表明，银行要成功地进行客户违约概率的测度，不仅要依托于先进统计模型和风险量化工具的科学运用，更离不开对现代商业银行经营管理规律的深入认识和科学把握，需要在管理的理念、体制、机制等方面都能够与之相适应，进而有力提升了商业银行风险管理的素质。
近年来，西方商业银行尤其是那些先进银行充分利用现代数理统计发展的最新研究成果，在客户违约概率测度上摸索出了很多方法，取得了很大的成就。综观违约概率测度的实践发展，其呈现出以下特征和趋势：从序数违约概率转向基数违约概率，违约概率的测度日臻具体化；从单个贷款的违约概率测度转向组合贷款的联合违约概率；从只考虑借款人自身的微观经济特征转向同时考虑宏观经济因素的影响；从基于历史数据的静态测度转向以预测为主的动态测度；从单一技术转向多元技术，违约概率测度的技术更加现代化和体现出多学科的交叉化，度量日趋科学化和精确化。
西方商业银行违约概率的测度方法可以概括为四大类：
1. 基于内部信用评级历史资料的测度方法，这是商业银行和评级公司根据长时间积累下来的信用等级历史资料，以历史违约概率的均值作为不同信用等级下企业对应的违约概率；
2. 基于期权定价理论的测度方法，这是美国KMV公司利用期权定价理论创立的违约概率预测模型——信用监测模型，也称KMV模型，是一种向前看的动态模型，主要适用于对公开上市公司的违约概率测度；
3. 基于保险精算的测度方法，是近几年把保险思想的工具用于估计预期违约概率；
4. 基于风险中性市场原理的测度方法，所谓风险中性市场，是指在进行资产交易的市场上，所有投资者都愿意接受从任何风险资产中得到与无风险资产的收益相同的预期收益，所有的资产价格都可以按照用无风险利率对资产预期的未来现金流量加以折现来计算。相比于历史上的转移概率，风险中性模型给出了前瞻性的违约预测。
对中国银行业来说，内部评级仅仅处于起步阶段，时间短且不规范，其中关于违约数据库、转移矩阵等方面的基础设施建设几乎空白，贷款企业信用评级更多地是用于客户的选择及风险的预警，尚未向更深层次的风险量化管理方向发展。为此，中国商业银行和评级公司应该积极创造条件，加强客户违约概率测度，以有效提升信用风险管理水平。
第一，结合巴塞尔新资本协议参考定义，科学界定企业违约概念。目前国内还没有一贯明确的企业违约标准，为了和国际标准接轨，建议中国银行业对企业的违约概念作如下界定：在一定期限内（通常为一年）企业的贷款业务中只要出现次级、可疑或损失贷款的任一种情况的，就算做违约企业。
第二，加快建立违约概率测度模型的基础设施——违约数据库。中国银行业可以通过企业财务数据过滤器的建立，对企业提交的财务报表进行真实性检验，建立合格的违约数据库，为测度违约概率打下坚实的基础。中国人民银行建立的《银行信贷登记咨询系统》为中国银行业提供了一个海量的贷款数据库的信息平台。国内银行可以此为基础，充分发挥该系统的数据资源优势，并不断完善系统信息，进而建立我国自己的违约数据库。
第三，加强违约概率测度模型的研究、开发和应用。基于中国银行业所处的经营环境，以及历史实践具有自身的特殊性，那些西方商业银行所能够应用的违约概率模型，却并不一定能够适合我国商业银行。但我们可以借鉴这些违约概率模型的测度思想、方法与过程，结合数据积累的情况实现由简单模型到复杂模型的过渡。比如，可以根据已有年份评级结果数据的积累，运用信用计量模型对已有年份的每一信用等级的转移概率和违约概率进行测度，进而形成内部的信用等级转移矩阵的测度，以后随着年份数据的增加，再不断调整。这样，经过一段时间的积累，就可以建立起我们自己的内部转移矩阵模型。
另外，结合我国贷款企业的实际信用情况，转移矩阵模型中各个信用等级违约概率测度除了要考虑行业因素、经济周期性因素的影响以外，还要考虑地区、规模以及企业所有制性质等因素的影响。