摘要
信用风险是商业银行面临的最主要的一种风险。准确地度量信用风险既是商业银行经营管理的内在要求，也是应对《新巴塞尔资本协议》的现实需要。从目前我国的实际情况来看，信用风险度量仍是商业银行信用风险管理的薄弱环节，制约了内部评级法的实施和商业银行的健康发展。为了加强我国商业银行信用风险管理，论文以商业银行信用风险为主要研究对象，以构建信用风险度量模型为核心，在学习和借鉴国内外先进信用风险度量技术的基础上，利用国内样本数据构建了不同的信用风险度量模型，以期为我国商业银行的信用风险管理提供技术支持。
论文从商业银行信用风险的特点和成因出发，根据国际和国内最新的信用风险监管要求，介绍了信用风险的内部评级和外部评级，并结合我国实际提出二者协同发展的建议。在比较和分析主要的信用风险度量方法及模型的基础上，以“Z-score”模型为例，对我国直接应用国外的成熟模型的效果进行了实证检验，证实了必须依据国情才能建立适用的模型。经过选择，确定基于会计数据和市场价值的多元判别分析和Logistic回归分析作为构建我国商业银行信用风险度量模型的主要方法。
为了建立模型，文章详细介绍了商业银行信用风险度量的财务因素，并分析了信用风险度量要素的选择和降维处理方法，确立了采用逐步选择法筛选变量和主成分分析进行数据降维的思路。然后根据对财务困境的界定和国内的研究习惯，从我国证券市场选取了78家财务正常公司样本和78家财务困境公司样本以及七大类共33个财务比率指标，运用2010年的数据和SPSS软件，构建了一个六变量的逐步判别分析模型和一个四变量的Logit模型。考虑到财务数据的高维性和高相关性特点，在利用主成分分析从18个具有组间显著性差异的指标中提取5个主成分的基础上，构建了一个主成分分析下的判别分析模型和一个主成分分析下的Logit模型。
经检验，这四个模型都是有效的模型，且模型都具有一定的超前预测能力。通过比较发现，Logit模型比判别分析模型的准确性高，判别分析模型的稳定性要比Logit模型好。还发现主成分分析能够提高模型的超前预测能力和稳定性，且对Logit模型的作用更为显著。此外，还发现四个模型都具有跟随宏观经济的波动而同向变化的“顺周期性”。在经济上行时，模型均表现宽松，在经济下行期间模型则表现严格。建议通过适当调整临界点改变两类错误率的比例，从而减弱模型的“顺周期性”。
研究表明，多元判别分析和Logistic回归分析两种方法仍是有效的信用风险度量方法。主成分分析是有效的数据降维方法。文中所建模型可以用于度量我国商业银行信用风险。
Credit risk is the main risk for commercial banks. Accurate measurement of the creditrisk is not only the inherent requirement of the operation of commercial banks, but also thereality needs of dealing with the New Basel Capital Accord. From the current reality of ourcountry, the credit risk measurement is the weak link of commercial bank credit riskmanagement, which restricts the implementation of the IRB and the healthy developmentof commercial banks. In order to strengthen the credit risk management of commercialBanks in China, this paper takes commercial bank credit risk as the main object of study,takes construct the credit risk evaluation model as the core, and on the basis of learningand learn from the domestic and foreign advanced credit risk measurement techniques,using domestic sample data to build different credit risk measurement model, so as toprovide technical support for China's commercial banks credit risk management.
This paper starting from commercial banks credit risk characteristics and causes,according to the latest international and domestic credit risk regulatory requirements,introduced internal ratings and external ratings of credit risk, and according to the reality ofour country, it is recommended that the two should be joint development. On the basis ofcomparison and analysis of credit risk measurement methods and models, this paper usingthe Z-score model as an example, empirically examined the effects of direct application ofthe foreign mature model in China, confirmed that the applicable model must be based ondomestic conditions. After selected, the method of multivariate discriminant analysis andLogistic regression analysis that based on accounting data and market value was chosen forthe main method of build commercial banks credit risk measurement models in ourcountry.
In order to establish the model, the article details the financial factors of commercialbanks credit risk measurement, analyzed the selection approach and dimension reduction techniques of the credit risk factors, established the idea that using stepwise selection
filtering variables and using principal component analysis for data dimension reduction.Then, according to the definition of financial distress and domestic habits, selected78financial normal company samples and78financial distress company samples, and a totalof33financial ratios of the seven categories from our stock market, using2010data andSPSS software to build a six-variable stepwise discriminant analysis model and afour-variable Logit model. Taking into account the financial data with high dimension andhigh correlation, using the method of principal component analysis extracted5principalcomponents from18indicators which have significant group differences, and constructed adiscriminant analysis model and a Logit model which based on principal componentanalysis.
Upon examination, four models are effective models, and have certain predictivepower in advance. By comparison, the accuracy of the Logit model is higher than thediscriminant analysis model, but the stability of the discriminant analysis model is betterthan the Logit model. Also found that the principal component analysis can improve thepredictive power in advance and the stability of the model, and that the Logit model ismore significant. In addition, the four models have the feature of follow macroeconomicfluctuations in the same direction change. We called it “Procyclicality”. During aneconomic boom, each model is loose, and vice versa. By appropriate adjustments to thecritical point, you can change the ratio of the two types of error rates and thus weaken the“Procyclicality”.
The results of the study show that multivariate discriminant analysis and Logisticregression analysis are still effective credit risk measurement methods. The principalcomponent analysis is effective data dimensionality reduction method. The models thatbuilt in this paper can be used to measure the credit risk of commercial banks in China.
引文
1吴青.信用风险的度量与控制[M].北京:对外经济贸易大学出版社,2008:1.
2刘攀.试论信用评级制度对信用风险的弱化作用[J].西南金融.2003,(11):54-55.
3声誉机制：声誉是一种信号，是在交易主体之间逐渐形成的良好形象或评价。良好的声誉是一种无形资产，信贷市场上的交易主体会为了声誉而守信。
7阿诺德瑟维吉尼等著,任若恩等译.信用风险度量与管理[M].北京:中国财政经济出版社,2005:36.
8阿诺德瑟维吉尼等著,任若恩等译.信用风险度量与管理[M].北京:中国财政经济出版社,2005:39.
9张亦春,游舜杰.美国金融危机与信用评级的教训和启示[J].山东社会科学,2010(10):71-74.
10周小川.关于改变宏观和微观顺周期性的进一步探讨[J].中国金融,2009(8):8-11.
11何晓群.应用多元统计分析[M].北京:中国统计出版社,2010:223.
12朱建平.应用多元统计分析[M].北京:科学出版社,2006:43.
13王学民.应用多元分析[M].上海,上海财经大学出版社.2009:155.
14唐启义.DPS数据处理系统——实验设计、统计分析及数据挖掘[M].北京,科学出版社.2010.747.
15当线性回归模型的因变量属于二分类变量时，就变成了线性概率模型。
16唐启义.DPS数据处理系统——实验设计、统计分析及数据挖掘[M].北京,科学出版社.2010:185.
17王周伟.风险管理[M].上海,上海财经大学出版社.2008:320.
18Moody's Analytics是穆迪公司（Moody's Corporation）旗下的子公司，是一家为全球债务资本市场和信用风险管理专业人士提供研究、数据、分析工具和相关服务的领先提供商。
19王星.非参数统计[M].北京,清华大学出版社.2009:238.
20朱永生.实验数据多元统计分析[M].北京,科学出版社.2009:136.
22赵晓菊.信用风险管理[M].上海,上海财经大学出版社.2008:229.
23吴青.信用风险的度量与控制[M].北京,对外经济贸易大学出版社.2008:58.
24曹剑锋.财务管理学[M].北京,经济科学出版社.2010:180.
25叶宗裕.关于多指标综合评价中指标正向化和无量纲化方法的选择[J].浙江统计,2003(4):24-25.
26何晓群.应用多元统计分析[M].北京:中国统计出版社,2010:142.
27洪文学.基于多元统计图表示原理的信息融合和模式识别技术[M].北京,国防工业出版社.2008:115.
28巴曙松.巴塞尔新资本协议研究[M].北京,中国金融出版社.2003:46.
29曹劲.新资本协议信用风险管理与违约定义和实现[J].国际金融,2010(11):23-29.
30林海明,张文霖.主成分分析与因子分析的异同和SPSS软件[J].统计研究,2005,(3):65-69.
[1](德)沃尔夫冈哈德勒,[比]利奥波德西马著.陈诗一译.应用多元统计分析[M].北京:北京大学出版社,2011.
[2](加)约翰赫尔著.王勇,金燕敏译.风险管理与金融机构[M].北京:机械工业出版社,2009.
[3](美)Nancy L. Leech等著,何丽娟等译.SPSS统计应用与解析[M].北京:电子工业出版社,2009:63.
[4](美)阿诺德瑟维吉尼,奥里维尔雷劳特著.任若恩等译.信用风险的度量与管理[M].北京:中国财政经济出版社,2005.
[5](美)安东尼桑德斯著.刘宇飞译.信用风险度量:风险估值的新方法与其他范式[M].北京:机械工业出版社,2001.
[6](美)查尔斯史密森著.张继红等译[M].北京:中国人民大学出版社,2006:44.
[7](美)丹尼尔A.鲍威斯著.谢宇,任强等译.分类数据分析的统计方法.北京:社会科学文献出版社,2009:35.
[8](美)理查德A.约翰逊,迪安W.威克恩著.陈璇,叶俊译.实用多元统计分析[M].北京:清华大学出版社,2008:501.
[9](美)林C.托马斯等著,王晓蕾等译.信用评分及其应用[M].北京:中国金融出版社,2006:48.
[10](美)乔纳森戈林.银行信用分析手册[M].北京:机械工业出版社,2004.
[11](美)唐纳德R范戴维特,今井贤志,马克梅斯勒著.朱世武,邢丽等译.高级金融风险管理——综合信用风险与利率风险管理工具及技术[M].北京:中国人民大学出版社,2006.
[12](美)约翰B考埃特,爱德华I爱特曼,保罗纳拉亚兰著.石晓军等译.演进着的信用风险:金融领域面临的巨大挑战[M].北京:机械工业出版社,2001.
[13]巴曙松.巴塞尔新资本协议研究[M].北京:中国金融出版社,2003:46.
[14]包晓岚.上市公司财务危机预警“Z”值区域研究与分析[J].财会通讯,2006(5):3-7.
[15]包研科.数据分析教程[M].北京:清华大学出版社,2011:207.
[16]曹剑锋.财务管理学[M].北京:经济科学出版社,2010:180.
[17]曹劲.新资本协议信用风险管理与违约定义和实现[J].国际金融,2010(11):23-29.
[18]陈建.信用评分模型技术与应用[M].北京:中国财政经济出版社,2005.
[19]陈险峰.会计学原理[M].成都:西南财经大学出版社,2010.
[20]陈信元.会计学[M].上海:上海财经大学出版社,2008.
[21]陈燕玲.金融风险管理[M].合肥:安徽大学出版社,2008.
[22]程婵娟,邹海波.CPV模型在银行贷款违约概率计算中的应用研究[J].当代经济科学,2009(5):15-20.
[23]程华南.内部信用评级和外部信用评级的比较分析[J].金融纵横,2006(10):49-52.
[24]崔宏.财务报表阅读与信贷分析实务[M].北京:机械工业出版社,2011.
[25]邓云胜,任若恩.贷款组合信用风险VaR仿真计算的一种优化方法[J].统计研究,2003(6):39-43.
[26]段昌文,Ken Hung.Z-score模型与KMV模型预测违约风险能力的比较研究[J].金融学季刊,2009(1):85-110.
[27]段德峰,王建华,宋鸿芳.基于Bootstrap的信用风险度量[J].武汉理工大学学报,2011(4):328-330.
[28]董槐林,郭阳,郑宇辉.基于PSO－BP神经网络的企业信用风险评估模型研究[J].计算机与现代化,2009(4):123-126.
[29]高培业,张道奎.企业失败判别模型实证研究[J].统计研究,2010(10):46-51.
[30]葛西城.银行困境与斯蒂格利茨的信贷配给[J].管理现代化,2002(2):55-57.
[31]管七海,冯宗宪.我国制造业企业短期贷款信用违约判别研究[J].经济科学,2004(5):77-88.
[32]顾婧,周宗放.基于可变精度粗糙集的新兴技术企业信用风险识别[J].管理工程学报,2010(1):70-76.
[33]郭军华,李帮义.基于FC和VPRS的信用风险评价研究[J].预测,2009(5):32-37.
[34]郭敏华.信用评级[M].北京:中国人民大学出版社,2004.
[35]郭英见,吴冲.基于信息融合的商业银行信用风险评估模型研究[J].金融研究,2009(1):95-106.
[36]韩立岩,郑承利.基于模糊随机方法的公司违约风险预测研究[J].金融研究,2002(8):48-53.
[37]何晓群.应用多元统计分析[M].北京:中国统计出版社,2010:223.
[38]洪文学.基于多元统计图表示原理的信息融合和模式识别技术[M].北京:国防工业出版社,2008:115.
[39]胡良平.SAS统计分析教程[M].北京:电子工业出版社,2010:457.
[40]黄达.金融学[M].北京:中国人民大学出版社,2003.
[41]黄荣,何有世,王步祥.商业银行信用风险度量模型研究[J].首都经济贸易大学学报,2009(5):44-48.
[42]姜明辉,王雅林,赵欣,黄伟平.k－近邻判别分析法在个人信用评估中的应用[J].数量经济技术经济研究,2004(2):143-147.
[43]金颖,黄艳艳.财务管理学基础[M].北京:清华大学出版社,2010:454.
[44]金月仙,胡瑾瑾.上市公司信用风险分析——多元统计方法在上市公司财务困境预测中的应用[J].世界经济情况,2005(20):10-14.
[45]赖国毅,陈超.SPSS17.0中文版常用功能与应用实例精讲[M].北京:电子工业出版社,2010.
[46]兰艳泽,车嘉丽.会计学[M].北京:科学出版社,2008.
[47]李卫东.应用多元统计分析[M].北京:北京大学出版社,2008.
[48]李信宏,邵立强,庄建华,冯彦明,尚静等著.信用评级[M].北京:中国人民大学出版社,2006.
[49]李扬.银行信贷风险管理:理论、技术和实践[M].北京:经济管理出版社,2003.
[50]梁琪.企业信用风险的主成分判别模型及其实证研究[J].财经研究,2003(5):52-57.
[51]梁琪.商业银行信贷风险度量研究[M].北京:中国金融出版社,2005.
[52]林海明,张文霖.主成分分析与因子分析的异同和SPSS软件[J].统计研究,2005(3):65-69.
[53]林震岩.多变量分析SPSS的操作与应用[M].北京:北京大学出版社,2007.
[54]刘澄,徐明威.信用管理[M].北京:经济管理出版社,2010.
[55]刘京军,秦宛顺.上市公司陷入财务困境可能性研究[J].金融研究,2006(11):44-52.
[56]刘堃,巴曙松,任亮.中国信用风险预警模型及实证研究[J].财经研究,2009(7):13-27.
[57]刘攀.试论信用评级制度对信用风险的弱化作用[J].西南金融.2003,(11):54-55.
[58]刘攀.信用风险的产生与分散——基于现代合约经济学的思考[J].福建论坛(经济社会版),2003(10):38-41.
[59]刘晓曙,郑振龙.商业银行VaR模型预测能力的验证[J].当代财经,2007(8):39-43.
[60]刘迎春,刘霄.基于GARCH波动模型的KMV信用风险度量研究[J].东北财经大学学报,2011(5):74-79.
[61]刘鑫,李竹薇.我国上市公司信用风险管理模型的构建与实证研究[J].财经问题研究,2009(12):82-86.
[62]刘宇飞.VaR模型及其在金融监管中的应用[J].经济科学,1999(1):39-50.
[63]柳斌.新巴塞尔协议下的商业银行信用风险管理对策研究[J].浙江金融,2009(9):30-31.
[64]柳永明,李宏.商业银行风险管理[M].上海:上海人民出版社,2007.
[65]卢世春,欧阳植.商业银行信用风险跟踪预警监测模型[J].数量经济技术经济研究,1999(1):59-62.
[66]卢永艳,王维国.基于面板logit模型的上市公司财务困境预测[J].数学的实践与认识,2010(5):37-43.
[67]鲁炜,赵恒珩,方兆本,刘冀云.KMV模型在公司价值评估中的应用[J].管理科学,2003(3):30-33.
[68]马若微.KMV模型运用于中国上市公司财务困境预警的实证检验[J].数理统计与管理,2006(5):593-601.
[69]米运生.信息、代理与国有银行信用风险[M].北京:中国经济出版社,2007.
[70]牛昂.银行风险管理的新方法[J].国际金融研究,1997(4):61-65.
[71]潘志斌.金融市场风险度量[M].上海:上海社会科学院出版社,2008.
[72]庞素琳,黎荣舟,刘永清,徐建闽.基于信息不对称的银行信贷风险决策机制及分析(Ⅰ)——信贷风险决策模型[J].系统工程理论与实践,2001(4):80-83.
[73]庞素琳,刘永清,徐建闽,黎荣舟.基于信息不对称的银行信贷风险决策机制及分析(Ⅱ)——信贷风险决策机制[J].系统工程理论与实践,2001(5):82-87.
[74]庞素琳,姚洪珠,黎荣舟.不完全信息下的信贷风险决策模型[J].暨南大学学报(自然科学版).2001(5):22-27.
[75]彭建刚,吕志华.基于违约损失率变化的CreditRisk+模型的一种修正[J].预测,2009(6):48-52.
[76]任雪松,于秀林.多元统计分析[M].北京:中国统计出版社,2011.
[77]沈沛龙,邵长毅.关于新资本协议中信用评级若干问题的探讨[J].金融研究,2004(12):112-118.
[78]宋遂周,江彤.企业财务困境预警模型分析[J].北京邮电大学学报,2009(3):72-75.
[79]孙丹,张秀艳.商业银行信用风险评估混合软计算系统[J].吉林大学学报(信息科学版),2002(8):78-80.
[80]孙庆文.企业贷款风险测试与预警管理研究[M].北京:中国经济出版社,2007.
[81]唐启义.DPS数据处理系统——实验设计、统计分析及数据挖掘[M].北京:科学出版社,2010.
[82]汪文渊,谢潇衡,何幼桦.CreditMetrics模型中转移概率和风险价值的计算[J].上海大学学报(自然科学版),2008(2):142-147.
[83]王保进.多变量分析统计软件与数据分析[M].北京:北京大学出版社,2007.
[84]王春峰,万海晖,张维.基于神经网络技术的商业银行信用风险评估[J].系统工程理论与实践,1999(9):24-32.
[85]王春峰,万海晖,张维.商业银行信用风险评估及其实证研究[J].管理科学学报,1998(1):68-72.
[86]王光伟.金融工程学[M].北京:高等教育出版社,2006.
[87]王坚强,刘先建.从信息不对称看商业银行信用风险的产生及其防范[J].中南工业大学学报(社会科学版),2002(4):358-361.
[88]王建稳,梁彦军.基于KMV模型的我国上市公司信用风险研究[J].数学的实践与认识,2008(10):46-52.
[89]王乃静,油永华.基于Fisher判别分析的企业信用评价模型[J].技术经济与管理研究,2006(4):41-42.
[90]王琼,陈金贤.信用风险定价方法与模型研究[J].现代财经,2002(4):14-16.
[91]王宪全,陈李刚.基于遗传算法和BP神经网络的信用风险测量模型[J].哈尔滨工业大学学报(社会科学版),2006(9):87-92.
[92]王星.非参数统计[M].北京:清华大学出版社,2009:238.
[93]王学民.应用多元分析[M].上海:上海财经大学出版社,2009:191.
[94]王周伟.风险管理[M].上海:上海财经大学出版社,2008:320.
[95]卫功琦.我国商业银行道德风险的实证分析:信贷风险掩饰和推迟视角[J].国际金融研究,2009(7):80-86.
[96]吴冲,吕静杰.基于模糊神经网络的商业银行信用风险评估模型研究[J].系统工程理论与实践,2004(11).
[97]吴冲,吕静杰.我国商业银行信用风险成因分析[J].企业经济,2004(1):172-173.
[98]吴今培,孙德山.现代数据分析[M].北京:机械工业出版社,2006:91.
[99]吴晶妹.现代信用学[M].北京:中国金融出版社,2002.
[100]吴青.信用风险的度量与控制[M].北京:对外经济贸易大学出版社,2008:58.
[101]吴世农,卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究,2001(6):46-56.
[102]肖文兵,费奇,万虎.基于支持向量机的信用评估模型及风险评价[J].华中科技大学学报(自然科学版),2007(5):23-26.
[103]谢赤,徐国嘏.银行信用风险度量CreditMetricsTM模型与CPV模型比较研究[J].湖南大学学报(自然科学版),2006(2):135-137.
[104]徐佳娜,西宝.基于AHP-ANN模型的商业银行信用风险评估[J].哈尔滨理工大学学报,2004(3):94-98.
[105]徐晓霞,李金林.基于决策树法的我国商业银行信用风险评估模型研究[J].北京理工大学学报(社会科学版),2006(6):71-74.
[106]薛锋,柯孔林.粗糙集－神经网络系统在商业银行贷款五级分类中的应用[J].系统工程理论与实践,2008(1):40-45.
[107]阎庆民.我国商业银行信用风险VaR的实证研究[J].金融研究,2004(10):40-47.
[108]闫彦,陈荣静.一个新的银行信用风险评估方法[J].中国管理信息化,2009(8):108-111.
[109]杨星,张义强.中国上市公司信用风险管理实证研究——EDF模型在信用评估中的应用[J].中国软科学,2004(1):43-47.
[110]杨蕴石,徐枞巍.高级内部信用风险度量模型方法的比较[J].科技导报,2004(7):51-53.
[111]姚奕,叶中行.基于支持向量机的银行客户信用评估系统研究[J].系统仿真学报,2004(4):783-786.
[112]叶蜀君.信用风险的博弈分析与度量模型[M].北京:中国经济出版社,2008.
[113]叶蜀君.银行与企业之间信用风险的博弈分析[J].物流技术,2006(7):111-113.
[114]叶宗裕.关于多指标综合评价中指标正向化和无量纲化方法的选择[J].浙江统计,2003(4):24-25.
[115]于瑾.信用风险度量模型研究——基于精算原理的信用风险度量模型的分析[J].财贸经济,2004(10):49-51.
[116]于立勇,詹捷辉.基于Logistic回归分析的违约概率预测研究[J].财经研究,2004,(9):15-23.
[117]于立勇.商业银行信用风险评估——一种实证模型的探讨[M].北京:北京大学出版社,2007.
[118]于立勇.商业银行信用风险评估预测模型研究[J].管理科学学报,2003(5):46-98.
[119]于文华,岳焱.制造业上市公司财务危机预警指标预处理研究[J].浙江金融,2011(4):61-65.
[120]余建英,何旭宏.数据统计分析与SPSS应用[M].北京:人民邮电出版社,200:237.
[121]袁志发,宋世德.多元统计分析[M].北京:科学出版社,2009:166.
[122]曾繁荣.财务管理学[M].北京:清华大学出版社,2007.
[123]张功富.上市公司巨额亏损预警的Logit模型实证研究[J].山西财经大学学报,2006(3):134-140.
[124]张海明,马永开.基于CreditRisk+的银行全面资产负债管理目标规划模型研究[J].电子科技大学学报(社科版),2006(3):29-33.
[125]张洪祥,毛志忠.基于模糊多属性决策的多维时序信用风险评价模型[J].信息与控制,2011(10):692-697.
[126]张海燕.CreditRisk+模型与中国商业银行信用风险管理[J].吉首大学学报(自然科学版),2007(3):119-122.
[127]张立军.多元统计分析实验[M].北京:中国统计出版社,2009.
[128]张玲.财务危机预警分析判别模型[J].数量经济技术经济研究,2000(3):49-51.
[129]张鹏,曾永泉,岳超源.信用风险度量的新专家方法[J].科技进步与对策,2006(7):52-54.
[130]张新红,王瑞晓.我国上市公司信用风险预警研究[J].宏观经济研究,2011(1):50-54
[131]张新民,钱爱民.财务报表分析[M],北京:中国人民大学出版社,2011.
[132]张亦春,游舜杰.美国金融危机与信用评级的教训和启示[J].山东社会科学,2010(10):71-74.
[133]张颖,马玉林.基于因子分析的Logistic违约概率模型[J].桂林理工大学学报,2010(1):174-178.
[134]章忠志,符林,唐焕文.基于人工神经网络的商业银行信用风险模型[J].经济数学,2003(3):42-47.
[135]赵静娴.基于决策树的信用风险评估方法研究[D].2009.
[136]赵晓菊.信用风险管理[M].上海:上海财经大学出版社,2008:75.
[137]郑杰.贷款风险分类的管理与应用[M].北京:中国金融出版社,2002.
[138]郑文通.金融风险管理VaR方法及其应用[J].国际金融研究,1997(9):58-62.
[139]郑昱.基于Probit模型的个人信用风险实证研究[J].上海金融,2009(10):85-89.
[140]周四军,彭建刚.商业银行信用风险量化新方法:死亡率模型[J].统计与决策,2008(14):26-28.
[141]周小川.关于改变宏观和微观顺周期性的进一步探讨[J].中国金融,2009(8):8-11.
[142]朱建平.应用多元统计分析[M].北京:科学出版社,2006.
[143]朱荣恩.资信评级[M].上海:上海财经大学出版社,2006.
[144]朱毅峰.银行信用风险管理[M].北京:中国人民大学出版社,2006.
[145]朱永生.实验数据多元统计分析[M].北京:科学出版社,2009.
[146]邹新月,李思慧.基于声誉羊群行为的商业银行信用风险模型[J].广东商学院学报,2009(6):64-71.
[147] Akerlof G A. The Market for "Lemons": Quality Uncertainty and the MarketMechanism. The Quarterly Journal of Economics, Vol.84, No.3.(Aug.,1970),pp.488-500.
[148] Altman E I, Haldeman R, Narayanan P. ZETA Analysis: A New Model to IdentifyBankruptcy Risk of Corporations. Journal of Banking and Finance, June1977,pp.29-54.
[149] Altman E I, Marco G, Varetto F. Corporate Distress Diagnosis: Comparisons UsingLinear Discriminant Analysis and Neural Networks (the Italianal experience).Journal of Banking and Finance, Vol.18,1994,pp.505-529.
[150] Altman E I. Financial Ratios, Discriminant Analysis and the Prediction of CorporateBankruptcy. Journal of Finance, September1968,pp.589-609.
[151] Asarnow E, Marker J. Historical Performance of the U.S. Corporate Loan Market:1988-1993. Journal of Commercial Lending, Spring1995, pp.13-32.
[152] Barth J R, Brumbaugh R D, Sauerhaft D. Thrift Institution Failures: Estimating theRegulator’s Closure Rule. Research in Financial Services, JAI Press,1989(1):222-228.
[153] Basel Committee on Banking Supervision. Basel III: A global regulatory frameworkfor more resilient banks and banking systems. Bank for International Settlements,December2010.
[154] Basel Committee on Banking Supervision. International Convergence of CapitalMeasurement and Capital Standards: A Revised Framework. Bank for InternationalSettlements, June2004.
[155] Beaver W. Financial Ratios as Predictors of Failure. Journal of Accounting Research,1966(4),(suppl.):71-111.
[156] Berkson J. Application of the Logistic Function to Bio-Assay. Journal of theAmerican Statistical Association, Vol.39,1944, pp.357-365.
[157] Black F, Scholes M. The Pricing of Options and Corporate Liabilities. Journal ofPolitical Economy,1973(81):637-659.
[158] Chen M C, Huang S H. Credit Scoring and Rejected Instances Reassigning throughEvolutionary Computation Techniques. Expert Systems with Applications,2003(24):433-441.
[159] Collins R A, Green R A. Statistical Methods for Bankruptcy Forecasting. Journal ofEconomic and Business, Vol.32,1982, pp.349-354.
[160] Cover T M, Hart P E. Nearest Neighbor Pattern Classification. IEEE Trans. onInformation Theory, IT-13,1967:21-27.
[161] Cover T M. Estimation by the Nearest Neighbor Rule. IEEE Trans. on InformationTheory, IT-14,1968:50-55.
[162] Cramer J S. Scoring Bank Loans that May Go Wrong: A Case Study. StatisticaNeerlandica, Netherlands Society for Statistics and Operations Research, vol.58,2004(3):365-380.
[163] Duffie D, Singleton. Modeling Term Structures of Defaultable Bonds. Review ofFinancial Studies,1999(12):687-720.
[164] Durand D. Risk Elements in Consumer Installment Financing. New York: NationalBureau of Economic Research,1941:105-142.
[165] Dutta S, Shekhar S. Bond Rating: A Non-conservative Application of NeuralNetworks. International Conference on Neural Networks, Vol.2,1988, pp.443-450.
[166] Engelmann B, Hayden E, Tasche D. Measuring the Discriminative Power of RatingSystems. Banking and Financial Supervision,Deutsche Bundesbank Discussionpaper, N.01,2003.
[167] Engelmann B, Hayden E, Tasche D. Testing Rating Accuracy, Risk,16(1),2003,82-86.
[168] Fadil M W. Problems with Weighted-Average Risk Ratings: A Portfolio ManagementView. Commercial Lending Review,1997(1):23-27.
[169] Fan A, Palaniswami M. Selecting Bankruptcy Predictors Using a Support VectorMachine Approach. Proceedings of the International Joint Conference on NeuralNetwork. USA: IEEE Computer Society Washington, DC,2000:354-359.
[170] Fisher R A. The Use of Multiple Measurements in Taxonomic Problems. AnnualEugenics, vol.7,1936, pp.179-188.
[171] Frye J. Depressing Recoveries. Risk, November2000.
[172] Fung G, Mangasarian O L. Proximal Support Vector Machine Classifiers. DataMining Institute Technical Report01-02, February2001. KDD2001,San Francisco,August26-29,2001.
[173] Gale D, Hellwig M. Incentive-Compatible Debt Contracts: The One-Period Problem.Review of Economic Studies, Wiley Blackwell, vol.52(4),(Oct.,1985), pp.647-663.
[174] Gordy M B. A Comparative Anatomy of Credit Risk Models. Journal of Banking andFinance,2000(24):119-149.
[175] Grablowsky B J, Talley W K. Probit and Discriminant Functions for ClassifyingCredit Applicants: A Comparison. Journal of Economics&Business,1981(33):254-261.
[176] Huffman P, Ward J. The Prediction of Default for High Yield Bond Issues. Review ofFinancial Economics,1996(5):75-89.
[177] Jarrow R A, Turnbull S M. Pricing Derivatives on Financial Securities Subject toCredit Risk. Journal of Financial,50(1),1995.
[178] J. P. Morgan. CreditMetrics-Technical Document. New York, April2,1997.
[179] Jeffrey R B. Using Market Data to Value Credit Risky Instruments. KMV LLC.1999.
[180] Laitinen K, Laitinen T. Bankruptcy Prediction: Application of the Taylor Expansionin Logistic Regression. International Review of Financial Analysis.2000(9):327-349.
[181] Lawrence E C, Arshadi N. A Multinomial Logit Analysis of Problem LoanResolution Choices in Banking. Journal of Money, Credit and Banking,27(1),(1995), pp.202-216.
[182] Leland H E, Pyle D H. Information Asymmetries, Financial Structure and FinancialIntermediation. Journal of Finance,1977(32):371-387.
[183] Lo A W. Logit Versus Discriminant Analysis: A Specification Test and Application toCorporate Bankruptcies. Journal of Econometrics, Elsevier, vol.31(2), Mar.1986,pp.151-178.
[184] Martin D. Early Warnings of Bank Failure: A Logit Regression Approach. Journal ofBanking and Finance,1977(1):249-276.
[185] McAllister P H, Mingo J J. Commercial Loan Risk Management, Credit-Scoring andPricing: The Need For a New Shared Database. Journal of Commercial BankLending,1994(5):6-22.
[186] Merton R C. On the Pricing of Corporate Debt: the Risk Structure of Interest Rates.Journal of Finance,1974(29):6-22.
[187] Michel C, Dan G, Robert M. A Comparative Analysis of Current Credit Risk Models.Journal of Banking and Finance, Vol.24,2000, pp.59-117.
[188] Myers J H, Forgy E W. The Development of Numerical Credit Evaluation Systems.Journal of the American Statistical Association, Vol.58, Issue303.(Sep.,1963),pp.799-806.
[189] Ohlson J A. Financial Ratios and Probabilistic Prediction of Bankruptcy. Journal ofAccounting Research,1980(18):109-131.
[190] Scott E. The Probability of Bankruptcy: A Comparison of Empirical Predictions andTheoretical Models. Journal of Banking and finance,1981(9):317-344.
[191] Smith, Lawrence. Forecasting Losses on a Liquidating Long-term Loan Portfolio.Journal of Banking and Finance,1995(22):959-985.
[192] Stiglitz J E, Weiss A. Credit Rationing in Markets with Imperfect Information. TheAmerican Economic Review, Vol.71, No.3.(Jun.,1981), pp.393-410.
[193] Whette H C. Collateral in Credit Rationing in Markets with Imperfect Information.The American Economic Review, Vol.73, No.3,1983, pp.442-445.
[194] Williamson O E. The Economic Institutions of Capitalism: Firms, Markets,Relational Contracting. New York: Free Press,1985.
[195] Wilson T C. Portfolio Credit Risk I. Risk,1997(9):111-117.
[196] Wilson T C. Portfolio Credit Risk II. Risk,1997(10):56-61.
[197] Zan Huang, Hsinchun Chen, Chia-Jung Hsu, etc. Credit Rating Analysis withSupport Vector Machines and Neural Networks: A Market Comparative Study.Decision Support Systems,2004(37):543-558.
[198] Zmijewski M E. Methodological Issues Related to the Estimation of FinancialDistress Prediction Models. Journal of Account Research,1984(22):58-59.