咨询热线：
回收率（RecoveryRate）是一个在银行业界经常使用的概念，是指债务人违约后资产的回收程度＆#65377;与回收率经常联系在一起的是违约损失率（LossGivenDefault），它是由回收率决定的，即LGD＝1－RR＆#65377;违约贷款回收率是商业银行实施内部评级高级法的一个重要因素，在计算预期损失与非预期损失时都需要对回收率进行估计＆#65377;另外，在信用衍生产品和资产支持证券定价时，对标的贷款回收率的估计也是必须的＆#65377;同样，对信贷业务条线收益的风险调整度量也需要估计回收率风险＆#65377;此外，在新资本协议支柱三的信息披露要求中也要求银行披露其组合的LGD＆#65380;PD和EAD＆#65377;总之，银行通过对违约回收率的把握可以更好地进行定价，更有效地配置资本，更合理地估计现有贷款组合的损失和价值＆#65377;
目前国外实证研究中，对于债券违约回收率的研究较多，对商业银行违约贷款回收率的研究较少，而且现有的违约贷款回收率研究多局限于商业和公司贷款，对零售贷款（如住房按揭和信用卡）或非凡贷款（如项目融资）回收率的研究则更少＆#65377;对于预备实施内部评级法高级法的商业银行来说，对违约贷款回收率的建模和估计将是其所面临的一项具有挑战性的工作＆#65377;一＆#65380;实证研究中的违约贷款回收率1。违约贷款回收率的特点＆#65377;（1）违约贷款回收率的值普遍要比债券的回收率高＆#65377;一般债券回收率大约40%左右，而银行贷款可达75%左右，但波动通常要比债券的要大＆#65377;对于债券来说，回收率比较轻易计算，可立即计算出来，或过一个违约后的特定时段利用真实的市场价格或名义价值来进行计算＆#65377;而银行贷款通常是不能正常交易的，因此只存在清算回收率＆#65377;（2）违约贷款回收率的分布一般呈双峰态＆#65377;即回收率要么往往较高，集中在80%四周，要么往往较低，集中在20%四周，在均值两侧呈现双峰状，均值水平并非发生概率的最大水平＆#65377;2。违约贷款回收率的影响因素＆#65377;与违约概率（ProbabilityofDefault）相比，影响回收率的因素更多，主要分为借款人的特征＆#65380;债项的特征＆#65380;宏观经济因素和银行自身的特征四大类＆#65377;其中，借款人的因素主要包括：借款人信誉;资本结构;所处行业分类;公司规模;公司法律形式，有限公司还是无限公司;公司存续时间等＆#65377;债项的因素主要包括：贷款规模;贷款的优先级;抵押品的质量＆#65380;数量和类型;第三方担保等＆#65377;宏观经济因素主要是指经济周期，是繁荣期还是低迷期＆#65377;银行自身的特征主要是指银行贷款回收的内部政策＆#65380;处置清收能力等因素＆#65377;另外，除去以上四类因素外，制度因素也是影响回收率的一个重要因素，不同的监管和破产法律和程序都会影响到违约贷款的回收率＆#65377;3。与违约概率的关系＆#65377;对违约贷款回收率与违约概率关系的研究是近几年来的研究热点＆#65377;对于债券来说，Wilson1997年，Carey1998年，Altman和Brady2001年，Altman和Bana2002年，Altman和Fanjul2004年的研究发现回收率与违约概率之间存在负相关关系＆#65377;而对于贷款来说，由于抵押品的存在，这种回收率与违约概率之间的关系似乎不如债券明显，因为当一个有固定资产抵押的借款人信用状况恶化时，它的违约概率可能增加，但只要抵押品的价值相对稳定，那么贷款的回收率就不一定受到什么实质性的影响＆#65377;不过，在许多基于违约贷款的实证研究中，人们发现贷款回收率与违约概率之间还是存在一定的负相关关系的＆#65377;例如，Altman等人2005年研究显示当总的违约概率较高时，回收率通常较低＆#65377;但是，目前存在的许多信用风险模型都假定回收率与违约概率是不相关的，是两个相互独立的变量＆#65377;而且2004年的新巴塞尔协议第一支柱信用风险监管资本的计算中也没有考虑违约概率和违约损失率的关系＆#65377;不过近期的实证研究显示，不考虑两者之间的关系会导致估计结果低于实际情况＆#65377;因此，新资本协议规定为在每一个风险暴露估计违约损失率的时候，不管是利用内部数据还是外部数据都要考虑经济低迷因素＆#65377;要用经济周期低迷时的违约损失率来计算监管资本，以弥补没有考虑相关性的缺陷＆#65377;巴塞尔新资本协议2005年的修正版对低迷违约损失率的标准进行了具体叙述，要求银行识别正确的低迷条件和违约概率与违约损失率之间的关系，并在计算银行违约暴露的违约损失率时考虑这种关系＆#65377;二＆#65380;违约回收率的计算与建模（一）违约贷款回收率的计算违约贷款回收率的计算方法主要有两类，一类是基于市场价格的方法（Market－basedapproach），另一类是基于现金流的方法（Cash－basedapproach）＆#65377;在基于市场价格的方法中，回收率是贷款市场价格与违约时贷款的票面价值的比值，该方法主要反映了债务的市场价值，适用于流动性较好且有二级市场的违约贷款＆#65377;在实际应用中，基于现金流的方法是一种常用的计算方法＆#65377;基于现金流的方法分为两种，一种是折现现金流方法，这种方法是将贷款违约后收到的净现金流折现成贷款违约时的价格，然后与违约时贷款的票面价值进行比较＆#65377;这种方法的关键是选择合适的折现率＆#65377;另一种方法是余额估计法（Balanceestimationmethod），当违约贷款的回收信息难以获得，则两个不同时期的贷款余额之差可以作为贷款的实际支出来计算回收率＆#65377;折现现金流方法和余额估计法十分类似，只是余额估计法是当回收数据难以得到时的一个简单替换＆#65377;（二）信用风险模型中回收率的建模回收率的估计方法较多，主要包括历史数据平均法＆#65380;非参数方法（如核密度估计法）＆#65380;因素模型法＆#65380;以及人工智能方法（如人工神经网络法）等等，本文主要针对常见信用风险模型中回收率的建模进行分析＆#65377;常见的信用风险模型主要分为两大类：一类是信用定价模型（Credit－pricing），另一类是信贷组合模型（Portfoliocreditvalue－at－risk）＆#65377;其中，信用定价模型分为两种：结构模型和简约模型＆#65377;1。信用定价模型＆#65377;（1）结构模型（Structuremodels）＆#65377;第一代结构模型是在默顿模型（1974年）的基础上发展起来的，默顿模型的假设是：当公司资产价值（市场价值）低于其负债时，违约发生＆#65377;在结构模型框架下，公司的违约过程是由公司资产的价值驱动的，公司的违约风险很明显同公司资产价值的波动性联系在一起，所有信用风险相关因素，包括违约回收都是公司结构特征的函数（资产波动＆#65380;杠杆率）＆#65377;回收率是内生变量，是违约公司剩余资产价值的函数＆#65377;当公司价值增加，其违约概率就会降低，预期回收率就会增加＆#65377;由于该模型假定违约只发生在贷款到期日，与实际不相符合＆#65377;另外，模型采用的对数正态分布也轻易高估违约事件的回收率＆#65377;这些都限制了第一代结构模型在实际中的应用＆#65377;针对第一代结构模型的不合理假设，人们进行了改进，相继提出了一些改进的结构模型，这些模型被称为第二代结构模型＆#65377;在这些模型中，违约可以发生在贷款发放和到期日之间的任何时间，违约的触发条件是公司资产降到一个限定水平＆#65377;回收率是外生变量，与公司资产价值相独立＆#65377;它一般被定义为未偿付债务价值的固定比率，与违约概率相互独立＆#65377;虽然进行了一些改进，但第二代结构模型还是存在一些缺陷，例如，还需要估计不可观测的公司资产价值;不能及时反映公司信用评级的迅速变化;没有考虑公司价值忽然改变过程的出现＆#65377;也正是第二代结构模型还存在一些缺点，因此在此框架下的改进工作并没有停止＆#65377;例如，为了考虑抵押品的影响，Jokivuolle和Peura2003年的研究中考虑了抵押品价值的影响因素，提出了一个银行贷款的模型，将抵押品的价值与违约概率联系起来，利用期权定价框架来建模＆#65377;模型中，债务到期时借款公司的总资产价值影响违约事件的发生，但不决定回收率＆#65377;抵押品价值被假定是决定回收率的唯一随机因素＆#65377;
总的来说，目前基于结构模型框架的研究和应用较多，许多风险治理软件中模型的设定也都是基于结构模型的思想框架而进行改进的＆#65377;例如，闻名风险治理软件公司KMV公司的产品＆#65377;（2）简约模型（Redticedformmodels）在人们沿着结构模型框架进行研究和改进的同时，RobercJarrow＆#65380;DarrellDufile等人提出了一种新的信用风险建模范式一简约模型，并在此框架下对模型进行了一系列的改进＆#65377;在简约模型中，违约不依靠于公司价值，在实施时不需要估计与公司价值相关的参数＆#65377;简约模型假定违约是由一个外生的随机变量决定的，违约概率在任何时段都不为零＆#65377;简约模型假定回收率是一个外生变量，往往用公司违约前债务总额的固定比率或违约后债务等值国债的固定比率表示，违约回收率独立于违约概率＆#65377;简约模型是近几年来发展起来的，为使模型更加符合实际情况，模型的改进工作也一直在进行着，例如，传统简约模型对违约概率的关注较多，而对违约回收率的研究较少，模型中通常假定回收率是一个已知的常数＆#65377;为了对传统简约模型进行改进，Guo等人2005年的研究在传统简约模型的框架中加入了一个反映回收率的随机过程＆#65377;回收率由公司的资产和债务决定，这一点类似于结构模型＆#65377;模型中公司违约过程＆#65380;回收率过程和风险债务定价的定量化都是基于公司资产价值的结构信息＆#65377;该研究表明，新模型优于传统的简约模型＆#65377;目前，简约模型的应用也已进入商业化阶段，闻名的风险治理软件公司Kamakura公司就由简约模型的创建者和研究者加盟成立，并将其研究成果应用于信用风险的度量中＆#65377;2。信贷组合模型＆#65377;90年代中后期，银行和咨询公司开始开发信贷组合模型来度量在预先设定的置信区间水平下，一个信用组合风险暴露在特定时间段内（期限通常是一年）的潜在损失＆#65377;常见的信贷组合模型有：JP摩根的CreditMetrics＆#65380;瑞士信贷的CreditRisk+＆#65380;麦肯锡公司的CreditPortfolioView和KMV公司的CreditPortfolioManager＆#65377;信贷组合模型分为两类：一类是违约模型（Defaultmodel），另一类是盯市模型（Markedtomarket）＆#65377;第一类方法中只有两种可能事件被考虑进来了，即违约和不违约＆#65377;在DM模型中，信用损失只有当违约发生时才发生＆#65377;MTM模型包括借贷者所有信誉可能出现的变化，也叫信用迁徙，在MTM模型中，当信用迁徙发生时，损失就产生了＆#65377;CreditMetrics明显是一种MTM模型，CreditRisk+和CreditPortfolioManager本质上是：DM模型，CreditPortfolioView既可以看作是MTM模型，也可以被当作DM模型＆#65377;信贷组合模型大体可看作是简约模型，其中的违约回收率通常被看作是外生的常数或随机变量，与违约概率不相关，回收率和违约概率被看作两个独立变量＆#65377;CreditMetrics＆#65380;creditPortfolioView和CredtiPortfolioManaget中的回收率被定义为一个随机变量，通常假定服从贝塔分布，与违约概率不相关＆#65377;CreditRisk+中的回收率被看作常数＆#65377;三＆#65380;对国内商业银行的建议1。统一违约与损失的定义＆#65377;银行业实践中对于违约与损失缺乏统一定义，往往根据具体目的和需要确定＆#65377;不同银行在评级中所使用的违约与损失的概念存在着差异，这些差异可能来源于不同的法律和监管定义，以及不同的放贷做法如银行的贷款回收政策＆#65377;但实际上，对违约与损失的界定是进行违约贷款回收率量化的前提，损失的界定关系到计量损失的范围，违约的定义涉及到什么时候开始计量损失＆#65377;因此，银行监管部门应该科学界定违约与损失的定义，各商业银行要严格执行统一的标准＆#65377;目前，损失定义的统一比较轻易，多数银行使用了经济意义上的定义而非会计意义上的定义，因为经济损失轻易估计和获得＆#65377;对于违约来说，应尽量借鉴BaselII所给出的建议，即若出现以下一种情况或同时出现以下两种情况，债务人将被视为违约：（1）银行认定，除非采取追索措施，如变现抵押品（假如存在的话），借款人可能无法全额偿还对银行集团的债务＆#65377;（2）债务人对于银行集团的实质性信贷债务逾期90天以上＆#65377;若客户违反了规定的透支限额或者新核定的限额小于目前的余额，各项透支将被视为逾期＆#65377;2。加强数据库建设，努力建立共享机制＆#65377;假如银行采取内部评级法高级法的话，必须选择合适的模型猜测回收率＆#65377;为了建立模型，银行必须收集过去借贷人违约的数据来考虑银行自身特定贷款组合的特性＆#65377;而数据是国内商业银行实施内部评级法的一大障碍＆#65377;目前，国内较大商业银行都实施了数据大集中工程，并普遍取得了较大成绩，这为商业银行建立适合全面风险治理平台的数据库奠定了基础，同时也为商业银行建立符合自身实际的内部模型提供了保障＆#65377;目前，数据的时间跨度和数据质量是比较受关注的两个重要方面＆#65377;就数据质量来说，经过商业银行内部的数据清洗，数据质量能够普遍得到保障＆#65377;就数据的时间跨度来讲，新资本协议要求数据观察期至少应涵盖一个完整的经济周期，对于零售贷款暴露违约损失率来说最短的数据观察期是5年，对于批发贷款业务来说观察期不应少于7年＆#65377;对于国内商业银行来说，数据的时间跨度显得更为重要＆#65377;因为就中国的经济发展来看，近年中国经济一直呈现良好的发展势头，还未出现经济不景气和低迷情况＆#65377;因此，对于成立时间较短的商业银行来说，若实施内部评级高级法，那么数据的时间跨度可能影响内部模型的实际效果，会低估商业银行的实际情况＆#65377;因此，对于国内商业银行来说建立数据共享机制是一种明智的选择＆#65377;3。充分考虑各种影响因素，努力建立科学的符合自身特点的回收率模型＆#65377;目前信用风险模型中关于回收率假设的缺陷主要包括两个方面，一是关于回收率分布的假设，多数模型选择了贝塔分布作为回收率分布的替代＆#65377;但有研究显示，当贝塔分布应用于估计VaR时，估计误差会加大＆#65377;另外是关于回收率与违约概率不相关的假设，这也是目前信用风险模型中普遍存在的问题，这一假设的存在往往会造成对实际情况的低估＆#65377;国内商业银行在建立自己的内部模型时应充分考虑这两方面的影响＆#65377;另外，在对违约回收率建模时，要充分考虑各种影响因素，就目前较为成功的两种针对回收率进行估计的软件一Moody的LossCalc和Standard＆amp;Poor的LossStats来看，这些软件普遍考虑了抵押品质量＆#65380;债务工具优先级＆#65380;行业分类＆#65380;宏观经济因素以及资本结构等的影响＆#65377;参考文献：[1]AsarnowElliot，DavidEdwards。MeasuringLossonDefaultedBankloans：A24－Yearstudy[J]。JournalofCommercialLending，1995，77（7）：11－23发布者：ws2015
来源：研修班网本页网址：http://yx.china-b.com/yxdt/20090220/238188_1.html声明：我方为第三方信息服务平台提供者，本文来自于网络，登载出于传递更多信息之目的，并不意味着赞同其观点或证实其描述，文章内容仅供参考。如若我方内容涉嫌侵犯其合法权益，应该及时反馈，我方将会尽快移除被控侵权内容。
