度量范文10篇
时间：2023-03-28 14:25:51
度量范文篇1
1主权差价法度量国家风险LGD
1．1理论基础
市场数据隐含分析法提出，公司债券的信用升水幅度隐含了公司的信用风险信息，所以可以用公司债券收益率与无风险债券收益率的差值来说明没有违约历史的借款人的信用风险变化情况。Garty、Gates和Gupton(2000)也指出，由于很少能获得违约贷款的市场价值，所以回收率(1一违约损失率)通常能用困境公司债券的市场价值近似代替。标准普尔的资深风险分析和管理专家AmauddeServigny和OlivierRenault在(MeasuringandManagingCreditRisk》一书中也提出“从证券价格中提取回收率”理论，认为可以从证券价格变化信息中估计借款人的违约损失率。基于以上思想，我们同样可以认为：在国际信贷中，一国国家债券的升水幅度可以反映出该国的国家风险变化信息。因此，我们可以通过计算一国国债的升水幅度来估计该国的国家风险LGD。
1．2主权差价法
主权差价来源于收益率差价的概念，收益率差价是市场上最广泛使用的反映信用质量的指标。差价定义为两种收益率的差额。主权差价(SovereignSpread)是指在相同到期期限的条件下，某一国家所发行债券的收益率减去另一个国家所发行债券收益率的差额。一般来说，一国发行的债券收益率在该国的资本市场上将被视为一种无风险债券。但是对于他国的投资者或者是贷款者来说却并非如此，它具有国家风险。本文将一国国债的收益率与“等价”的无风险国债收益率之间的差额看作为一种“主权差价”，即该国国债的升水幅度。这里的“等价”是指债券具有相同的到期期限、息票利率，以及附带相同的嵌入式期权如提前赎回和售回选择权。知道了一国国债的升水幅度——主权差价，只要再知道主权差价与国家风险LGD的关系就可以计算出国家风险LGD，这就是主权差价法的基本思想。其中，主要存在两个难点：一是主权差价与国家风险LGD的函数关系是什么；二是在计算主权差价中无风险收益率的计算。在多数情形下，市场上并不存在与某国债特征完全相同的无风险债券。计算出与该国国债“等价”的无风险国债收益率也就成为计算主权差价的难点及关键点。
1．3主权差价与国家风险LGD的关系
根据标准普尔的资深风险分析和管理专家AmauddeServigny和OlivierRenault在<MeasuringandManagingCreditRisk~-书中提出的“从证券价格中提取回收率”理论，它通过违约时回收值与无风险债券价值比例的假设得出了在风险中性下风险债券的收益与无风险债券的收益以及预期损失(PD×LGD)三者的函数关系：在时间t一个可违约的、到期日是T的零息债券价格为P()以及违约时债券持有者可回收同等性质无风险债券价格为B()，当投资者风险中性时：P(，)=B(t，丁)×【l—PDxLGD】(1)公式的解释为：风险债券的收益等于无风险债券的收益减去预期损失。从公式(1)中可以明显看出，通过观察风险债券和无风险债券价格，不但可以得到违约概率和违约损失率所需要的相关数据，还可以利用公式(1)计算得到违约损失率本身。
1．4内插法计算无风险收益率
由于市场上并不存在与某国债特征完全相同的无风险债券，更不能将到期期限相近的基础国债收益率作为无风险收益率。所以为了提高计算的精确性，我们需要采用一种合适的方法计算无风险收益率。笔者通过大量国内外文献资料的查阅找出了计算无风险收益率的方法——内插法。许多研究者在他们的研究中提出了不同的内插方法，本文就不再详尽阐述。笔者选取了最为常用的一种内插方法——尼尔森一西格尔方法，该方法的基本原理如下：尼尔森(Nelson)和西格尔(Siege1)(1987)提出的拟合收益率曲线的方法，是通过观察得到的收益率R来拟合下面的非线性方程：R(t，T)+(+)exp【-(T—t)／卅-t)t8～。xp一】(2)(2)式中的O／、／3、、6为参数，可通过观测的收益率与模型预测的收益率离差平方和最小化来估计。尼尔森(Nelson)和西格尔(Siege1)(1987)认为无限期的到期期限收益率数值即为与被观测债券对应的无风险收益率值。由此，我们就可得出“等价”无风险收益率R(‘r，)的计算式，为(3)式：R(‘)=Ol(3)。
1．5国家风险LGD计算公式的建立
设国家债券的收益率为(‘)，与国家证券完全匹配的无国家风险的证券收益率R(‘T)，主权差价为S(t,T)。主权差价是指国家债券的收益率(c’T)与其他条件相同但无国家风险的证券收益率R()之间的差额。T表示到期日，t表示当前日期。因此，主权差价与国家债券的收益率、无国家风险的证券收益率三者之间关系表示如下，见公式(4)：s(t，)=r(t，)一R(t，T)(4)由于到期日为T的零息风险债券即某国国债在t日的价格可表示为：P(t，T)=exp[-y(t，)×(T—)】(5)相类似地，无风险债券的价格B(t,T)也可以表示为：B(t，)=exp[-R(t，r)x(rf)】(6)将(5)式、(6)式带入(4)式中，于是就有(7)式：s(t，)=l／(T—t)log[B(t，T)／P，r)】(7)我们假设在商业银行国际信贷业务中，银行是风险中性的。即对于银行来说，获得1元和获得预期1元的偏好是无差异的。在风险中性的假设下，根据(1)式所述的函数关系：P(f，)=B(t，T)x[1一PD×LGD】(1)将(5)式、(6)式带入到(t)式中，并与(7)式联立，就可得到(8)式：sq，)=一1／(T—t)log(1一PDxLGD)(8)根据(8)式，可导出LGD的显函数表达式为(9)式：一ex口f——l_一j上GD：—I1fL=(9)PD将观测到的某国国债收益率(‘T)与无风险收益率R(‘丁)相减就可得到主权差价S(t,T)，无风险收益率R(T)町通过尼尔森一西格尔方法得到。主权差价计算出来以后，只要知道风险中性的累积违约概率PD即可求得LGD。而对于违约概率PD的计算，相关领域的学者以及评级机构都有非常成熟的测算方法，穆迪、标准普尔等大型评级机构也会定期公布国家评级指标对应的累积违约概率值，我们这里就不再详细介绍PD的计算方法。
1．6主权差价法度置国家风险LGD的适用条件
本文提出的主权差价法度量国家风险LGD，存在两个适用条件：一是假设贷款银行是风险中性的；二是估计的是一次还本付息的国际信贷产品。
2小结
度量范文篇2
关键词:风险度量,正负偏差,综合风险偏差
一,研究的目的和意义
本文的研究目的在于识别和度量证券投资中的风险,按照投资组合理论,通过组合可以分散掉的风险被称作"非系统性风险"或者"公司特别风险",它源自于各个公司内部的特别事项的发生,比如,诉讼,罢工,营销策略的成功或失败,合同签署及履行情况.由于公司各自的情况不同,导致这种风险在各个公司之间的差距较大.进行投资组合的一个基本思路就是通过证券组合使一种股票报酬率的不好的变化被另一种股票报酬率好的变化抵消掉,从而将这种风险最大程度地分散掉.当然,仍存在一部分组合难以消除的风险,被称作"系统性风险"或"市场风险".这种风险通常源自公司外部的一些宏观经济或非经济事项,比如战争,通货膨胀,经济衰退,利率的波动.这些事项的发生会对所有的企业的经营状况产生影响,因而无法通过投资组合予以分散.本文主要讨论前一种风险,分析它对于投资者投资决策的影响.这有助于管理部门进行证券投资风险管理,提供一个管理的客观标准,有利于规范证券市场,优化资源配置,从而促进经济的稳定发展.
二,目前研究的现状
1,风险研究的发展【13】
自从Markowitz于1952年创立了投资组合以来,风险度量和金融资本配置模型的研究一直是金融投资研究的热点之一,到目前为止,金融投资专家和学者已提出很多种不同的度量风险模型.从各种模型提出的动因看,推动风险的度量模型发展的主要因素有:(1)对风险含义认识的深化.Markowitz将风险视为投资收益的不确定性.方差因可以很好衡量这种不确定性的程度而成为风险的度量方法.随着对投资者风险感受心理的研究,人们认识到风险来源于投资项目损失的可能性,因此,出现了半方差等变化了的风险度量模型.(2)风险心理学的研究成果.由于每个投资者的风险偏好和风险承受能力不同,金融界,投资界和理论研究者对此做了大量的研究,希望能找到更符合现实状况的风险度量方法和能更高效获取投资回报的资产配置模型.因此,在风险度量模型中,引进了反映投资者风险偏好和风险承受能力的风险基准点,由此形成另一类风险度量模型.如ExpectedRegret方法等.(3)数学处理简化的需要.在对各种风险度量模型进行理论分析时,经常要用数学方法对其进行处理,为了便于应用数学方法,在不影响模型的特征的前提下,尽可能采用一些数学上较容易处理的模型.如方差与标准离差,其特征基本类似,但方差的数学处理要比标准离差容易,因此在理论上和实际应用中,方差比标准差普遍.最近提出的CVaR风险度量方法,也是在VaR方法遇到数学处理困难时提出的.(4)风险管理实践上的需要.风险度量模型要能够应用于投资实践,其度量结果必须有很好的经济解释,以前的很多风险度量方法.如方差,半方差,标准离差之所以未能得到现实投资者的广泛接受,很大原因在于它们不能给投资者提供一个可理解的风险评价值.90年代以来出现的VaR尽管在理论界受到广泛的批评,但仍然得到监管部门和现实投资者的广泛接受,其原因在于它提供一种易于理解的描述风险的普通语言.
2,风险的定义
关于风险概念,学者们下过许多定义.可归纳为以下七种【11】:
将事件本身存在不确定性视为风险;
将未来结果的变动可能性视为风险;
将各种可能出现的结果中的不利结果视为风险;
将不利结果出现的可能性及不利程度视为风险;
将各种可能结果之间的差异本身视为风险;
以客观实际结果为参照对象,将主观预期结果与客观实际结果的距离视为风险;
以主观预期结果为参照对象,将未来结果与主观预期结果的差距视为风险.
概念①和②主要关注事件结果的不确定性;概念③则关注与预期不一致的不利结果;概念④进一步强调不利结果发生的程度;概念⑤,⑥,⑦是一类,主要关注结果与某种参照标准之间的差距.由于出发点和认识上的不同,上述定义并没有准确界定风险的一般性.因此,保险业说的是可能导致财产损失的风险,金融管理界说的则是可能导致金融体系动荡甚至崩溃的风险,证券投资者说的又是投机交易可能出现巨额亏损的风险,风险投资者说的却是可能因投资失败导致血本无归的风险.还有诸如技术风险,市场风险,管理风险,财务风险,政策风险等等.用的虽是同一个词汇,但叙述的内容则有差异,对风险概念和定义的描述不尽相同.因此,本文的研究对象主要集中在③,④两种概念范畴,以缩小范围,集中注意力研究这个问题.
3,风险的量化
目前,常见的风险度量指标可分为三类.
第一类:用风险分布的数字特征来构造风险度量指标,而不直接涉及行为主体对风险的偏好特性程度.典型的有:
(1)方差风险度量及其引申
马克维兹(Markowitz)在投资组合理论中以投资收益率r的均值(mean)E(r)度量投资组合的收益,以投资收益率r的方差(variance)σ2(r)度量投资组合的风险.这被称为均值-方差决策规则.
方差是用来衡量一个随机变量波动大小的指标,当随机变量的波动呈对称性分布时,收益波动越大的随机变量,其潜在的损失也就越大.因此,当随机变量的分布为对称型时,用方差来表示风险是恰当的.由于Markowitz在1952年进行投资组合分析时,假设投资组合的各项资产的收益率的联合分布为正态分布.因此,它的分析方法是恰当的.标准离差(standardderivation)与方差的特征一样,只是标准离差在数学分析时较容易处理,因此传统上,度量随机变量的波动性一般采用方差而不采用标准离差.不过,方差虽然在分析其性质时容易数学处理,但利用它进行投资组合优化时,存在计算上的困难,因为必须求解二次规划问题,Konno和Yamazaki(1991),胡日东(2000)提出,利用标准离差作为风险度量指标,可以简化投资组合优化的运算.因为只需求解线性规划问题即可.
举个例子,设有两个投资方案,其收益率分别为随机变量X和Y,数学期望分别是x和y,标准差分别为σX和σY,则在均值-方差决策规则中,所谓X优于Y,是指其满足如下两个准则:
准则1:x≥y,σX≤σY
准则2:
其中:rf为市场上的无风险利率.
虽然方差度量具有良好的特性,但是自从Markowitz提出方差作为风险度量指标后,还是受到众多的批评和质疑.其焦点在于投资收益率的正态分布特性,它对收益率波动的好坏不分(将高于均值的收益率也视为风险).法玛,依波持森和辛科费尔德等人对美国证券市场投资收益率分布状况的研究和布科斯特伯,克拉克对含期权投资组合的收益率分布的研究等,基本否定了投资收益的正态分布假设.半方差(semivariance),半标准离差(standardsemiderivation)---半方差的平方根,正是在这种背景下提出来的,哈洛提出半方差的概念用来度量风险,即只关注损失边的风险值(DownsideRisk).用于解决收益率分布不对称时的风险度量问题,但从模型包含的变量看,这两种方法并不"纯净",因为模型中含有投资收益的均值,风险量值的大小不仅取决于各种损失及其可能性等不利情景,而且还与投资收益的有利情景有关.而人们广泛所接受的仍然是以方差作为风险的度量.均值-方差决策规则也在投资决策中得到了广泛的应用.
(2)含基准点的风险度量
从风险的原始语意出发,风险应该反映投资资产出现不利变化的各种可能性,从投资收益率角度看,风险应该反映投资收益率在某一收益水平下的各种可能性高低,从投资组合价值变化角度看,风险应反映投资组合价值损失超过某一基准点的可能性大小.因此,对投资者而言,关注风险,就是关注其投资收益率或其投资价值出现在某一基准点以下的分布状况.基准下方风险度量(downsideriskmeasure)被认为是对传统证券组合理论的一个主要改进.但是由于各投资者的风险偏好和风险承受能力不同,所以每个投资者都有和他对世界认知相容的与众不同的基准点.包含基准点的风险度量模型很多,最普遍的和经常使用的基准下方风险度量是半方差(特殊情况)和LPM―――LowerPartialMoment(一般情况).其中半方差是一个更合理的风险度量标准(连Markowitz自己都承认这一点).无论从理论上,经验上,还是实践上,半方差都是和期望效用最大化(ExpectedUtilityMaximization)几乎完全一致的【4】【5】.它的一个改进―――半标准离差性质也很好,与基于偏好风险厌恶的一个公理化模型―――二阶随机占优(SeconddegreeStochasticDominance---SSD)也几乎是一致的【1】.但是哈洛(Harlow)的LPM模型更为成熟.哈洛在投资组合理论中引入风险基准(riskbenchmark)———投资收益率r的某个目标值T(targetrate),用LPM(lowerpartialmoments)度量投资组合的风险:
这里r为投资组合的收益率,F()为收益率r的分布函数,v为基准收益率.当n=0时,LPM0=P{r0,称Ri为综合风险偏差.那么上述的风险组合偏差只不过是综合风险偏差在θ=1的特例罢了.我认为,由于风险是不对称的,所以θ≠1.具体的结果,应该通过实证分析得到.
综合风险偏差Ri将正偏差与负偏差有机地结合起来,反映了两种不同性质的偏差对投资决策的影响.Ri越大,说明投资项目越具风险性;若Ri小于0,则非常具有投资价值.综合风险偏差都可以用来比较一系列投资项目的优劣.特别是当投资者比较注重投资的风险性的时候.
四,实证分析
应用上面介绍的理论模型度量金融资产或其组合面临的风险,前提条件是金融资产或其组合的价值变化或收益率分布必须是确定的,这在实际中往往是不可能的.在实践中有两种情况:一种是根据理论推导可以确定金融资产的价值或收益率变化的分布类型,只是分布参数未知.在这种情况下,可以利用统计学的参数估计方法(如点估计或极大似然估计法)来估计模型的分布参数,然后将估计的参数代入上述理论模型就可以测算风险量值.另一种情况是连金融资产的价值或收益率的分布类型也无法确定,在这种情况下,只能根据历史数据或情景模拟数据来刻画它们的经验分布,再根据经验分布测算其风险量值.实践中往往以后一种情况居多,因此在风险管理或控制中,历史资料的积累和相应数据库的建立是相当重要的.
因此,我取的数据为,上证股票从中按同分布随机抽样抽出5只股票历史数据,取每周周末的收盘价,时间范围为2001年1月5日-2003年4月30日经过作一些调整共形成115周的数据;同时在深证股票中进行同样的操作.分别计算它们的综合风险偏差,根据收益越大,风险越大的原则(即无套利原则,否则存在套利机会.),估算它们的θ值.同时,可以按原来的各种方法,模拟它们的分布,计算风险.最后用这些数据来比较各个风险度量标准的优劣.具体的数据表如下:
表一:上海证券交易所的股票
股票名称
浦发银行
啤酒花
九发股份
昆明制药
龙头股份
代号
1
2
3
4
5
20010105
14.41
28.96
12.24
17.85
19.55
14.33
28.20
13.15
17.45
19.01
13.99
27.30
12.75
16.85
18.60
13.19
25.02
11.56
15.58
17.45
11.98
24.60
11.40
15.30
17.92
11.68
24.37
11.40
15.65
17.49
20010302
11.64
25.35
11.84
15.79
17.60
12.12
24.98
11.85
16.00
18.35
12.04
26.78
12.08
15.84
17.67
12.74
27.00
11.52
15.96
17.79
13.06
27.01
12.04
16.87
18.30
12.65
27.96
12.00
16.50
18.29
12.60
27.93
12.01
17.25
18.45
12.98
28.10
11.71
16.75
18.20
12.57
28.12
11.49
16.35
18.20
12.52
28.28
11.40
16.38
18.23
20010511
13.15
28.12
11.68
16.41
18.24
12.99
29.87
11.58
16.50
18.12
13.08
31.02
11.83
16.97
18.54
13.20
31.12
12.04
16.84
18.63
13.10
30.10
11.99
18.00
19.08
12.95
30.58
11.90
18.16
19.77
12.70
31.02
11.74
18.49
20.38
13.18
31.92
11.86
18.88
21.05
20010706
13.69
30.80
11.71
18.70
20.30
13.70
31.12
11.65
18.70
22.08
13.93
31.42
11.75
18.15
22.38
13.65
28.73
11.02
17.78
21.39
13.06
27.57
10.25
17.30
20.79
13.21
28.42
10.29
17.38
21.28
12.84
27.88
9.89
17.25
20.87
12.33
27.67
9.80
16.85
19.88
11.63
27.20
9.11
16.68
19.28
20010907
11.36
27.40
8.97
16.52
19.15
11.96
27.33
9.13
16.84
21.13
11.60
27.47
8.94
16.97
20.56
11.25
26.77
8.84
16.82
19.88
10.46
24.07
8.64
15.00
19.78
9.55
22.50
8.03
13.19
18.52
10.34
23.78
9.76
15.45
20.35
20011102
11.38
24.02
9.71
14.89
21.22
10.77
22.92
9.35
15.18
21.00
10.10
22.74
9.25
14.28
21.10
10.71
24.38
9.60
14.75
20.99
10.80
24.03
9.89
14.82
21.73
11.09
24.45
9.66
15.32
20.99
10.39
23.88
9.10
14.61
21.44
9.95
24.72
8.95
14.11
20.78
9.90
25.21
8.92
13.91
20.62
20020104
9.76
24.57
8.79
13.89
20.63
9.09
23.63
8.03
11.70
19.40
7.95
21.13
8.57
11.60
17.92
8.17
21.92
8.75
12.65
17.71
8.41
22.72
8.24
12.36
18.17
8.87
22.22
8.46
12.19
17.40
20020301
8.81
22.34
8.29
11.80
17.75
9.77
23.72
9.30
13.58
18.97
9.55
23.13
8.78
13.52
19.99
9.85
23.65
8.98
14.09
19.73
10.09
21.95
8.56
13.66
19.51
9.20
22.33
8.58
14.22
19.68
9.58
22.12
8.83
13.93
19.26
9.22
21.34
8.73
13.55
18.68
9.32
21.70
8.72
13.71
18.72
9.43
21.89
8.89
13.92
20.46
20020510
9.16
21.12
8.67
13.76
20.90
8.69
20.69
9.41
13.04
20.94
8.45
19.94
9.77
12.89
20.09
8.23
18.99
9.54
12.77
19.28
8.33
19.39
9.71
13.27
19.72
8.00
18.74
9.48
12.99
19.18
8.56
20.45
10.22
13.50
19.70
9.75
20.91
11.03
15.52
20.11
20020705
9.77
20.57
10.92
15.41
19.56
9.40
20.54
10.51
14.97
19.54
9.39
20.84
10.49
15.00
19.72
9.10
19.74
10.03
15.10
18.95
9.12
19.76
10.10
15.37
18.07
8.99
19.50
9.75
15.30
17.81
8.96
19.95
9.78
15.41
17.35
9.24
20.45
9.88
15.69
17.74
9.19
20.66
9.60
15.85
17.52
20020906
8.88
20.14
9.17
15.50
16.57
8.62
20.38
9.24
15.25
15.96
8.54
19.98
9.42
14.93
15.97
8.54
19.98
9.16
15.35
15.18
8.12
18.62
9.25
14.55
14.33
8.14
18.37
9.43
14.25
13.72
8.10
18.44
9.61
14.22
13.66
20021101
7.92
18.08
9.60
14.40
13.66
7.91
18.26
9.63
14.73
13.40
7.62
16.82
8.43
14.25
13.13
7.19
15.85
8.02
13.85
12.13
7.30
16.39
8.31
14.21
12.68
7.13
15.64
7.93
14.03
12.20
7.09
15.72
7.86
13.98
12.08
7.22
16.24
8.09
14.06
12.92
6.92
15.85
7.72
14.06
12.25
20030102
6.45
15.25
7.37
12.84
11.84
6.77
15.54
7.61
13.41
12.55
7.14
16.33
8.44
14.61
13.40
7.04
16.55
8.07
14.78
14.09
7.17
16.54
8.11
14.78
14.22
7.30
16.40
8.14
14.63
14.20
7.15
16.13
8.13
14.28
13.94
7.30
16.80
8.18
14.37
13.79
20020307
7.14
16.35
7.92
14.36
13.45
6.83
15.97
7.70
13.97
13.10
6.81
16.14
7.89
14.16
12.96
6.94
15.73
7.92
14.27
13.01
6.90
16.42
8.05
14.37
13.12
7.03
16.58
8.10
14.94
12.89
6.98
17.27
8.02
15.59
13.69
6.55
16.29
7.55
13.40
13.30
6.33
17.75
7.31
13.72
12.98
均值
9.92
22.57
9.65
15.08
17.73
收益
-0.31
-0.22
-0.21
-0.16
-0.09
正偏差ui
0.24
0.19
0.15
0.10
0.11
负偏差di
0.17
0.17
0.11
0.08
0.19
方差
5.24
22.29
2.12
2.64
8.73
没有参数的
-0.07
-0.02
-0.04
-0.02
0.09
加入参数的
-0.17
-0.13
-0.11
-0.07
-0.03
风险组合偏差
0.72
0.89
0.72
0.83
1.80
表二:深圳证券交易所的股票
股票名称
丝绸股份
江铃汽车
桂林集琦
中成股份
吉林化纤
代号
1
2
3
4
5
20010105
27.80
8.45
22.17
23.28
7.29
24.30
8.34
22.21
23.66
7.89
25.88
8.73
20.90
24.22
7.90
24.36
8.54
20.09
23.00
7.47
25.13
8.42
20.14
22.58
7.68
25.58
8.30
19.97
25.65
7.33
20010302
27.70
8.47
21.60
24.07
7.43
28.58
8.38
21.42
24.05
7.60
28.50
8.32
21.82
24.96
8.16
27.04
8.51
21.10
24.84
8.18
27.86
8.73
22.28
25.36
8.53
29.19
8.67
21.28
25.52
8.94
26.69
8.93
21.50
27.40
8.91
26.82
8.61
21.80
26.37
8.90
25.38
8.45
20.65
25.56
8.45
25.41
8.40
20.73
26.16
8.34
20010511
26.47
8.65
21.08
26.43
8.69
25.83
8.54
22.13
26.76
8.95
25.03
9.00
21.83
23.96
8.55
26.24
8.93
22.98
23.68
8.80
25.57
8.91
23.98
23.77
8.54
24.75
8.82
24.11
23.28
8.73
25.43
9.22
25.15
23.73
9.00
25.43
9.24
24.65
24.21
8.86
20010706
25.34
8.81
24.61
24.14
8.54
26.11
8.86
26.14
23.66
8.44
25.79
8.83
26.54
24.09
8.38
25.74
8.50
23.85
23.56
8.03
24.76
7.89
22.22
23.88
7.36
24.57
7.85
23.87
23.58
7.39
24.19
7.69
23.59
23.35
7.29
23.95
7.49
22.99
23.28
7.48
23.56
6.79
22.13
23.14
7.45
20010907
22.55
6.92
21.21
23.01
7.19
21.97
6.98
20.62
23.14
7.15
21.31
6.76
20.65
23.01
6.98
21.45
6.49
20.39
22.27
6.40
21.36
5.93
18.93
22.02
5.66
20.77
5.70
15.15
21.36
5.87
20.64
6.10
16.73
21.78
6.16
20011102
20.55
6.47
17.06
21.87
6.57
20.43
6.15
15.39
21.74
6.68
20.37
6.15
15.36
21.88
6.80
20.41
6.38
18.36
22.05
7.12
20.98
6.60
19.28
22.28
7.17
20.79
6.66
18.63
22.51
7.05
20.25
6.36
18.23
22.27
6.70
19.18
6.30
16.94
22.23
6.80
18.91
6.08
16.92
23.35
6.44
20020104
18.59
6.02
16.79
23.42
6.37
16.00
5.52
15.11
23.06
5.93
10.94
4.54
12.87
22.63
6.07
10.26
4.32
14.42
22.72
6.43
12.56
4.53
15.03
23.13
6.67
11.89
4.64
15.09
23.12
6.72
20020301
12.34
4.65
15.17
24.10
6.56
14.45
5.55
17.66
24.37
7.08
14.67
5.48
16.83
24.32
6.94
14.63
5.50
18.33
24.81
7.10
14.85
5.24
18.20
24.50
6.75
15.58
5.73
18.08
24.74
6.68
15.17
5.63
18.02
25.16
6.89
14.68
5.52
17.60
24.12
7.74
14.41
5.77
17.48
24.37
8.60
14.65
5.82
18.17
23.64
9.33
20020510
14.47
5.76
17.45
23.89
8.91
13.82
5.61
16.46
23.57
8.39
13.50
5.67
15.87
23.56
8.27
13.19
5.96
15.32
24.32
7.93
13.28
6.19
15.74
25.86
8.31
12.83
5.95
14.99
25.24
8.59
13.98
6.35
16.01
27.03
9.18
14.92
7.02
16.73
27.75
9.44
20020705
15.03
6.94
16.67
28.21
10.04
14.77
6.82
17.66
28.56
9.62
14.81
6.95
18.84
28.32
9.88
14.16
6.87
19.01
27.84
9.36
14.20
6.78
20.01
27.83
9.64
13.89
6.81
20.30
27.54
9.79
14.25
6.79
19.59
28.05
9.58
14.54
6.74
20.01
28.52
9.86
14.56
6.97
19.47
28.50
9.64
20020906
14.04
6.68
19.52
28.12
9.20
13.82
6.52
19.83
27.99
8.80
13.37
6.27
19.88
27.68
8.83
13.23
6.10
19.79
27.83
8.56
12.83
5.76
19.23
27.11
8.19
12.72
5.70
19.22
26.74
8.39
12.65
5.78
19.61
26.69
8.55
20021101
12.63
5.77
19.02
26.34
8.80
12.49
5.65
19.77
26.24
8.31
11.34
5.19
20.03
25.73
8.74
10.62
4.80
19.19
25.24
7.82
11.14
5.15
19.77
26.42
8.15
10.94
4.99
19.82
26.04
8.05
11.19
4.96
19.95
25.64
8.11
11.62
5.12
19.79
26.02
8.19
11.01
4.94
18.65
26.12
7.71
20030102
11.12
4.73
17.58
25.20
7.30
11.55
4.98
17.57
25.94
7.62
11.97
5.34
17.03
26.36
8.23
12.09
5.31
15.96
26.16
8.22
12.15
5.34
16.70
26.71
8.29
12.47
5.35
16.32
26.68
8.41
12.16
5.30
16.16
25.96
8.40
12.33
5.57
16.74
25.83
8.96
20020307
12.06
5.30
16.35
25.24
8.93
11.61
5.19
14.79
25.46
9.16
11.55
5.16
14.13
25.35
9.02
11.53
5.21
14.45
25.68
9.30
11.71
5.18
14.37
25.19
9.51
12.04
5.33
14.40
26.55
10.30
11.89
5.46
15.44
26.21
10.15
11.01
5.06
13.85
25.56
10.68
10.83
5.04
12.68
24.35
12.77
均值
17.81
6.57
18.90
24.90
8.12
收益
-0.36
-0.22
-0.15
0.07
0.11
正偏差ui
0.35
0.21
0.12
0.06
0.10
负偏差di
0.27
0.16
0.14
0.06
0.13
方差
35.43
1.93
9.00
3.41
1.37
没有参数的
-0.08
-0.05
0.01
0.00
0.03
加入参数的
-0.17
-0.11
-0.03
-0.02
-0.02
风险组合偏差
0.77
0.74
1.09
0.95
1.28
备注:(1)所有的数据都不是原始数据,均经过处理,原因很简单,因为在这两年间,这些公司都派发了红利,主要有送股和直接派送现金两种方式,也有的公司进行了配股,因此股价在派发红利时产生剧烈变动,所以我根据派发红利的方式和比例进行了还原计算,将所有价格都调整到2001年未派发任何红利的基准情形.
(2)所有的数据都只保留两位,但是计算并没有简化,只有最后结果才显示两位.所有有时会看到0.14-0.12=0.01的情况,这是正常的.
(3)收益是以均值作为最后价格进行的计算,因为如果只用最后一周的收盘价,显然有失偏颇.正负偏差也是以均值作为期望值的.
(4)由于这两年中国的利息率非常之低,同时还征收利息税,所以我忽略了利息的影响,令rf=0.
(5)两个表格中,所有股票都是按收益从小到大进行排序,编号,以便于比较各种风险度量方式的优劣.
所有的股票都是按收益排序的,根据无套利原则(收益越大,风险也就应该相应的越大),他们的风险也应该是由小到大排序的.从表格的数据中我们可以明显的看到,方差是紊乱的,与收益并没有明显的线性关系,所以可以断定,投资者并没有使用方差作为他们度量的依据.风险组合偏差比方差要好一些,在上海市场上,有一个数据没有按照递增排列,而在深圳市场上有两个.说明这种度量风险的方法也是不够好的.再看看没有参数的情形(也就是没有θ,直接用di-ui来作为度量风险的标准),在两个市场上都有一个数据没有按照递增排列,所以这个情形也不够好,但是相差也不远,所以我引入参数θ.下面通过无套利原则(收益越大,风险也就应该相应的越大)来估算θ的值.
由收益越大,风险也就应该相应的越大的原则(无套利原则),那么,用这四个不等式组成的不等式组,分别计算上海和深圳两个市场上的θ值,可得在上海市场上,0.09<θ<0.67,取中值,所以θ1=0.38;而在深圳市场上,0.57<θ<.75,取中值,所以θ2=0.66.更一般的,令,可得中国市场上,不对称系数θ=0.52.
这个结果令我很迷惑,根据心理学和行为经济学的研究成果【6】,风险是不对称的,负偏差对人们效用造成的影响应该比正偏差大,所以θ应该比1大才对,但是现在居然只有一半,和心理学和行为经济学的研究成果完全不符.这很奇怪!我分析主要有以下几个可能的原因:
1.中国的证券市场并不完备,这是大家公认的.即使美国也只是弱完备市场.我收集不到美国的数据,所以没法进行比较分析.可能市场的不完备性影响了数据的真实有效性.
2.心理学和行为经济学的研究成果可能讨论的是普通人,也就是一般人在经济生活中的行为,比方说买菜,买衣服这一类,但是证券市场上全是投资者,可能他们的效用函数与普通人是不一样的.特别是在中国市场上,存在相当多的投机者,他们都想以小博大,一夜暴富.因此他们往往不在乎负偏差,而更关心正偏差有多大.这几年股票的收益并不好,在上海市场上,全部五只股票收益都是负数,而深圳市场上也有三只股票收益为负.在这样的情况下,投资者虽然有所减少,但是仍有相当数量的投资者选择留在市场中.这充分说明了他们并不关心负偏差,而更关心正偏差有多大,想抓住一个正偏的机会发一笔财.在这种情形下,θ=0.52<1也就不足为奇了.
3.当正偏差超乎寻常的大时,人们就顾不上负偏差了.这就好像,管理中心已经说了,拿出50%作为彩金,也就是任何投资的理性预期收入应该时投入的一半,但是由于有一个微乎其微的概率得到一个超乎寻常的正偏差――五百万,人们对乐此不疲.这实际上也是一个投资中不理性投机的行为.证券市场上也是如此,前些年,市场很不规范,有少数人钻空子赚了不少钱,这就成了那个超乎寻常的正偏差.人们就纷纷仿效,根本没有理性分析情况的变化,就忽视了负偏差.这可能也是θ相当小的原因.
五,新的风险度量标准在投资决策中的应用
用综合风险偏差很容易解决在本文第一部分中所提到的例证.很明显,基金A和基金B相对于rf的负偏差均为0,也就是说两者都不存在绝对风险,两者的正偏差分别为rA=rf+0.5,rB=rf+1,从而两者具有不同的综合风险偏差-0.5和-1.显然B的综合风险偏差较小,故投资于基金B比较有利.
对于一般情况而言,显然投资者应该选择综合风险偏差较小的证券组合.
下面就单一证券投资方案的选择举例,对证券投资组合的选择可类似地讨论.设有A,B,C三种证券,时间周期为半年,预期收益率及发生的概率如表1所示(预期收益率的概率分布可通过对历史数据的观察而得出,此处仅举例说明风险调整收益在投资决策中的应用,故假设各种可能的收益率发生的概率均为1/6)【10】.
表1证券A,B,C半年期预期收益率(单位:%)
Si\Pj
1/6
1/6
1/6
1/6
1/6
1/6
A
-10
-3
20
6
-5
10
B
-20
-8
6
40
20
-2
C
-5
-2
2
8
4
-4
设基准收益率rf=2%,取中国证券市场的不对称系数θ=0.52,则计算如表2所示.
表2证券A,B,C半年期预期收益率的综合计算指标(单位:%)
Si
ri
Vari
di
ui
Rgi
Ri
A
3.00
1.23
8.00
10.00
0.80
-5.84
B
6.00
4.58
12.00
20.00
0.60
-13.76
C
0.50
0.26
5.67
4.00
1.42
-1.05
由上表可以看出:
若考虑平均收益率的大小,应选择证券B进行投资;
若考虑用方差表示的风险指标,应选择方差较小的证券C进行投资;
若考虑以负偏差表示的证券的绝对风险,就选择证券C进行投资;
若综合考虑方差和风险,则证券A的方差比较小,收益比较大,值得考虑投资;
若考虑风险组合偏差,则证券B的风险组合方差最小,应优先考虑投资;
若考虑综合风险偏差,则应选择证券C.证券C的综合风险偏差最小.
事实上,市场上能无风险的获得收益率2%,那么没有人愿意去投资平均收益只有0.5%的证券C,因为这样还要承担一定的风险,虽然有可能使自己的投资收益超过2%.
可以看出,风险度量指标及投资决策指标的选择对投资决策的结果有着决定性影响.因此,风险度量指标与投资决策指标的选择合理与否将直接决定投资行为的成败.
RiskMeasureandItsInfluencetotheInvestmentDecision
JingFang
(BusinessSchool,WuhanUniversity,Wuhan,430072)
Abstract:Thispaperreviewthehistoricalmethodofriskmeasure,pointouttheirlimitation,supplyawaytorecomposeitandanewindexofriskmeasure---synthesisriskdeviation.AnddemonstrateandanalysewithmorethanonethousanddatainthestockmarketinChina,explaintheusageofitwithexample.
KeyWord:riskmeasure,positiveandnegativedeviation,synthesisriskdeviation
参考文献
[1]WlodzimierzOgryczakandAndrzejRuszczynski,《FromStochasticDominancetoMean–RiskModels:SemideviationsasRiskMeasures》,InternationalInstituteforAppliedSystemsAnalysis,InterimReport,IR-97-027/June
[2]DavidNNawrocki,《ABriefHistoryofDownsideRiskMeasures》,JournalofInvesting,1999,Fall
[3]ZengjingChenandLarryG.Epstein,《Ambiguity,RiskandAssetReturnsinContinuousTime》,RochesterCenterforEconomicResearch(RCER),workingpaperNo.474,2000,(7)
[4]JavierEstrada,《Mean-SemivarianceBehavior:AnAlternativeBehavioralModel》,CentroInternacionaldeInvestigacionFinanciera(CIIF),ResearchPaperNo.492,2003(2)
[5]JavierEstrada,《Mean-SemivarianceBehavior(Ⅱ):TheD-CAPM》,CIIF,ResearchPaperNo.493,2003(2)
[6]RichmondHarbaugh,《Skillreputation,prospecttheory,andregrettheory》,2002,(3)
[7]EckhardPlaten,《AMinimalFinancialMarketModel》,2000,(9)
[8]ThomasJ.LinsmeierandNeilD.Pearson,《RiskMeasurement:AnIntroductiontoValueatRisk》,1996,(7)
[9]刘春章黄桐城陈汉军,《风险调整收益及其在投资决策中的应用》,决策借鉴,2002,(10),75-77
[10]马国顺,《一种新的风险度量指标》,西北师范大学学报(自然科学版),1999,(2),19-21
[11]邹辉文陈德棉,《关于风险的若干问题及其在风险投资中的应用》,同济大学学报,2002,(9),1145-1151
[12]张宏业,《证券组合风险的分析》,中央财经大学学报,2000,(6),46-48
[13]陈金龙张维,《金融资产的市场风险度量模型及其应用》,华侨大学学报(哲学社会科学版),2002,(3),29-36
[14]曹永刚王萍类成曜,《现代金融风险》,北京:中国金融出版社,2000
[15]韦廷权,《风险度量和投资组合构造的进一步实证》,南开经济研究,2001,(2),3-6
[16]黄威华,《β系数与证券投资风险的度量》,内蒙古财经学院学报,2001,(3),36-38
[17]傅志超,《股票投资风险的度量与控制》,经济数学,1994,(1),60-63
[18]朱世武张尧庭徐小庆,《一种新的股市风险度量指标及其应用》,经济数学,2002,(6),1-9
[19]戴浩晖陆允生王化群,《单时期下一种新的风险度量方法及其应用》,华东师范大学学报(自然科学版),2001,(9),33-38
[20]吴开兵曹均华俞自由,《风险度量与风险控制》,上海经济研究,1999,(4),42-49
[21](意)皮埃特罗.潘泽(美)维普.K.班塞尔,《用VaR度量市场风险》,綦相译,北京:机械工业出版社,2001
度量范文篇3
关键词:公司信贷;信用风险;基本分析;信用风险模型;风险分散与转移
信用风险包括两个方面，一是债务人到期没有意愿或没有能力还款导致的违约风险;二是信用水平的变动导致的债务市场价值的降低给银行造成损失的可能性．从风险逻辑法的角度，银行需要找出造成信用风险发生的原因，即还款意愿、还款能力和信用评级等．银行与需要贷款的公司是博弈的双方，银行只有充分的占有信息，对信息进行充分的加工与度量，才能在贷前控制高信用风险的公司准入，贷中建立风险预警，及时采取措施，贷后分散与转移信用风险，全面对信用风险进行管理，减少违约事故发生造成的损失．与信用风险有关的公司信息，包括公司外部的经济环境，公司所处行业的发展状况，公司道德与公司经营的信息，财务报表信息，历史违约信息等．针对上述信息的占有，本文采用基于行业、基于经济环境、基于公司经营的基本面分析法，与传统的5c分析法相比更加强调宏观性，行业对比性与动态性．对财务报表信息的占有上，在信息准确的前提下，本文不仅介绍了传统的z评分法，而且从财务比率和统计分析的角度对信息进行加工，以增强预警性．对历史违约信息的处理上，本文着重从模型的角度定量度量信用风险．由于主流的度量信用风险的四大模型各有其严苛的模型假设和使用条件，针对多变且复杂的经济环境，本文重点阐述不同经济背景与适用条件下模型的应用问题．信息的充分占有，数据的充分挖掘，信用风险的准确度量，是银行管理信用风险成败的关键．国内对信用风险的度量与管理研究大多从单一侧面展开，缺乏系统性．例如张乐［1］从经验方法、经济计量方法的角度描述信用风险计量方法．胡心瀚等［2］从统计分析的角度描述信用风险分析中的变量选择．李丽丽［3］从加强内部评级、建立预警系统、完善信息的角度对商业银行信用风险管理提出建议，李子玉［4］强调了建立数据驱动型信用风险的必要性．彭建刚等［5］对creditrisk+模型的应用做了探讨．曹道胜等［6］对四大信用风险模型做了比较．李永军等［7］对信用衍生工具对缓释信用风险的必要性和有利条件作了探讨．本文由风险管理的系统性原则出发，分别从信息的充分占有，信用风险模型的有效选择，信用风险的全过程管理三个角度对公司信贷信用风险的度量与管理进行研究．
1外部的、经验的、定性的信用风险度量初判
外部的、定性的信用风险的度量发生在信贷之前的资信审查阶段，充分利用所掌握的信息，对要求贷款的公司进行初步的筛查，防范于未然．传统的分析方法主要是基于公司经营的5c分析法，然此方法缺乏宏观性与行业对比性．本文采用基本面分析法对信用风险进行度量与管理，它包括宏观经济形势分析、行业发展分析、公司经营特性分析．宏观经济形势分析包括整个经济大环境所处的经济周期，是经济上行、快速发展还是经济下行、发展缓慢，通货膨胀率、利息率、失业率、宏观经济政策(包括财政政策和货币政策)，都是银行需要考查的变量，它直接影响银行信贷总量，进而影响信贷个体的信贷额度．同时经济的波动周期与波动幅度直接影响历史数据对未来预测的准确程度．行业发展分析．银行对不同公司做贷前审查时，公司所处的行业发展状况必须考虑在内．公司信用风险在同一行业因素的影响下具有较强的相似性，在所要求信贷的公司信贷数据不足的情况下，同行业相似的公司的信贷数据可以为银行提供参考．公司所在行业的生命周期所处的阶段，是创业阶段、成长阶段、成熟阶段还是衰退阶段，行业发展势头与国家对行业发展的支持程度都是重要的参考指标．公司经营特性分析，我们主要从六个方面来描述，包括:1)品质．主要包括公司的商业道德与公司声誉，以往的信贷或信用销售中的违约情况与不良记录，主要负责人的品德，公司经营方针和资金运用是否健全．2)能力．从公司实力、财务状况、经营状况、生产能力、资金运转能力来考察其是否具有偿还贷款的能力．3)资本．存货厂房、自有资金规模等资本对债权的保障程度．4)环境．公司在所处行业的竞争地位、地理区位、市场占有率、市场竞争情况，强调对比性．5)公司治理．考察管理层的实力对公司发展的保障程度，包括董事会的构成，成员与管理层成员的专业知识与决策管理能力，管理层的独立性与稳定性，以及信息披露情况．6)抵押担保与保险．公司所要提供的抵押品的质量与价值，公司是否对重要交易和资产进行投保．其中品质、环境、资本、能力是静态指标，考察当前的资产状况与还款的可能性;公司治理是一种动态指标，强调管理层对当前还款可能性的延续与发展;担保与保险表示一旦资产恶化或即将发生违约，能多大程度地减少损失的额度．与传统的5c法相比，基本分析法与5c分析法都依赖于专家的经验与能力，具有很强的主观性．不同之处是，基本分析法更加强调宏观性、行业对比性与发展性．基本分析发生在资信审查阶段，是银行对贷款质量的提前预判，成本低操作性强．
2财务报表的信用风险再计量
假设不存在信息不对称的情况，财务报表真实可信．我们有两种方法来度量借款人的信用风险情况:一是财务指标与违约参数呈现线性关系，著名的有z评分模型与ZETA评分模型．以z评分模型为例，它通过统计方法，选取五个财务指标作自变量，五个财务比率分别为:X1=营运资本/总资产;X2=保留盈余/总资产;X3=息税前利润/总资产;X4=股权市值/总负债面值;X5=销售额/总资产，则债务公司信用指标:z=1．2X1+1．4X2+3．3X3+0．6X4+0．999X5．根据Altman的研究结果，当z＜1．81时，借款公司会违约;当z≥2．99时，则借款公司会履约;当1．81≤z＜2．99时，为未知区域，判断误差大，需要辅以其他方法判断．将X4中的股权市值用账面价值替代，则可得到非上市公司的z评分模型z=0．717X1+0．847X2+3．107X3+0．420X4+0．998X5．线性模型具有较强的适应性与操作性，在预防信用风险事故发生的资信审查阶段可以很好地应用，然而现实经济的非线性性和其理论基础的薄弱性，使其使用范围有所限制．另一种是基于统计分析的非线性方法，主要有因子分析和logistic模型法．其主要思想是:1)对财务报表中的数据构造财务比率指标．主要从六个方面构造，分别为盈利能力、现金流量、偿债能力、资金运作效率、成长能力、盈余能力．以偿债能力为例，短期偿债能力包括速动比率=(流动性资产—存货)/流动性负债，流动比率=流动性资产/流动性负债，现金比率=现金及其现金等价物/流动性负债．长期偿债能力包括资产负债率=负债总额/资产总额，利息保障倍数=息税前利润/利息费用［8］．2)对照变量的选取．为增加预测的准确度，违约组和非违约组要在相同行业、相近地理区域选取，以降低误差．3)剔除非显著性变量．由于财务指标较多，随机选取等量的违约样本和非违约样本，对各个指标作显著性检验，剔除非显著性变量．4)对剩余变量做因子分析，并提取公因子，得出因子得分函数．5)对所选取的因子做logistic回归分析，得危机预测模型．6)设定临界点，把需要作出信贷决策的公司财务比率带入模型作出判断．此方法的关键是违约组与非违约组财务数据的采集．工作量大，适合银行在公司所在行业已建立信贷数据库且数据充分的前提下使用．然而要求信贷的公司提供给银行的财务报表数据不一定准确，且银行并没有建立有效的数据库，该方法并没有得到很好的应用．
3基于模型的信用风险定量分析
无论是信贷发生前对要求信贷的公司的资格审查还是信贷发生后对信用风险事故发生的有效预警，都离不开对信用风险的定量分析．然模型具有严苛的假设条件和使用条件，现实经济环境是复杂多变的．本文以信用风险度量的主流模型为例，说明特定环境下的主流信用风险模型的使用问题．现在主流的度量信用风险的模型有CreditMet-rics模型、CreditRisk+模型、KMV模型和CreditPortfolioView模型．我们根据这四个模型的不同假设条件，结合多变的经济环境，探讨基于公司信贷的信用风险的模型应用问题．3．1CreditMetrics模型应用CreditMetrics模型的关键性假设，一是信用风险与市场风险无关．如果在所截取时间区间内，市场变量稳定，或市场变量没有显著的波动，即环境变量不是造成同行业内公司与公司违约与否显著性差异的变量，这时我们可以假设信用风险与市场风险无关，只与公司经营与公司道德有关;二是违约，不仅指没有按时完全偿还债务，还包括信用等级下降导致的债务市值的下降，这里的关键是信用等级转移矩阵的获得．假设银行对公司所在行业有充分的交易数据与信用数据记录，则银行可以根据历史数据得到信用等级转换概率与违约概率，即有信用等级转移矩阵，如果知道公司的信用评级情况，那么就可以求出所求债务的经济资本．具体运算过程如下:设债券到期期限为T，债券等级为m，Mjk表示信用等级为j时第k年的净现金流，rjk表示信用等级为j时第k年的零利率收益率，cj表示信用等级为j时债务的现值．则cj=∑Tk=1Mjke－rjkk．设由当前信用等级转移为j等级的概率为pj，则E(c)=∑mj=1pjcj．σ2=∑mj=1pj(cj－E(c))2．采用蒙特卡洛模拟方法，累加该债务项最差的信用等级迁移概率使其等于1－σ，此时对应的债务价值与均值之差即为VAR值．3．2CreditRisk+模型应用CreditRisk+模型的核心假设是每笔债务违约概率小且相互独立．这一点可以在特定经济背景下实现，例如经济整体繁荣且稳定，社会秩序好，市场化充分，我们可以假设每笔债务违约率小．当银行面向全体经济实体实施信贷，且信贷充分分散化时，可以假设每笔债务相互独立．采用CreditRisk+模型，则贷款组合的违约次数服从泊松分布:p(n)=μne－μn!．将贷款损失按其严重性程度进行分组，并将各组损失汇总，可得到贷款组合的损失分布．CreditRisk+模型对单笔贷款并没有详细阐述，而单笔贷款的违约概率与损失额度却是模型的输入量．因此，CreditRisk+模型是在已知单笔贷款的违约概率、违约波动率与损失额度，在每笔债务违约概率小且相互独立的前提下，处理不同地区、不同部门、不同时限的贷款组合的风险暴露，是银行对贷款组合整体信用风险的度量．3．3KMV模型的应用KMV模型的核心假设，一是公司股票价格满足BS模型的基本假设，公司价值变化过程服从ito-process，针对的是上市公司;二是资产价值大于债务价值则不违约，反之则违约，即不存在公司资金充足恶意欠款的可能．把公司的股权看成一种期权，由期权定价公式和对期权定价公式等式两边求微分所得式，可得以下方程组VE=VAN(d1)－e－r(T－t)XN(d2);σE=N(d1)VAVEσA{．(1)其中d1=ln(VA/X)+(R+σ2A)(T－t)σAT－槡t;d2=d1－σAT－槡t;N(d)=∫－∞d12槡πe－x2/2dx;VE表示公司股权的市场价值，σE表示公司股权市值波动率，VA表示公司资产的市场价值，σA表示公司资产市场价值波动率，X为违约边界，T为到期日，R为无风险利率．如果知道股权市值及其波动率，由方程组(1)就可以求出资产价值及其波动率．违约距离为DD=VA－DPTVAσA，其中DPT是违约点，它的取值为流动性负债加上50%的长期负债．由违约距离与违约概率的映射关系，求出违约概率．如果知道违约损失率的分布情况，那么就可以求出债务损失．在KMV模型的实际应用中，上市公司违约距离与违约概率的映射关系可由历史的违约数据与股票数据建立．通过实时更新的上市公司股票信息求出违约距离，进而求出实时的违约概率与资产损失，以便贷后对上市公司信贷的信用风险状况及时监控与预警．也可以在贷前对上市公司违约情况进行度量，通过拒贷信用风险高的公司来减少违约事件的发生对银行造成的损失．3．4CreditPortfolioView模型应用当宏观经济变量，例如经济周期、长期利率水平、GDP增速、政府支出等对信用等级迁移的改变不可忽略时，可以采用CreditPortfolioView模型．设t时刻的条件迁移概率为pt，Pt=f(yt)，yt=g(Xit，Vt)，i=1，…，n，Vt～N(0，σ)．其中Xit是t时刻的一组宏观经济变量，Vt是随机变量．由于宏观经济变量的经济含义与数量及其对条件迁移概率函数的影响难以确定与检验，目前在我国应用的可能性较小．
4公司信贷信用风险的分散与规避
度量范文篇4
关键词：公司信贷；信用风险度量；信用风险管理；风险的分散与规避
信贷业务的互利是商业银行和客户博弈的最佳结果。对商业银行来说，在审核贷款公司的贷款资料之前，需要准确把握贷款公司的内外部信息(公司业务竞争力、财务报表信息等)、道德、信用状况(是否存在违约现象)等；同时，商业银行还需要建立完善的风险预警机制，当放款后，信贷风险逐步增高时，就要及时做好对信用风险的分散与规避工作，减少银行的损失。本文提倡在掌握贷款公司数据信息、信用度等信息的基础上，做好对借款主体公司的风险度量，以更好地规避信用风险。可从外部定性分析、模型定量分析、财务报表分析三个角度分析研究信用风险。
一、外部定性分析的信用风险的度量
对于公司信贷外部定性分析的信用风险的度量主要是在审核信贷申请之前的阶段进行，该阶段的主要工作是：收集、掌握该行业以及公司信息，通过行业及公司整体概况的分析，完成对贷款公司的初步审查。为此，商业银行应该通过调查了解需要贷款公司涉及的宏观经济发展、行业发展状况以及公司的经营模式和管理水平，以此来预计作为借款主体公司在未来的还款能力。(一)宏观经济发展。宏观经济发展主要是指目前社会经济发展状态(经济上行或经济下行)、经济政策(货币政策和财政政策)、社会失业率以及通货膨胀状况和经济发展速度。因为宏观经济发展直接关系着商业银行的资产质量的风险暴露程度。宏观经济的发展状况对贷款资金的需求以及商业银行的贷款投放具有重要的参考性。(二)行业发展状况。基于宏观经济的发展下，再进一步定性分析作为借款主体的公司所在的行业情况。行业分析一是分析目前该行业是否有较大的发展潜力还是处于平稳发展阶段，发展前景是否明朗；二是分析该公司在行业中的地位，是属于头部企业的部分还是只是处于该行业的中下层。一般而言，在整个行业都处于风口上时，对该行业的企业而言，来自于投资的现金流比较充沛。而处于夕阳的行业，除了沙漠之花之类的企业能有充足的经营性现金流外，大部分的企业都在低毛利率的苦海中苦苦挣扎。(三)经营模式和管理水平。商业银行在对申请贷款的公司进行审核时，需要了解该公司所在行业的发展阶段(创业期、成长期、成熟期、衰退期)。因为处于不同阶段的行业公司发展前景不同，对还贷的能力与意愿也有所不同。因此，对于商业银行来说，应该尽量选择成长阶段或成熟阶段的、具有强劲发展势头和独具经营特色的公司。
二、基于模型的信用风险的定量分析
社会经济发展影响因素的复杂性给公司的信贷业务带来诸多不确定因素。有关信贷业务的信用风险分析不仅发生在商业银行对贷款公司的审核阶段，而且发生于放贷成功后的风险预警中。经济的复杂性给信用风险的度量提出更高层次的要求。传统的信用风险度量忽略了经济风险的复杂性。基于模型进行信用风险的定量分析，可以通过假设条件的使用，使信用风险的度量处于某一特定环境中，从而提高信用风险度量的准确性。目前商业银行使用的信用风险度量模型主要有：CreditPortfolioView模型、CreditMetrics模型、KMV模型，这些模型的使用可以使商业银行的信贷风险在度量中充分考虑。以CreditMetrics模型为例：CreditMetrics模型的假设条件：(1)假设：公司信贷的信用风险与公司的市场风险无关，只与贷款公司的道德有关。让市场经济变量在某一时间段内不发生变化，从而观测该公司在这段时间内与银行、同行业其他公司之间的信用状况是否良好，是否有违约现象发生。(2)假设：商业银行可以充分掌握贷款公司与同行其他企业之间的交易数据。贷款的公司在最近一段时间内的信用等级有所下降或者因为某种原因无法按期偿还与交易公司的债务，都会导致债务市值的变动。因此，商业银行在充分掌握需要贷款公司与其他同行业公司之间交易数据的基础上，确定该公司的信用等级，然后通过计算债务的经济资本来度量该公司的信用风险。
三、财务报表的信用风险度量
通过了解贷款公司的财务报表状况，可以了解该公司在相当长一段时间内的经营状况，从而对该公司在未来的发展预期做出准确判断。此处，假设该公司所提供的财务报表信息真实、准确。通过分析财务报表，可以对该公司的信用风险进行度量。首先，可以采用线性模型，通过线性分析法来了解财务指标与违约参数之间的线性关系，从而明确该公司的信用风险。但是这种线性模型是处于理想化状态，于现实经济中的非线性性有所差异，所以通过线性模型来度量需要贷款公司的信用风险具有不准确性。其次，可以应用统计分析法，了解财务比率指标。财务比率指标需要信贷公司提供的数据真实可靠。但是实际经济中，贷款的公司为了寻求资金支持，提供的数据具有不准确性。总之，贷款公司给商业银行提供的本公司的财务报表信息具有不准确性，商业银行通过财务报表无法对信用风险进行准确度量。但是对于透明度较高，财务报表比较真实的上市公司和大型企业等，基于财务报表的信用风险度量则具有较强参考意义。
四、公司信贷信用风险的分散与规避
信用风险度量主要是为商业银行审核贷款公司资料提供依据，但并不能从根本上解决信贷公司的风险问题。因此，对于商业银行来说，应该建立完善的信贷制度，控制高风险信用公司的进入和杜绝非正当信贷的产生，同时还需要建立有效的风险预警机制，在造成风险事故之前，对公司信贷信用风险进行分散和转移，减少商业银行的损失。
五、结束语
商业银行做好贷款公司的审核工作，避免高风险信用公司的进入，保证贷款公司的高质量、低风险；同时，商业银行应逐步建立和完善风险预警机制，做好审查工作和风险事故即将发生时的分散和规避工作，从整体上减少商业银行的风险损失，促进我国公司信贷业务的健康发展。
参考文献：
[1]曾玲玲，潘霄，叶曼.基于BP-KMV模型的非上市公司信用风险度量[J].财会月刊：综合版，2017(18)：47-55.
度量范文篇5
安全是危害或灾害的反义词，它与危害（或灾害）的风险紧密联系。危害（或灾害）的风险愈小，安全度就愈高，反之亦然。水安全问题通常指相对人类社会生存环境和经济发展过程中发生的水的危害问题。例如，水多了（发生洪水灾害，导致人的财产损失，人口死亡问题）、水少了（发生干旱、水资源短缺以及引起的生态环境退化、人类生存环境损失）和水脏了（水污染导致的病害健康问题、人口死亡问题）。
中国是降水时空分配非常不均匀、“水“的问题十分突出的发展中国家。水多了（洪涝灾害）、水少了（干旱、水资源短缺）和水脏了（水污染问题）业已成为制约中国可持续发展最为重要的限制因子，其紧急程度已经危及人类基本环境和生存问题和国家发展利益的安全问题。
在水安全问题研究中，水资源安全问题是最为重要的一个方面[1]。水资源安全通常指水的供需矛盾产生对社会经济发展、人类生存环境的危害问题。20世纪末，不满足可持续水资源利用的模式和环境问题导致严重的水资源安全问题，业已引起国际各国政府的高度重视。2000年3月，在荷兰海牙(Hague)召开了“第二届世界水论坛及部长级会议”。会议主题是：水的安全：从洞察到行动，全世界140多个国家首脑或部长，3000名科学家出席会议。21世纪水安全面临7个主要挑战[23]：
（1）满足基本需求（meetingbasicneeds）
（2）保护生态（protectingecosystems）
（3）食品安全（securingthefoodsupply）
（4）水资源共享（sharingwaterresources）
（5）处理灾害（dealingwithhazards）
（6）水的价值(valuingwater)
（7）科学管水(governingwaterwisely)
因此，水资源安全已经成为水资源研究的国家前沿热点，受到世界范围的注目。
水资源安全问题研究主要有：水资源安全的范畴，水资源安全的度量，水资源安全评价和水资源安全保障体系的建设等方面。从学术研究，水资源安全的度量最为关键。核心问题是：回答如何量度水资源安全程度和如何保证水资源安全？我们的观点是：水资源承载力是水资源安全的基本度量。因此，研究水资源承载力对于认识和建设水资源安全保障体系尤为重要。
“承载力”一词，亦称“承载能力”（CarryingCapacity），起源于生态学，用以衡量特定区域在某一环境条件下可维持某一物种个体的最大数量[1]。随着人类社会经济发展，全球资源环境问题日趋严重，人们逐渐认识到自然资源是支持地球上生命系统和人类生存发展的物质基础，其量和质是有限的，它们满足人类现在与未来发展需要的能力也是有限的。关于生态承载力的一个较早的概念，是由世界自然保护同盟（IUCN）联合国环境规划署（UNEP）及世界野生生物基金会WWF在其出版的《保护地球》一书中提出的。他们把承载能力定义为一个生态系统所能支持的健康有机体即在维持它的生产力、适应能力和再生能力的容量。后了“承载力”概念得到延伸发展，比较多地用于说明生态系统、环境系统、资源系统承受发展和特定活动能力的限度。因此，生态承载力、环境承载力、资源承载力等诸多概念也相继出现。
1974年，Bishop在《环境管理中的承载力》一书中指出“环境承载力表明在维持一个可以接受的生活水平的前提下，一个区域所能永久地承载的人类活动的强烈程度”[2]；高吉喜（2000）在其关于生态承载力的研究中特别指出：环境承载力是指在一定生活水平和环境质量要求下，在不超出生态系统弹性限度条件下环境子系统所能承纳的污染物数量以及可支撑的经济规模与相应人口数量[3]。此外，一些学者还从经济、社会、环境、发展等方面对全球承载力进行了探讨（Cohen，J.E.,1995；Sagoff,M,1995；Daly，H.E.，1995，1996）[4][5][6]。然而无论是生态承载力、环境承载力抑或全球（区域）承载力都是一个比较泛化的概念，如何描述和量化，实施和操作性不强，目前的研究还不深入。事实上，在对作为生态环境组成要素的各项自然资源的承载力问题还没有完全解决的时候，是无法对生态环境承载力做更深入的研究的。
相比之下，当前对资源承载力的研究则获得了更多学者的关注。对自然资源承载力的研究主要集中于土地、水和关键矿产资源方面。1949年美国的Allan将土地资源承载力定义为：“在维持一定水平并不引起土地退化的前提下，一个区域能永久地供养人口数量及人类活动水平”。50-70年代，国外许多学者探讨了土地承载力的计算依据为：在确保不会对土地资源造成不可逆的负面影响的前提下，土地的生产潜力能容纳的最大人口数量。同时，对承载力的研究从静态转向动态，Millington等应用多目标决策分析方法，以各种资源（土地、水、气候、能源等）对人口数量的限制，计算了澳大利亚的土地资源承载力。1986年我国也开始了题为“中国土地资源生产力及人口承载量”的研究，研究者认为土地资源承载力通常是指：一个区域在一定的农业技术条件下，土地用于食物生产所能供养的人口数量；或在一定生产条件下，土地资源生产力所能承载一定生活水平下的人口限度。由此，关于土地和水资源承载力的研究在中国全面展开[7]。
承载力概念的演化与发展是对发展中出现问题的反应与变化结果。在不同的发展阶段，产生了不同的承载力概念和相应的承载力理论。如针对环境问题，人们提出了环境承载力的概念与理论，针对土地资源短缺问题，人们提出了土地资源承载力的概念与理论。而“水资源承载力”一词，则是随着水问题的日益突出由我国学者在80年代末提出来的。水资源承载力是一个国家或地区持续发展过程中各种自然资源承载力的重要组成部分，且往往是水资源紧短和贫水地区支持人口与发展的“瓶颈”,它对一个国家或地区综合发展和发展规模有至关重要的影响。进入90年代以来，在地区和国家社会经济发展中坚持走可持续发展道路已是普遍的共识，而水资源短缺与“水资源安全”问题也已成为影响可持续发展的重要制约因素，作为可持续发展研究和水资源安全战略研究中的一个基础课题，水资源承载力研究已引起学术界的高度关注并成为当前水资源科学中的一个重点和热点研究问题。
2．水资源承载力的定义
水资源承载力最早是源自生态学中的“承载能力”（CarryingCapacity）一词，是自然资源承载力的一部分。近年来，我国不少学者在资源承载力、环境承载力等概念的基础上对水资源承载力的定义进行了更深入的探讨，兹选取几个有代表性的例子列举如下：
（1）在某一历史发展阶段的技术、经济和社会发展水平条件下，水资源对该地区社会经济发展的最大支撑能力[8]。（刘燕华，1999）
（2）某一历史发展阶段，以可预见的技术、经济和社会发展水平为依据，以可持续发展为原则，以维护生态良性循环发展为条件，在水资源得到合理开发利用下，该地区人口增长与经济发展的最大容量[9]。（李令跃，2000）
（3）一个流域、一个地区、一个国家，在不同阶段的社会经济和技术条件下，在水资源合理开发利用的前提下，当地水资源能够维系和支撑的人口、经济和环境规模总量[10]（何希吾，2000）。
（4）一定的区域内，在一定的生活水平和生态环境质量下，天然水资源的可供水量能够支持人口、环境与经济协调发展的能力或限度[2]。（冯尚友，2000）
（5）可理解为某一区域的水资源条件在“自然-人工”二元模式影响下，以可预见的技术、经济、社会发展水平及水资源的动态变化为依据，以可持续发展为原则，以维护生态良性循环发展为条件，经过合理优化配置，对该地区社会经济发展所能提供的最大支撑能力。（惠泱河，2001）
总之，尽管已有的水资源承载力定义在表述上各有不同，但其思路并无本质上的差异，都强调了支撑能力的概念。但是，对水资源“承载力”本身的内涵，表达比较宏观。
结合中国科学院知识创新工程有关项目初步研究，作者的观点是：水资源承载力可定义为“在一定的水资源开发利用阶段，满足生态需水的可利用水量能够维系有限发展目标的最大的社会-经济规模”。因此，水资源承载力是一个度量区域社会经济发展受水资源制约的阈值，它通常用满足生态需水的可利用水量与社会经济可持续发展有限目标需求水量的供需平衡退化到临界状态所对应的单位水资源量的人口规模和经济发展规模（如GDP）等指标体系表达。
显然，水资源承载力受水的供、需矛盾双方影响，它需要从受自然变化和人类活动影响的水循环系统出发，通过“自然生态-社会经济”系统对水的需求和流域能够提供的多少可利用水资源量的“支撑能力”方面加以量度。一种概化的水循环与水资源供需关系如图1所示意。
图1量化水资源承载力的系统关系示意
核心问题是：在一定的水资源开发利用阶段和生态环境保护目标下，一个流域/区域的可再生利用的水资源量究竟能够支撑多大规模的社会经济系统发展？如何合理管理有限的水资源（开源与节流），维持和改善陆地系统水资源承载能力？
考虑到水资源承载力研究的现实与长远意义，对它的理解和界定，要遵循下列的事实：
·变化环境下（即自然变化和人类活动影响）的水循环是水资源演变和水资源承载力研究的基础。因为一个流域和区域的水资源承载能力大小，直接与该流域和区域的可利用水资源量与质有本质的联系。而区域可利用水资源量又决定于在不但变化的自然环境（包括全球气候变化）和人类活动影响下水文循环规律及其控制的水资源形成规律。
·需要把把它置于水资源的可持续利用概念的框架，建立在生态系统完整、水资源持续供给和水环境长期有容纳量的基础上。生态系统需水是水资源承载力必须要考虑的重要、方面。
·需要从“水循环-自然生态-社会经济”系统耦合机理上综合考虑水资源对地区人口、资源、环境和经济协调发展的支撑能力；
·水资源承载能力度量除了水循环和水资源变化的自然属性影响外，还取决与社会经济持续发展的有限目标。社会经济发展的要求目标不同，相应的承载能力也不一样。
因此，水资源承载能力的大小是随水资源开发阶段、目标和条件不同而变化，是一个动态、变化的概念。它不仅是水文循环、水资源研究的重要方面，而且与社会经济发展、环境系统的耦合研究密切相联，是可持续发展重大的国家需求研究的问题。
3．水资源承载力的度量与计算方法
由图1的系统关系和水资源承载力的定义，可以导出水资源承载力的度量与计算方法。主要过程概述如下：
（1）水资源总量（W）：它指流域水循环过程中可更新恢复的地表水与地下水资源总量（WL）。流域水循环受自然变化(包括气候变化)和人类活动的影响，可更新恢复的地表水与地下水资源量也在不断变化。另外，除了本地产生的水资源量外，人工跨流域调水（WT）可以增加本流域（或地区）的水资源总量。由于流域水循环降水和径流形成的不确定性，对应不同保证率的水资源量，有流域水资源总量关系
W=WL+WT
（2）生态需水量（We）：生态系统是流域水循环和流域环境系统的基本部分，满足一定环境要求的最小生态需水量（We）首先应该加以估算。它们通常由河道外的生态需水的估算（如天然生态需水、人工生态需水等），和河道内的生态需水估算（如防止河道断流所需的最小径流量等）构成。
（3）可利用水资源量（WS）：流域可利用水资源量是指在经济合理、技术可行和生态环境容许的前提下，通过技术措施可以利用的不重复的一次性水资源量。在概念上，维系生态环境最小的需水量需要扣除，以保证生态环境容许的前提条件。因此，原则上讲，可利用水资源量可以通过流域可更新恢复的地表水与地下水资源总量加上境外调水扣除生态需水量加以估算，即：
WS=aWL+WT–We
式中：a为反映工程技术措施的开发利用系数。
（4）水资源需求总量（WD）:流域社会经济发展规模水平可以表达为人口数量(P),国民生产总值(GDP)或净福利(H)等指标。因此，它们对水资源需求包括：人口需水(Wp)，工业需水(WI)，农业需水(WA)，环境和其它需水(WM)等。因此，社会经济发展对水资源需求总量（WD）可表达为：
WD=Wp+WI+WA+WM
（5）流域水资源承载力的平衡指数（IWSD）：为了描述水资源的承载力，首先需要定义流域水资源承载力的供需平衡指数（IWSD）即：
很显然，当流域可利用水量小于流域社会经济系统的需水量，即,有,这说明流域可供的水资源量不具备对这样规模的社会经济系统的支撑能力。流域水资源对应的人口及经济规模是不可承载。但是，通过调水增加WS和通过节水减少WD可提高IWSD。反过来，当流域可供水量大于等于流域社会经济系统的需水量，即,这说明流域可供的水资源量具备对这样规模的社会经济系统的支撑能力，流域水资源对应的人口及经济规模是可承载，供需为良好状态。
（6）水资源承载力的分量测度：如何量度流域水资源的承载力呢？由定义和上述水资源承载力的供需指数可知，首先需要建立研究对象的“水-社会经济-环境”系统关系。它们的作用是将水资源量支撑的环境、社会经济系统规模（如人口数或人口密度、人均GDP工业产值、农业产值、水环境污染级别等）联系起来。然后，通过一定的水资源开发利用阶段与有限发展目标，分析识别出由供大于需,即IWSD>0可行域退化到IWSD＝0，即系统供需平衡达临界状态的水资源WS=WD所对应的流域人口数（P）和社会经济规模（GDP）等等指标参数。记水资源供需平衡达到临界状态的可供水资源量为，进一步，可以定义水资源承载力的各个分量，即：
意义是：λ1表明维系现状/目标水平的人口规模所需要最少水资源量WS；λ2维系现状/目标水平的经济规模所需要的最少水资源量WS。
流域的综合水资源承载力（F）是其分量的集成，例如，
λ=人均GDP/WS=(GDP/p)/Ws
（7）单位水资源量承载力的度量：为了达到水资源承载力分量和总量可比性的目的，可以进一步转化水资源承载力分量为某单位水资源量的承载指标参数。例如，当统一转化W0为亿m3的可比单位水资源量，有对应的水资源承载力的各个分量，即：
上述公式中的就是流域系统第i个水资源承载力分量。例如，F1的单位量纲是每亿m3的人口数目，说明该流域每亿m3可利用水资源量能够承载的最大人口数。同理，F2的单位量纲是每亿m3的GDP，它说明该流域每亿m3可供水资源量能够承载的经济发展最大规模的GDP。
同理，流域的综合水资源承载力（F）是其分量的集成。例如：
F=人均GDP/亿m3=(GDP/p)/W0
4．西北干旱区水资源承载力综合研究的关键问题
广义上的西北地区包括新疆、青海、甘肃、宁夏、陕西和内蒙古的西北部，总土地面积为374万km2，占全国的39%，总人口约1亿，占全国的8%。涉及西北内陆河流域（包括新疆的部分外流河流域）、黄河流域、长江流域和澜沧江流域。本文讨论的范围，界定在西北内陆河干旱地区。
西北干旱区水资源承载力综合研究的关键问题有：变化环境的流域水循环模拟研究，生态需水研究，社会经济可持续发展的水资源需求研究，流域水资源承载力的计量，西北干旱区水资源承载力综合。下面重点讨论水循环模拟，生态需水和指标体系问题。
（1）变化环境的流域水循环模拟研究
水文循环是联系地球系统地圈~生物圈~大气圈的纽带，是全球变化三大主题碳循环、水资源和食物纤维中的核心问题之一，它受自然变化和人类活动的影响，决定水资源形成与演变的规律。因此，人类活动经济开发和影响剧烈地区的水循环与水资源安全研究，是21世纪资源环境学科领域一个十分重要的方向性问题。
目前水科学发展的前沿问题突出反映在：水文循环的生物圈方面，自然变化和人类活动影响下的水资源演变规律，水与土地利用土地覆被等社会经济相互作用影响等。因此，水文循环需要考虑地球生物圈、全球变化以及人类活动等方面的影响。国际地圈生物圈计划（IGBP）代表国际地球学科发展前沿，水文循环的生物圈方面(BiosphereAspectsofHydrologicalCycle，简称BAHC)是IGBP的核心之一。它注重陆面生态-水文过程与空间格局的变化规律和受人类活动影响的关键问题。进入90年代末，变化环境（即全球变化与人类活动影响）下的水文循环研究成为热点。
人类活动对水文过程的影响，集中表现在对下垫面的改变上，改变流域下垫面的地形、地貌、土壤、植被等条件，可概括为土地利用和土地覆被的变化。下垫面条件发生变化了，水文过程的各环节也相应发生变化，如蒸发、入渗、产流的量会加大或减小，水循环的路径和速率也会发生变化，也就是说，利用原来的降水-径流关系不能反映土地利用/土地覆被变化后的流域降水径流形成规律和水文循环过程，分析人类活动（土地利用/土地覆被变化）对流域径流形成规律的影响成为当水资源承载力研究的基础问题。
以河西走廊的黑河流域为例，由于中游引水等人类活动的剧烈影响，已经完全改变了流域中下游水循环关系，造成下游流量减少和断流，产生严重的生态环境问题。为了说明黑河干流的水资源变化，我们将黑河干流上游出流控制水文站（莺落峡站）及下游输水控制水文站（正义峡站）1959年以来的实测流量资料进行了分析比较。根据1959-1998年实测资料统计，黑河莺落峡多年平均流量49.83m3/s，相当于年径流量15.71×108m3，正义峡多年平均流量31.05m3/s，相当于径流量9.80×108m3，莺落峡流量高于正义峡流量18.78m3/s，相当于区间多年平均每年损耗水量5.92×108m3。
从两站流量多年变化趋势看，莺落峡站水量历年变化平稳，年际变化不大，甚至还稍有上升。正义峡站水量不仅远远小于莺落峡站，且水量在逐年减少（图2），两站水量年均差值越来越大（图3）。
图2黑河莺落峡及正义峡历年径流量变化图
图3莺落峡-正义峡年均流量差值图
造成下游水资源量减少的原因：中游张掖地区人口持续增长，工农业生产迅速发展，用水量急剧增加，导致黑河干流水资源大量损耗，水资源的变化与人类活动的关系密不可分。
因此，深入研究自然变化和人类活动影响下的黑河流域水循环规律，是建立黑河流域水资源承载力模型的重要基础。
（2）生态需水研究
中国西北地区气候干旱、水资源短缺，水已经成为中国西北地区环境与发展最大的限制因子。实际观测与实验研究表明，水对生态环境质量有明显的限制作用，生态系统对水的需求也存在胁迫响应的机制。生态环境需水量是维系生态系统平衡最基本的需用水量，是生态系统安全的一种基本阈值。因此，生态环境需水估算问题成为生态环境建设依据的重要基础。确定不同生态类型的生态需水量，是生态环境建设区域配置的重要内容，是建设生态环境系统的关键。这也是中国工程院咨询项目“西北地区水资源合理配置、生态环境建设和可持续发展问题”中第2课题中的关键问题之一。
20世纪90年代后，随着国际地圈生物圈计划（IGBP）等大的科学计划推动，如水文循环的生物圈方面（BAHC）实施，国际国内对生态环境需水问题十分重视并且已有了一些研究。国家“九五”科技攻关项目有关课题，如“西北地区生态环境保护对策研究”等，利用土地利用/覆被变化的遥感信息对区域生态需水进行初步的估算。中国工程院一期咨询项目《中国可持续发展水资源战略研究》，取得了一批重要的研究成果，所完成9个专题报告中对生态环境用水也做出初步的测算，取得一些进展。但是，目前有关生态需水的研究仍处在初级发展阶段，人们对“生态需水”问题理解还不尽相同。目前，与生态需水有关的概念和定义有多个方面，如“生态需水”、“生态用水”、“生态环境耗水”等。不同人从不同角度看问题有不同的理解与解释。总之，生态环境与水文水资源以及人类生存环境的交叉研究，面临许多挑战，也存在不同的学术观点与看法。
由于目前对“生态需（用）水量”一词，还没有确切的或者得到公认的定义，因此在对它的理解与计算上还存在这样那样的问题。总的来看，多数认为：生态需水量是指在水资源短缺地区为了维系生态系统生物群落基本生存和一定生态环境质量（或生态建设要求）的最小水资源需求量。它包括天然生态保护与人工生态建设所消耗的水量。其内涵：以可持续发展为前提的天然生态保护与人工生态建设的需水，其外延包括地带性植被所用降水和非地带性植被所用的径流。因此，生态需水量可以理解为维系一定生态系统功能所不能被占用的最小水资源需求量，包括天然生态和人工生态，其计算有河道内和河道外之分。基础是自然变化和人类活动影响下的流域水循环规律的认识与模拟。
·河道外的流域上的生态需水的计算
根据补给来源，生态需水首先可以分为降水性生态需水和径流性生态需水。降雨形成径流以及径流运动过程中，地带性植被所在的天然生态系统完全消耗降水量，非地带性植被所在的天然生态系统消耗径流量为主、降水为补充，处于地带性与非地带性的交错过渡带以消耗降水为主、径流为补充。
从生态系统形成的原动力又进一步分为天然生态需水和人工生态需水两大类。从植物生理角度分析生态需水，可以得到天然植被或农作物正常生长时的总腾发量ET。其水分来源有两部分：直接利用的有效降水，以及通过水利工程直接或间接利用的供水。
区域生态需水计算应该以流域为单元，建立变化环境下的流域水循环模型，如图1所示意。然后，充分利用高分辨率的土地利用遥感信息，结合陆面水文生态实验站的校核分析识别确定。对于每个流域，结合其生态特点和水循环特点，确定一级分区为山区、平原绿洲、过度区、荒漠无流区。为了突出人类活动影响，在山区和平原绿洲中进一步区分天然生态系统和人工生态系统，作为二级计算分区。二级计算单元内在以土地利用单元作为三级计算分区,由遥感信息土地利用图上读取各类生态面积单元。对三级分区的每一项，单独计算其生态需水或经济需水。在计算中考虑了天然植被或人工植被对径流性水资源和降水性水资源的同时利用。国家“85”科技攻关项目中的一种基于水循环概念的流域生态需水计算框图如图6所示意（细节略）。
·河道内的生态需水的计算
河道内的生态需水的计算主要考虑的问题是维系河流湖泊水系的生态平衡的最小水量。主要考虑的方面有：
维持河湖水生生物生存的最小需水量；
维系城市人工生态环境景观的最小需水量；
防止河流泥沙淤积所需最小径流量；
防止河流水污染的最小水量；
防止海水入侵所需维持的河道最小流量；
防止河道断流、湖泊萎缩所需维持的最小径流量
通常需要通过流域水循环模拟、枯水分析后，在给出一定生态环境标准（或要求）下确定上述多个的最小流量组合的阈值（具体方法讨论略）。
（3）水资源承载力评价指标及计算方法
水资源承载力评价指标的建立是水资源承载力研究中的另一个关键问题。核心是用什么指标体系反映“社会-经济-环境”系统的发展规模与质量？目前，借鉴土地资源承载力的概念，采用在水资源可供给量所能维持生产的粮食产量的基础上计算水资源承载力的方法显然将问题过于简化了[10]。
从目前的认识，水资源承载力评价指标的选取有不同的做法。例如，有人从定义出发直接选取可支持人口数量、工农业发展规模等人口和社会经济发展指标作为衡量水资源承载力大小的依据[14]。也有人从水资源可供水量、需水量，可承载人口、社会、经济技术发展水平和规模，水环境容量等方面综合考虑建立水资源承载力评价指标体系，采用层次分析方法进行评价[15]。
本文建议，从水资源承载力的基本概念出发，通过水循环系统模拟，水资源评价、生态需水估算和社会经济对水的需求分析，选取计算参数，主要有：对应不同保证率的水资源量，最小生态需水量，可利用水资源量，水资源需求量（包括人口需水，工业需水，农业需水，环境和其它需水等）；通过流域“社会-经济-环境”系统的实际分析，确定水资源承载力评价指标体系，如水资源承载力的平衡指数（IWSD）等。运用本文提出的量化方法，获得比较具体和实在的水资源承载力的度量结果，如维系现状/目标水平的人口规模所需要最少水资源量，维系现状/目标水平的经济规模所需要的最少水资源量等。
总之，希望概念清楚，基础扎实、评价方法简单、可比性好。这方面研究工作需要在实际中发展和完善。
4．结语
水资源承载力的研究在我国虽然已有诸多研究课题和论述，但总的来说，已有的研究重点主要集中在对水资源承载力的评价与计算等方面，还没有形成水资源承载力研究的成熟的理论和方法。笔者“抛砖引玉”。希望在其概念、新的理论与方法研究方面开展研讨。几点建议如下：
（1）加强学科交叉融合的研究
水资源承载力研究涵盖了从理论到实证，从“水-生态-社会经济”多学科基础问题和可持续发展问题。从变化环境下的水文循环水资源演变规律到流域水文生态、植被耗水机理等微观领域，从水文水资源科学到社会经济科学、规划科学等不同层次、不同学科的研究范围，并以多目标决策分析方法、系统动力学方法、遥感与地理信息系统方法等作为技术手段，因此，迫切需要加强学科交叉融合的研究。
（2）技术方法的创新
目前制约水资源承载力研究的一个重要因素就是数据的获取与分析处理。GIS在支持与水文和水环境有关的地理空间数据的获取、管理、分析、模拟和显示，以解决复杂的水资源、水环境规划和管理问题方面显示了其强大的功能[17]。水资源承载力研究必须突破陈旧的数据获取与分析手段，充分利用现代先进技术，将地面水文观测与空中遥感信息相结合，利用地理信息系统进行数值计算和模拟，并将现有水资源承载力数学模型方法与GIS集成，这是水资源承载力研究取得突破性进展的一个关键所在。
（3）研究领域的拓展
度量范文篇6
论文摘要:在人民币汇率形成市场化机制的过程中,外汇风险成为了一种不可低估的风险,是金融风险度量研究的重要部分。本文在归纳外汇风险度量中使用的金融风险度量方法的基础上,根据途径的不同将度量方法分为直接与间接法两大类,并通过分析和比较来探讨各类方法的优势和不足,从而为外汇市场的风险度量提供有效的理论依据。
自从中国外汇制度开始实行以市场供求为基础、参考一篮子货币进行调节、有管理的浮动汇率制度以来,中国的外汇风险环境越来越严峻。如何有效地度量外汇风险成为整个金融风险度量过程的重要环节,也是外汇市场经济主体合理规避风险的重要前提。
一、外汇风险的直接度量
外汇风险的直接度量法,是指衡量由于汇率的波动给有关外汇市场经济主体的外汇资产价值带来影响的度量方法。通过这类金融风险度量方法,外汇市场经济主体的管理者可以直接掌握汇率发生变动的情况下外汇投资组合的损失。直接度量外汇风险的金融风险度量法主要有外汇敞口分析、VaR度量方法和极端情况下的各类方法。
在这些方法中,外汇敞口分析可以衡量经济主体因其外币资产和负债组合的不相匹配或外汇买卖的不相匹配而可能产生的外汇亏损或盈利所形成的外汇风险(王璐等,2006)。这种方法具有计算简便、清晰易懂的优点,但它忽略了各币种汇率变动的相关性,难以揭示由于各币种汇率变动的相关性所带来的外汇风险。目前,为大多学者所使用的外汇风险直接度量方法主要是VaR度量法以及在极端情况下所使用的各种直接度量方法。
(一)VaR度量法
VaR的度量法可以将不同市场因子、不同市场的风险集成一个数,较准确地测量由不同风险来源及其相互作用而产生的潜在损失的风险。该方法又可以分为参数分析法、非参数分析法以及情景分析等,这些方法各有特点但均存在不足。
参数分析方法是VaR计算中最为常用的方法,一般是建立在汇率波动是正态分布假设之上的,能正确地估计外汇资产价值变动的分布函数,并且在得出该分布函数后准确地计算出该分布函数的参数值。但用它没有考虑到在现实汇率的时间序列波动中表现出来的厚尾现象和非正态汇率波动现象。
非参数的测量方法包括历史数据模拟法和蒙特卡罗模拟法。历史数据模拟法所需数据从历史的收益率序列中取样,在应用过程中不需对外汇市场的复杂结构做出任何假设和考虑汇率波动分布非正态的问题。但当波动率在短期内变化较大时历史模拟法估计不准(Engle,1982),并且选取的历史数据对VaR值的预测有很大影响。另一种非参数方法为蒙特卡罗模拟法,可以用来观测那些人们认为将要发生,但历史观测值中没有出现的事件。该方法考虑到波动性的时变性、厚尾和极端事件,在解决数据的非正态分布等复杂的问题上表现出了极大的灵活性。但由于测量结果取决于模拟的次数,导致该方法耗时、依赖于电脑并且模拟的代价较高。国内学者朱宏泉等(2002)和王春峰等(2000)均发展了用蒙特卡罗模拟计算VaR的新方法,对非参数方法进行了扩展性研究。
情景分析是测量外币资产与负债组合在汇率发生极大的变化时的敏感度,优点是通过计算资产组合面临的潜在的最大损失找出较为脆弱且容易发生问题的部分,便于经济主体对汇率风险的度量与控制。缺点在于其效果很大程度上依赖于有效情景的构造和选择,一旦预期的各种组合变动与实际情况存在较大的差距,对汇率风险分析的结果就会失去实践意义,甚至会引发错误的套利政策从而导致不必要的损失。
(二)极端情形度量法
虽然VaR较为准确地测量了金融市场在正常波动情形下资产组合的外汇风险,但实际金融市场中极端波动情景和事件时有发生。如果这些事件发生,经济变量间和金融市场因子间的一些稳定关系就会被破坏,原有外汇市场因子之间的相关性、价格关系以及波动性都会发生很大改变,而VaR在这种极端市场情景下存在较大的估计误差。为此,人们引入了EVT,CVaR,Copula,ES等方法来测量极端金融市场情景下的外汇风险。
1·极值理论
极值理论(EVT)是可以用来测量外汇风险极端情景下风险损失的一种参数估计方法,是研究分布的尾部状态的强有力的工具,其优点主要有两点:首先,不会像历史模拟法受到历史观测个数的限制,即使对于较小的显著水平的样本外VaR值也可方便求得;其次,该理论没有对收益率分布强加某个特定模型,而是由数据本身来说明尾部分布,这样就降低了模型风险。该方法局限性在于只适合于描述尾部的分布,对于较大的显著水平有可能导致大量的数据浪费。并且估计的VaR的精确性并不是很好,计算方法不易掌握,统计量的分析和估计方法比较困难。
国外学者将极值理论广泛地运用到外汇风险度量实证研究中。Akging(1998)利用极值理论研究了拉丁美洲黑市汇率分布特性;Koedijk(1990,1992)基于极值理论中非参数尾部指数估计,实证研究了东欧7国黑市汇率收益的经验分布;Embrechts(2000)通过实证分析了极值理论的前景和缺陷,并作了全面的总结。国内学者詹原瑞等(2000)以及潘家柱等(2000)讨论了根据极值理论计算VaR的方法;马超群等(2001)提出了完全参数方法,它本质上是参数方法结合极值理论的运用,更进一步发展了该模型,但在我国极值理论的研究仅仅局限于定性分析中,并没有广泛运用到实际操作中来。
2·CvaR模型
条件风险价值CvaR模型(ConditionalValue-at-Risk),即损失超过VaR的条件均值,代表超额损失的平均水平,可以反映金融头寸的潜在损失。CVaR表示损失超过VaR1-α(X)时的条件期望值。假定M是一个随机变量,表示金融资产的损益,VaR1-α(X)表示在100(1-α)%置信水平下的VaR,则CVaR1-α(X)表示损失超过VaR1-α(X)时的期望值:
其中,qα是X的α%分位数。由于损益的分布f(x)没有必要是绝对连续的,通常可以用EX表示离散分布条件下VaR1-α(X)。该模型是一致性风险度量模型,具有次可加性,在一定程度上克服了VaR模型的缺点。它不仅考虑了超过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。
Rockafellar等(2000)首先提出了CVaR的概念,认为该方法可以很好的应用于大型投资组合和复杂的情景分析中。由此,国内外很多学者均从VaR与CVaR的比较方面进行研究,如刘小茂等(2005)和殷文琳等(2006)均对VaR和CVaR度量方法进行了比较分析,发现CVaR独有的次可加性最能显示它相对于VaR的优越性,并给出基于条件风险价值的计量模型以及其在投资组合管理中的应用。
3·ES模型
ES(ExpectedShortfall)模型是在CVaR基础上进行改进的一致性风险度量模型。ESp定义为在一定的置信水平p下,某一资产或投资组合在未来特定时间内的损失超过VaRp的条件期望。假设X为某金融资产的损失,其分布函数为F(x),则ESp(X)可以表示为:
其中,F-1(α)=inf{x|F(x)≥α}。
当损失X的密度函数连续时,ESp可以简单的表示为:
ESp=E{x|F(x)≥p}(3)
Acerbi(2001)提出一般化的ES模型,认为该模型对于损失X的分布没有特殊的要求,在分布函数连续和不连续的情况下都能保持一致性风险度量。因此,该模型不仅可以应用到任何的金融工具的风险度量和风险控制,也可以保证在给定风险量的约束条件下最大化预期收益组合的唯一性。但是目前在我国将ES模型运用到外汇风险度量的研究还没有得到广泛的发展。
4·Copula方法
Copula是一种把多维随机变量的联合分布用其一维边际分布连接起来的函数,可以用它来研究与相形相关或VaR不能描述特征的相关极端事件相联系的一些问题。由于Copula可由随机变量的边际和相关性来确定,能够全面描述随即变量的联合性质,因此正态假设和联合分布建模问题都可以通过该方法来解决。
假定随机变量X和Y分别代表两种外汇资产的损失,它们的边缘分布分别为F(x)和G(y),具有Copula函数C(F(x),G(y),则投资组合的VaR可表示为:
其中,δ代表资产X在投资组合中的权重,γ为限定值,它与置信水平α是相对应的。Copula函数可以解决传统的多元分布函数在实际应用中存在的解析式难处理、约束条件多的缺陷。当外汇组合中的资产已经确定,外汇市场风险可由一个相应的Copula函数来描述,从而构造灵活的多元分布函数,掌握资产组合内各金融资产收益的真实分布与相关关系。
将Copula函数真正应用于金融经济研究近几年才刚刚开始。在Nelsen(1998)比较系统地讨论了Copula的定义和构建方法后,许多学者系统地研究了Copula在金融中的一些应用,如Bouye等(2000),Lindskog(2000)和Clemente等(2003)均运用Copula理论研究了如何建立有效的风险管理度量模型,并验证了该方法在求联合分布函数的便捷和准确性。
在中国,Copula方法的应用才刚刚兴起。吴振翔等(2004)拓展了Copula方法的应用范围,他们运用ArchimedeanCopula方法给出了确定两种外汇最小风险投资组合的方法,并对欧元和日元的投资组合做了相应的风险分析得到了二者的最小风险投资组合;罗薇等(2006)同样基于Copula结合具有不同边际分布模型来计算资产投资组合。但是目前以Copula为基础的相关性测度方法并不完善,属于需要做进一步研究的前沿领域。二、外汇风险的间接度量
上文分析了外汇风险的直接度量方法怎样衡量汇率变动可能给企业带来的直接影响。同时许多学者通过研究发现,由于汇率的变动对于宏观经济变量发生作用从而又通过种种经济的传导机制,最终使企业的价值发生改变。这种未预期到的汇率变动所引起的公司价值的变化也叫外汇风险暴露,企业通常使用回归的方法来度量汇率波动与公司价值变动之间的关系,从而间接描述外汇风险。
外汇风险暴露的度量方法又可以分为两种,一种为资本市场法,另一种为现金流量法。资本市场法认为,外汇风险能影响企业的股票价格,因此Adler和Dumas(1984)首次提出外汇风险暴露可以由股票收益率对汇率波动的敏感度来度量,他们认为一单位汇率变动造成股票价值变动的大小,就是该资产的外汇暴露。因此外汇暴露是一个包括了以上因素的倾斜的回归方程,可以表示成:
P=α+bS+e(5)
其中,P是公司的股票价值,a是常数项;b是暴露的回归系数,表示为b=Cov(P,S)/Var(S);S是汇率的波动;e是残差项,E(e)=Cov(e,S)。
国外许多学者在Adler-Dumas模型上进行了发展,Jorion(1990),Amihud(1994)以及Choi和Prasad(1995)都使用了一个两因素模型:
Rit=αi+βiRmt+γiXt+εit(6)
其中Rit为i公司t期的股价报酬率;Rmt为市场大盘指数报酬率;Xt是t期未预期汇率变动率。
许多学者利用该模型进行实证研究均对其进行发展和完善,Martin(1999)利用指数平滑法发展了一个简单的汇率预测方法來估计投资人对汇率的期望值,这个变量可同时包含过去的汇率变动率和最近一期的汇率变动率,从而使结果比较客观和结构化。Bod-nar和Wong(2000),Parsley和Popper(2002)以及Dominguez和Tesar(2001)也对该模型所度量的外汇风险暴露在变量指标的使用如汇率与市场收益率数据的选取上有建设性的建议。
由于企业在现实外汇交易中,可能不只一种货币的汇率对公司价值造成影响,因此当影响公司价值的汇率由单独一种货币的汇率变为多种货币的汇率后,公司i的价值决定的方程可以变为:
Vi=a+b1S1+b2S2+…+bmSm+c1K1+c2K2+…+cnKn+ei(7)
其中,Sm为影响该公司价值的汇率;m,K为其他因素。可以通过上式求出各种外汇汇率对公司价值的“净影响”,即求出汇率Sm对该公司价值V的偏导数bm,m=1,2,…,m,bm即为i公司面临的货币m的外汇风险暴露。
但是由于许多不发达国家股市的不稳定和不完善,容易受到许多人为因素和政府政策因素的影响而引起波动。许多对不发达国家所进行的股票收益率与外汇波动之间的关系研究结果显示,用资本市场法度量的外汇风险暴露显著性均不是很明显。由此Shapiro(1990)提出,如果ΔPV/Δe(ΔPV为公司价值的变动,Δe为外汇的变动)不等于零时,公司将暴露于外汇风险中。他的研究发现,外汇风险暴露为公司价值因不确定外汇变动的影响而产生的变动,亦即外汇的变动会影响公司的现金流量。因此,他以营运的概念为出发点,认为外汇风险暴露的衡量可以用下面的回归式来衡量:
ACFt=α+AEXCHt+ut(8)
其中,ACF为t期的现金流量变动,AEXCHt为名义汇率变动率,a为常数项,ut为回归式的残差项。Brown(1995),Walsh(1994)以及Martin和Mauer(2003)均采用现金流量法研究企业的外汇风险暴露,其模型表示如下:
Rit=ai0+aixext+ait(9)
其中,Rit为公司i在t时期的营业收入变动率,ext为汇率变动率,ai0为常数项,ait为残差值。由于一个企业的某个时期的营业收入的高低,不仅会受到当期汇率变动的影响,也应受到既往汇率变动的影响。因此,上述学者在该模型的基础上进行改进,加入汇率滞后的因素来探索竞争效果。由于他们均对将企业的月度营业收入代表企业的价值,采用落后四期的汇率变动,约一季度的时间来讨论企业的经营暴露状况:
其中,Rit为公司i在t时期的营业收入变动率,ex为汇率变动率,aki为落后k期的外汇风险暴露系数,εit残差值。用回归方法测量外汇经济风险暴露的优点在于:计算过程非常简便,并且其结果以数量的形式表示出来,简单明了,便于公司的管理人员进行其它定量分析。但该方法也存在着一些不足:第一,在计算外汇风险暴露时,只能计算整个外汇风险暴露,而难以将外汇经济风险暴露与外汇交易风险暴露、外汇会计风险暴露区分开来;第二,在选择模型形式时,若对模型形式的选择根据主观判断进行,则具有较大的随意性;第三,在构造模型时,难以将影响公司价值的所有因素均引入到模型中,从而在计算的外汇风险暴露中,既有外汇风险暴露也包含了其他因素引起的风险暴露,从而从结果上直接表现为模型的拟合效果均不是很好;第四,进行参数估计时,需要大量的数据,常常出现数据不足或数据难以获得的情况。
三、比较与结论
度量范文篇7
关键词：信息熵；信息熵密度函数；金融风险；随机动力学方程；动态信息理论
金融风险通常是指金融系统运行失常并且难于快速恢复系统的正常功能。从系统的角度出发可认为金融风险是一个金融系统从有序到无序的动态过程。非线性系统动力学认为金融风险是源于风险因子在金融系统中长期积累并达到系统的突变点或者阈值后集中爆发。金融风险的发生从时间维度来看是不可逆的，从空间维度看，具有复杂的多重因果反馈。主流的现代金融风险模型的理论基础是有效市场假说和风险分散化原理。主流的金融风险模型把风险分为系统性金融风险和非系统性金融风险并且假定风险的根源都来自系统外部。这种分析框架忽略了系统性金融风险所具有的内生性特征，而且没有考虑到金融系统与实体经济在风险演化过程中的相互作用的动态机制。金融风险的发生既有内生性的根源也有外部因素。外部因素包括金融系统与其他系统的相互影响例如金融风险的溢出效应，传染性等。金融风险的发生不是静态的，也不是线性的。因此，对金融风险的研究要从随机系统的角度出发可以更好地揭示金融风险的动态演化规律。目前应用比较广泛的金融风险量化方法主要是从数理统计出发。基于矩的风险度量方法假设系统的变量的总体分布函数为正态分布。基于矩的风险度量方法包括均值-方差模型等。虽然变量符合正态分布的假设使得量化风险变得简单并且容易操作，但这不利于分析金融风险的“尖峰厚尾”现象。基于分位点的风险度量如:VaR、CoVaR和ES等。这些方法的局限性在于没有从系统的角度出发研究金融风险。金融风险是一个随机游走过程，并且有很强的传染性以及会在非线性系统中漂移扩散。因此如何从时间维度和空间维度对金融风险进行建模并分析金融风险的时空演化路径是研究的难度。随机动力学系统中的信息熵是一个较好度量金融风险的方法。
一、信息熵用于度量金融风险的文献综述
Maasoumi（1993）从数理统计的角度分析了信息熵在衡量金融风险的离散和无序度方面比方差更有优势。Reesor（2001）认为相对熵更适合度量金融风险]。Gulko通过设定约束条件，结合最大熵原理论证最大熵函数能有效地优化资产定价模型。Ou.Jianshe（2005）认为增熵是度量金融风险的分析方法之一。杨丽娟，李兴斯（2010）指出累积剩余熵具有递增性，因此可以对金融风险进行预测]。张世晓,王国华(2010)从金融系统是非线性系统的角度出发构建了“金融熵”指标，适用于预测区域金融集聚系统的演化趋势。刘湘云，王阳，杨磊(2016)通过求解金融风险的最大熵函数对全球6个股市进行实证分析，证明了熵更好地拟合了金融风险的“尖峰厚尾”现象。信息熵在金融风险研究中得到了较快的发展，但是仍然存在局限性：（1）研究的角度比较单一和分散，没有从随机动力学系统的角度出发研究金融风险。（2）没有研究金融风险的时空交互影响机制。邢修三（2010）通过Fokker-Planck方程进一步建立了动态信息熵理论,本文利用邢修三的动态信息理论中关于信息熵演变理论对金融系统的信息熵的度量方法进行探讨。
二、信息熵度量金融风险
1.信息熵定义。Clausins于1865年首次提出熵的概念。熵一开始被称为热力熵，用于衡量热力学系统的整体无序度。热力熵是用于表征热力学的态函数。由于熵具有统计的特性后来熵发展应用于统计物理学中。熵在科学理论中占据了重要的地位，正如爱因斯坦说:“熵理论,对于整个科学来说是第一法则”。信息理论在现代得到快速发展。从信源发出的信号通过信道后到可接收到的信息量即通信效率如何衡量成为人们研究的课题。由于信息传递效率与信号源发出的信号在信道中被吸收的多少有关,而这种不确定性与熵的微观解释在思维方法上有类似的地方。申农认为可以通过统计学把信源的不确定与粒子运动的无序度进行。申农(shannon)提出的信息熵表达式如下。i1()-()ln()qiiHXpxpx==∑（1）其中,H代表信息系统的信息熵，xi是系统中的随机事件，Pi为随机事件的概率。信息熵是对系统整体无序度的度量，同样可用于度量金融风险。信息熵作为金融系统的风险测度有其独特的优势。从公式（1）可以看到，Shannon的信息熵的定义是静态的，没有把时间维度和空间维度结合起来。金融系统风险的起源、传染、积累和爆发是非常复杂的非线性演变过程，既有时间维度的风险，也有空间维度的风险。因此，金融风险要从内部度量又要研究金融系统与其他外部系统动态的漂移扩散等机制。动态信息理论的核心则是定量地表述这种演化规律的动态信息(熵)密度随时空和系统自身运动规律变化的非线性演化方程,即动态信息(熵)演化方程（邢修三，2010）。2.金融系统动态信息演化方程。由公式（1）可知，信息可以由一组随机变量表示。根据信息熵理论，信息熵既描述无序度的对象既可以是微观的，更可以是宏观的或者介观的。因此，代表金融系统风险即系统不确定性的信息符号可由一组随机变量表示。向量分析是指研究的向量的维度等于或者多于两个维度。向量分析拓宽了变量的维度，对动态信息理论的发展起了重要作用。本文对金融系统不做任何假定或者约束条件，这样可以对金融系统的风险测度更加接近实际情况。本文采用状态向量即一组态变量用于描述金融系统的随机状态，并且用可以表征时空维度的态变量或者状态向量取代Shannon静态信息理论中泛义的随机变量，这样即可以研究内部因素又可以研究风险在系统外部的传递性。例如，金融系统的波动对实体经济的传递；描述金融系统的状态和运动规律及其在坐标空间传递的概率密度的演化方程就是该金融系统的信号符号演化方程。金融系统包含货币系统、证券市场系统、金融市场系统、房地产市场等各种系统。系统自身的性质决定了态变量的性质和数目及其演化方程。例如，在研究股市风险的时候，股票市场既要随着系统自身内生的运动规律变化，同时，由于它处于开放的金融系统之中，作为信号符号又要在股票市场系统之外的其他金融系统（坐标空间）传递。这种传递在发生金融风险的时候也称为金融风险传染途径。因此，本文研究的金融系统动态熵风险测度模型中的态变量演化方程既包含态变量空间变化项又包含坐标空间传递项。简而言之，本文的金融系统态变量演化方程包含了金融系统的时空维度。为简单起见，本文以一个态变量的金融动力学系统为研究对象，例如证券市场的股票市场收益率。如上所述，金融系统的态变量抽象为信号符号。设a是态变量，t是a动态演化的时间,a1为态变量随t变化自身的速率,x1为态变量随t在坐标空间的传递速率，由于动力学系统自身和传递过程中会受到内外部因素的影响，因此a1与x1都具有漂移和扩散的特性（邢修三，2010）。由随机动力学(Haken,1983)可得知,下述Fokker-Planck方程可用于描述金融系统的态变量的几率密度p(a,x,t)在坐标空间的演化过程：2222(,,)(,,)(,,)[()(,,)][()(,,)]paxtpaxtpaxtAapaxtvBapaxtQtaxax∂∂∂∂∂=−−++∂∂∂∂∂（2）归一化条件∫p(a,x,t)dadx=1，方程（2）中的A(a)为金融系统的态变量a内在的风险积累的变化速率,B(a)代表态变量的扩散系数。v是a在坐标空间即整个经济系统和外部系统的漂移传染速率；B(a)是为扩散变化速率,Q是B(a)的扩散系数。p(a,x,t)dadx为t时在a和a+da间的态变量传递到空间坐标x和x+dx间的几率（邢修三，2010）。由定义可知a是表征金融系统的态变量,属于金融系统内部;x表征的是a在坐标空间的扩散传染路径,属于金融系统外部。因此方程(2)就是根据随机理论所给出的金融系统的态变量即金融风险的动态演化方程。
三、结语
度量范文篇8
关键词：商业银行；信贷风险；信贷风险度量模型
一、信贷风险的相关概念分析
1．信贷风险的涵义。信贷风险是商业银行面临的最基本、最古老也是危害最大的风险。信贷风险是指债务人由于各种原因不能完全履约而遭受损失的可能性，随着现代风险环境的变化和信用衍生品市场的出现，使信贷风险还包括由于信用事件引起的损失的可能性。
由以上信贷风险的涵义我们可以看出，现代信贷风险得涵义主要包括两个方面：（1）信贷违约风险。这是所有的银行贷款都面临的风险。在借款企业不能够按期归还贷款的情况下，银行的收益将遭受的损失。信贷违约风险并不考虑借款企业没有发生违约情况下的损失，借款人没有发生违约就表示银行不会遭受任何损失。但是，一旦借款人选择违约，银行就会遭受一定的损失，损失的大小取决于借款人赔付率的大小。当前情况下，我国商业银行面临的主要信贷风险就属于信贷违约风险。（2）信贷息差风险。信贷息差风险是银行因为风险暴露，而向借款企业要求获得的风险补偿。随着金融产品的创新，银行持有企业的金融产品，由于企业的信用变化而存在损失的可能性。信贷息差风险考虑的是在企业贷款的期限内由于企业预期违约概率的增加，银行面临的预期损失也会趋于增加。因此，信贷息差风险是对信贷违约风险很好的补充。随着证券市场的不断发展和完善，信贷息差风险将成为信贷风险考虑的主要部分。
2．信贷风险的特征分析。（1）信贷风险是客观存在并且是一种非系统风险。风险是由于不确定性而产生的损失的可能性，并且这种不确定性的存在是客观存在的并不随人的意志的改变而变化。因此，银行信贷风险存在每一个借贷关系中即风险无处不在、无时不在。人们在风险管理中，只能使风险尽量减至最小而不能够完全的消除。另外，信贷风险有着非系统风险的特性，尽管贷款企业在经营过程中会受到整体经济变化的影响。但是，大多数情况下贷款企业的还款能力还是取决于其财务状况，企业经营的好坏以及还款意愿等个体因素。因此，信贷风险是一种非系统风险。（2）信贷风险收益率为非正态分布。对于银行的信贷风险来说，在贷款能够顺利收回的情况下（概率较大）银行可以得到正常的利息收入，但是当发生坏账的时候（概率较小）银行的损失是整个的本息。这样，银行在概率很小的事件发生时损失却是最大，银行的收益和风险损失就呈现非对称性。因此，信贷风险的概率分布曲线向左倾斜，并且在左侧出现“肥尾”现象。
二、信贷风险度量方法和模型研究
随着金融界对信贷风险度量研究的重视和现代金融理论的发展以及高等数学和计算机技术的引入，信贷风险度量技术的发展有了突破性的发展。
1．CreditMetrics——信用度量术。信用度量术（CreditMetrics）是J.P.摩根银行（JPM）和一些合作机构1997年推出的，第一个公开的银行业用于投资组合信用风险度量的方法。现在该方法已经成为当今世界最为著名的信贷风险度量模型之一。
该模型主要着眼于流动性非常好的债券市场或债券衍生品市场，因此可以轻易收集广泛的价格和评级数据。它对贷款和债券在给定的时间单位内（通常为一年）的未来价值变化分布进行估计，并通过在险价值（ValueatRisk，VaR）来衡量风险。这里，VaR用来衡量投资组合风险敞口的程度，是指在正常的市场情况和一定的置信水平下，在给定的时间段内预期可能发生的最大损失。
该方法在应用中还需要对以下问题进行探讨：（1）模型中违约率直接取自历史数据平均值，但实证研究表明，违约率与宏观经济状况有直接关系，并非固定不变；（2）模型假定资产收益服从正态分布，但实证研究表明，实际分布呈现厚尾特征；（3）关于企业资产收益之间的相关度等于公司证券收益之间的相关度的假设仍有待进一步的验证，计算结果对于这一假定的敏感性很高；（4）信用等级迁移矩阵未必是稳定的，它受到行业、国家、周期等因素影响；（5）模型中假定无风险利率是固定的，但是现实中这是一个变化的量。此外，模型的计算需要很多的数据，然而很多数据是不可能得到的。因此，这就给模型计算的准确度有了一定的影响。
2．KMV——期权定价模型。KMV模型的理论基础是Black—Scholes（1973）和Merton（1974）的期权定价理论。该模型通过对上市公司股价波动的分析来预测股权公开交易的公司发生违约的可能性。KMV模型假设：当公司的资产大于负债时，股东则行使该看涨期权，即偿还债务，继续拥有公司；如果资产小于负债，股东则选择使公司破产，公司所有者将公司资产出售给债权的持有人，即债权人拥有公司。因此，企业的股权价值可以用Black—Scholes期权定价模型来定价。
基于Merton提出的违约证券估价模型，KMV建立了一个基于公司资产结构的违约概率、违约概率转移矩阵计算框架的公司信用风险度量模型。由于Merton期权定价理论确定的违约概率与实际违约概率具有一定的差距，为区分理论违约概率（Q）与实际违约概率，KMV引入了期望违约率（ExpectedDefaultFrequency，EDF）的概念。对EDF的度量分三步进行：首先估计公司资产价值和公司资产波动率：其次计算违约距离DD（Distance—to—Default），它是用指标形式表示的违约风险值；最后使用KMV违约数据库将DD转化为EDF。
该方法的主要优点：（1）它可以被用于任何公开招股公司；（2）由于以股票市场数据为基础，该模型包含更多市场信息，因而认为能更好预测未来。主要问题在于：（1）由于资产市价的估算取决于股价波动率的估算，用期权定价方法估算的股价波动率是否可作为公司资产价值估算的可信指标是值得推敲的；（2）为了能使用期权定价公式，分析时假定公司债务结构是静态不变的，这与实际相差甚远。（3）为求出EDF值，假设资产收益服从正态分布。
3．CreditRisk+——信用风险附加法。信用风险附加法是瑞士信贷第一波士顿银行（CSFB）于1996年开发的信贷风险管理系统。该系统利用保险业精算学的方法来求得债券或者贷款组合的损失分布。该模型是一种违约模型，只考虑债券或者贷款是否违约并且假定违约的发生服从泊松分布。经过近十年的发展，该模型已成为一种在数据缺乏情况下估算风险资本要求的最好方法之一。
CreditRisk+假定违约率是随机的，可以在信用周期内显著地波动，并且其本身是风险的驱动因素。因而，CreditRisk+被认为是一种“违约率模型”的代表。CSFB认为违约相关是不可观察的而且是不稳定的，因此它不是直接通过模型模拟这种关系，而是利用违约率的波动性来确定违约相关性的影响并进一步生成贷款组合的损失分布。由于该模型给出的损失分布只是一个解析表达式，而且只关心违约与否几乎不需要什么估计什么量，所需要的数据很少。因此，该模型对于损失的计算速度很快。
CreditRisk+的最大优点是：（1）相对于其他模型而言，模型仅需要输入较少的数据，主要输入的数据仅为贷款违约率、违约波动率和风险暴露，从而适应了传统业务中缺乏数据的状况；（2）CreditRisk+对于债券组合或贷款组合的损失概率所得到的是闭形解，使它在计算上很具吸引力。不足之处主要有：（1）CreditRisk+忽略了转移风险，使得每一债务人的风险是固定的，且不依赖于信用质量的最终变化以及未来利率的变动性；（2）模型没有考虑信用等级的变化，因此贷款的风险暴露在计算期间内是固定不变的，这与事实是不同的。
4．CPV——信贷组合模型。1998年，麦肯锡（MCKinsey）公司利用基本动力学的原理提出的CreditPortfolioView模型是一个用于分析贷款组合风险和收益的多因素模型，它根据诸如失业率、GDP增长率、长期利率水平、政府支出等宏观因素，运用经济计量学和蒙特卡罗技术来对每个国家不同行业中不同等级的违约和转移概率的联合条件分布进行模拟。模型中的违约概率和转移概率都与宏观经济状况紧密相联。与CreditMetrics应用的转移概率和违约率不同，不是以历史等级转移和违约的数据来估计，而是以当期的经济状态为条件来计算债务人的等级转移概率和违约率。当经济状况恶化时，降级和违约增加；反之，则减少。
麦肯锡（MCKinsey）公司的信用风险组合观点模型不像其他方法那样以历史数据的平均为基础，而是以经济状态为条件来求损失的分布。此模型的不足之处在于实施这一模型需要可靠的数据。CPV方法可以看成是对CreditMetrics的补充，它克服了后者不同时期的评级转移矩阵固定不变的缺点。该模型与CreditMetrics应用的转移概率和违约率不同，不是以历史等级转移和违约的数据来估计，而是以当期的经济状态为条件来计算债务人的等级转移概率和违约概率。但是为了得到转移矩阵，该模型对经济衰退和扩张时期的违约概率进行了调整。
该模型的优点在于：（1）充分的考虑了宏观经济因素对信用等级迁移的影响；（2）信用等级迁移概率具有盯市性，与信用度量术结合起来可以提高信用风险度量的准确性；（3）它即可以适合单个借款人也可以适合多个借款人。缺点主要体现在：（1）使用的是很多的宏观数据，因此处理起来特别的繁琐；（2）该方法不能处理非线性产品。
度量范文篇9
一、财务风险是企业经营中面临的重要问题
企业财务风险是由于在市场经济条件下，企业所处的外部经营环境和内部经营活动的不确定性造成的。从一般意义上讲，企业财务风险可以理解为企业在经营活动中，由于内外部环境及各种难以预料或无法控制的因素作用，使企业财务活动的未来结果偏离预期财务目标的可能性。这种可能性表现在两个方面，一方面可能给企业造成预期外损失；另一方面可能给企业带来预期外收益。
企业作为市场经济中的微观主体，在经营过程中必然要面临一定的财务风险，这是企业所无法回避的现实问题。由于财务风险对企业经营具有两面性，如果企业在经营活动中，能对财务风险进行良好的管理，企业就能有效地保证自身资本的安全和增值，促进企业的发展壮大；否则，企业不但不能得到很好的发展，还有可能面临破产倒闭的厄运。所以，财务风险管理已经成为当今企业管理的一项重要内容。而财务风险管理的核心内容就是对财务风险进行科学的度量。因此，财务风险度量方法的选择对企业的经营管理至关重要。
二、企业财务风险的度量方法
企业财务风险度量就是采用一定的方法，对由于各种不确定性因素造成企业的未来财务结果偏离预期财务目标的可能性进行确定、量化的一种管理活动。在实践中，一般采用定性和定量、主观和客观相结合的方式来对其进行分析。根据不同的理念，财务风险的度量有多种方法，但最常见的方法主要有以下几种：
（一）概率分析法。就是用概率论、数理统计的理论与方法，对企业的财务风险进行度量。1.计算各项目的期望收益值；2.计算各项目报酬率的分散程度，即方差和标准差；3.根据变异系数判断风险程度，变异系数越大，风险越大；反之，变异系数越小，风险越小。
（二）杠杆分析法。就是通过对经营杠杆系数(DOL)、财务杠杆系数(DFL)和总杠杆系数(DTL)的分析来衡量企业经营风险、筹资风险和总风险的大小及杠杆利益水平的高低。杠杆系数愈大，企业财务风险也愈大，反之则财务风险也就越小。
（三）资产定价模型法(CAPM)。此方法的应用有其严格的假设条件：1.所有投资者都是风险规避者，各种投资者均使用资产收益的期望值和均方差或标准离差衡量资产的收益和风险；2.资本市场无障碍，不存在交易费用；3.投资者按照单期收益和风险进行决策，并且他们的投资期限相同；4.所有投资者对所有资产的收益和风险的判断是相同的；5.税收对证券交易和资产选择不产生任何影响，单个投资者不可能通过个人的买卖行为影响某一证券的价格。计算公式为：
E（Ri）=RF+[E(RM)-RF]×βi
式中，E（Ri）=E（Rpi），表示资产组合P中资产i的期望收益；RF表示无风险资产收益；
E(RM)=E(RpM)，表示资产组合集合中市场资产组合的期望收益；βi表示资产i的β系数。
（四）风险价值度量法。就是在一定置信水平和一定持有期限内，确定某一资产或资产组合所面临的损失的最高期望值，从而判定企业财务风险的方法。期望值越高，企业面临的财务风险也就越大；反之也就越小。
（五）风险率度量法。该方法把风险定义为企业的投资收益低于无风险收益的可能性，风险率就是指投资收益低于风险收益的概率，数值从0%到100%，风险程度逐渐增大，投资价值依次降低。
三、财务风险度量方法的评价
众多的财务风险度量方法是根据不同的目的，从不同的角度设计的。以上几种财务风险度量方法利弊不同，它们都有自己的适用范围。
概率分析法把理财领域引入数理统计的分析方法，具有较强的理论依据，逻辑性严密，可信度强，容易理解，堪称为财务风险度量的基础方法。但是，在具体的操作中，由于对经济业务的概率分布确定较难，大多概率分布主要是依靠经验来判断的，因而具有一定的主观性。所以，概率分析法适用于统计基础较好、统计资料较全面、统计数据较准确、经济业务有一定规律性的企业。
资本资产定价模型法是在概率分析法上的进一步改进。模型中的β系数代表投资者承担的风险大小，β系数越大，则投资者所承担的风险就越大，投资报酬率也就越高。此方法把风险和报酬紧密地联系在了一起，表现形式直观明了，把企业财务风险的内涵充分体现了出来。β系数的引用和计算，运用了数理统计理论，使风险度量具有较强的科学依据；同时，它还能反映出风险和资本结构之间的内在关系。但是，在实际应用中，模型中的β系数同样难以确定，它需要比较准确、全面的统计资料，同时也需要较强的专业理论知识和经验判断。而且，模型的建立是基于一些抽象的假设之上的，例如模型假设资本市场完全有效、投资者都是根据期望值理论来选择有效的投资组合、投资者对资产报酬的概率分布具有一致的期望等，而在现实中，这些假设是不成立的。因此，这种方法虽然理论性强，但是缺乏实际应用价值。
风险价值度量法根据置信区间的选择，可以直接给出企业可能遭受风险损失的价值，从而给管理者提供一个关于投资风险的明确信息，管理者由此对企业的投资活动进行抉择，可以有效地避免企业财务危机的发生，而且，此方法避免了确定β系数的困难。但是，风险价值度量法的计算比较复杂，需要较强的专业理论知识。而且，它度量的是在某一置信水平下，确定资产损失的最高期望值，从而具有一定的主观性。
杠杆分析法可以直接根据企业的财务报表进行分析计算财务风险。所以，用于计算风险所需的数据容易获得，计算也相对简单。杠杆分析法直观明了，而且财务报表上的任何变化都能灵敏地反映在杠杆分析当中。运用杠杆分析法，还能在同行业之间进行分析比较，使管理者可以更好地权衡风险和报酬，从而提高企业的竞争力。因此，杠杆分析法有其独特的优势，在企业财务风险的度量中被广泛应用，不失为企业财务风险度量的一个较理想的工具。
四、企业在财务风险度量方法的选择上应注意的问题
（一）要认识到财务风险度量方法选择的重要性。科学的财务风险管理可以使企业通过各种科学、有效的方法和手段，对企业在经营活动中所面临的财务风险加以预测、识别、预防、控制和处理，以最低成本确保企业资金运动的连续性、稳定性和效益性。因此，财务风险管理关系到企业的存亡和发展，而财务风险度量是企业财务风险管理中的核心内容。只有对财务风险度量环节投以充分的重视，在财务风险度量方法的选择上才有可能做到科学合理。
度量范文篇10
[关键词]企业家企业家精神再认识
一、对企业家精神的认知现状
企业家的成功经历散见于各类报刊杂志，企业家的社会地位在不断上升。随着企业家理论的发展和对优秀企业家的研究深入，“企业家精神”一词出现频繁，并且被认为是成功企业家独具的一种优秀品质。但是对于企业家精神的概念，至今仍众说纷纭。归纳起来，目前关于“企业家精神”的理解主要包含以下几个方面：
1.企业家精神是企业家尤其是优秀企业家所具有的一种素质，它是一种从千千万万个企业家个体所具有的精神中抽象出来的具有系统而普遍意义的精神。
2.人们或者“具有”企业家精神，或者“没有”这种精神。企业家精神区分了企业家与一般民众。
3.既然企业家精神是人的一种素质，则它具有长期存在性。即一旦人们拥有了企业家精神（无论是天生的还是后天培养的），人们就会长期拥有它。
4.企业家精神表现为一种灵感或“天才的火花”。当企业家提出一个新颖独特的观点或推出一种新的管理方法等等时，被视为是“企业家精神”的显现。
但笔者认为企业家精神并不只是一种偶发的灵感或“天才的火花”，而且是企业家精神主体在剧烈的市场竞争压力下形成的独特心态、价值观念、思维方式和精神素质。其显现应是一个从产生创意到创新结束的动态的有计划的过程。据此，我们推出企业家精神主体不仅仅可以是个人，也可以是组织、企业甚至是国家；对企业家精神的测量不是定性的“有”或“没有”，而是可以用频率、程度来具体度量的。在本文的最后，笔者提出一个投入——产出模型来概括我们对企业家精神的理解。
二、企业家精神主体的再研究
笔者认为企业家精神的主体不仅仅是个人（企业家），可以是团队（组织）、企业甚至是国家。诚然，企业家在一件具有企业家精神的事件（技术创新或制度创新）中无疑起着非常重要的作用。也正是企业家敢于承担风险和责任，合理调配一定的资源，才能使一种新观点、新方法得以成为现实。但从上述对企业家精神显现过程的分析描述中不难看出，任何能从事这一创新过程的个体与团队都可以成为企业家精神的主体。
企业家的一项必备的个人素质是善于利用团队的力量，使个人目标与团队目标趋向一致。那么具有企业家精神的团队与企业家领导下的团队有何区别呢？我们认为前者比后者更具有创造性和主动性。在企业家领导下的团队里，企业家是设计师与决策者，而一般成员则是执行者。成功的企业家会使团队成员具有更大的工作热情，但并不会改变上述角色位置。而在具有企业家精神的团队中，团队成员是决策的参与者，他们不仅是被动的接受命令，还会主动对计划提出修改意见。在创意的实施过程中，他们会在遇到意料之外的困难时主动调整计划，适应环境，保证创新活动的顺利进行。不仅如此，这还是一个有凝聚力的团队，每个人都视自己为集体的一分子，整个团队共享最后的胜利喜悦。马若迪斯·贝尔宾（Meredit.Belbin）曾这样描述一个具有企业家精神的团队：团队中会有一名成员提出创意，另一个人去确认它，由第三个人负责张罗资源，第四个人去促成，第五个人去改进，第六个人负责确保各项细节无误，第七个人去维护团体的士气。
具有企业家精神的团队可以是一个正式的团队，也可以是一个非正式组织，范围可大可小。彼得·德鲁克在《创新与企业家精神》中，曾指出“企业家精神是一种鲜明的特征，不论其是个人的，还是一个机构的”，并且专门讨论了一个具有企业家精神的组织的特征。格泽戈尔兹·科勒德克也曾在《向市场和企业家精神的转变——系统因素与政策选择》中提出“……中国及越南的社会主义体制改革的最终成功都是依靠其经济中各部门的企业家精神的扩展而取得的……”。还有一些研究者通过实证分析得出结论：具有企业家精神的企业事实上获得成功的概率要比同行业中不具有企业家精神的企业更大。（Brandit,1986；Kao,1989；Pinchot,1985）
将企业家精神看作是个体或团队从事创新活动的过程，其意义在于企业家精神不再是抽象而神秘的，它不再仅属于某些个体所拥有的特质，而可能蕴含在大多数个人、组织、企业之中，因此，可能存在适当的方法挖掘这一潜质，通过激励组织、企业、国家的每个成员对机会的敏感性，对风险的意识和主动性增强，我们可能使一个人、一个企业、一个国家更具有企业家精神。
三、企业家精神的度量
既然企业家精神不再是一种依附于人的属性，而是个体、组织甚至于国家所具有的固有潜质，那么我们无法再用“有”或“没有”来衡量企业家精神。取而代之的是企业家精神的强度，它包含着企业家精神出现的频率和体现出来的创新性、风险性和主动性的程度这两个维度。我们用周期性／持续性来形容企业家精神的频率，用改良性／变革性来形容企业家精神的程度。由此得到五类不同强度的企业家精神。（参见表1）持续型／周期型是指企业家精神主体的创新活动是持续进行的还是间断进行的，改良型／变革型则是指与原来的经营相比，这种创新活动带来的是一场革命还是仅仅是改良。一般来说改良型的创新都是源于市场的需要，消费者的要求，是在原有产品基础上的一种改进，所以创新性、风险性和主动性较低，而变革型则往往会创造出一些市场或消费需求，它是一种对市场的创造活动而不是适应行为。动态型是指企业无论在频率上还是在程度上都处于一种中间状态。
表1企业家精神的度量与分类
当然，企业家精神是一种动态的过程，我们对企业家精神的度量也只能是一种时点上的度量。不同的外部环境下（如在不同的国家），同一企业家精神主体可能会体现出不同的企业家精神强度。
为了更好的说明对企业家精神强度的测量，我们选取一些著名的企业家、大公司和国家，然后根据它们的特点划入不同类型。应当指出的是，我们的划分并没有一个准确的统计数据作为依据，而是根据二手资料进行的一种主观评价，其目的并不在于准确的为这些企业家精神主体进行定位，而是为了说明企业家精神度量方法的运用。
首先，我们将研究几位著名的企业家。第一位是安利公司的创始人理查·戴弗斯（Rich.Devos）。他总是源源不断的推出新的产品以扩充现有产品系列。这些产品的推出主要是为了弥补原有产品的缺点或者是满足新的消费需求，是一种适应性的创新，因此程度比较低但频率比较高，属于持续型／改良型企业家。第二位是比尔·盖茨。他也是以新产品的层出不穷、产品的创新性著称的。在这些新产品中，有的是革命性的如“视窗95”，另一些是为了适应互联网时代的需要如“视窗2000”。所以可以被列为动态型。第三位是美国西南航空公司的赫布·凯莱赫（Herb.Kelleher）。他非常强调公司经营的服务导向，以战略鲜明、A集团管理著名。他的管理创新主要是根据不同时期乘客服务的需求变化，为了更好地为乘客提供优质服务而进行的，因此可以列入周期型／改良型。其余如有线新闻网（CNN）的泰德·特纳（Ted.Turner）,日本本田的宗一郎等也可以根据其创新的频率及创新的目的等来分类。（详见表2）。同样，我们还可以对一些公司和国家进行企业家精神的度量（详见表3）
值得注意的是，对于企业家精神的度量不存在价值判断，即并不是创新性越强或者风险性越大就越值得提倡。企业家精神主体所处的社会、组织环境与企业家精神强度是一个互相影响、互相适应的关系。例如，企业家的创新性、风险性和主动性与企业家的个性相关，企业的企业家精神强度与企业所处的行业相关且常常体现在内部的组织结构、奖酬制度等方面。霍夫斯泰德（Hofstede,1980）曾研究不同国家的文化与经济增长之间的关系，认为一国文化是集体主义还是个人主义，其权力等级距离、对性别的歧视程度等都会影响到整个国家的创新性与经济活力。
对企业家精神进行衡量并了解企业家精神强度的影响因素是非常有意义的。我们可以据此对企业家精神进行管理。例如当一位在美国很成功的企业家到西班牙去创业，他通过两国企业家精神的衡量明确其中的差异，推出需要降低创新的频率与程度。于是，这位企业家一方面可以通过了解两国的文化差异进行个体企业家精神调节，另一方面则通过制订组织内的权力等级、决策链等制度来塑造一个适应该国环境的具有企业家精神的企业。
四、总结：一个模型
根据上述对企业家精神主体、内涵、显现过程的讨论，以及对企业家精神度量的研究，我们认为企业家精神的定义是：个人或团队成员通过挖掘现实社会中的机遇、筹集所需的资源，进行创造价值的创新活动的过程。它在一定的组织背景中发生，根据特定的组织背景产生不同的创新成果，包括新的企业、新的产品、新的服务内容、新的工艺过程、新的市场，以及新的技术等。
可以用一个投入——产出模型来表示企业家精神。（见图）
热门标签
相关文章
股票市场风险识别度量与预警机制 2022-05-17 02:43:19
公司信贷信用风险度量与管理分析 2022-04-01 11:01:03
信息熵理论金融风险度量探究 2022-07-11 11:24:59
公司信贷信用风险度量与管理 2022-01-18 09:46:24
我国商业银行流动性风险度量研究 2022-02-23 11:23:43
商业银行声誉风险经济资本度量研究 2022-01-13 08:59:43
