世界各個銀行常用的信用分析方法

1. 信用分析的古典信用分析方法

因此，在信貸決策過程中，信貸管理人員的專業知識、主觀判斷以及某些要考慮的關鍵要素權重均為最重要的決定因素。
在專家制度法下，絕大多數銀行都將重點集中在借款人的「5c」上，即品德與聲望(character)、資格與能力(capacity)、資金實力(capital or cash) 、擔保(collateral)、經營條件或商業周期(condition)。也有些銀行將信用分析的內容歸納為「5w」或「5p」。 「5w」系指借款人(who)、借款用途(why) 、還款期限(when)、擔保物(what)、如何還款(how)；「5p」系指個人因素( personal)、目的因素( purpose) 、償還因素( payment)、保障因素(protection)、前景因素(perspective)。這種方法的缺陷是主觀性太強，只能作為一種輔助性信用分析工具。 貸款評級分類模型是金融機構在美國貨幣監理署(occ)最早開發的評級系統基礎上拓展而來，occ對貸款組合分為正常、關注、次級、可疑、損失等5類，並要求對不同的貸款提取不同比例的損失准備金以彌補貸款損失。
在我國，1998年以前各商業銀行貸款分類的方法一直沿用財政部《金融保險企業財務制度》的規定，把貸款分為正常、逾期、呆滯、呆賬四類，後三類合稱不良貸款，簡稱「一逾兩呆法」。 這一方法低估了不良貸款, 因為它沒包括仍支付利息尚未展期的高風險貸款。1998年我國開始借鑒國際監管經驗，對貸款分類進行改革，按照風險程度將貸款劃分為正常、關注、次級、可疑、損失五類，即五級分類方法。2003年12月中國銀監會發布文件決定自2004年1月1日起，我國所有經營信貸業務的金融機構正式實施貸款五級分類制度。 信用評分方法是對反映借款人經濟狀況或影響借款人信用狀況的若干指標賦予一定權重，通過某些特定方法得到信用綜合分值或違約概率值，並將其與基準值相比來決定是否給予貸款以及貸款定價，其代表為z計分模型。
z計分模型是Altman 1968 年提出的以財務比率為基礎的多變數模型。該模型運用多元判別分析法，通過分析一組變數，使其在組內差異最小化的同時實現組間差異最大化，在此過程中要根據統計標准選入或捨去備選變數，從而得出z 判別函數。根據z值的大小同衡量標准相比，從而區分破產公司和非破產公司。1995 年，對於非上市公司，Altman對z 模型進行了修改，得到z′計分模型。Altman、Haldeman 和Narayannan在1977 年對原始的z 計分模型進行擴展，建立的第二代的zeta 信用風險模型。該模型在公司破產前5 年即可有效劃分出將要破產的公司，其中破產前1 年准確度大於90 % ，破產前5 年的准確度大於70 %。新模型不僅適用於製造業，而且其有效性同樣適用於零售業。上述兩種模型中，zeta 分類准確度比z 計分模型高，特別是破產前較長時間的預測准確度相對較高。由於方法簡便、成本低、效果佳，上述方法應用十分廣泛。
值得注意的是該類模型構建中的數理方法，綜合以來，主要有以下幾種：
1．判別分析法(discriminant analysis)
判別分析法(discriminant analysis，簡稱DA) 是根據觀察到的一些統計數字特徵，對客觀事物進行分類，以確定事物的類別。它的特點是已經掌握了歷史上每個類別的若干樣本，總結出分類的規律性，建立判別公式。當遇到新的事物時，只要根據總結出來的判別公式，就能判別事物所屬的類別。
da 的關鍵就在於建立判別函數。目前，統計學建立判別函數常用方法有：一是未知總體分布情況下，根據個體到各個總體的距離進行判別的距離判別函數；二是已知總體分布的前提下求得平均誤判概率最小的分類判別函數，也稱距離判別函數，通常稱為貝葉斯(bayes)判別函數；三是未知總體分布或未知總體分布函數前提下的根據費歇(fisher) 准則得到的最優線性判別函數。
2．多元判別分析法(multivariate discriminant analysis)
多元判別分析法(MDA)是除美國外的其他國家使用最多的統計方法。多元線性判別分析法，可以具體為一般判別分析(不考慮變數篩選)和定量資料的逐步判別分析(考慮變數篩選)。但應用多元判別分析(MDA)有三個主要假設：變數數據是正態分布的；各組的協方差是相同的；每組的均值向量、協方差矩陣、先驗概率和誤判代價是已知的。
該種方法的不足之處是必須建立在大量的、可靠的歷史統計數據的基礎之上，這在發展中國家如中國是難以具備的前提條件。
3．logit 分析判別方法
logit 分析與判別分析法的本質差異在於前者不要求滿足正態分布或等方差, 從而消除了MDA 模型的正態分布假定的局限性。其模型主要採用了logistic 函數。
該模型的問題在於當樣本點存在完全分離時，模型參數的最大似然估計可能不存在，模型的有效性值得懷疑，因此在正態的情況下不滿足其判別正確率高於判別分析法的結果。另外該方法對中間區域的判別敏感性較強，導致判別結果的不穩定。
4．神經網路分析法（artificial neural network，簡稱ANN）
神經網路分析法是從神經心理學和認知科學研究成果出發，應用數學方法發展起來的一種具有高度並行計算能力、自學能力和容錯能力的處理方法。它能有效解決非正態分布、非線性的信用評估問題，其結果介於0與1之間，在信用風險的衡量下，即為違約概率。神經網路分析方法應用於信用風險評估的優點在於其無嚴格的假設限制且具有處理非線性問題的能力。Altman、Marco和Varetto（1994）在對義大利公司財務危機預測中應用了神經網路分析法；Coats及Fant（1993）Trippi採用神經網路分析法分別對美國公司和銀行財務危機進行預測，取得較好效果。然而，要得到一個較好的神經網路結構，需要人為隨機調試，需要耗費大量人力和時間，加之該方法結論沒有統計理論基礎，解釋性不強，所以應用受到很大限制。
5．聚類分析法(cluster analysis)
聚類分析(cluster analysis)屬於非參數統計方法。信用風險分析中它根據由借款人的指標計算出的在樣本空間的距離，將其分類。這種方法一個主要優點是不要求總體的具體分布；可對變數採用名義尺度，次序尺度，因此該方法可用於定量研究，也可對現實中的無法用數值精確表述的屬性進行分析。這很適用於信用風險分析中按照定量指標(盈利比、速動比等) 和定性指標(管理水平、信用等級等) 對並不服從一定分布特性的數據信息分類的要求。例如，Lundy運用該方法對消費貸款申請者的典型信用申請數據及年齡、職業、婚否、居住條件進行處理分成6類並對每類回歸評分，它不僅將借款人進行有效的分類而且幫助商業銀行確定貸款方式策略。
6．k近鄰判別法(k-Nearest Neighbor)
k近鄰判別法在一定距離概念下按照若干定量變數從樣本中選取與確定向量距離最短k個樣本為一組，適用於初始分布和數據採集范圍限制較少時，減小了以函數形式表達內容的要求。另外，knn 通過將變數在樣本整體范圍內分為任意多決策區間，而近似樣本分布。Tametal將之用於信用風險分析，取馬氏距離，從流動性、盈利性、資本質量角度選出的19 個變數指標，對樣本分類，經比較其分類結果的准確性不如lda、lg 以及神經網路。原因在於在同樣的樣本容量下，若對具體問題的確存在特定的參數模型並可能找出時，非參數方法不及參數模型效率高。
7．層次分析法（AHP）
該方法強調人的思維判斷在決策過程中的作用，通過一定模式使決策思維過程規范化，它適用於定性與定量因素相結合、特別是定性因素起主導作用的問題，企業信用等級綜合評價就是這種定性因素起主導作用的問題。AHP 法的基本步驟是：建立遞階層次結構，構造判斷矩陣，求此矩陣的最大特徵根及其對應的特徵向量，確定權重，並進行一致性檢驗。
8．其他方法
此外還存在著其他眾多的方法：probit 法、因子－logistic法、模糊數學方法、混沌法及突變級數法、灰關聯熵、主成分分析綜合打分法、主成分分析與理想點的結合方法、原蟻群演算法、數據包絡判別法等等。關於這些方法的應用，將在後面的實證部分進行探討。