|
资产估值是不良资产证券化的核心，今天大公信软资深金融分析经理--陈大牛（化名），来为众位解读不良资产估值的核心架构和大公不良资产估值定价模型的技术思路。 不良资产定价主要运用三种方法：一是历史数据平均法；二是数据回归分析法；三是市场数据隐含分析法。 特别提示：本文仅为学习推荐使用，相关产品与本平台没有任何关系。 小编：我了解到，不良资产估值是业内公认的难点，是这样吗？那么它难在何处呢？ 陈大牛：是的，你说的没错。原因在于：一是不良债权评估往往得不到债务人的配合，不通过非常规手段无法全面查清债务人的营运状况和资产。如果是“三无”企业、注吊销企业和特殊行业或部门，评估就更加困难；二是没有成熟的外部市场，信息高度垄断，市场不能发现不良债权交易价格；三是由于开展不良资产处置业务的数量和时间有限，缺乏相关数据可资借鉴，更未建立起相关的定价模型。因此在划转定价的协调上，往往只能参照简单的五级分类标准和基本的尽调判断。而事实是，如果考虑处置过程中的政策、法律、市场等诸多关联因素，即使是同一类贷款，花费同样的成本，其最终的处置效果也会产生较大差异。 小编：听起来不良资产的估值的难题是沟通配合受阻，市场现状不佳，和资源匮乏等多方面因素共同造成的。那么，在不良资产证券化重新回归金融人视野的背景下，是否存在较为成熟的量化研究方法，能解决您提到的估值难的问题呢？ 陈大牛：纵观各专业机构和研究人员的研究成果，不良资产定价主要运用三种方法。一是历史数据平均法，包含违约加权法，时间加权法、货币加权法等，主要是根据实际的违约历史数据进行加权平均；二是数据回归分析法，其典型代表是穆迪的LossCalc模型，即根据违约资产的回收率历史数据和理论因子模型，应用统计回归分析和模拟方法建立预测模型；三是市场数据隐含分析法，即由正常贷款和债券的升水幅度中隐含的风险信息分析而得。 小编：既然已有成熟的技术，那么定价难的问题为何仍然存在呢？ 陈大牛：由于多种原因，公司收购的不良债权在不同企业以及不同地区之间的质量差异非常大，影响其回收价值的因素很多，影响方式也很复杂。如何测算不良债权的回收价值，国内外一直也没有成熟的经验可以借鉴和推广。这就是为什么信软一直坚持自主研发不良资产估值定价技术。 小编：可否为我们介绍一下大公在不良资产定价方面的研究成果有哪些？ 陈大牛：成形的模型有基于主成分的多元回归分析、支持向量机理论、人工神经网络模型等等。大公在这几种模型的基础上，跟踪国内外最新研究，不断创新、融合。 调 研1、基于主成分的多元回归分析方法 主成分分析是考察多个变量间相关性的一种多元统计分析方法，它是研究如何通过少数几个主成分(即原始数据的线性组合)来解释多变量的方差—协方差结构。也就是导出几个主成分，使其尽量多地保留原始变量的信息，且彼此线性无关。主成分分析是利用降维的思想，通过对原始指标相关矩阵内部结构关系的研究，设法将原来的多个指标重新组合成少数几个新的线性无关的综合指标来代替原始指标，同时根据实际需要从中取较少的几个综合指标尽可能多的反应原始指标的信息。 2、支持向量机方法 支持向量机是建立在统计学习的VC维理论和结构风险最小化原理的基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力（即无错误地识别任意样本的能力）之间寻找最佳折衷，以期获得最好的推广能力，最初是由AT&TBell实验室的Vapnik针对解决模式识别问题提出的一类新型机器学习算法。 支持向量机的提出是因为在学习过程中样本数据分类的需要。假设一些给定的样本数据分为两种不同类的样本集，目标是判定一个新的数据是属于哪个样本集。在支持向量机的方法中，一个数据样本被视为一个p维的向量，并且我们希望可以用一个p-1维的超平面分离这些数据。这称之为线性归类。有很多超平面可以分离这些数据，但我们更感兴趣能否找到一个最优的超平面使得两个样本集的距离最大。也就是说，我们选定的超平面与最近的样本数据的距离是最大的。 3、人工神经网络 人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。 人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。 小编：但我仍有一事不解，如此多的模型种类，他们之间有没有内在联系？或者说，大公在设计不良资产定价模型时有没有贯穿的思路和中心思想？ 陈大牛：大公有一套成熟的建模分析步骤，模型都按照这个流程进行实验。根据科学的建模方法和分析思路，大公从设计和研发的多个不良资产定价模型进行压力测试，最终形成自主研发基于大数据的估值定价模型。 归 纳建模分析流程图如下： 小编：那么我们不良资产定价的应用场景是什么？服务对象又是谁呢？ 陈大牛：大公研发的不良资产估值定价模型主要应用于不良资产的收购和处置两大场景。模型定位于单户债权不良资产价值估值技术，并可以批量估算资产包价值、预测可回收价值等，在此基础上考虑成本和利润，推算收购和处置价值，从而用于资产收购和处置业务。 小编：据我所知，从市场反馈来看，该不良资产估值定价模型在业内备受好评，您认为我们模型的优势是什么？ 陈大牛：实验表明，大公不良资产估值定价模型有相对较好的精度，基本上能满足当前不良资产业务需求。模型的稳定性能较好，这一点在交叉试验中得到了证明。 小编：听起来很振奋人心！ABS在未来的几年内必将是热点，是趋势，想必信软也不会满足于现有的成果，您下一步的计划是什么？ 陈大牛：针对当前已经处置完毕的样本进行实验表明模型的推广能力较强，但由于模型的基本原理是采用历史的样本数据来表达未来的预测样本数据，若这两个样本集合缺乏表达性关联，即样本分布规律差异较大，则估值结果就会变差，这也是所有量化模型的缺点，相关技术研发团队已经着手研究和解决此问题，力争研发更完美的定价模型。 来源：大公信软 |
|
|
