信用风险评价模型进展及其对我国农村信用社适用性研究，本文主要内容关键词为：适用性论文,农村信用社论文,进展论文,模型论文,信用风险论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
信用风险是指借款人、债券发行人或金融交易对方由于各种原因不能完全履约致使金融机构、投资人或交易对方遭受损失的可能性。信用风险涉及贷款发放、债券投资、表外业务、衍生金融工具等多种金融活动。如果金融机构不能按期足额收回金融合同约定的现金流，那么对金融机构来讲就面临着信用风险。随着金融创新的进程不断加快和金融业的迅猛发展，新技术特别是信息技术在金融领域的广泛应用，新的金融工具特别是衍生金融工具迅速增加，金融业的竞争日趋激烈，金融机构的并购、破产、重组事件蔓延全球，金融实业界面临着更大的信用风险挑战，同时金融监管部门也面临着如何更有效监管信用风险的挑战。因而对信用风险的监测、评价与管理越来越重要，于是近年来金融界一方面对传统的信用风险评价方法不断改进翻新，一方面推出了一系列崭新的信用风险评价方法和模型。
目前应用的信用风险方法有相对简单的、定性方法，也有定量的、具有坚实理论基础和复杂数学结构的新方法；有基于非市场的内部信息的评价方法，也有基于金融市场信息资料的评价方法；有针对单项贷款资产的方法，也有针对贷款资产组合的评价方法。总的来讲，信用风险评价方法越来越体现出从定性到定量、从简单到复杂、从微观层次的个别资产信用风险评价到宏观层次的资产组合信用风险评价的趋势。本文对国际上流行的信用风险评价方法及模型进行了简单介评，以资推进我国信用风险评价事业的发展。同时，本文还简要讨论了国际上流行的金融机构信用风险评价方法与模型对我国农村信用合作社的信用风险评价的适用性问题。
二、传统模型
实际上，信用风险评价的各种方法之间有着或多或少的联系，有些新方法本来就是对传统方法或思想的集成和发展，因此新方法与传统方法并不存在绝对的界线。这里的所谓传统方法是指发展相对较早、较成熟的一些方法，如专家系统法、信用评分模型等。
（一）专家系统模型与贷款评级分级模型
20年前，金融机构主要依赖于主观分析或定性分析方法衡量企业贷款的信用风险，这种方法也称为“银行家专家系统(banker expert system)”。其中的5C法是这类专家分析方法的代表。所谓5C是指借款人的5个相关方面的特性，即：道德品质(Character)、盈利及还款能和(Capacity)、资本实力(Capital)、抵押品(Collateral)和经营环境条件(Condition或Cycle)，前4个C主要针对借款人个人微观特征而言，第5个C指宏观经济条件即经济周期波动而言。通过对企业5个方面的分析，判断其信用风险程度并决定是否给予贷款。这种方法的缺陷是主观性太强，只能作为一种辅助性信用分析工具。[1]
贷款内部评级分级模型(Internal rating systems)是金融机构在美国货币管理办公室(Office of the Controller OfCurrency，OCC)最早开发的评级系统基础上拓展而来的。OCC最早将贷款分为5级：正常贷款(pass/performing assets)、关注贷款(other assets especially mentioned,OAEM)、次级贷款(substandard assets)、可疑贷款(Doubtful assets)、损失贷款(loss assets)。国际上一些金融机构把贷款分级划分得更细，分为9级或10级(Fadil,1997)[2]。评级分级模型实际上是对资产组合的信用状况进行评价，并针对不同级别的贷款提取不同的损失准备。目前我国业已开始推行贷款5级分类办法。
（二）信用评分模型
信用评分模型或评分系统(credit scoring models)是将反映借款人经济状况或影响借款人信用状况的若干指标（如消费借款人的收入、年龄、职业、资产状况等；借款企业的财务比率等）赋予一定权重，通过某些特定方法得到能够反映信用状况的信用综合分值或违约概率值，并将其与基准值(benchmark)相比来决定是否给予贷款以及贷款定价(Caouette,Altman,Narayanan,1998)[3]。目前这种方法的应用仍然十分广泛。
信用评分模型实质上是一类以借款人特征指标为解释变量的计量经济模型，主要包括多元线性概率模型、logit模型[4]、probit模型、线性区别分析模型等。而多元线性概率模型、logit模型、probit模型是一类二元选择模型(binary-choice model)，这类模型假设每一个个体都面临着二者挑一的选择，而且其选择依赖于个体特征。线性概率模型假设某个体做出特定选择的概率是该个体特征的一个线性函数。在信用评分中，线性概率模型用借款人过去的信息资料如财务比率等作为解释变量对过去的贷款偿还情况进行解释．其中过去贷款的偿还被分为两种情形：偿还或违约。通过回归方程可以预期具有某些特征借款人的违约概率。线性概率模型的基本形式为：
其中：Zi为第i个体过去贷款的偿还情况，违约为1，偿还为0；X[,ij]为第i个体的第j个特征值。
该模型特点是比较简明直接，但其最大的弱点就是其预期违约概率值可能超出0-1区间。logit模型、Probit模型等通过特定形式的累计概率函数对线性概率模型进行变换，从而把预测的违约概率值限定在0-1之间。
线性区别分析模型是基于对研究对象多种类别进行判别的一种统计分析方法。区别分析就是要从若干表明观测对象特征的变量值中筛选出能提供较多信息的变量，并建立区别函数。线性区别模型在信用风险评价中是根据判别分值来确定的临界值对研究对象进行信用风险的定位。Altman在1968年对美国破产和非破产生产企业进行观察，采用了22个财务比率经过数理统计筛选建立了著名的5变量Z-score模型[5]。其区别函数模型是：
其中：X[,i](i=1,…5)为5个财务指标。Z值越高，表明借款人处于较低的违约风险组别。如果Z值低于特定临界值(Altman最初设为1.81)，则借款人被看作违约类的，对其贷款要慎重或拒绝贷款。
1977年Altman等经过改进开发了目前常用的"ZETA"区别分析模型(Altman,Saunder,1998)[6]。
线性区别模型本身存在一些缺陷，如：该模型只考虑了违约与不违约两种极端情况，而忽略中间各种可能情形；缺乏足够的解释赋予各变量权重的经济理由；忽略了一些难于量化的因素；该模型的估计缺乏必要的数据信息，同时由于大多数解释变量基于会计指标，而会计数据只有在会计期间结束后才能报告，因而影响对借款人信用评价的时效性。
（三）信用评分模型的拓展——非线性区别模型与神经网络分析系统
非线性区别分析与神经网络方法等的应用使信用评分模型得以拓展。非线性区别模型就是用非线性区别函数取代线性区别函数，克服了解释变量的线性关系假设。
神经网络是从神经心理学和认知科学的研究成果出发发展起来的一种并行分布模式处理系统，其结构由一个输入层、若干中间层和一个输出层组成。神经网络分析方法应用于信用风险评价的优点在于其特定的理论基础及对预测性变量(prediction variables)之间相关性的挖掘，并把其作为附加的解释变量。Altman、Marco和Varetto(1994)[7]在对意大利公司财务危机预测中应用了神经网络分析法；Coats及Fant(1993)[8]等采用神经网络分析法分别对美国公司和银行财务危机进行预测，取得了一定的效果。王春峰等(1998)[9]也应用神经网络等方法对我国商业银行进行了信用风险评价。然而神经网络的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构，需要人为地去调试，非常耗费人力与时间，所以应用受到限制。Altman等(1994)在对神经网络法和区别分析法的比较研究中得出结论：“神经网络分析方法在信用风险识别和预测中的应用，并没有实质性的优于线性区别模型”。Saunders(1999)也对神经网络方法的应用可能遇到的一些问题如到底应该包括多少附加的“隐含”相关关系等进行了分析。针对这些问题，神经网络与模糊论结合的Neurofuzzy系统被引进用于评价信用风险(Piraanuthu,1999)[10]。
此外，遗传算法、线性规划、非参数统计方法等也用于信用评分系统中（见Thomas,2000等）[11]。
二、基于金融理论与金融市场资料的新模型
（一）期限结构模型、死亡率模型、RAROC模型
1.期限结构模型与KPMG贷款分析系统。期限结构(term structure)模型的基本思想是通过对有风险企业债券与无风险债券之间的利差(spread)的分析推估借款人的信用风险。期限结构模型的早期文献见Jonkhart(1979)[12]，后来，Iben和litterman(1989)[13]又进行了改进与发展。这类模型主要是通过对无风险债券（如政府债券）和有风险企业债券的远期利率(forward rates)的预测来测算企业债券的信用风险状况。如1年期的无风险债券和有风险企业债券承诺收益(promised return)分别为1+i和1+k，那么，企业债券的信用风险即违约概率为l-p=1-[(1+i)/(1+k)]。
KPMG把利率期限结构方法的基本思想应用于贷款的估价与定价方面，并开发了贷款分析系统Loan AnalysisSystem,LAS)[14]。这类方法实际上是运用风险中性行为模式的预期利率来估计有风险资产的违约概率即信用风险程度，因而也被称为风险中性评价方法(Saunders,1999)。
2.死亡率模型。死亡率模型(mortality ratemodel)的基本思想很简单，即通过分析某一信用级别的债券或贷款的历史违约情况来推断和测度具有同一级别的金融工具的信用风险程度。关于该类模型的文献可见Altman(1989)[15],Altman及Suggitt(2000)[16]和Saunders(1999)等。许多信用评级机构如穆迪(moody's)、标准普尔(Standard and Poor's)等都采用并改进死亡率模型来分析债券类金融工具的信用风险。目前这类模型用来分析贷款违约情况的主要困难是缺乏必要的历史记录材料(Altman,1998)。
3.RAROC模型。RAROC模型意即经过风险调整的资本收益率(Risk-adjusted return on capital)模型。这类模型是在欧美被广泛应用的一类基于金融市场信息资料的模型，其主导思想是通过计算单位贷款风险的收益率并与基准相比来决定是否发放贷款以及贷款定价。其基本表达式为：
RAROC=贷款收益（通常一年）／贷款风险（或风险资本，capital at risk）
其中分子反映了某项贷款一年的预期收益，包括利差收益、手续费等并扣除预期损失(expectedloss)及运营成本等。分母则是对不可预期的损失(unexpected loss)或风险资本的度量，其确定的主要方法有美国银行托拉斯(Bankers Trust)开发的基于金融市场的方法和美国银行(Bank ofAmerica)开发的基于历史或实验的方法。前者是通过计算贷款在下一年的市场价格向不利方向的变化来计量不可预期的损失，后者则是通过基于历史违约数据的试验模型(experiential model)。如果计算得到某项贷款的RAROC大于临界风险收益率(hurdle rate)，则可以发放该项贷款，否则应拒绝。
（二）KMV模型
以KMV公司开发的信用监测模型(creditmonitor model)为代表的一类模型被称为KMV类模型。这类模型把贷款看作期权，因而其理论依据在很多方面与Black和Scholes(1973)[17]、Merton(1974)[18]以及Hull和White(1995)[19]的期权定价模型相似，因此也称作信用风险的期权定价模型。Black-Scholes-Merton(BSM)系列定价模型表明一家公司的破产概率取决于公司资产相对于其短期负债时的初始市场价值和资产（股票）市价的波动率，当公司资产的市场（清算）价值低于其短期负债价值（资不抵债），该公司即实质上已经破产。1993年KMV公司通过研究提出的期望违约频率(Expected Default Frequency,EDF)模型就是基于这一理论[20]。模型的结构包含两种理论联系，其一是企业股权价值与企业资产价值之间的关系，将股票价值看成是建立在公司资产价值上的一个看涨期权；其二是公司股票价值波动率与公司资产价值变化之间的关系。在实践中，通过观察在一定标准差（资产市价与偿债价值的标准差）水准上的公司（其初始资产高于负债）在一年内有多少比例的公司破产，来衡量任一具有同样标准差的公司的违约概率。由于资产市价的估算取决于股价波动率的估算，因此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。
（三）Credit-VaR模型
1997年以J.P.Morgan为代表的几家著名的金融机构联合推出了CrcditMetrics模型[21]，该模型应用VAR(Value at Risk)分析框架对一些非上市流通的资产如贷款、私募债券等进行估价和信用风险评价。运用这个模型可以估算在出现不利情况下贷款或贷款组合的损失(Saunders,1999)。
用CreditMetrics模型进行信用风险评价，要搜集借款人信用评级资料、信用位移矩阵(credit migratlon Matrix)、违约贷款的回收率（如变卖抵押品等）、债券市场不同信用级别的债券收益差等资料，以估算方差(position)和标准差，进而计算贷款的VAR值。其基本步骤：一是构造信用位移矩阵。信用级别位移矩阵是信用评级机构根据历史数据及其它债券的分析，预测债务人的信用评级由一个级别向其它组别（包括违约）转变的概率。二是在考虑信用级别转移的基础上估算各种信用转移可能性的贷款市场价值。三是计算VAR值。首先计算未来1年各种可能的贷款市场价值的均值或预期价值；然后计算在正态分布假设下方差和标准差，进而计算一定置信水平下（如5%,1%）的VAR值；再次，根据贷款市场价值的实际分布，计算基于实际分布的VAR值。
（四）基于精算方法的CreditRisk[+]模型
CreditRisk[+]是由 CSFP(Credit Suisse Financial Products)开发并于1997年底推出的一个新的信用风险评价模型[22]。该模型的主导思想源于保险（特别是火险）精算学，即损失决定于灾害发生的频率和灾害发生时造成的损失或破坏程度。精算思想可用于贷款信用评价，因为贷款组合的损失分布可以综合反映贷款发生违约的频率和严重程度。该模型基于这样一些假设：贷款组合中任何单项贷款发生违约与否是随机的；每项贷款发生违约的可能性是独立的，即任何两项贷款发生违约的相关性为0，因而这个模型假设贷款组合中单项贷款的违约概率分布服从Possion分布[23]。该模型特别适于对含有大量中小规模贷款的贷款组合信用风险分析。
运用CreditRisk[+]模型，一般要对贷款组合进行分档(bands)。对于每一档，要确定违约率服从Possion分布的贷款违约概率和一旦贷款发生违约金融机构承担的损失，然后确定贷款组合损失的概率分布，进而确定一定置信水平下的可能损失数额。
（五）宏观经济模拟模型——CreditPortfolioView
McKinsey作为一家咨询公司，开发了一个只用于衡量、评价违约风险的宏观经济模拟模型——CreditPortfolioView(Wilson,1997a[24],1997b[25]）。该模型是一个离散型多时期模型，其中违约概率被看成一系列宏观经济变量如失业率、利率、经济增长率、政府支出、汇率的函数。这种方法实质上是通过对宏观经济周期波动的态势分析判断和评价信用周期进而评价信用风险。该模型通过模拟和构造在不同的宏观经济形势下，一个国家不同产业不同信用级别的金融工具违约的联合条件概率分布和位移概率，分析宏观经济形势变化与信用违约概率及位移概率的关系，进而分析不同行业或部门不同信用级别的借款人的信用风险程度。
（六）关于几个新型内部模型的比较
CreditMetrics、CreditRisk[+]、CreditPortfolioView、KMV等4个模型是当今国际上最具代表性的金融机构内部模型。Saunders(1999)、Crouhy(2000)[26]、巴塞尔银行监管委员会(Basle Committee on Banking Supervision)(1999)[27]、Lopez及Saidenberg(2000)[28]等对这些模型之间的异同作了比较。通过比较可以看出，这些模型之间的实质差异并非象表述形式的差别那么大。
模型的比较主要从以下几个方面：一是对风险的界定。CreditMetrics主要是从市场标示(Mark-to-market,MTM)角度界定风险，即从借款人信用级别升降（利差变化）包括违约角度衡量信用风险。而CreditRisk[+]则主要考虑违约和非违约两种情况，风险来自违约事件的发生，故称违约模式(Default mode,DM)。其他两个模型或采用MTM模式或采用DM模式。二是风险来源。在KMV与CreditMetrics中，风险主要来自企业资产的价值及其波动，CreditRisk[+]中风险主要来源于违约概率的预期水平及其波动，CreditPortfolio View中则主要来自宏观经济指标变动。三是信用事件的波动率(volatility)。在CreditMetrics中，违约概率被认为是相对稳定的，在CreditRisk[+]、CreditPortfolioView、KMV中的违约概率均被认为是变动的，只不过服从不同的概率分布。四是信用事件的相关性。各模型均具有相关性结构，能反映贷款与主要风险因素的系统联系。五是回收率。在CreditMetrics、CreditPortfolio View以及新版的KMV模型中，贷款违约后的回收率是随机的，简单的KMV模型以及在CreditRisk[+]中每一档的回收率被看作是固定的。六是在数量方法上，CreditMetrics对单项贷款的VAR的计算可通过解析方法实现，但对大规模的贷款组合则往往通过模拟技术求解，CreditPortfolio View也采用模拟技术结构，CreditRisk[+]、KMV则通过解析技术实现风险评价。
Gordy(2000)专门对CreditMetrics与CreditRisk[+]两个模型进行了深入的比较分析，并认为透过具体表述方式，实际上CreditMetrics与CreditRisk[+]具有相同的数理结构及相似的模拟结果。
三、贷款组合集中信用风险评价模型
金融监管部门越来越多地重视金融机构的贷款组合集中风险，金融机构信用风险管理也从注重单项贷款的管理转向单项贷款和贷款组合兼顾，甚至把重点从微水平转向宏观水平(Thibeault,1999)[29]，因而贷款组合集中信用风险评价模型开发和使用也越来越受到重视。实际上，大多数贷款组合信用风险评价模型都是对现代组合理论(Modern portfolio theory,MPT)的应用(Saunders,1999)，信用贷款组合选择的基本思想就是在风险水平一定的情况下，选择使得信用组合的收益最大，或者在一定收益情况下使得风险最小。
对集中信用风险分析的早期做法是基于主观分析或位移分析，或者设置信用部门或区域集中限制(Altman and Saunders,1998[30];Saunders,2000[31])。
把现代组合理论用于贷款组合信用风险评价，需要运用前述的一些内部模型(internal models)，如CreditMetrics、CreditRisk[+]、KMV模型等。但大多数贷款具有非上市特点，要成功运用，必须克服由此造成的一些参数（如收益、风险、贷款间的相关性等）不可观测的困难(Saunders,1999,2000)。
KMV组合管理者(portfolio Manager)是KMV公司推出的信用组合风险评价模型，是一个较好地运用现代组合理论解决贷款组合问题的模型。该模型估计三个主要参数：一是估计贷款预期收益。预期收益由每年利差收益加上相关手续费净收入，减去预期损失而得。其中预期损失由借款人未来一年预期违约频率(expected default frequency,EDF)和一旦借款人违约会给金融机构带来的损失(the loss given default,LGD)决定，即EDF×LGD。二是估计贷款风险。贷款风险即意料之外的损失(unexpected loss,UL)，通常用贷款违约概率EDF与l-EDF乘积的平方根衡量，即[(EDF)(1-EDF)][1/2]。三是估计不同借款人出现违约风险的相关性。通常用不同借款人的权益收益率的相关性代替。
与KMV模型不同，目前的CreditMetrics、CreditRisk[+]、CreditPortfolio View等模型多数被认为是部分地体现了现代组合理论思想，因为这些模型大多没有明确地考虑贷款和贷款组合的收益方面。当然J.P.Morgen的Riskmetrics集团在其CreditMetrics模型结构中增加了收益方面的考虑(Saunders,1999)。
CreditMetrics模型是以衡量贷款组合在险价值(VAR)为核心的动态量化风险管理系统。集中信用风险值(VAR)是指在未来一定时间内，因信用事件引起证券或贷款组合资产价值的潜在变化量，风险管理者依据这一风险值调整头寸和决策以防范损失。类似于该模型对单项贷款VAR的计算，主要是依据与动态信用事件（信用等级的位移）相关的基本风险来估测集中信用风险的风险值。其中需要计算：反映不同借款人的信用等级变化的联合位移概率，并构建联合位移矩阵；在每一种可能的联合位移概率下不同贷款的联合价值(Joint payoffs或Values)，对VAR的计算也同样考虑正态分布和真实分布两种情况。
在CreditPortfolioView模型中，风险分散被看作是对宏观经济冲击因素的规避，因为这些冲击往往使得借款人发生违约。当组合分散程度增加，非系统风险相对减弱，面向宏观冲击的贷款组合风险敞口(exposure)也减小。
CreditRisk[+]模型对单项贷款信用风险的评价是建立在Possion分布假设基础之上的，即每项贷款发生违约的概率较小且不同借款人之间的相关性为0。似乎无法将该模型用于信用组合风险的评价。实际上，该模型假设在一定时点上贷款违约率服从Possion分布，具有一定的预期违约率，而在不同的时点上预期违约率本身又是不确定的（模型假定其服从Gamma分布）。如预期违约率要能随着经济周期波动而变化，在经济扩张时预期违约率增大，在经济紧缩时则缩小。这样，模型引进贷款组合中贷款间相关性来反映贷款组合预期违约率的变化。
四、信用风险评价模型对我国农村合作金融机构的适用性
金融机构信用风险评价能力及评价模型的选择在很大程度上取决于其对借款人（包括债券发行人）信息的占有情况。Alteman等(1998)详细讨论了不同规模、上市与否、企业的贷款以及消费贷款、不动产贷款的借款人信息特征及相应可选择的信用风险评价数量模型。
在零售层面上，评价信用风险所需要的信息或者通过金融机构内部搜集，或者从外部评级机构获得。在批发层次上，这些信息主要通过企业对外发布的公众信息如财务报表、股票及债券市场价格等。对规模较大的上市公司，其信息透明度大，金融机构相应较容易获取一些进行信用评价的资料。因此对较大企业，金融机构往往可以在以较低的成本获取信息的基础上，运用一些复杂的数量模型。与此相比，对中小企业贷款信用风险评价则较为困难，原因是中小企业档案不健全、信息透明度较低，同时，对中小企业的信用风险评价不权要考虑企业财务状况而且要考虑企业家个人信誉。随着金融非中介化和中小企业通过金融市场融资程度的提高，许多国家通过加大中小企业数据库的建设力度，使得金融机构对中小企业的信用评价也相应变得容易。
农村信用社是我国农村金融领域正规合作金融机构的代表，信用社健康发展对农村经济发展具有重要意义。但农村信用社的风险评价与管理还存在很多问题，如缺乏系统的信用风险评价体系等。因此，研究和选取恰当的信用风险评价方法，对有效管理和防范信用社信用风险具有重要意义。
农村信用社资产业务主要是贷款，贷款对象主要是农户和中小企业。农户的分散性、农户贷款的小额性、中小企业的信息不透明性等使得金融机构难以采用复杂的信用风险评价方法和模型。特别是那些建立在现代金融理论和成熟的金融市场信息支持基础之上的所谓新方法，目前不可能在农村信用社运用。其原因一是我国金融市场相对不完善，缺乏相应金融资信评级机构，缺乏中小企业信息数据库；二是我国农村信用社的规模相对狭小，技术设备、人员素质均相对较低，对定量方法的理解和运用能力都相对不足。
因而，目前农村信用社的信用风险评价主要还应加强对传统方法的有效运用。一是加强和完善专家主观方法（如5C）的应用，并加强对贷款的监督检查。二是加强对信用贷款的分类分级管理。三是建立中小企业的信用评分系统，通过搜集和建立相应的数据档案，运用Logit模型、区别分析模型，有效评价信用风险，为信用社贷款决策和贷款定价服务。四是针对农村金融的特点，适当进行信贷配给。
五、结束语
20年来，信用风险评价方法和模型不断完善，从主观定性向定量发展，从缺乏理论基础到建立在坚实的金融理论基础上并充分运用金融市场信息等。特别是上世纪90年代后期，由于金融监管部门允许金融机构采用自己的内部模型进行风险评价，一系列所谓新模型被接连推出。本文循着信用风险评价模型的发展历程对主要类别的模型进行了述评，包括传统的专家系统方法、信用评分方法、期限结构模型、死亡率模型、RAROC模型、KMV模型、Credit-VAR模型、CreditRisk[+]模型、CreditPortfolioView模型等，以及现代资产组合理论在贷款组合中的应用。
由于我国金融市场相对不完善，相应数据档案资料不健全，特别是农村信用社经营规模较小、经营水平不高，其贷款客户为分散的农户和中小企业，因而信用社的信用风险评价还很难运用较复杂的模型特别是所谓新型的、适用大型或特大型金融机构针对大型企业和特大型企业的信用风险评价方法。
标签：信用风险论文; 信用评分模型论文; 风险评价论文; 违约概率论文; 信用贷款论文; 风险价值论文; 金融论文; 线性模型论文; var模型论文; 神经网络模型论文; 概率计算论文; 信用系统论文; 系统评价论文; 线性系统论文; 风险模型论文; 金融机构论文; 风险资产论文; 模型公司论文; 风险管理论文;