不良贷款回收率预测模型分类

风靡全球

不良贷款回收率预测模型分类

1、样本数据描述

回归模型开发所用的样本数据同样来源于本文研究所使用的样本数据库，选取了年至年间从三家国有商业银行接收并以单户处置方式处置完毕的户企业的不良贷款数据。贷款来自多家大型商业银行并与要监测的存量资产特征匹配。涉及的不良贷款企业涵盖了个省市和个行业大类；债权规模最大亿元人民币。无论从样本量还是从数据覆盖范围角度评价，模型所用的数据都具有明显的优势，具有一定代表性，基本上能够较好地反映中国不良贷款的总体情况和分布特征。

2、变量选取

模型中所选取的影响不良贷款回收率的因素包括：风险暴露规模、地区、行业、担保方式、五级分类、逾期时间、企业规模、经营状况、工商登记状态、是否上市公司以及债权的转让方式，通过对上述每一类影响因素的进行统计分析，初歩得出上述变量与回收率的关系。对担保方式、五级分类、逾期时间等贷款层面的因素，通过计算比例或加权平均的方式将其转化为企业层面的变量。对注册资本、债权金额、人均、平均逾期时间等金额或时间变量，在此模型中取自然对数。行业、经营状况、工商登记状态等类别因素以虚拟变量形式出现。

3、模型构建及检验

采用逐步回归法筛选出显著变量，并用方法估计上述回归模型的参数。从模型的参数估计结果来看，我们所选取的影响回收率的各个因素基本在模型中都具有显著影响，且模型系数估计值的符号及其相对大小也与前面的统计分析相一致。

回归模型的方达到了基本上达到国际上一些大型信用评级公司的预测拟合水平，这说明研究中采用的模型已经具备了很强的解释能力。此外，通过观察样本内残差频率分布直方图，其基本接近正态分布，而且大部分样本（约的残差在±以内，说明模型具备了一定的预测能力，这也为模型的真实性和可行性提供了依据。系统设计工作主要有两部分组成：一部分是估值模型的程序固化工作；一部分是基于模型的风险模块幵发工作。估值模型的固化是风险监测系统的核心。其实现的功能就是能够将原來通过运行的模型能够固化到系统，根据需要自行调用，并得到模型结果。在估值模型建设阶段，由于涉及到模型的运算，对开发人员统计学、概率学等要求较高。如何将数学模型化，是幵发工作的重点。

, l% r4 z0 V8 n