近几年，中资银行在境外的发展较快。以工行为例，全球200多个国家和地区中，工行在40多个国家和地区都已经设立了分支机构。资产扩张速度较快，几年前，工行的境外资产只占集团总资产的不到3%，现在已经发展到占集团总资产的10%左右。近几年，境外监管的压力增大，对于内部评级的关注度高。在中国境内，监管进行监督检查时，主要检查资产质量，评级方面查的比较少。但是在境外，监管机构认为，评级是银行对客户评价的基础，在衡量一家银行的风险管理能力时，首先检查银行的资产质量，即贷款的五级分类，然后检查银行对客户的评级，因此境外机构的评级压力是比较大的。

一、境外内评法实施面临的困难与挑战

（一）数据不足的问题

       境外内评法实施面临的最大问题就是数据问题。首先我们可以把数据面临的情景进行细分，比如分成一般公司、小企业、金融机构和项目，然后对于数据本身，也可以再进行细分，例如财务数据、违约数据、正常数据等。与境内相比，境外还有一个比较重要的数据源，是外评数据。因为境外机构做的业务相对比较少，经验不充足，所以在衡量评级是否准确时，无论是银行自己，还是境外监管机构，往往都要跟外部评级进行比较，所以境外内评法建立模型时，要多考虑一个维度，即外部评级的维度。

       对于大中型一般公司而言，其财务数据往往存在问题，这是因为各个机构发展比较快，但机构内部的系统、制度和流程没有跟上。在建模过程中，如果对大中型公司过度细分的话，可能会导致财务数据、违约数据、正常数据和外评数据的不足。对小企业而言，一般来说小企业是没有财报的，因此财务数据通常是不足的，另外小企业的外部评级数据也比较少。对于金融机构而言，可以大致分为两类：一类是银行和保险，银行和保险具有外评数据，财务数据也较为充分，但是银行和保险的违约数据比较少；另一类是证券、私募和对冲基金，这类金融机构，内外部数据都比较缺乏。对于项目而言，无论商业房地产（CRE），还是一般的项目融资，项目相关的数据往往也是不够的。因为数据的分布情况不一样，在建模的时候，每一个细类的方法都不一样，这是中资银行在境外评级时遇到的最大的一个问题。

（二）差异化的问题

       违约水平差异性大。从违约率来看，全球、北美、欧洲、亚太不同地区的违约率差距是比较大的。穆迪给出的亚太的违约率数据和北美的违约率数据，与我们的常识相差较大，这是因为北美的债券市场非常发达，发行较多低等级的债券，这样，推高了北美的违约率；而亚太地区债券发行较少，发行债券的往往都是一些好企业，因此，从穆迪、标普公布的数据来看，亚太地区违约率较低。

       行业差异性大。过去，我们只有三个评级模型，一个是大中型一般公司的模型，一个是小型一般公司的模型，还有一个是金融机构的模型，这三个模型覆盖了工行全部的境外客户，这导致行业的差异性无法体现。因此，境外监管机构提出了两点要求，一是模型要反映行业的差异性，二是模型要涵盖本地数据，反映本地特点。

       财报差异性大。全球每一个国家的财报和财务准则都是不一样的，银行在使用数据时，如何把这么多不同规则的财报统一起来，是难度比较大的一个挑战。

（三）客户跨境经营

       客户跨境经营也给银行带来了挑战。第一，国别风险的问题。一个企业，它在不同的国家经营，那么必然面临国别风险，并且由于在不同国家经营，企业可能使用不同货币，因而可能存在转移风险的问题。第二，母公司的问题。在对子公司进行评级时如何考虑母公司的影响，这是需要考虑的一个重要问题。第三，“走出去”客户的问题。中资银行面对的可能都是境内大企业走出去的客户，这些客户往往具有境内的特点，那么对这些客户，到底是用境内模型进行评级，还是用境外模型进行评级，这是一个问题。第四，共有户的问题，一家企业在不同的区域经营，那么可能就需要银行的不同机构对它进行评级，但按照银行集团管理的要求，对于一个客户，只能有一个评级，这对内部管理来说是没有问题的。但是在监管上，我们却碰到了问题，比如像美国或者欧洲，当地监管机构要求银行的子机构或者分行具有独立评级的能力，不能引用总行的评级或者是其他机构评级，这就导致一个客户可能存在两个评级。如果两个评级一致，可能不满足当地监管要求，如果两个评级不一致，又不能满足银行集团统一管理的要求，这是我们面临的一个两难局面。

二、解决办法

（一）内外部数据结合建模

       对于一般公司，银行所掌握的正常数据比较多，但是违约数据比较少，那么在这种情况下该怎么建模？原来一种比较简单方法的就是直接利用外部数据去建模，然后套用到银行中来，但是这种结果监管是不承认的，因为这种建模方法没有利用银行自己的数据。还有一种建模方法，就是直接把正常数据加到外部数据中去，但这会导致银行自己的信息淹没在外部数据中。第三种建模方式，是将外部数据中的违约数据拿一部分出来，然后跟正常数据拼在一起去建模，这一想法虽然可行，但是也带来了另外一个问题，即外部数据和内部数据可能存在样本差异，分不清模型抓住的违约特征，到底是真的违约特征，还是内外部样本差异的特征。为了解决这一问题，我们采取了一种非传统的解决方法，即通过建立一个模型，使内部数据和外部数据都具有较好的表现，这样就能在很大程度上回避这一问题。在这种双目标情况下，建模选择变量时，被选变量需要同时满足内部表现好和外部表现好两个条件。

（二）本地化调整

        本地化调整有助于反映差异性。本地化调整主要有以下几种方法：第一，设置差异化CT。即在假设平均违约率的时候，体现不同行业或者不同区域的差异。第二，分地区（行业）校准。校准有两方面，一是最后结果的校准，二是单变量得分的校准，例如可以让不同行业的资产负债率对应不同的得分。第三，增加调整项。比如增加行业风险的调整项。第四，增减个别变量。可以根据不同区域或者根据不同行业增减不同变量。最后，如果前面四种方法都无法解决问题的话，那么还可以采取增加子类打分卡的方法。例如，所有的制造业企业都适用一个通用的模型，采矿挖掘行业也属于制造业，但又比较特殊，因此可以选择采矿挖掘行业特有的三四个指标做一个子类打分卡，加到通用模型中，以反映采矿挖掘行业的差异性。

（三）财务指标映射

       对于财务指标存在差异这一问题，我们采取了一个回避的方法，即只针对我们所选取的建模指标去和每个国家的财务标准进行匹配。在匹配过程中，首先应使每个财务指标的含义相同，其次使指标所对应的会计科目与每个国家的财务标准相对应。 

（四）母公司支持与国别风险调整

       一般来说，母公司的国别风险包括母公司支持模块和国别风险调整模块。对于母公司和子公司评级，通常的做法是，在母公司评级之后，对子公司在母公司基础上下调几级，或者在子公司评级之后，对母公司在子公司基础上上调几级。但是这种做法在应用中还是存在一些问题。例如，如果母公司评级较高，那么可能会导致无法大幅下调子公司评级，从而导致子公司评级较高。如果子公司评级较差，那么可能会导致无法大幅上调母公司评级，从而导致母公司评级较低。我们采取的解决办法是，对子公司评级之后再做一个母公司评级，以母子公司评级之间的差异，作为母公司对子公司最大的支持幅度，然后再考察母公司的支持能力和支持意愿，以此分析母公司对子公司的支持程度到底有多大。

       对于国别风险，我们大概有三方面的调整：一是把国家风险作为模型的考虑因素，二是考虑转移风险，三是把国别风险作为一个帽子，即一个国家所有企业的评级，不能超过主权风险评级。

提问部分：

1、在对母公司和子公司进行单独评级时，如何解决二者之间的风险传染问题？

       答：在对母公司和子公司进行评级时，的确要考虑二者之间的风险传染问题。但是如果一开始就把二者的关系都考虑进去，可能会理不清评级的思路。因此，比较好的一种方法，是在不考虑传染的情况下，先单独去对二者进行信用评级，二者单独评级完成之后，再考虑有可能传染的问题。对于子公司，需要考虑母公司支持和母公司风险传染，对于母公司，需要考虑子公司风险的传染。

2、母公司和子公司的风险传染如何量化？

       答：对风险传染进行量化，是比较困难的，我们目前方法，是首先通过专家判断和调研，知道大致的风险传染路径，然后对每个传染路径选择几个指标，用打分卡的方式进行量化。

1、这一信用评级方法在工商银行非零售客户风险识别和实际应用的效果如何？零售和非零售信用评级这两套方法论是否有融合互鉴的可能性？

       答：首先回答第一个问题。我们做出来的这套模型，大致来看，有两个表现阶段，第一个阶段是2006-2013年，我们比较纠结AR这个指标的识别效果，这是因为那一阶段的企业违约实在是太少，识别出的低等级客户未必违约，由此可能导致误报情况的出现。进入2014年后，我国经济增速下行，但AR的识别能力却急剧上升，这是因为在经济形势较好的情况下，模型虽然揭露了企业的风险，但由于经济形势良好，企业没有违约，但在经济形势变差之后，风险客户违约的比率大大增加，这带来AR表现的大幅提升。

        对于第二个问题，就是零售和非零售相互借鉴的问题，在方法论上两个是差不多的，但是二者还是有本质的区别。非零售内评法的二维评级框架中，客户评级和债项评级是分开的，在进行客户评级的时候，不能加上债项评级这个因素，因为我们计算RWA时，假设这两个是相互独立的，加进来之后会导致两者之间的相关性增强，RWA计算不准。

        基于大数据的企业风险识别预警，也是我们现在比较看重的一个问题。银行紧跟大数据时代潮流，也做了很多相关模型，但运用了这些模型之后我们发现，跟传统统计模型相比，大数据模型的解释能力有一定提高，但是提高程度并不是很大，可能大数据模型是第一代模型的原因吧。大数据模型对于我们还存在两个问题，一是波动性强，这与评级模型的稳定性要求不符。二是模型不透明，变量的影响无法对外解释。所以，现在我们采取的是走两条路的解决方案，即评级模型还是采用传统的统计模型，而大数据模型作为风险预警和风险识别的手段，并且将大数据模型作为重评的一个触发条件。如果大数据模型的结果触发了重评条件，那么就需要使用传统模型，按流程进行重新评级。