在金融業高度競爭與監管的環境中，銀行型暴險（Bank Exposures）已成為銀行機構風險管理的重要議題。隨著全球金融監管趨嚴，採用內部評等法（Internal Ratings-Based Approach，簡稱IRB法）來計算信用風險已成為主流趨勢。因此，本文將討論銀行型暴險的定義、計算方法，以及如何透過統計軟體如SPSS進行數據分析與風險估計。

1.     銀行型暴險的定義

銀行型暴險在信用風險管理中佔有舉足輕重的地位，根據金融主管機關的規定，銀行型暴險的交易對象包括銀行、票券金融公司、信託投資公司、信用合作社、農漁會信用部、金融控股公司，以及標準法下不適用零風險權數的多邊開發銀行。這類暴險不同於企業型暴險或零售型暴險，它專指金融機構間的債權關係，例如同業拆放、信託貸款或跨境金融交易等。

那麼，為何銀行型暴險如此重要？

在2008年金融危機後，巴塞爾III協議強化了對信用風險的監管，要求銀行計算非預期損失（Unexpected Losses, UL）以確保資本充足。銀行型暴險往往涉及高額資金流動，一旦交易對手違約，可能引發系統性風險。例如，一家銀行對另一銀行的暴險若未妥善管理，可能導致連鎖反應，影響整個金融體系。根據國際清算銀行（BIS）的數據，全球銀行間暴險總額高達數兆美元，因此精準評估與管理銀行型暴險是維持金融穩定的關鍵。

在IRB法框架下，銀行型暴險的處理與企業型暴險相似，但有所調整，若提供的資料不足，銀行也可經主管機關核准，依標準法計算風險性資產。

2.     IRB法在銀行型暴險中的應用

IRB法允許銀行使用內部模型估計風險成分，從而更準確地計算最低資本需求。對於銀行型暴險，IRB法分為基礎內部評等法（Foundation IRB）和進階內部評等法（Advanced IRB）。基礎法要求銀行自行估計違約機率（Probability of Default, PD），其他成分如違約損失率（Loss Given Default, LGD）、違約暴險額（Exposure At Default, EAD）和有效到期期間（Effective Maturity, M）則使用主管機關提供的估計值。進階法則允許銀行自行估計所有成分，提供更大彈性但需符合嚴格的最低作業要求。

想要知道更詳細的內容，可以參考【什麼是IRB法的資本計提率？計算公式、法規新制與IBM SPSS運用】

3.     風險成分的估計

  • 違約機率 (PD)：這是銀行型暴險的核心指標，代表借款人（即其他金融機構）在一年內違約的可能性。對於銀行型暴險，PD不得低於03%，已違約部位PD為100%。銀行需基於歷史數據估計PD，例如分析過去10年的違約事件。
  • 違約損失率 (LGD)：在基礎法下，無擔保優先債權LGD為45%，次順位為75%。進階法允許內部估計，需考慮回收率和經濟衰退因素。對於有擔保的銀行型暴險，如以金融工具抵押，LGD可調整降低。
  • 違約暴險額 (EAD)：這是違約時的實際暴露額，表內項目以淨額結算，表外項目乘以信用轉換係數（CCF）。基礎法下，承諾額度CCF為75%；進階法可自行估計。
  • 有效到期期間 (M)：基礎法固定為5年（附買回型交易為6個月），進階法需計算現金流加權平均，範圍1-5年。

這些成分透過風險權數函數轉換為風險性資產（RWA），公式如下：

  • 相關係數 (R) = 0.12 × (1 – e^(-50 × PD)) / (1 – e^(-50)) + 0.24 × [1 – (1 – e^(-50 × PD)) / (1 – e^(-50))]
  • 到期調整 (b) = (0.11852 – 0.05478 × ln(PD))^2
  • 資本計提率 (K) = LGD × N[(1 – R)^(-0.5) × G(PD) + (R / (1 – R))^0.5 × G(0.999)] – PD × LGD × (1 – 1.5 × b)^(-1) × (1 + (M – 2.5) × b)
  • RWA = K × 12.5 × EAD

對於已違約部位，K為LGD減預期損失（EL）的正差額。

4.     特殊情況處理

若銀行型暴險涉及保證或信用衍生品，可認列風險抵減效果，但調整後風險權數不得低於對保障提供者的直接暴險。雙重違約架構適用於特定工具，如信用違約交換（CDS），公式為KDD = K0 × (0.15 + 160 × PDg)，其中PDg為保證人PD。

此外，過渡期內（例如台灣自2007年起），銀行可放寬數據要求，但需逐步累積5年以上歷史資料，這強調了長期數據收集的重要性。

5.     SPSS在銀行型暴險管理中的應用

5.1 數據準備與探索性分析

首先，銀行需收集歷史數據，包括違約記錄、回收率和暴露額。SPSS的數據管理功能允許匯入Excel、SQL或CSV格式的資料庫，進行清理和轉換。例如，使用“Data Editor”篩選缺失值，或透過“Recode”命令標準化變數。

在探索性分析階段，SPSS的“Descriptives”和“Explore”命令可計算PD的平均值、標準差和分佈圖。對於銀行型暴險，銀行可分析同業拆放的違約頻率，生成直方圖或箱形圖，識別異常值，這有助於驗證數據是否符合常態假設，為後續建模奠基。

5.2 風險成分估計模型

  • PD估計：PD通常使用邏輯迴歸（Logistic Regression）。在SPSS中，透過“Analyze > Regression > Binary Logistic”建模，將違約（0/1）作為因變數，輸入變數如財務比率、信用評等和總體經濟指標。對於銀行型暴險，模型可納入同業流動性比率和利率變動。輸出包括係數、Wald統計和ROC曲線，評估模型準確性。
  • LGD估計：LGD涉及回收率分析。SPSS支援線性迴歸（“Analyze > Regression > Linear”）或Tobit模型，預測違約後損失比例。輸入變數包括擔保類型、經濟週期和回收時間。對於有擔保的銀行型暴險，可分層分析金融工具的LGD，蒙地卡羅模擬（“Analyze > Simulation”）可生成LGD的分佈，考慮不確定性。
  • EAD與M估計：EAD需估計CCF，使用SPSS的“General Linear Model”進行多變量迴歸，預測未動用額度的動支率。對於M，SPSS可計算現金流加權平均，透過“Compute Variable”公式Σt × CFt / ΣCFt。這些估計確保進階法下的銀行型暴險符合5年上限。

5.3 模型驗證與壓力測試

IRB法要求模型驗證，SPSS的“Reliability Analysis”檢查內部一致性，“Cross-Validation”透過k-fold方法測試模型穩定性。對於銀行型暴險，銀行可模擬經濟衰退情境，使用“Syntax”腳本運行壓力測試，計算RWA在不同PD下的變化。

以上為銀行型暴險：信用風險管理與IRB法應用之說明，IRB法可以採用IBM SPSS Statistics進階跟信用評分卡模組進行建模，若有SPSS相關需求再請與我們聯繫，也請給我們一個google好評，謝謝~