zoukankan      html  css  js  c++  java
  • RWA风险加权资产

    风险加权资产(risk-weightedassets,简称RWA)是指对银行的资产加以分类,根据不同类别资产的风险性质确定不同的风险系数,以这种风险系数为权重求得的资产。

    分为权重法和内评法。

    内评法比权重法统计粒度更细,内评法中又分为初级法和高级法,高级法又比初级法粒度更细。

    RWA在初级法中的计算公式如下:

    RWA = K×12.5×EAD,其中K为资本要求;K*12.5称为风险权重,EAD为违约风险暴露;违约暴露(EAD=授信余额+未提用额×信用转换系数

    RWA是风险加权资产,是银行为了应对违约风险暴露的而应该准备的资产值大小。RWA=EAD*权重。有些风险资产权重高,则对应RWA就大,有些风险资产权重低,对应的RWA就小。

     

    监管公式计量RWA
    初级法
    主权、金融机构、公司类风险暴露的风险加权资产计算具体规则为:
    (一)、非违约风险暴露的风险加权资产
    (1)计算单笔信用风险暴露的相关性(R)和期限调整因子(B)
    R = 0.12×[1-EXP(-50×PD)]/[1-EXP(-50)]+0.24×{1-[1-EXP(-50×PD)]/[1-EXP(-50)]}
    B = [0.11852-0.05478×ln(PD)]^2
    (2)计算单笔信用风险暴露的资本要求(K)
    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]
    (3)计算单笔信用风险暴露的风险加权资产(RWA)
    RWA = K×12.5×EAD
    (二)、违约风险暴露的资本要求(K)和风险加权资产(RWA)
    K=max[0,(LGD-EL)]
    RWA = K×12.5×EAD
    其中,LGD为违约风险暴露的违约损失率的最优估计值;EL为考虑经济环境、法律地位等条件下违约风险暴露的预期损失百分比。
    (三)、中小企业的规模调整
    商业银行应单独计算公司风险暴露中的中小企业风险暴露的风险加权资产。商业银行应根据中小企业的年销售额(S)对相关性(R)进行调整。相关性调整公式如下:
    R = 0.12×[1-EXP(-50×PD)]/[1-EXP(-50)]+0.24×{1-(1-EXP(-50×PD))/[1-EXP(-50)]}-0.04×[1-(S-3)/27]
    上式中,S的单位为千万人民币,报告期的销售额低于3千万人民币的中小企业风险暴露按照3千万人民币来处理。(注:上述公式[1-(S-3)/27]中的3和27分别代表3千万人民币和27千万人民币(30千万-3千万人民币)。
    商业银行应基于调整后的相关性根据5.1.1的规定计算非违约中小企业风险暴露的资本要求和风险加权资产。
    零售风险暴露的风险加权资产计算
    (一)、非违约零售风险暴露风险加权资产的计算规则如下:
    (1)计算相关性(R)
    个人住房抵押贷款,R=0.15
    合格循环零售贷款,R=0.04
    其他零售贷款,R=0.03×[1-EXP(-35×PD)]/[1-EXP(-35)]+0.16×{[1-(1-EXP(-35×PD) )]/[1-EXP(-35)]}
    (2)计算资本要求(K)
    K = LGD×N[(1-R)^-0.5×G(PD)+(R/(1-R))^0.5×G(0.999)]-PD×LGD
    (3)计算风险加权资产(RWA)
    RWA = K×12.5×EAD
    (二)、违约风险暴露的资本要求(K)和风险加权资产(RWA)
    K=max[0,(LGD-EL)]
    RWA = K×12.5×EAD
    其中,LGD为违约风险暴露的违约损失率的最优估计值;EL为考虑经济环境、法律地位等条件下违约风险暴露的预期损失百分比。
  • 相关阅读:
    MySQL0902作业(待巩固)
    Mysql之懵逼的一天
    sql查询语句详解
    MySQl语句总结
    0831练习作业(待纠正)
    0824MySQL
    Python数据分析——正则表达式
    Python数据分析——Beautiful Soup
    Python数据分析——requests使用
    Excle常用函数——Rank(统计排名)
  • 原文地址:https://www.cnblogs.com/xiaojianblogs/p/7226579.html
Copyright © 2011-2022 走看看