信用风险是金融风险中最为重要的风险之一，如何对风险进行有效控制就成为金融界的重要研究内容。本文首先系统地介绍了当今金融领域流行的两大类信用风险管理模型--传统模型和创新模型，并对两大类创新模型(盯市模型和违约模型)进行了详细的说明：J.P.摩根公司的CreditMetrics模型，KMV公司的Credit Monitor Model模型，瑞士波士顿第一银行产品部的Credit Risk+模型和麦肯锡公司的Credit Portfolio View模型.这些量化模型的应用和发展使信用风险管理日趋规范完善，但同时模型本身也存在可进一步优化的可能。 CreditMetrics模型在盯市模型中最具代表性，该模型首先对借款人(借款机构)进行信用评级，然后计算出次年信用评级发生变化的概率，形成信用等级转移概率矩阵。通过违约贷款的回收率和债券市场上的信用风险价差计算出贷款的市场价值及其波动分布，进而得出个别贷款或贷款组合的VaR值。虽然该模型计算复杂且运算量大，但对风险控制有很大帮助，因此受到许多金融机构的青睐。然而多数金融机构在实际使用中却存在一些问题：由于各机构的客户情况不同，信用等级转移概率矩阵的选取也应不同。而大多数机构仍然采用Morgan银行的信用矩阵进行计算，这就会影响风险管理的准确性。针对此现象，本文首先假设信用等级的转移具有Markov性，并通过该性质给出一阶时齐有限Markov链转移概率矩阵的估计方法。通过随机模拟法进行数据验证(此部分的内容已包含在本文作者的论文”CreditMetrics模型中转移概率和风险价值的计算”中，该论文已于2007年3月被上海大学学报(自然科学版)录用)。在此基础上本文将信用等级转移推广到高阶Markov链情形。但由于一般p阶Markov模型的待估参数太多，以致实际计算量超大，运算关系复杂，因此论文先给出二阶Markov链模拟模型(通过两年的信用变化确定未来的信用等级转移)的算法。通过随机模拟的数据验证了该算法的准确性，并通过误差分析确定了用于估计的样本容量的合理选取。从实际的运算结果分析该算法是合理有效的。 针对一般的p阶信用转移模型，由于待估参数太多的问题，本文采用非参数Logistic回归模型的方法进行计算。在第三章节中，首先对Logistic回归模型作了介绍，指出使用Logistic线性回归模型研究较高阶数的信用预测问题的不合理性。然后引出非参数Logistic回归模型的具体算法，通过对该类模型的方法分析，指出了采用非参数Logistic回归模型研究高阶信用等级预测问题的有效性，并通过计算得出进一步增加样本量，估计精度将可以进一步提高的结论。 CreditMetrics模型的另一个重要部分是对贷款现金流进行折算，但原模型计算时只考虑1年的信用转移，即假设在若干年内的信用转移概率是不变的，这与实际情况有所不同。在本文中构造了贷款现金流及贷款风险值(VaR)的新算法(此部分的内容已包含在上述待发表的论文中)。该算法首先采用本文前几章节中给出的转移概率估计算法，通过随机模拟方法确定贷款现金流分布。然后通过核估计方法计算出信用风险的VaR值。通过与原模型计算结果的比对，验证了本文采用的估计以及优化方法的合理准确性。 本文的主要工作为以下几个方面1.对原有的CresitMetrics模型的计算在两个方面进行了改进： (a)借款者信用等级转移的一般化(b)考虑借款者未来一段时间内因信用等级变化而产生的折算分布计算2.对于信用等级转移的Markov模型，采用最优化方法得到其转移概率矩阵的估计算法3.对于信用等级转移的二阶Markov模型，采用扩展状态空间的方法使其转变为一阶Markov模型，再利用先前的一阶Markov转移概率矩阵的估计方法得到二阶Markov转移概率矩阵的估计4.对于一般p阶Markov模型，采用非参数Logistic回归方法得到其转移概率函数，并给出了估计方法可行的充分条件5.对于借款者未来一段时间内因信用等级变化而产生的折算分布，则采用随机模拟方法获得其估计6.对于本文提出的各种模型的算法，均给出了计算实例。在本文的附录部分中列出了文中计算所需的MATLAB程序。