CECL与IFRS 9: 新财务准则的挑战
作者:Tom Kimner, SAS风险管理全球产品营销运营负责人
美国财务会计准则委员会发布会计准则更新金融工具–信用损失 (主题326)。这标志着国际会计准则理事会2014年在世界其他国家发布新规IFRS 9金融工具 (取代IAS 39)之后,全球会计准则变革开始进入第二阶段。
与以前一段时间以来采用的已发生损失模型相比,更新后的信用损失计量准则(采用当前预期信用损失) 发生了相当大的变化。例如,已发生损失模型只在损失达到可能的损失阈值时才能认定损失。许多分析师认为,这种模型在金融危机期间产生了负面影响,因为潜在未来损失的认定准备时间太晚。
虽然美国准则与国际IFRS 9准则存在较大差异,但两种修订会计准则有一个重要的共同特征:预期损失计算现在均以贷款存续期为基础。这种变革增加了受影响资产的信用减值 (一些机构估计高达35%),从而提高了准备金并对资本产生负面影响。
免费获取报告:实现最佳IFRS 9合规,通过采取最佳方法,银行可将财务影响控制在可接受范围,减少工作量,但仍能足以审慎地确保合规。
金融机构必须确保用于压力测试的拨备模型与会计准则的发展同步,并在测试活动之间保持一致。
应对不确定性
IFRS 9和CECL是基本规则。因此,随着达成共识并提供更清晰的指导,实施准则可能发生变化。由于这些准则性质的进化,金融机构可能需要大量时间经过迭代模型开发过程,才能过渡到IFRS 9和CECL。
由于IFRS 9和CECL发展与持续压力测试活动同时进行,压力测试可能需要包括缺少全面检查的初步拨备模型。在分散环境中,由于压力测试生产中使用的方法和模型与IFRS 9或CECL模型不同步,可能带来额外的模型风险。金融机构必须确保用于压力测试的拨备模型与会计准则的发展同步,并在测试活动之间保持一致。
此外,存续期损失模型可能依赖先前不需要压力测试的数据元素。最近压力测试:从技术实现的角度观察报告显示,接受调查的银行中,只有17%建立了用于压力测试的统一数据存储库。这种情况表明,许多银行没有做好IFRS 9或CECL,以及压力测试要求不断提高财务和风险数据整合度的准备。这会带来数据完整性风险,因为分析人员通过特定渠道获得所需数据,满足压力测试期限要求。金融机构必须确保用于压力测试的数据与用于IFRS 9和CECL模型开发的数据彼此关联。
应对挑战
为满足法规遵从和财务准则不断变化的需求,机构组织必须在多个领域集中全面地解决这些问题。否则会加大合规总成本,特别是在组织内部各个部门自行建立冗余或重叠流程的情况下。
财务和风险数据整合对整个机构具有许多好处。用于压力测试和拨备估算的通用数据存储库大大减少了审计和对账问题以及模型风险。而且可以降低管理多个平台的开销。
机构组织损失建模和压力测试流程必须可靠且灵活,能够适应拨备建模的动态变化,同时保持足够控制,能够承受资本充足率评估监督检查的压力。金融机构可以看到,压力测试和拨备估算平台整合可为实现这一目标奠定坚实基础。
集中式模型库提供一种结构,随着拨备模型开发和测试的进展,持续治理压力测试流程。利用相应模型版本管理,管理层可以保持监控,并在掌握信息的基础上制定决策,将新模型集成到压力测试流程中。
此外,灵活的模块化模型库有助于灵敏度测试。这成为了解IFRS 9与CECL开发周期不断变化的模型和假定条件产生的重大影响越来越重要的工具。
通过迭代替换模型组件,可在模型版本之间进行比较。在压力测试过程中,机构还可以量化模型改进对资产负债表产生的总体效果。灵敏度测试也是趋势归因分析的有效工具–压力测试的关键组件。先前压力测试可利用更新的模型组件重新运行,反之亦然,以量化持续模型开发对压力测试结果的影响。
监管压力测试和会计准则的变化,迫使一度独立的风险和财务部门进一步通力协作。新的会计准则生效后,会加强紧密合作,共享数据的重要性。在监管和会计合规方面,部门之间的界限越来越模糊,各种职能部门的相互依赖会进一步强化。
向IFRS 9和CECL过渡带来许多财务和运营挑战–大量实施细节受不同理解的影响使情况变得更加复杂。金融机构必须随着时间的推移灵活地做出调整,全面解决这些问题。监管机构和投资者需要知道银行正在有效评估和管理资产组合风险。主动采用良好的治理方法管理数据和模型,可以建立现有流程管理当前及今后这些关键问题的信心。
Tom Kimner现任SAS风险研究和量化解决方案部风险管理全球运营负责人,主要负责执行风险管理解决方案整体营销计划,协调安排全球风险管理优先工作。加入SAS之前,Kimner大部分职业生涯在Fannie Mae工作,担任过各种高级管理职务,主导落实公司计划更有效地管理信用和金融风险。他还曾在住房和金融监管机构和华盛顿智库工作。Kimner曾在美国众议院金融服务委员会作证,并定期在风险会议和SAS主办的其他活动中发表演讲。
Recommended reading
- 6 ways big data analytics can improve insurance claims data processingWhy make analytics a part of your insurance claims data processing? Because adding analytics to the claims life cycle can deliver a measurable ROI.
- Risk data infrastructure: Staying afloat on the regulatory floodWhat are the challenges of a risk data infrastructure and how can they be addressed? Here's what you need to know to build an effective enterprise risk and finance reporting warehouse that will effectively address compliance requirements.
- Detect and prevent banking application fraudCredit fraud often starts with a falsified application. That’s why it’s important to use analytics starting at the entrance point. Learn how analytics and machine learning can detect fraud at the point of application by recognizing the biggest challenge – synthetic identities.
更多阅读材料:
- 白皮书:全面实施IFRS 9会计准则
IFRS 9会计准则一系列广泛且复杂的操作规范将改变金融机构运营模式。本文由Longitude Research和SAS发布,介绍IFRS 9并指导企业如何做好应对这一挑战的准备。
本文探讨下一代模型风险管理 (MRM) 如何成为成功运营金融服务业务必不可少的工具——无论支持合规还是决策。
- 文章: 您是否低估了IFRS 9?
IFRS 9代表会计与合规准则之间的融合,由此带来一系列复杂性和不确定性,需要认真考虑和规划。
Get More SAS Insights
Want more Insights from SAS? Subscribe to our Insights newsletter. Or check back often to get more insights on the topics you care about, including analytics, big data, data management, marketing, risk and fraud.
了解SAS如何提供帮助
- 解决方案简介: 利用优化的端对端流程估算IFRS 9/CECL规定的预期信用损失
- 文章:IFRS 9减值规定: 如何应对数据海啸
- 产品: SAS® 预期信用风险损失