信用风险度量模型创新不断，品种繁多, 创新的背景和原因大致有：（1）企业破产和违约机会的增加。（2）资本市场的发展。（3）银行利润率的下降。（4）抵押品价值下降，波动性增加。（5）资产负债表外交易量增加。（6）科技及金融工程的进步。（7）计算以风险为基础的资本。
　　

    按照建模应用的理论或技术的不同，创新模型主要可以分为如下几类。
　　

    （1）基于期权的模型。利用期权理论，可求解贷款的价值或违约率。代表性的模型是KMV公司的信用监控模型（Credit Monitor Model）。
　　

    （2）加入专家系统的Z模型。即德国中央银行的Z模型，它是利用计算机科学技术、人工智能、知识工程等将传统的Z模型加以改造，于是大大提高了模型的准确度、效率和实用性。德国中央银行所使用的方法实际上不是一个简单的公式，他们将Z模型与现代化手段很好地进行了融合，使模型的实用性、准确性、效率性都得到大大提高。这说明仅靠一个公式并不能解决复杂的实际问题；另一方面，一个传统的简单方法利用现代化技术和手段进行完善同样显示出解决问题的威力。
　　

    （3）基于在险价值的模型。代表模型是摩根公司、KMV公司、瑞士联合银行等于1997年推出的“信用度量术” （CreditMetrics），它利用借款人的信用评级、下一年评级发生变化的概率、违约贷款的回收率、债券市场上的信用风险价差和收益率，为非交易的贷款或债券计算出假想的价值和价值波动性，从而计算个别贷款和贷款组合的在险价值。

    CreditMetrics的缺点是：信用等级迁移概率事实上是跨时自相关的；没有考虑信用评级的转移受重要的国家因素、行业因素和商业周期因素的影响；贷款的抵押品、合约条件等与债券不同，因而使用债券信用转移矩阵可能会导致某种内在的估值偏差。
　　

    (4) 宏观模拟方法。代表性的模型是麦肯锡公司的Credit Portfolio View，模型纳入经济周期的影响，把宏观因素对违约概率和评级转移概率的影响纳入模型，克服了一些模型把不同时期转移概率假定为固定的所带来的问题。
　　

    （5）基于保险思想的模型。信用风险度量和管理的新工具中也引入保险领域的思想和方法。引自寿险的代表模型是奥特曼开发的贷款和债券的死亡率表，模型的指导思想与确定寿险保险费政策时的精算思想一致。引自财产保险的代表模型是瑞士信贷银行金融产品部开发的信用风险附加法（CreditRisk+）模型, 它与出售家庭火险时为评估损失和确定保险费率而使用的模型一致。后者的主要优势是只需要相当少的数据输入，劣势在于不涉及信用等级的变化，而且假设违约与资本结构无关。
　　

    （6）基于神经网络的模型。有学者提出以非线性方法（例如类神经网络或模糊理论）作为信用风险分析的工具。在神经网络概念下，允许各因素之间存在复杂的关系，以解决传统计分方法的线性问题。而非线性方法面对的最大问题是：需要考虑多少个隐蔽关系？考虑太多的隐蔽关系有时会给模型产生过分拟合的问题。并且，使用神经网络来决策的一个缺陷是解释能力缺乏。当它们能产生高的预测精度时，获取结论的推理却还不存在。故需要一套明确的和可理解的规则，有人评价对比了几种神经网络的规则提取（neural network rule extraction）技术，并用决策表（decision table）来代表提取规则。他们得出结论，神经网络的规则提取和决策表是有效的和有力的管理工具，可以为信用风险评估构建先进的和友好的决策支持系统。
　　

    以上简要评述了信用风险度量的六类模型，实际上还有很多模型和方法，如返回测试和压力测试的方法，根据风险调整的收益对资本的比率方法，M.H.DIS （Multi-group Hierarchical DIScrimination），等。随着信用风险模型的涌现，出现了评价模型对信用损失预测的精确性的问题，有的论文提出了基于横截面模拟的评价信用风险模型的方法。
　　

    结合前述的各种类别的信用风险创新模型，可以发现信用风险度量的创新模型有以下共同特点：
　　

    （1）信用风险分析结果定量化。如KMV模型是预测违约率，在险价值方法是计算预期损失，德国中央银行的改进Z模型是将客户精确分级，并知道模型的统计错误的大小。
　　

    （2）及时动态地反映借款人情况的变化，即模型能随着时间的改变和借款人状况的改变而及时预测出风险的变化。
　　

    （3）模型背后都有积累的大量专业数据库。如KMV的违约距离与违约率关系的经验数据库，德国中央银行有企业样本数据库，以便计算公式的系数，以及判断模型的错误大小。
　　

    （4）模型的建立与应用，运用了先进的计算机、统计、人工智能和知识工程等技术和方法，因而模型的自动化程度和效率大大提高。