国外：国外商业银行信用风险的度量有多种方法，常见的有OCC法，信用评级法（OCC法）将贷款组合分成五类，分别为正常，关注，次级，可疑，损失贷款。这五类贷款提取的损失准备金不同，依次为0%，0%（需要高度重视），20%，50%，100%。这种方法缺点在于对运用的财务分析招标权重没有准确的说明；信用评分法主要包括2种模型，Z模型和ZETA模型，z模型是由美国纽约大学教授阿尔特曼根据数理统计的辨别分析技术，对银行过往的贷款案例，提取有预测，代表意义的数据进行统计分析，设计的模型Z=0.012（X1） 0.014（X2） 0.033（X3） 0.006（X4） 0.999（X5）或Z=1.2（X1） 1.4（X2） 3.3（X3） 0.6（X4） 0.999（X5），其中 X1：流动资本/总资产（WC/TA ），X2：留存收益/总资产（RE/TA），X3：税前收益/总资产，X4：股权市值/总负债帐面值（MVE/TL），X5：销售收入/总资产（S/TA）并且借款人违约的临界值Z=2.675，如果Z2.675，视借款人为违约。当1.81Z2.99时，判断失误较大，称该重叠区域为'未知区'（Zone of Ignorance）或称'灰色区域'(gray area)。

ZETA评分模型（ZETA Credit Risk Model）主要是将Z模型中5个变量变成7个，分别为资产收益率、收益稳定性指标、债务偿还能力指标，累计盈利指标、流动性指标、资本化程度的指标、规模指标。

Edward 等（1998），开发了一种新的方法衡量风险债务工具组合中的回报风险交易，无论是债券还是贷款都适用。该模型为分析信用风险敞口债务工具组合的风险回报结构提供了一定的希望。缺点是文章中研究的贷款大都没有评级机构附加的评级，而是用银行自己的风险评级系统或评级复制系统（每个内部评级都与公共债券评级挂钩）。

国内：2005年王欢欢注重研究信用风险的贷后管理，先是讨论了涉及财务数据的预警，然后采用BP模型进行网络结构的设计，训练，测试进行2004年的样本研究，对结果用专家系统进行指标分析，指出了信用风险管理中存在的问题，比如信用风险内控制度的不完善，风险责任制不落实等,并提出相应解决思路。突破了传统的商业银行信用风险预警系统，可以处理高度非线性模型，自适应能力强。可惜的是BP神经网络模型解释能力差，网络结构较难确定。

2006年，罗佳采用64家公司的数据分析，回代检验，发现LOGISTIC模型的三大缺陷，比如该模型只适用于某一特定时期，在本期得出的较优质的模型和回归系数不一定适合识别和预测其他时期的信用风险。认为KMV模型更适用于信用风险的分析。灵活的将两者结合起来提高了甄别客户风险评级的准确度。缺陷在于本文采用的信贷数据是四川省的，并且没有贷款回收率的数据资料，估值上市公司的贷款风险不大方便。

2009年李金婷将KMV模型自设的设定方法计算结果与修正后的KMV模型进行实证检验，得出DPT=STD（短期负债） 0.25LTD（长期负债）时，调整后的 KMV 模型计算结果最符合这五家上市银行实际情况。但是这种违约点设置并不完全适用于全国的上市商业银行。

2011年张晓琦通过对多元判别分析、Logit回归分析、Probit模型、Portfolio Manager、J.p.摩根的Credit Metrics模型、CPV及Credit Risk 等风险度量模型的基本构成和理论进行分析，认为KMV模型适合度量大型上市公司的信用风险；多元判别分析应用于度量中小企业信用风险，建立一个本土化的信用风险量化体系。

2018年韩娇结合我国具体情况，修正了KMV模型，得到了每年的最佳违约点，并且综合起来推荐了近年来度量商业银行信用风险宜采纳的违约点设置；用T检验显著性水平来衡量该模型对各个银行信用风险的辨别水平。不足之处在于企业的税收以及分红，非流通股定价和股票的流通比等都影响这KMV模型的准确性.