我国商业银行近年来积累了大量的不良资产,截至2016年底商业银行不良贷款余额和不良贷款率分别达到15,122亿元和1.75%,再创2008年以来新高。如此庞大的不良贷款不仅限制了商业银行的流动性,也给商业银行造成严重的违约风险,不良资产证券化是解决银行不良资产的有效途径。通过不良资产证券化,不仅可以增加商业银行的流动性,还可以分散风险、增加银行的抗风险能力。我国商业银行不良资产证券化中止8年后于2016年3月两会重新启动,这将促进我国商业银行不良资产的结构化调整,商业银行不良资产证券化也将迎来新的发展机遇,但不良资产本身违约风险比较大,以不良资产做基础资产的资产支持证券违约风险也比较大,因此对我国商业银行不良资产证券化的违约风险进行度量和研究是必要的。本文在对资产证券化的虚拟特征、运行机理,以及风险度量相关理论,尤其是风险传染机制进行研究的基础上,梳理了商业银行不良资产证券化过程中产生的风险,包括基础资产本身的风险和不良资产证券化过程中的风险。而基础资产违约是其他所有风险产生的基础,加之金融系统之间的风险传染机制在一定程度上提供了违约风险蔓延和放大的通道,因此本文重点介绍违约风险的度量。本文在研究四大风险度量模型(KMV模型、CPV模型、CreditMertics模型和Credit Risk+模型)的基础上,结合四大模型的优势劣势和我国商业银行不良资产证券化的实际操作情况,认为KMV模型更适合我国实际情况,更具有实际操作性。在具体运用KMV模型之前,我们对KMV模型的运用场景,模型假定、参数选取进行了辩证的分析,参考前人研究,对其中的不足部分进行了质疑,并对模型进行合理修正。由于不良资产支持证券的分层结构,本文认为在度量不良资产支持证券违约风险时分别度量不同层级份额的违约概率更加合理,而不是笼统的计算一个唯一概率,因此在实际操作中我们分别计算不良资产支持证券的优先级份额和次级份额的违约距离和违约概率。为了对模型修正效果有一个直观的认识,本文分别运用修正前的模型和修正后的模型对违约风险分别进行度量,将两种模型验证结果进行比较研究。在数据选取上,本文选取招商银行2016年9月19日发行的和萃2016年第三期不良资产支持证券(简称和萃2016-3)为案例进行实证分析,该产品信息披露比较全面,并且是新近发行的,更有实际研究价值和意义。实证结果表明,修正的KMV模型在度量不良资产支持证券违约风险方面更加客观、更符合实际情况,未经修正的KMV模型低估了不良资产支持证券的违约风险,并且次级份额的违约风险远大于优先级份额。最后,围绕如何有效度量和管控违约风险,对我国重启商业银行不良资产证券化提供建议。