骆驼(CAMEL)分析系统包括：资本充足性(CapitaAdequacy)、资产质量(Asset Quality)、管理水平(Management)、盈利水平(Earnings)流动性(Liquidity)。
专家系统的突出特点在于将信贷专家的经验和判断作为信用分析和决策的主要基础，这种主观性很强的方法/体系带来的一个突出问题是对信用风险的评估缺乏一致性。此外，尽管专家系统在银行业的长期发展和实践中已经形成了较为成熟的分析框架，但专家系统缺乏系统的理论支持，尤其是对关键要素的选择、权重的确定以及综合评定等方面更显薄弱。因此，专家系统更适合于对借款人进行是和否的二维决策，难以实现对信用风险的准确计量。
(2)信用评分法
信用评分模型是一种传统的信用风险量化模型，利用可观察到的借款人特征变量计算出一个数值(得分)来代表债务人的信用风险，并将借款人归类于不同的风险等级。
背景知识：信用评分模型
20世纪60年代，信用卡的推出促使信用评分技术取得了极大发展，并迅速扩展到其他业务领域。奥而特曼(Altman，1968)提出了基于多元判别分析技术的Z评分模型;马丁(Martin，1977)、奥尔森(Ohlson，1980)和威金顿(Wiginton，1980)则首次运用Logit模型分析企业破产问题。
信用评分模型的关键在于特征变量的选择和各自权重的确定。基本过程是：
①首先，根据经验或相关性分析，确定某一类别借款人的信用风险主要与哪些经济或财务因素有关，模拟出特定形式的函数关系式;
②其次，根据历史数据进行回归分析，得出各相关因素的权重;
③最后，将属于此类别的潜在借款人的相关因素数值代入函数关系式计算出一个数值，根据该数值的大小衡量潜在借款人的信用风险水平，给予借款人相应评级并决定贷款与否。
存在一些突出问题：
①信用评分模型是建立在对历史数据(而非当前市场数据)模拟的基础上，因此是一种向后看(Backward Looking)的模型。
②信用评分模型对借款人历史数据的要求相当高。
③信用评分模型虽然可以给出客户信用风险水平的分数，却无法提供客户违约概率的准确数值，而后者往往是信用风险管理最为关注的。
(3)违约概率模型
违约概率模型分析属于现代信用风险计量方法。其中具有代表性的模型有穆迪的RiskCalc和Credit Monitor、KPMG的风险中性定价模型和死亡率模型，在银行业引起了很大反响。
《巴塞尔新资本协议》也明确规定，实施内部评级法的商业银行可采用模型估计违约概率。
与传统的专家判断和信用评分法相比，违约概率模型能够直接估计客户的违约概率，因此对历史数据的要求更高，需要商业银行建立一致的、明确的违约定义，并且在此基础上积累至少五年的数据。
3. 法人客户评级模型
(1)Altman的Z计分模型和ZETA模型
Altman(1968)认为，影响借款人违约概率的因素主要有五个：流动性(Liquidity)、盈利性(Profitability)、杠杆比率(Leverage)、偿债能力(Solvency)和活跃性(Activity)。Altman选择了下面列举的五个财务指标来综合反映上述五大因素，最终得出的Z计分函数是：
X1=(流动资产-流动负债)/总资产
X2=留存收益/总资产
X3=息税前利润/总资产
X4=股票市场价值/债务账面价值
X5=销售额/总资产
作为违约风险的指标，Z值越高，违约概率越低。此外，Altman还提出了判断企业破产的临界值：若Z低于1.81，在企业存在很大的破产风险，应被归入高违约风险等级。
1977年，Altman与Hardeman、Narayanan又提出了第二代Z计分模型——ZETA信用风险分析模型，主要用于公共或私有的非金融类公司，其适应范围更广，对违约概率的计算更精确。
ZETA模型将模型考察指标由五个增加到七个，分别为：
X1：资产收益率指标，等于息税前利润/总资产。
X2：收益稳定性指标，指企业资产收益率在5～10年变动趋势的标准差。
X3：偿债能力指标，等于息税前利润/总利息支出。
X4：盈利积累能力指标，等于留存收益/总资产。
X5：流动性指标，即流动比率，等于流动资产/流动负债。
X6：资本化程度指标，等于普通股/总资本。该比率越大，说明企业资本实力越强，违约概率越小。
X7：规模指标，用企业总资产的对数表示。
(2)RiskCalc模型
RiskCalc模型是在传统信用评分技术基础上发展起来的一种适用于非上市公司的违约概率模型，其核心是通过严格的步骤从客户信息中选择出最能预测违约的一组变量，经过适当变换后运用Logit/Probit回归技术预测客户的违约概率。
①收集大量的公司数据;
②对数据进行样本选择和异常值处理;
③逐一分析变换各风险因素的单调性、违约预测能力及彼此间的相关性，初步选择出违约预测能力强、彼此相关性不高的20～30个风险因素;
④运用Logit/Probit回归技术从初步因素中选择出9～11个最优的风险因素，并确保回归系数具有明确的经济含义，各变量间不存在多重共线性;
⑤在建模外样本、时段外样本中验证基于建模样本所构建模型的违约区分能力，确保模型的横向适用性和纵向前瞻性;
⑥对模型输出结果进行校正，得到最终各客户的违约概率。