中国上市公司信用风险管理实证研究_EDF模型在信用评估中的应用
上市公司违约概率EDF实证分析
上市公司违约概率的实证分析EDF模型对中国上市公司违约概率计算适用性的分析摘要：内部评价法分为初级法和高级法，初级法是当前国内研究的重点。
而初级内部评级法的核心部分就是违约概率的计算，其中模型化的计算方法是当今研究的主流。
本文利用EDF 模型对我国上市公司的最新数据作了实证分析，结果显示，理论预期违约率值较穆迪公司公布的参考区间偏小，具有一定的风险预警作用，总体来说适用性不强。
关键词：违约概率EDF模型背景：内容的内部评级法(Internal Ratings-Based Approach)，该方法允许管理水平较高的商业银行采用银行内部对客户和贷款的评级结果来确定风险权重、计提资本，从而将资本充足率与信用风险的大小有机结合起来。
但是在很长一段时间内，我国商业银行不具备条件实施巴塞尔新资本协议中的高级内部评级法，所以目前的研究重点应该是内部评级的初级法。
在内部评级初级法中，违约概率（PD）由银行自己提供估计值，而违约损失率（LGD）、违约风险暴露（EAD）和期限（M）等是由委员会规定的监管指标。
其中,违约概率(Probability of Default, PD)是商业银行计算意外损失以及经济资本的必不可少的要素之一,并且,违约概率的准确测算为商业银行计算准备金和风险加权资产(Risk Weighted Assets, RW A)提供重要依据。
因此，违约概率的测度就是当前内部评级系统建立过程中研究的重点和热点问题。
早期的研究违约的模型有判别分析和Logistic回归等，但它们也只是二分类问题，对应的是判别概率而不是真正的违约概率。
现代的违约概率测度模型主要有KMV的EDF模型、JP Morgan的Credit Metrics模型、McKinsey的Credit Portfolio View模型、CSFP的Credit Risk 模型以及应用保险精算方法的死亡率模型等，这些模型是当今研究的主流。
本文主要利用KMV的EDF模型应用我国上市公司的数据作一些实证分析，以验证模型化的方法在中国市场中的适用性。
基于KMV模型我国上市公司信用风险测度实证分析
基于KMV模型我国上市公司信用风险测度实证分析基于KMV模型我国上市公司信用风险测度实证分析近年来，随着我国资本市场的不断发展，上市公司的信用风险成为了重要的研究方向。
有效测度上市公司的信用风险对于金融机构和投资者具有重要意义。
本文基于KMV模型，通过对我国上市公司的实证分析，探讨了其在信用风险测度中的应用和不足之处。
首先，我们回顾了KMV模型的基本原理。
KMV模型是一种流行的结构性模型，通过衡量公司的资本结构、资产负债率、波动率等关键因素来估计公司的违约概率。
其基本公式为违约距离（Distance to Default，DD）= ln(资产价值/债务价值) / 标准差。
通过计算违约距离，我们可以得到上市公司的违约概率，并进一步测度其信用风险。
接着，我们利用KMV模型进行了我国上市公司信用风险的实证分析。
我们选取了2018年度财务数据作为样本，计算了一批在上交所和深交所上市的公司的违约距离。
我们发现，根据KMV模型计算的违约距离，大部分公司的违约概率较低，说明其信用风险相对较小。
然而，仍有少数公司的违约概率较高，这些公司是上市公司信用风险值得关注的对象。
此外，我们还发现，在行业之间存在一定的信用风险差异，一些行业的上市公司信用风险较高。
接下来，我们分析了KMV模型在我国上市公司信用风险测度中的不足之处。
首先，KMV模型基于违约距离的测度方法对数据的敏感性较高，数据质量的问题可能会导致结果的误差。
其次，模型没有考虑到宏观经济环境的变化对公司违约概率的影响，这可能限制了模型的准确性和适用性。
此外，模型的参数估计也具有一定的主观性，不同的参数估计可能会导致不同的信用风险测度结果。
最后，我们提出了一些建议来改进KMV模型在我国上市公司信用风险测度中的应用。
首先，我们应该加强对财务数据的核查和质量管理，确保数据的准确性和可靠性。
其次，我们可以结合宏观经济因素，如利率、失业率等，来进一步完善模型，以更好地反映公司的信用风险。
“kmv模型”文件文集
“kmv模型”文件文集目录一、我国商业银行信用风险评价应用研究基于KMV模型分析二、基于KMV模型的一种信用风险评估方法及其应用以万科A为例三、中国上市商业银行信用风险分析及比较——基于KMV模型及面板数据四、地方政府专项债券违约风险——基于KMV模型的分析五、基于KMV模型的中国上市公司信用风险评估研究六、上市全国性股份制商业银行信用风险度量——基于KMV模型我国商业银行信用风险评价应用研究基于KMV模型分析随着全球金融市场的不断发展，商业银行面临的信用风险环境越来越复杂。
如何准确、有效地评价信用风险，一直是商业银行面临的重要问题。
KMV模型是一种基于市场信息的信用风险评价模型，本文将基于KMV模型，探讨其在我国商业银行信用风险评价中的应用。
KMV模型介绍 KMV模型是由KMV公司开发的一种基于市场信息的信用风险评价模型。
该模型以借款企业的股票价格、股票波动率和负债为基础，通过计算得出企业的违约概率和信用风险。
KMV模型的优势在于其能够利用市场信息，而非仅仅依赖财务报告，对信用风险进行评价，使得结果更具有前瞻性和实时性。
KMV模型在我国商业银行信用风险评价中的应用在我国商业银行信用风险评价中，KMV模型的应用主要表现在以下几个方面：基于KMV模型的信用评级在信用评级中，KMV模型能够根据借款企业的股票价格、波动率和负债计算得出其违约概率和信用等级。
通过这种方式，商业银行可以更准确地评估借款企业的信用风险，从而更好地进行信贷决策。
基于KMV模型的信贷定价利用KMV模型，商业银行可以根据借款企业的信用等级和信贷市场环境，制定更合理的信贷定价策略。
这有助于商业银行在控制信用风险的同时，提高盈利能力。
基于KMV模型的信贷组合管理 KMV模型还可以应用于信贷组合管理。
通过计算不同企业的违约概率和信用风险，商业银行可以更好地评估其信贷组合的整体风险水平，从而制定更合理的信贷组合管理策略。
结论 KMV模型在我国商业银行信用风险评价中具有重要的应用价值。
F分数模型在上市公司财务风险预警中的应用
F分数模型在上市公司财务风险预警中的应用随着经济发展和市场竞争的加剧，上市公司面临着诸多风险，如经营风险、市场风险、财务风险等。
财务风险是影响公司健康发展的重要因素之一。
为了及时预警和管理财务风险，可以采用F分数模型进行分析和评估。
本文将介绍F分数模型在上市公司财务风险预警中的应用。
F分数模型来源于Altman于1968年提出的Z分数模型，是一种经典的企业破产预测模型。
F分数是通过对多个财务指标进行加权组合得到的一个综合评分指标，能够量化地反映出公司的财务状况。
F分数模型的应用可以帮助投资者、银行等利益相关方在投融资决策中及时发现财务风险，并采取相应的措施。
F分数模型主要根据公司的财务比率和财务指标进行计算。
常用的财务指标包括：流动比率、总负债与资产比率、总负债与净利润比率等。
这些财务指标可以通过公司的财务报表获得。
将这些财务指标代入F分数模型的公式中，就可以得到一个具体的F分数。
根据F分数的大小，可以准确地判断公司的财务状况和风险程度。
F分数模型的应用可以提供以下几方面的预警信息。
F分数模型可以及时发现公司的财务问题和风险。
当F分数低于一定的阈值，说明公司的财务状况可能存在问题，存在破产的风险。
F分数模型可以提供财务风险的程度。
不同的F分数对应不同的风险等级，可以帮助投资者、银行等决策者更加准确地评估财务风险的严重程度。
F分数模型可以与其他公司进行对比分析。
通过对比不同公司的F分数，可以了解公司的相对财务状况，找出潜在的投资机会和风险。
F分数模型可以进行长期趋势分析。
通过观察公司的F分数变化，可以判断公司的财务状况是否改善或恶化，及时采取相应的措施。
F分数模型也存在一定的局限性。
F分数模型是一种静态的评估模型，只能反映当前的财务状况，无法预测未来的风险。
F分数模型对财务指标的选择和权重设置较为主观，可能存在一定的主观性和误差性。
F分数模型还存在数据滞后的问题，因为财务报表的发布通常有一定的时间延迟。
浅谈我国商业银行信用风险管理问题
浅谈我国商业银行信用风险管理问题摘要：信用风险管理是商业银行资产管理中最重要的内容之一，也是商业银行能否持续发展的重要保障。
随着金融业的发展和金融体系的不断完善，世界各国对信用风险的测量与控制问题越来越重视。
就我国商业银行而言，对信用风险的识别、防范和控制不仅关系到商业银行自身经营成果而且关系到如何应对全球化的冲击。
本文阐述了信用风险及其成因、国外比较流行的信用风险管理模型，分析了我国商业银行在信用风险方面存在的问题，提出了建议。
关键词：信用风险管理；KMV模型；CreditMetrics模型；内外部评级美国次贷危机的爆发，暴露出其金融监管的弊端，世界各国都在极力地对金融风险进行防范和控制。
在现代商业银行的风险管理中，信用风险管理是最重要的内容。
在我国，对商业银行信用风险的管理滞后于西方发达国家。
虽然我国商业银行没有像美国那样出现银行倒闭的情形，且2008年金融危机之后，不良贷款余额的比例也有所控制，但面对国际金融环境的冲击和外资银行的涌入，提高我国商业银行信用风险管理水平仍是一项重要的课题。
一、商业银行信用风险的内涵及成因（一）信用风险的内涵。
传统的信用风险是指交易对象无力履约的风险，也是债务人未能如期偿还其债务造成违约而给经济主体经营带来的风险。
随着现代金融业的不断发展，传统的定义已经不能满足新阶段信用风险的特点，在现代的商业银行信用管理中，信用风险不仅指债务人无法偿还负债，而且还指由于债务人偿还能力和信用水平的下降使投资组合中资产价格下降，从而造成损失的风险。
对于我国商业银行而言，信用风险体现在贷款的信用风险，即违约风险，一方面指贷款人因为种种原因无法偿还全部的贷款本息而形成违约，使商业银行造成资金上的损失；另一方面指贷款到期时不能按期收回，形成商业银行的不良资产，从而影响到银行资金的周转，出现支付困难，使银行的声誉下降。
（二）信用风险的成因。
我国商业银行的信用风险主要体现为借贷双方的信息不对称所造成的道德风险。
中国涉互联网金融的上市公司信用性风险识别,评估
中国涉互联网金融的上市公司信用性风险识别，评估作者：张弘来源：《财经界·学术版》2016年第18期摘要：第三次科技革命以来，以先进的互联网技术作为依托，催生了互联网金融，同时其信用性风险问题逐步彰显，本文从信用性风险入手，探究其产生的原因及其特点，运用Z值模型进行风险识别， KMV模型进行信用性风险的评估，找出DD和EDF两者之间的关系，以此说明本文选用的KMV模型能识别涉互联网金融的上市公司信用性风险。
最后结合时代背景，针对信用性风险问题，提出具体建议。
关键词：金融风险信用性风险 KMV模型一、引言随着网络信息技术的迅速发展，以先进的互联网技术作为依托，催生了互联网金融，其面临的信用性风险尤为突出。
信用风险是影响金融行业的相关决策的重要因素，若是互联网金融的公司违约，相关投资者都难以获得预期收益，进而影响整个行业的发展。
管理信用性风险常用方法如下：一是信用评级法。
如穆迪公司对企业的评级。
二是信用风险贴水测量法，对于一个需要筹资的公司而言，随着该公司信用风险的增加，投资者或相关公司所要求的信用风险贴水也就更高。
某同一信用级别的债券，在不同的时间段里筹资所要求的风险贴水也不同。
二、文献综述金融风险是指各种因素波动引起金融资源与金融要素流转过程的不确定性而造成的风险，信用风险是指交易对手未能履行约定中的义务而造成损失的风险，主要是由信用缺失造成的风险，它是金融风险的主要类型。
信用性金融风险生于金融体系内部，又对金融业的稳定产生重大影响，在内部管理出现不规范问题时，金融活动中的各类风险将会更加明显，在诸多风险中，信用性风险尤为突出，各种风险均与信用性风险有着不可剥离的关联。
此外预计到2025年，互联网对金融业产值增长的贡献度将达到10%到25%。
本文综合以上互联网金融中的时代背景，总结出对互联网金融中信用性风险研究的必然性。
对信用性风险的评估采用KMV模型。
该模型认为公司的股权价值与看涨期权是同构并利用Black-Scholes期权定价公式，根据公司股权的市场价值及其波动性等估计出公司资产的市场价值及其波动性，再根据公司资产和负债关系计算和评估公司的违约性，进而对信用性风险进行评估。
企业信用评级方法汇总
企业信用评级方法汇总一、引言：信用风险是商业银行承担的最重要的风险。
对企业信用风险的进行评级和度量不仅有利于金融机构有效降低风险，提升自身的发展能力，对国家金融稳定和经济发展有着重要的作用。
在我国，由于受到银行业旧体制的影响，国内开始研究信用风险评级和度量方法的时间晚于其他国家。
自2000年以来，为数不少的国内科研工作者积极投入信用风险度量研究，并在理论研究和实际应用上取得了，一定的成绩。
由此可见，对风险进行度量，对企业进行有效的信用评级已经成为现代银行和其他金融机构风险管理职能中最为重要的内容之一。
二、企业信用评级的必要性信用风险由来已久，它随着借贷的产生而发展。
对于一个贷款企业而言，其能否按时归还贷款总是存在着不确定性，这种不确定性具体表现为，贷款企业不愿意履行或不能完全履行还款责任，信用风险一旦形成，银行将会因客户违约而遭受巨大金融损失。
因此，银行需要对贷款企业进行严格的信用评级。
对企业进行信用评级的意义在于，它可以消除银行与企业之间的信息不对称性，提高银行借贷的管理效率，从而使资本市场的整体效率得以提高。
对于企业而言：有效的信用评级，可以使资信良好和还款能力强的企业取得所需贷款资金从事经营活动。
对于银行而言：其不仅可以拥有适合其风险偏好的标的，取得收益。
同时还可以有效的过滤资信较差和还款能力较弱的企业，从而缓释银行违约风险。
所以，对企业进行合理而准确的信用评级是相当必要的。
然而，信用评级是否合理，评级结果是否准确，在很大程度上取决于评级方法的科学性。
那么，到底有哪些信用评级的方法呢？哪些才是合理而有效的信用评级方法？下面我就对企业信用评级方法进行简要的阐述与分析。
三、传统的企业信用评级方法比较分析传统度量方法是以定性分析为起点，结合财务报表有关数据进行分析。
下面我以专家系统、信用评分方法为例，对传统的企业信用评级方法进行分析和比较。
㈠综合评判法——专家系统专家系统是一种传统的评级方法。
传统的信用评级方法包括以5C法为代表的专家判断法和以5C法为基础发展起来的综合评价法，包括品德和声望(Character)、资格与能力(Capacity)、资金实力(Capital or Cash)、担保(Collateral)、及经营环境(Condition)。
F分数模型在上市公司财务风险预警中的应用
F分数模型在上市公司财务风险预警中的应用1. 引言1.1 研究背景随着市场竞争的加剧和金融环境的变化，各种风险对企业的影响越来越大。
研究如何有效应对和预防财务风险成为企业管理者和学者关注的焦点。
本文将针对F分数模型在上市公司财务风险预警中的应用展开深入研究，探讨其在实践中的效果和局限性，旨在为企业提供更准确和可靠的财务风险预警工具。
1.2 研究目的研究目的旨在探讨F分数模型在上市公司财务风险预警中的应用情况，分析其在预警过程中的效果和作用。
通过对F分数模型的应用进行深入研究，可以帮助相关部门和机构更好地识别和评估上市公司的财务风险，提前发现潜在的经营风险，从而采取相应的预防和控制措施。
研究还旨在探讨如何进一步完善F分数模型，在实践中更加准确地预测和评估公司的财务状况，为实际业务决策提供更有力的支持和依据。
通过本研究，可以为加强上市公司财务风险管理提供理论指导和实务参考，促进企业稳健经营和可持续发展。
1.3 研究意义本研究的意义在于提高上市公司财务风险预警的准确性和及时性，帮助投资者和监管部门更好地了解公司的财务状况，降低投资风险。
通过对F分数模型在财务风险预警中的应用进行深入研究，可以为相关部门提供更科学、更有效的决策依据，促进企业的可持续发展。
研究F 分数模型的优势和局限性，可以帮助完善该模型，提高其预测准确性和稳定性，为企业风险管理提供更全面的参考依据。
通过实际案例的分析，可以验证F分数模型在实际应用中的有效性和可行性，为企业和投资者提供更具有参考价值的财务风险预警方法。
本研究的意义在于推动财务风险预警领域的理论研究和实践应用，为我国上市公司的财务风险管理提供有益的借鉴和启示。
2. 正文2.1 F分数模型概述F分数模型是一种用于评估公司财务状况和风险的模型。
该模型主要通过计算公司的财务指标来给出一个综合评分，从而帮助投资者或管理者识别公司的潜在风险。
F分数模型最初由Edward Altman在1968年提出，被广泛用于评估公司破产概率。
小微企业信用评级模型及比较研究
小微企业信用评级模型及比较研究肖斌卿;杨旸;余哲;沈才胜【摘要】在调查和文献基础上，进行信用风险来源识别、评级指标分类和评级方法选择，构建商业银行内部信用评级模型，以期在授信审批环节提高信用风险管理水平。
基于某商业银行2008—2013年小微企业实际信贷数据，运用线性判别分析、二项逻辑回归和十种基于不同学习算法的BP神经网络模型构建内部信用评级模型，并在评级指标体系中加入宏观经济变量，使度量风险的稳健性进一步得到提升。
最后通过四种方法对不同模型的结果和评级有效性进行了对比分析，认为基于Levenbery-Marquardt学习算法的NN10模型具有最优的评级有效性。
%On the basis of investigation and literature research, conducting risk source identification, rating indicators classification and rating methods assessment, the paper constructs commercial bank’s internal credit rating models to improve the credit risk management in the credit approval procedures. Based on the credit data of small and micro enterprises in a commercial bank from 2008 to 2013, using the linear discriminant analysis, logistic regression and 10 types of BP neural network relying on different learning algorithms, internal credit rating models are constructed with macroeconomic variables, which may further improve the robustness of risk measurement. Finally, results and rating effectiveness of different models are analyzed and compared, and show that the NN10 model based on Levenbery-Marquardt learning algorithm performs optimal rating effectiveness.【期刊名称】《系统工程学报》【年(卷),期】2016(031)006【总页数】11页(P798-807,830)【关键词】信用评级;小微企业;模型比较;学习算法【作者】肖斌卿;杨旸;余哲;沈才胜【作者单位】南京大学工程管理学院，江苏南京210093;南京大学商学院，江苏南京210093;郑州商品交易所，河南郑州450008;南京大学工程管理学院，江苏南京210093; 紫金农商银行，江苏南京210019【正文语种】中文【中图分类】F832.59我国当前正处在经济发展“提质换挡”的“新常态”发展阶段,经济结构和产业结构正在进行深度调整和优化.在“新常态”的经济氛围下,新兴科技、新兴产业和新兴市场的发展和壮大,为小微企业的发展和壮大提供了难得的历史机遇.也正是在这一阶段,经济内生增长要求更多的人力资本和技术创新参与社会经济分工,并最终转化为经济增长产出.覆盖广、种类多的小微企业在国家经济结构调整和升级中起到的促进作用,在今后将会更加凸显.小微企业的经营发展和技术创新离不开资金的支持,特别是在当前信贷资本紧缩投放的时期,小微企业融资难的问题日益凸显.Schreiner[1]在研究中认为,企业处在初创和成长阶段更加依赖从传统金融机构那里获取资金支持.然而,小微企业在通过银行进行信贷融资的过程中,会遇到诸多的问题.一方面,小微企业受其经营时间、经营业绩、公司治理等因素的制约,普遍不能提供类似大型企业财务报表的详细业务信息、财务信息以及其他融资担保证明;另一方面,商业银行经营强调贷款的风险控制,在开展小微企业贷款业务时,银行对小微企业的资信审查和授信工作正逐步趋于严格和规范,与此相悖的是上市银行内部控制缺陷认定存在查找范围不统一、认定标准不完善、认定数量和严重程度明显不足等问题[2].上述这种银企之间存在的信息不对称问题[3],是制约小微企业从商业银行获取信贷融资的主要因素.针对小微企业当前面临的融资困境,商业银行所采用的信用评级却暴露出诸多问题,例如专家判断法比重大于模型法比重、评级方法与实际需求存在出入以及小微企业信用评级体系缺乏针对性.随着贷款业务的不断精细化,各家商业银行均推出各自的小微企业贷款方案,更加注重开展专业化的小微企业贷前审查工作,同时也对信用评级方法以及评级方法的有效性提出了更高要求.在理论界,学者们依实务操作的需要,针对小微企业贷款业务的信贷模式、评级指标、评级方法以及违约概率估计开展了广泛的研究和讨论,汇总出丰富的研究成果.其中,对评级指标和评级方法的讨论尤为突出.在研究指标方面,郭小波等[4]在小微企业信用风险的识别因子研究中,引入企业财务指标、企业定性指标以及与企业主有关的指标作为研究变量.谢平等[5]认为信用评级需考虑的因素包括借款企业经营环境、所有制与经营权、管理水平、营运价值、盈利能力、风险程度等因素.徐超等[6]基于多智能体仿真方法,从中小企业组成的联保贷款入手,重点考察了联保的组织规模和组织成员初始信用水平对信用风险演化的影响.陈其安等[7]认为在一定条件下,投融资平台和银行之间的均衡贷款数量将随着政府信用担保履约率增加而增加.同时,李毅等[8]也认为小微企业在融资过程中若能够拥有信用担保,将有益于其获取贷款. Hajek等[9]对企业信用评级预测中的财务状况、经营状况等建模指标进行了研究.Doumpos等[10]在其研究中构建了一个包含财务数据和结构化模型的信用评级预测系统.同时,现有文献亦强调加入定性指标对研究小微企业信贷业务的重要性.Vassiliou[11]在对印度小微企业贷款案例分析的基础上,认为信用风险影响因素包括贷款人经营理念、贷款人经营水平、贷款人有无违法记录、贷款人经营思路、贷款利率、用途等; Malhotra等[12]通过对首发小微信贷的孟加拉国发放小微企业信贷的风险情况进行研究分析,了解到影响小微企业信用风险的因素有贷款数量、贷款人抵押品价值、其所拥有的耐用商品的价值、贷款期限的长短等. Meyer[13]指出银行可以通过“软信息”对小企业信用状况进行评估,这些软信息包括银行对借款企业资信的初步判断等.Lussier[14]在其模型中加入了企业管理水平、所处经济周期、产品生命周期等因素.此外,张良贵等[15]基于DSGE模型研究表明宏观流动性及其状态变化、基准利率状态变化对企业杠杆有重要影响.由此可见,小微企业信用评级指标需要同时包含企业内部定量指标和定性指标与企业外部信息.在研究方法方面,张大斌等[16]用差分进化算法(DE)优化违约点系数,提出一种中国上市公司信用风险测度的不确定性DE-KMV模型,来提高上市公司信用风险测度的准确性.于立勇等[17]在其研究中开展基于Logistic回归分析的违约概率研究,利用正向逐步选择法建立了信用风险评估指标体系.黄苒等[18]重点关注了含跳跃风险的公司贷款违约率测度问题,并探索了基于首达时模型的理论扩展,给出了违约概率参数估计的方法.庞素琳等[19]在银行个人信用评级中建立C5.0分类算法,在该算法内嵌入Boosting算法技术,并构造了成本矩阵和参数调整后的决策树.肖进等[20]提出了面向缺失数据的动态分类器集成选择模型DCESM,并认为该模型能够取得更好的客户信用评估性能.Che等[21]运用层次分析法(AHP)和包络分析法(DEA)对台湾地区商业银行小微企业信贷决策进行研究,并得到有效的建模结果.Angilella等[22]在研究中建立了小微企业SMMAA-TRI多准则信用评级模型,并对模型有效性进行了验证.同时,非参数统计的研究方法也逐步应用于信用评级建模.然而,随着银行业可训练数据量的大幅提升和数据维度的不断提高,机器学习方法开始崭露头角.统计学和机器学习最本质的区别在于根本目标不同,统计学家更关心模型的可解释性,而机器学习专家更关心模型的预测能力.由于银行业对预测准确度要求的越来越高,统计学方法的不适应性开始显现,很多问题不能构建出严谨的统计模型,而机器学习理论已被证明是此类研究有效的建模方法.王春峰等[23]在其研究中对人工神经网络在银行信用风险评价中的应用展开对比讨论,结果表明,与传统统计方法相比,神经网络技术具有较高的稳定性和判别准确度.Lee等[24]认为非参数统计的方法在信用评级的研究中优于经典统计模型.Yu等[25]运用基于多层神经网络的机器学习方法研究信用评分模型,并对效果良好的建模结果进行叙述.Zhong等[26]在企业信用评级中,对BP、ELM、I-ELM和SVM的学习训练效果进行对比分析,其中ELM和BP 神经网络的建模效果较优.商业银行在信贷审批操作中运用信用评级模型对申请借款企业提供的信息进行判断,对企业在未来是否会出现违约进行估计,已经是普遍存在的贷前审批流程,因此评级模型的有效性是各家商业银行共同关注的问题.结合现有文献中的信用评级方法,本文构建包含线性判别分析(linear discriminant analysis, LDA)、二项逻辑回归(binary logistic regression,BLR)、基于多种学习算法的BP神经网络(BP neural network, BPNN)的评分模型,运用建模样本训练模型,并用测试样本检验模型有效性和稳健性,挑选出较优的信用评级模型.LDA是在分类确定的条件下,根据某一研究对象的各个特征值判别其类型归属问题的一种多变量统计分析方法.BLR模型主要是用来对多因素影响的事件进行概率预测,是普通多元线性回归模型向非线性模型的扩展.基于多种学习算法的BPNN模型是前馈型神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上,通过训练与测试将对象进行分类.本节就LDA、BLR、基于多种学习算法的BPNN模型以及模型有效性的衡量方法进行简要介绍.2.1 线性判别分析(LDA)对于k个组别的分类问题,假设k个组别构成的总体分别为G1,G2,...,Gk,于是若要判断样本x各来自于哪一个总体,首先必须计算样本x到每个总体Gi(i=1,2,...,k)的距离d(x,Gi),然后再比较这些距离,其中样本x到总体Gi的距离d(x,Gi)采用Mahalanobis距离,即其中µi和Σi分别为Gi的均值和协方差矩阵,为协方差矩阵Σi的逆矩阵.如果x距某个Gj(j= 1,2,...,k)最近,则认为x∈Gj.其判别规则为对于本文组别分类的问题,可通过建立判别分析模型进行判别.2.2 二项逻辑回归(BLR)对于一个二项分类和n个定量预测变量x1,x2,...,xn(包含虚拟赋值变量),BLR模型假设目标响应的概率为其中β0为常数项,称β1,β2,...,βn为模型回归系数,解释变量可以是连续变量,也可以是分类变量或哑变量(dummy variable).正式的决策框架中通常包含多种评判模型,在多种模型有效性对比过程中,BLR模型可以作为一个判断依据.BLR与LDA一样,在多元正态分布和相同协方差矩阵的假设条件下具有最优判别能力.BLR要求较大的输入样本量以取得较为稳定的计算结果,同时应对自变量与因变量的复杂非线性关系进行适当处理.2.3 基于多种学习算法的BPNNBPNN的构成包括一个输入层,一个或多个隐含层和一个输出层.各层由若干个神经元构成,每一个节点的输出值由输入值、作用函数和阈值决定.神经网络的学习过程包含两个方面:信息正向传播和误差反向传播.在正向传播过程中,输入信息从输入层经隐含层传到输出层,经作用函数运算后得到输出值与期望值进行比较,若有误差,则误差反向传播,沿原先的连接通路返回,通过逐层修改各层神经元的权值,减少误差,如此循环直到输出的结果符合精度要求为止.具体步骤如下:步骤1BPNN的初始化,确定隐含层节点的个数.将各个权值和阈值的初始值设为比较小的随机数;步骤2输入样本和相应的输出进行网络训练,即对每一个样本数据进行步骤3到步骤5的过程;步骤3依据输入样本计算实际输出及其隐含层神经元的输出;步骤4计算期望输出与实际输出之间的差值,求输出层和隐含层的误差;步骤5根据步骤4得出的误差更新输入层到隐含层节点之间以及隐含层到输出层节点和之间的连接权值;步骤6求出误差函数e,判断e是否收敛到给定的学习精度以内,即e≤ε,其中ε为拟定误差,如果满足则训练结束,否则转向步骤2.运用不同的学习算法对BPNN进行训练,将会得到不同的建模效果[27].MATLAB R2012a软件中的神经网络工具箱(neural network toolbox)中包括多种适用于BPNN建模的学习算法.本文考虑运用10种学习算法对BPNN进行训练,具体如表1所示.2.4 模型有效性的衡量方法ROC曲线面积(AUC值)是常用的用于评价分类模型有效性的方法.ROC曲线是根据一系列不同的二分类方式,以真阳性率(敏感度,不良贷款样本被判正确)为纵坐标,假阳性率(1–特异性,良性贷款被判错误)为横坐标绘制的曲线.传统的诊断试验评价方法有一个共同的特点,必须将试验结果分为两类,再进行统计分析.本文运用SPSS 软件对12种模型的检验结果绘制ROC曲线,并比较AUC值,AUC值越大,表明模型判别水平越高.均方误差(mean squared error,MSE)是指参数估计值与参数真值之差平方的期望值.在此,MSE是预测值与期望值之差平方的期望值,即其中yt是期望值,t是预测值.MSE的值越小,说明预测模型描述实验数据具有更好的精确度.在对模型有效性进行衡量时,需要考虑不同错误类型的成本,本文依据Blanco等[27]的两种错误分类构造误判成本.I类错误指良性贷款错评为不良贷款的比率;II类错误指不良贷款错评为良性贷款的比率,相比于I类错误,II类错误的发生将会对银行带来更大的损失.因此本文将II类错误的成本设为I类错误成本的5倍.并在此基础上计算误判成本其中C21和C12分别表示发生I类错误和II类错误的成本,π21和π12分别表示发生I类错误和II类错误的概率,p1和p2分别表示样本在到期时是良性贷款和不良贷款的先验概率.识别率包括不良识别率和总识别率.不良识别率表示检测样本中的不良贷款被模型识别出的比例,该指标可以反映模型对I类错误的规避能力;总识别率表示全部检测样本的二级分类属性被识别正确的比例,该指标可以反映模型的整体判别能力.本文采集江苏某商业银行2008–2013针对小微企业信贷的过往数据,与公开数据库中的宏观数据合并后,总数据内容主要包括:1)财务信息(资产总额,经营收入等);2)本期贷款基本信息(发放额度,发放利率,贷款方式,支付方式等);3)当前客户非财务信息(客户信用等级,客户资信等级,行业分类,担保情况等); 4)与宏观经济有关的变量(用电量,GDP,CPI等);5)信贷的二级分类情况.经过剔除缺失和不正常的数据,得到2 115组有效数据,其中,良性与不良贷款比例约为9∶1.为了对评分模型进行科学对比,我们把数据集随机分成两个互补的子数据集:80%数据作为建模集,20%数据作为测试集.各模型的变量结构都是通过10次交叉验证法进行筛选,交叉验证法的一个优势就是这样的信用评分模型是基于较大比例的有效数据(80%)开发.有关信用评级指标的文献中,由“硬”信息到“软”信息的选择是信用评级指标选择的一个显著性变化,从最早标准化的财务指标到如今各类非财务指标的不断加入更新,信用评级系统也因此能够从规范化的大公司推广到小微企业及个人类客户.然而,这些指标多为微观指标,宏观指标鲜有涉及.近年来,有学者对宏观经济变量的研究提出了自己的看法,认为借款人的违约与一般经济状况密切相关,与宏观经济环境变量也应当被考虑作为输入变量[27,28].颜新秀[29]认为,不同宏观经济环境下各指标变量与个人住房抵押贷款违约率之间存在一定的影响关系.Kim等[30]指出宏观经济环境是一个关键因素,直接关系到借款者的偿付行为.因此,本文认为贷款期间内的宏观经济变动对贷款主体的还款意愿具有一定影响,应当作为重要变量参与信用评级研究.因此,本文选取的指标类别包括财务类指标,非财务指标和宏观环境指标. 建模自变量和因变量(输入变量和输出变量)如表2和表3所示.本文在考虑现有文献贷款对象财务信息、非财务信息、本期贷款基本信息的基础上,还加入与宏观经济有关的变量作为自变量或输入变量,主要基于以下考虑:传统模型的因变量和自变量存在不同期的问题,传统信用评级模型将贷款期初的相关变量指标作为自变量,将贷款期末的五级分类情况作为因变量来进行建模,即自变量和因变量不是同一时间点上的面板数据,因此不能直接看作面板数据处理,需加入时间因素才能解决矛盾,同时,宏观经济变量是时间因素的合理体现,因为宏观经济变量并非某一时间点上的宏观经济变量,而是贷款期间相关宏观经济变量变化趋势的反映,因此不是一个时间点的概念而是某一时间段的变化趋势的概念,所以能够反映出时间因素.在实证分析部分,本文将分别运用包含宏观变量和不包含宏观变量的指标体系进行建模,并比较模型的有效性.同时,本文借鉴Blanco等[27]的做法,在指标体系中加入“客户经理主观评价”和“客户资信状况调查结果”两个指标,以囊括银行自有的贷款初期审核信息.本文引入贷款期限内经济周期信息的变量,Kim等[30]指出宏观经济环境是一个关键因素,直接关系到借款者的偿付行为.该做法的优点还在于考虑到还贷期限内省内宏观经济变化对小微企业的影响,由于各家商业银行在计划财务部进行财务预算的编制过程中均拥有未来至少三年的宏观经济变化预测数值,因此在实务操作中,该宏观变量数据采用商业银行预测数值.本文借鉴Blanco等[27]在设计信用评分模型所使用的宏观经济变量的表达式其中ΔVMi,j是宏观经济变量的变化率,VM是宏观经济变量,i表示放款的时间,j表示贷款的时限.本文在对宏观济变量进行筛选之后选取用电量、GDP和CPI的季度数据作为建模的三个自变量.在实践中发现,除CPI外用电量和GDP均有很强的周期性,经过分析和比较之后,本文决定采用GDP、用电量的同比增量的变化率和CPI增长率来作为自变量,其中CPI增长率为(计算期CPI数值-基期CPI数值)×100%/基期CPI数值,GDP、用电量的同比增量的变化率为其中Δ2VMi,j是宏观经济变量增量的变化率,i表示放款的时间,j表示贷款的时限. 综合数据可获取性、数据可靠性因素的影响,样本选取2008–2013年贷款数据,其中宏观变量数据均进行季节性调整,并对离散变量进行赋值.神经网络建模时为加快训练网络的收敛性的需要,对样本数据中各个指标下的数据分别进行归一化处理.如第3节所述,将样本分为两部分,其中1 687组数据作为训练样本,428组数据作为检验样本,训练样本与检验样本比例约为4∶1.运用SPSS 21软件,以表2中15个变量为判别变量,以表3中B1变量为分组变量,选择Fisher函数系数,建立LDA模型,得到分类函数系数.根据分类函数系数,对检验样本中各指标进行加权求和,选取得数较大的类别作为判别结果.运用PASW Statistics 18统计分析软件建立二项逻辑回归(BLR)通过描述性统计,根据相关性、正态性检验和t检验,本文最终在Logistic回归中保留9项指标,分别为年利率、贷款方式、用途、支付方式、客户信用等级、客户资信等级、营业收入/人、GDP增量增长率和CPI增量增长率,具体分析过程介绍从略.运用MATLAB R2012a建立BP神经网络(BPNN),表2中15个变量作为输入神经元,表3中B2变量各分别作为输出神经元.分别运用表2中10种学习算法进行模型训练,各个训练函数即表1中MATLAB调用函数.神经网络参数设定:隐含层节点范围[7,13];最大迭代次数=1 000;训练误差=0.001.运用训练后的模型对检验样本进行测试,即分别将检验样本中的自变量与LDA分类函数系数加权求和取大值,代入BLR模型预测因变量值,代入训练好的BPNN模型得出预测输出变量值.当输出值小于并等于0.5时,判定该组样本为正常贷款;当输出值大于0.5时,判定该组样本为不正常贷款.首先,运用不包含宏观变量的指标体系建立模型,根据前文模型有效性的衡量方法,计算衡量各个模型有效性的指标数值,如表4所示,优化的ROC曲线如图1所示.在ROC曲线图中,纵坐标δ代表真阳性率,横坐标1-η代表假阳性率,其中η为特异性,下同.由表4可知,12种模型中,75%的模型的AUC值大于0.8;有11个模型的总识别率超过80%,其中六个模型的总识别率超过90%.但在关键指标中,有11个模型的不良识别率低于80%,有11个模型的误判成本大于0.2.从整体识别效果来看,所构建的模型对不良贷款缺乏识别能力是一个共性,因此本文认为有必要尝试通过加入宏观变量对指标体系进行改进并开展建模.在指标体系中加入宏观变量后,判断各个模型有效性的指标数值如表5所示,优化的ROC曲线如图2所示.1)AUC方面,共有6个模型的AUC值超过0.9,其中,NN6与NN10模型的AUC值超过0.95,分别为0.952和0.959,预测能力较强;2)均方误差方面,共有8个模型的均方误差小于0.1,其中BLR的均方误差为0.071,NN3的均方误差为0.072,NN6的均方误差为0.075;3)误判成本方面,共有5个模型的误判成本低于0.2,其中NN6误判成本为0.117,NN7误判成本为0.110,NN10误判成本为0.098,误判成本较低.I类错误率方面,NN6、NN7、NN10的II类错误率小于0.1,判别效果较优;4)不良识别率方面,共有4个模型的不良识别率超过0.8,其中NN6的不良识别率为0.915,NN7的不良识别率为1.000,NN10的不良识别率为0.979,说明该三个模型对潜在不良贷款的判别能力较强.总识别率方面,共有5个模型的总识别率超过0.9,即表明这5个模型的总体判别正确率超过九成,具有较好的整体判别能力.根据以上分析,可见LDA和BLR模型在四类模型有效性衡量方法中表现一般,其中BLR模型在AUC和总识别率方面优于LDA模型,LDA模型在II类错误率方面优于BLR模型,但该两个模型劣于或等于NN6和NN10在AUC、II类错误率、误判成本、不良识别率和总识别率方面的表现.当将NN6与NN10在模型有效性方面进行比较时,NN10在AUC、均方误差、II类错误率、误判成本和不良识别率的表现均优于NN6,而NN6仅在总识别率方面优于NN10,因此认为NN10具有最优的模型有效性,其次为NN6.由上述分析结果可知,1)在整体模型有效性方面,NN10(基于Levenbery-Marquardt学习算法)模型表现最优,NN6(基于Polak-Ribiere共轭梯度学习算法)模型表现次优.2)在各模型有效性衡量方法方面, NN10具有最大的AUC值,BLR具有最小的均方误差,NN7具有最小的II类错误率,NN10具有最小的误判成本,NN7具有最高的不良识别率,NN3具有最高的总识别率,这些结果表明在进行具体信用评级水平衡量时,需要重视上述模型在信用评级中的应用.3)在观察各个模型检测结果中出现两类错误的样本数据时,本文发现样本数据中的客户信用等级、客户资信等级、营业收入/人指标易出现区别于普通的数值,因此此类样本需要在人工贷前审查时给予关注.本研究选择合适的指标体系和研究方法,构建线性判别分析、二项逻辑回归和基于多种学习算法的BP神经网络模型对小微企业进行信用评级,并通过四种衡量方法分析模型的有效性,提高研究结论的可信度.研究结果表明机器学习方法能够为商业银行授信审批和贷前审查工作提供参考依据,并且在指标体系中加入宏观变量能够有效地提高模型识别不良贷款的能力,提升模型的稳健性.因BP神经网络具有容易陷入局部极值、“过拟合”等问题,其预测精度有待优化,今后研究中尝试使用遗传算法优化BP神经网络强化全局搜索能力.取得更大的数据样本,并尝试根据小微企业资产总量大小对样本进行分层,提高模型对于贷款主体的评级能力.肖斌卿(1979―),男,福建南靖人,博士,副教授,研究方向:金融工程与金融管理,Email:****************.cn;杨旸(1990―),男,江苏南京人,博士生,研究方向:金融工。
F分数模型在上市公司财务风险预警中的应用
F分数模型在上市公司财务风险预警中的应用一、F分数模型的基本原理F分数模型是由美国学者爱德华·奥尔特曼（Edward Altman）于上世纪60年代提出的，主要用于评估公司的破产风险。
该模型主要通过计算公司的财务指标，将其归纳为五个主要因素：资产规模（A，Asset Size）、运营业绩（O，Operating Performance）、盈利能力（P，Profitability）、财务杠杆（L，Leverage）、偿债能力（S，Solvency），并根据这些因素的综合得分来评估公司的破产风险。
具体来说，F分数模型使用多元线性判别分析（MLDA）的方法，通过对公司的财务指标进行加权得分，将其归类为三个不同的区间：安全区、危险区和破产区。
得分越高表示公司面临破产风险的可能性越小，得分越低则表示公司面临破产风险的可能性越大。
通过F分数模型的计算，投资者和监管部门可以快速准确地评估公司的财务状况，及时发现潜在的破产风险，从而做出相应的投资决策或监管措施。
在实际应用中，F分数模型被广泛用于上市公司的财务风险预警中，其应用主要包括以下几个方面：1. 投资决策作为投资者，通过使用F分数模型可以及时了解所投资公司的财务状况和面临的风险，从而降低投资风险，增加投资收益。
通过F分数模型的分析，投资者可以选择避险投资或者寻求高风险高回报的投资机会，以及及时调整投资组合，提高资产配置的有效性和灵活性，最大限度地保护资产价值。
2. 监管监督作为监管部门，通过使用F分数模型可以对上市公司的财务状况进行监管监督，及时警示可能存在的破产风险，采取相应的措施防范风险。
监管部门可以通过F分数模型进行风险评估，对参与市场的各方进行监管，保障市场的稳定和健康发展。
3. 发现异常情况F分数模型可以让投资者和监管部门及时发现公司的异常情况。
一旦某家公司的F分数开始下滑，投资者和监管部门就可以对该公司进行进一步的调查，以确定其财务状况是否仍然健康。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中国上市公司信用风险管理实证研究———EDF模型在信用评估中的应用杨 星1,2,张义强2(1.华中科技大学 管理学院,湖北 武汉 430072;2.暨南大学 经济学院,广东 广州 510630)摘要:对信用风险的动态管理是二十一世纪风险管理研究中最具有挑战性的课题,它将使传统的只注重违约条件下债务账面损失的静态分析方法转变为通过债务人的资产价值的变化反映其信用资质变化的动态分析方法。
本文采用了一个基于期权理论的信用风险管理方法的分析框架,利用我国上市公司1997-2001股票价格波动的时间序列和截面数据,对中国上市公司的违约频率进行了实证分析。
研究结果表明:(1)上市公司的股票价格波动与该公司的预期违约频率显著相关,且呈负相关关系;(2)上市公司的预期违约频率与该公司的信用资质变化吻合,并载有公司未来前景的情报性信号。
关键词:上市公司;信用风险管理;E DF模型中图分类号:F830.91 文献标识码:A 文章编号:1002-9753(2004)01-0043-05 An Empirical Study on Credit Risk Management of China’s Listed Companies———E DF Model’s Application in Credit EvaluationY ANG X ing1,2,ZHANG Y i2qiang2(1.Huazhong Univer sity o f Science and Technology,Wuhan430072,China;2.Economics School,Jinan Univer sity,Guangzhou510630,China)Abstract:The dynamic management for credit risk is one of the most challenging subjects in study on credit risk management in21st century,which turns traditional static analyzing method under the condition of default focusing only on debt loss on the face of account to a dynamic method of combining the change of debtors’credit quality together with their asset value. This paper takes an analytical framework of credit risk management based on option theory and uses the data of time-series and cross-sections of stock price fluctuations during1997-2001to analyses empirically the default frequency of China’s listed companies.The research comes to a conclusions:(1)The stock price fluctuation of listed companies is obviously re2 lated to its expected default frequency,and the relation is negative;(2)The expected default frequency of listed companies can be measured,which is identical with the change of the listed companies’credit quality.K ey w ords:listed companies;credit risk management;EDF model 对上市公司信用风险管理技术与方法的研究是一个非常有意义的课题,它将使公司信用风险得以精确地度量与预测。
本文将借鉴K M V公司建立的E DF模型研究中国上市公司的信用状况。
全文共分为四个部分:第一部分阐述了E DF技术与期权定价理论的逻辑联系;第二部分描述了样本特征和方法,包括研究样本的选取、变量选择及参数估计;第三部分对研究结果进行了实证检验,采用东方电子案例对预测结果进行了检验;第四部分给出了研究结论。
一、E DF模型与期权定价理论E DF模型,即预期违约频率(Expected Default Frequency)[1]是K M V公司在1995年开发的一种估计公司违约频率的技术,它是一种从受信公司股票市场价格的变化中分析该公司信用状况的信用风险度量方法。
这一方法的基本思想可以简单地描述如下:比如一家上市公司,它的资产由三部分构成:股本、债券以及向银行贷款等其它负债,公司资产的总价值等于公司的股权价值加债券价值加其他负债价值。
公司债务必须在一个规定的时间(如一年)内偿还,否则,就视为违约。
那么,在何种情况下公司将选择违约呢?这依赖于公司经济和理性的决策,而决策的依据就是公司资产的市场价值。
如果它的资产市值在一年之后大于它收稿日期:2003-07-07基金项目:广东省自然科学基金“金融风险管理及其定量方法”(970844)作者简介:杨星(1955-),女,湖北枝江人,华中科技大学管理学院博士生,暨南大学经济学院教授。
34的债务,公司是不会违约的,因为只要它售出相应的股票就可清偿债务,并可获得清偿债务后的收益,反之,如果公司的资产市值小于它的负债,公司将选择违约,因为在这种情况下,公司宁愿将股票资产全部转给债权人,也不愿意再去筹措资金抵偿债务[3]。
正是基于这一思想,E DF 技术从可以观察到的股票市场价格的变化入手,分析公司信用水平的变化,继而对公司的违约可能性进行预测和判断。
期权定价理论是用以估算在不确定条件下基础金融资产在期权的有效期内的预期价值的评估技术。
经典的Black -Scholes 模型将股权看成是一种看涨期权,它用来估算一种股票的看涨期权的价值[2]。
在这一模型中,期权的价值取决于基础股票的当前价格S 、期权的执行价格X 、无风险收益率r 、期权收益的波动性σS 以及期权合约的到期日T 等5大因素(至于股票在期内分红派息的水平,B -S 模型将不予考虑)。
这样,买入期权的当前价格P 为:P =S N (d 1)-X e -rT N (d 2)(1)其中:d 1=1n (S/X )+(r +0.5σ2)T σT(2)d 1=d 2-σT(3)式中:N (d 1)和N (d 2)为标准正态分布的累加概率:N (d )=∫d-∞f (z )dz(4)其中:f (z )是中值为0、标准差为1的标准正态分。
N (-∞)=0,N (0)=0.5,N (+∞)=1。
这样,当买入期权的当前价格高于期权的履约价格,投资者将执行该期权合约;当买入期权的当前价格低于期权的履行价格,则该投资者将放弃该期权合约。
于是,将公司预期违约频率与期权理论联系起来用于评价信用风险就变得具有理论依据了。
E DF 模型将公司的股权看作是以公司资产为标的的看涨期权,将公司是否违约视为股东是否执行看涨期权,它的执行价格是公司债务,它的期限是公司债务的期限,当公司的资产价值大于公司的债务,公司将执行合约,类似于期权的当前价格高于它的执行价格,公司将购买期权;反之,当公司的资产价值小于公司的债务,公司将违约,类似于期权的当前价格低于它的执行价格,公司将放弃期权。
于是,E DF 技术成为了一种在概念上依赖于期权理论的估计公司违约概率的方法,被用来度量公司的预期违约概率。
二、样本特征与方法1.研究样本 本文采用的样本数据来自于某证券公司1997-2001年间交易数据库,辅助数据库为深沪两市1997-2001年间的行情数据。
调查取得的样本总数为1150家上市公司。
在对原始数据进行适当的处理后,随机选取有效样本总数为144个。
其中,我们将ST 股票作为信用风险违约组,共69家,同时从2001年上海亚商评出的50强上市公司以及美国《财富》评出的中国上市公司100强中选择75家作为非信用违约组。
作为一种控制手段,在资产规模、行业特征方面,每一个不违约样本与一个违约样本相匹配。
2.变量选择 根据期权理论,影响上市公司违约概率有6大变量:即资产的初始价格V 0、资产在时间t 内的预期收益率R 1、资产在时间t 内的价值V t 、资产的变现比率α、到期的债务价值V d ,债务期限D t 等。
在对期权定价模型进行适当修正后,我们将模型的解释变量简化为:公司资产的市场价值V 、公司资产市场价值波动标准差σ、公司到期债务价值D 。
3.参数估计 根据前面的分析讨论,我们对上述变量,经过对假设条件的放松,进行上市公司预期违约概率的参数估计。
(1)上市公司资产的市场价值。
从概念上讲,公司资产等于公司的债务加股东权益。
公司的债务是对公司资产价值的求偿。
公司债务由当期债务、长期债务、银行贷款构成。
债务市场价值的总和等于该公司拥有所有资产所需要支付的资金。
公司资产的市场价值可以通过公司股权的市场价值和所有债务的市场价值来度量。
于是,公司资产市值V 就等于公司的账面负债D 加上股权市值V s ,即:V =D +V s(5)根据期权理论的假设条件,上市公司资产必须具有完全的流动性,所有资产的价格遵循连续的随机过程。
但对中国市场而言,这一条件是必须修正的。
从资产的流动性上看,我国上市公司股票中,国有股和法人股是不流通的。
至2002年44末,沪深两市上市交易的总股本为5875.46亿股,其中流通股为2036.77亿股,占股市总额的34. 66%。
非流通股为3838.68亿股,占股本总额的65.34%。
显然,这是不符合期权定价理论的资产完全流动性假设条件的。
鉴于上述情况,研究中我们必须考虑中国股票市场同股不同权不同价的问题。
例如,国有股、法人股和个人股虽然同属一家上市公司的股份,但由于国有股、法人股是不流通的,与流通股相比,二者在管理体制、交易方式、交易场所和交易价格等方面都有很大的区别。
因而不可能同股同权或同股同价。
这样在计算公司的资产市值时就不可能象西方成熟的股票市场那样按照同股同权同价来计算。
通过对合理市盈率定价法、合理市净率定价法、特定市盈率定价法和比照定价法等四种方法进行比较分析,最后我们采取将非流通股根据个人股本的实际出资额折合成流通股(包括历年配股、增发等)的做法,将我国股票市场模拟为具有完全流动性的市场,例如:某上市公司,其总股本为18000万股,其中非流通股(国有股加法人股)为12000万股,发行价格为1元/股;流通股(个人股)为6000万股,发行价格为5元/股(其中没有增发和配股),则折股比例为:折股比例=流通股发行价格/非流通股发行价格=5/1即5股非流通股折为1股流通股。