论文部分内容阅读
近年来,随着经济增速的放缓和经济结构调整的深化,银行的不良贷款余额和不良贷款率指标持续上升,对中国银行业的信用风险管理提出了更高要求。受宏观经济状况和行业景气程度等因素的影响,贷款公司之间的违约相关性增大。此外,部分公司处于产业链上下游,存在交叉持股等现象,一旦有公司发生违约,关联公司也势必会受到牵连。而当前银行的信用风险管理水平相对落后,很难捕捉公司间的信用风险传染效应。本文主要内容安排如下:首先,对国内外关于信用风险度量和信用风险传染效应的研究进行回顾和梳理,并对主流的信用风险评价模型作了详细的介绍和比较,确定KMV模型是最符合我国实情的信用风险度量模型。其次,在KMV模型的各参数中引入时间维度,建立动态的KMV模型,并进行实证分析。选取19个行业中2014年被ST的30家公司和配对的30家非ST公司作为样本,并对实证结果进行参数和非参数假设检验。检验结果表明,本文所建立的动态KMV模型能够有效辨别ST公司和非ST公司的信用风险差异,此外,相比于理论预期违约率,违约距离是更加合理的信用风险度量指标。最后,将数据挖掘中的关联规则算法引入到信用风险传染效应研究领域以克服传统信用风险模型的局限性。具体而言,通过结合元规则理论和时间窗口技术,对Apriori算法进行扩展,建立时序关联规则算法,并对公司日违约距离间的联动规则进行挖掘。实证结果产生了15条强关联规则,在对每条关联规则进行论证后表明,时序关联规则算法得到的强关联规则基本与客观事实相符,能够有效挖掘出贷款公司间的关联关系。本文的主要贡献及创新之处有如下几点,第一,本文对原KMV模型进行改进,在KMV模型的各参数中引入时间维度,建立动态的KMV模型。第二,运用数据挖掘中的关联规则算法检测贷款公司间的信用风险传染效应。在Apriori算法基础上,结合元规则理论和时间窗口技术,对Apriori算法进行扩展,建立了时序关联规则算法。总体而言,本文基于商业银行实时捕捉公司信用风险状况和预测公司间信用风险传染效应的考虑,将银行的信用风险度量和传染效应的检测纳入到一个动态化的框架下。所构建的动态KMV模型能够有效度量贷款公司的信用风险,所建立的时序关联规则算法能够显著识别并预测贷款公司间的信用风险传染状况,进而可帮助商业银行及时的调整信用风险管理策略,合理控制贷款规模,有效的规避风险。