论文部分内容阅读
房地产行业作为我国国民经济发展的新增长点,目前已经从快到慢,逐渐转向中低速发展,人口增长速度放缓、整体房屋市场需求量下降、企业不合理运用财务杠杆是其背后的主要原因。当下国内房地产行业已经越过规模效应期,发展为以现金流为主、提高应收账款周转率的时代,体现为外部融资环境持续偏紧。在此背景下,不管房地产行业处于投资、开发还是在后续销售进程中,各方都将注意力集中在企业融资环节,更多地关注着房地产企业主体的信用资质,即房地产行业各企业的现金流状况以及其抵御流动性风险的能力。因此在这一行业内,特别是非上市企业,更应当量入为出,实现财务稳健,加强对自身的风险测量和管控。所以,了解如何科学地量化非上市企业的信用风险,对于企业内部风险管理和控制,对于投资者投资决策以及政府制定经济政策都有着重要的参考作用。基于此,本文以房地产行业为例,提出了非上市企业信用风险评估的方法——BP-KMV模型。其中,KMV模型作为本文的基础模型,它建立在期权定价理论的基础上,依赖企业的股权及债务价值以衡量资产价值及其波动率,进而对企业的违约距离和违约率进行预测。这也直接导致该模型只适用于上市公司的违约率度量,因此本文必须考虑对基础模型进行合理改进,使其能够适用于非上市企业的信用风险研究。本文通过误差逆向传播算法,找到属于财务指标与资产价值及其波动率之间的非线性映射关系,最终构建起BP-KMV组合模型,对非上市企业的信用风险进行度量。这一研究方法充分利用了非上市企业的财务数据,并且结合了机器学习的先进理念,为企业和资金融出方提供了信用风险评估的可行性方法。在进行实证研究时,本文先是使用KMV模型预测出房地产行业上市公司的违约距离和违约率,利用该组数据训练出一套较好的BP神经网络,将非上市发债企业的财务数据带入神经网络中,模拟得到非上市发债企业的资产价值及其波动率后,再次利用KMV模型计算出非上市发债企业的预期违约率,最后将所得结果与发债企业的主体评级进行比对,通过实证研究讨论BP-KMV模型能否有效度量非上市企业违约情况;为了调整BP-KMV模型的预测准确度,本文还对非上市企业的违约点进行了三种不同情况的讨论。实证结果表明:(1)BP-KMV模型能够比较可靠地预测非上市发债企业的信用风险,且对于信用等级越高的企业其预测结果越接近其信用评级相对应的预期违约率;(2)对于我国非上市企业进行预期违约率预测时,违约点设置得越高模型预测能力越准确。本文对非上市发债企业的信用风险所做的研究,区别于以往的传统模型研究;在使用KMV模型时,也区别于仅仅讨论上市公司风险的情况。紧跟人工智能的时代背景,利用先进的机器算法去讨论实际问题,不仅通过“神经元”的反馈机制实现了经济现象的预测,更加有助于企业对自身进行系统性风险管理,提高企业经营效率,促进非上市的中小企业可持续发展,还有利于政府相关部门对非上市企业推进信用制度和法律体系建设。