论文部分内容阅读
自2014年首支信用债券违约以来,信用债券的违约数量和金额均成指数化增长,仅2018年一年,信用债违约金额达到1209.61亿元,超过2014年至2017年信用债违约金额之和。在宏观经济不断下行,债券违约现象逐渐趋于常态化的背景下,研究我国信用债券的信用评价以及风险度量的问题具有重大的理论和现实意义。论文首先在概述选题背景、研究意义和相关文献综述的基础上,阐述中国信用债券违约现状及影响因素。其次,构建中国信用债券违约风险评价模型。结合KMV和Logistic模型的适用性及不足,分别进行模型的修正与参数设定。再次,进行实证分析与检验。论文选取2014-2018年上市公司违约的信用债券25家做为违约样本,选取同年同行业非违约债券的75家做为非违约组进行信用评价。实证研究认为:采用KMV模型估计时,利用GARCH(1,1)模型估计的股票收益率的波动率效果强于利用样本直接计算的股票收益率的波动率,其独立样本的均值T检验能够更好的区分违约样本和非违约样本;当选择为1倍的(短期负债+长期负债)为违约点计算违约距离时,并将企业的财务指标和公司治理指标相结合回归分析,则改进的KMV-Logistic模型优于原有传统模型,对信用债券是否违约的判别能力最强。最后,提出论文的研究结论和政策建议,认为应该完善信用债券违约风险预警指标,改进现代信用风险度量模型的应用,提升信用评级制度的前瞻性等。论文的主要创新性工作体现在三个方面。第一,研究视角的创新。已有信用风险评价研究主要针对ST与非ST上市公司的判别与预测,对信用债券真实违约风险评价的研究局限在采用多元判别模型、Logistic模型和KMV模型。论文以2014-2018年信用债券是否真实违约的中国上市公司为样本,构建改进的KMV-Logistic模型并加以实证分析,验证一种适用中国信用债券违约风险的评价方法。第二,研究方法的改进。利用传统KMV-Logistic模型对信用债券违约进行评价,股票收益率波动率存在尖峰厚尾的特征,不符合正态分布,KMV模型违约点仅针对美国公司样本而设定的,并不适用中国上市公司。论文利用GARCH(1,1)模型计算股票收益率的波动率,增加以短期负债和长期负债不同取值的四个违约点,通过样本检验求出最能代表中国公司信用债券的违约点和违约距离,并将该最佳违约距离作为Logistic模型的一个自变量回归,提高KMV-Logistic模型的判别与预测的准确度。第三,引入公司治理因素进行Logistic回归。论文在宏观因素、行业因素、公司治理因素和财务因素四个方面分析中国债券违约的影响因素基础上,构造17个财务指标,6个公司治理指标,筛选出显著区分债券违约状态的指标进行Logistic模型回归,也弥补原有模型财务指标的不足。