论文部分内容阅读
近些年来,高科技企业逐渐的在优化产业结构推动新兴产业的健康发展、加快经济发展方式转变以及促进社会就业等方面表现出了自己的突出价值。高科技企业作为一种新型产业,本身存在着市场风险技术风险和资金风险等潜在风险。其中融资渠道匮乏,融资额度受限等因素加剧了高科技企业的资金风险。因此有必要建立并完善高科技企业信用信息征集机制及其评价体系,来确保行业健康的发展,全面提高我国的生产力。KMV模型是先进的信用风险度量模型。由于KMV模型采用的是股票市场数据而非历史数据,因此可以有效避免数据缺失等不良因素,而且可以充分地反映企业当前的信用状况,有着前瞻性,预测性更强、更及时以及更准确等优点。但是,KMV模型同其他模型一样,仍然存在诸多不足。首先,KMV模型必须满足若干假设,如资产价值分布需要满足正态分布等;其次我国历史违约数据库存在数据的缺失的问题,以及非上市公司使用KMV模型时需要借助一些会计信息等。这就增加了KMV模型使用的难度。KMV模型中参数?_E收益波动率的计算是模型的一个核心问题,如何计算收益波动率直接影响着模型计算的精度。对于收益波动率的修改,GARCH类模型是一个非常优秀的方法,我国国内学者已经证明了GARCH类模型来修正KMV模型的可行性。而GARCH-M(1,1)有着考虑因素全面等优点,对于收益波动率的计算有着极好的效果。因此,本文通过GARCH-M(1,1)模型修正收益波动率是非常有研究意义的。本文首先介绍了近些年来国内外学者对信用风险管理模型的研究历程,梳理了KMV模型和主流信用风险管理模型的研究脉络。随后介绍了KMV模型,梳理了KMV模型的理论框架,并且阐明了GARCH类模型来修改KMV模型的的可行性。论述了GARCH-M(1,1)模型来修正收益波动率相比较GARCH(1,1)模型修正波动率的优势。本文通过收集07-17年10年的股票收盘价,分别运用GARCH-M(1,1)模型和GARCH(1,1)模型来对收益波动率进行计算,实证分析论证GARCH-M(1,1)有着比GARCH(1,1)更好的效果。进而估算了股权市场价值,求解方程组解出DD和EDF。最后通过显著性检验,证明GARCH-M(1,1)模型计算获得的ST公司和非ST公司的违约距离DD与原有模型相比有着显著性差异。修正KMV模型基本与理论预期相近的结论,KMV模型修正的有效性,所以可以通过修正KMV模型计算出的违约距离DD来识别ST公司与非ST公司。