论文部分内容阅读
随着经济社会的发展,信用风险的管理越来越重要,逐渐成为了风险管理的核心。当传统的信用风险的分析手段已经无法满足金融机构对信用风险的度量要求时,信用VaR模型和四大信用风险度量模型出现了,自此信用风险的度量转入量化的阶段。由于我国的信用管理起步较晚,历史违约数据缺乏,而很多模型都是以历史违约数据为基础,所以选择适合我国的信用风险度量模型成为了许多学者研究的热点。通过研究发现选择理论较为完善,不依靠历史数据的KMV模型比较合适。与此同时信用VaR度量的又十分重要,那么如何应用KMV模型去度量信用VaR就是本文所研究的问题。 本文首先利用KMV模型去度量我国上市公司的预期违约概率,但并不是完全参照KMV模型,而是对KMV模型中不适合我国实际情况的参数进行修改,然后通过实证研究说明改进后的KMV模型对我国上市公司的信用风险的度量更为有效。虽然KMV模型比较适用于中国的上市公司,但是它一般都是度量单一资产的信用风险,而在实际的经济活动中,往往都是资产的组合,所以本文引入了Copula理论,将KMV模型同Copula理论相结合,并从理论上证明了Copula理论对于KMV模型的适用性,然后得到组合资产的联合违约率。在得到了联合违约率后,依据KMV模型对于损失分布的假定,可以计算得到组合资产的信用VaR值。 通过研究发现,对于有相关性的公司,首先通过改进KMV模型去度量单一公司的预期违约率,然后用Gaussian-Copula函数将各个公司连接起来,可以得到组合资产的联合违约率,最后通过Monte Carlo模拟出组合资产的信用VaR。这改变了之前KMV模型无法去度量信用VaR的缺点,同时也摆脱了信用VaR依赖于历史数据的缺点。