论文部分内容阅读
本文首先阐述风险、信用风险的本质与特征以及信用风险管理方法的演进历史——从专家分析阶段到财务比率分析阶段到模型化分析阶段。随后简单介绍了典型的传统信用风险管理方法(专家分析法、信用评级法、信用评分法和人工神经网络方法)和现代信用风险管理模型(CreditMetrics、KMV、CreditRisk+和Credit Portfolio View)的基本思想和模型框架。传统信用风险管理方法虽然在技术手段上落后于现代信用风险管理模型,但是它们在当今信用风险管理中还有着很多的应用。现代信用风险管理模型各有各的优势、应用范围,本文接着对现代信用风险模型的优势和缺陷进行了分析,并使用了一个由13个标准构建的比较框架,对四类现代信用风险管理模型进行了范式比较。通过范式比较并结合我国的实情,得出模型在我国的适用性结论:由于对信用数据要求高、证券市场的有效性问题、利率市场化问题以及模型假设前提使得CreditMetrics、Credit Portfolio View和CreditRisk+目前在我国还无法应用。KMV需要历史违约数据,需要建立违约距离DD与预期违约率的映射。虽然我国历史违约数据积累的还不够,但是理论的违约距离DD和预期违约率EDF在信用风险评价中不失为一个很好的理论参考值。因此,只有KMV模型目前可以在我国上市公司中实际应用。在实证研究部分,分别采用KMV模型和Logistic模型对我国上市公司进行了实证研究。在静态KMV研究中选取10家业绩较差的上市公司和10家业绩优良的上市公司的作为研究的样本。分别计算20家上市公司2007年3月31日的EDF,借以检验KMV模型在对我国上市公司的违约概率预测的效果。结果表明:KMV模型能在相当程度上反映上市公司的信用状况,但是由于模型对股价做了对数正态分布的假设,在实际应用中会产生偏差;KMV模型不仅能够通过股票市场数据,而且还能通过上市公司财务报表数据,捕捉上市公司信用状况的变化,同时KMV模型的预警特性是非常不错的,能从非ST上市公司中敏锐的捕获财务风险因素和经营风险因素产生的影响。在动态KMV研究中,选择静态研究样本中的4家业绩优良的上市公司和4家业绩较差的上市公司作为研究的样本。收集这些上市公司从2001年到2006年的日收盘价数据,分别计算每家公司2002年到2006年每年12月31日的违约距离DD和EDF,并预测2007年12月31日的DD和EDF。结果表明:4家业绩较差上市公司预测的2007年底的信用状况均有不同程度的改善。其原因或许是ST公司经营状况、信用状况真的有所改善,或许是预测误差。4家业绩优良上市公司股权改置后,DD和EDF均出现了下降和上升的趋势。说明股改后,全流通导致公司资产价值的波动加大,引起信用质量的下降,而不考虑全流通则会高估公司的信用品质。此外2006年至2007年中国股市的牛市效应,使得公司股权价值增加、公司资产价值提升、远离违约点也是导致EDF下降的一个重要的原因。股市牛市效应对公司信用状况的影响在两组样本(ST公司和非ST公司)中均显著的反映出来。在Logostic模型实证研究中,选取由于财务危机而被特殊处理(ST)的45家上市公司和45家没有财务危机的同行业上市公司与之配对,形成由90家上市公司组成的参数估计样本空间。在估计出模型参数之后对与静态KMV研究同样的样本进行检测,发现:Logistic模型对9个ST检测样本的分类准确率为88.89%,对非ST检测样本的分类准确率为90%,平均准确率达到89.45%,对实际检测的效果是非常理想的。而KMV模型在对同样的ST样本进行预测时发生了两个异常值ST星源和*ST宝硕,不考虑ST源药,其准确率为77.78%,在对非ST样本进行预测时没有出现异常值,准确率可以认为等于99.99%,平均准确率则为88.89%。两个模型在对中国上市公司信用风险评价方面的准确率是不相上下的。Logistic模型对ST上市公司预测的准确率比KMV模型要高一点,而KMV模型对非ST上市公司预测的准确率比Logistic模型要高一点。KMV模型是涉及股价的模型,具有前瞻性;L0gistic模型不涉及股价(本文所使用的Logistic变量),具有后顾性。前瞻性模型对非ST公司预测较准确;后顾性模型对ST公司预测较准确。