论文部分内容阅读
信用风险的计量在当今社会变得越来越重要,然而传统的信用风险的计量模型多是基于财务会计数据,是“向后看”的模型,而KMV模型由于其基于股市数据、具有“向前看”的特点,近些年受到国际上广泛的关注。与其他作者只选择配对的较差ST公司和较好公司作为样本所不同,本文通过随机选取股票市场数据,然后再根据数据是否完整和结果是否异常进行筛选,最后得到本文的样本数据,随机选取的股票更能客观反映KMV模型的有效性。接下来根据B-S期权定价公式,对KMV模型的输入变量做了一些调整,如用三年平均资产增长率代替股权市场价值年增长率,年度无风险利率采用按时间加权平均的方式等,再通过运行MATLAB迭代程序得到KMV模型的输出结果——违约距离,违约距离越大,违约风险则越小；同时,根据Z计分模型计算样本数据的Z得分并将其与KMV模型进行对比,发现单只股票的违约距离的变化趋势与Z得分变化趋势基本相同,然而在区分不同股票违约风险时,KMV模型表现欠佳,例如出现正常公司违约距离比较差ST公司违约距离小的反常现象,而Z计分模型却能较好地得出正常公司Z得分高于较差的ST公司,分析其原因,可能是因为：一方面是由于某些正常公司股票股价波动过大导致股权市场价值波动率过大；另一方面是因为KMV模型的众多参数和输入变量在国内尚未统一,且没有显性固定的计算公式,因此在我国现阶段,KMV模型只能在大体上区分不同股票违约风险的大小,其有效性尚低于Z计分模型,但随着我国市场机制和会计准则等的不断完善,相信KMV模型会被广泛应用并体现其优越性。最后本文认为年度违约距离跨度过大,不能较好反映公司违约风险的动态变化,故本文计算了三只股票从2006年至2009年的季度违约距离,更细化地反映了公司违约风险的动态变化过程,经过分析得知,三只股票的违约距离总体变化趋势相同,说明季度违约距离确实能动态反映公司违约风险的变化过程,同时发现违约距离总体变化方向似乎与上证综合指数的变化方向相反,然而这一结论有待进一步验证。