基于KMV模型的商业银行信用风险度量及管理研究样本.doc

资料内容仅供您学习参考，如有不当或者侵权，请联系改正或者删除。
1 导言 ( 论文中不能出现截图)

1.1 研究背景及意义
在新巴塞尔协议的背景下, 商业银行所面临的风险可明确分类为: 信用风险、 市场风险、 操作风险、 流动性风险、 清算风险、 法律风险和信誉风险等七种类型。McKinney( 麦肯锡) 公司以国际银行业为例进行的研究表明, 以银行实际的风险资本配置为参照, 信用风险占银行总体风险暴露的60％, 而市场风险和操作风险仅各占20％。因此, 在商业银行所面临的众多风险中, 信用风险占有特殊的地位, 且信用风险已经成为国际上许多商业银行破产的主要原因。对于中国商业银行来说, 企业贷款是其主要业务, 银行大部分的金融资产为企业贷款, 因此贷款的信用风险是商业银行信用风险的最主要组成部分。截至 底, 商业银行的不良贷款余额为5921亿元, 不良贷款率1％, 比年初增加993亿元; 中国银行业金融机构不良贷款率达1.64%, 较 提高了0.15%; 商业银行 末不良贷款率1.29%, 提高了0.29%, 商业银行不良贷款率创 来新高, 和 中国商业银行不良贷款率也不断上升。以上数据都表明中国商业银行的信用风险形势还相当严峻。信用风险问题俨然成为阻碍中国金融业的持续发展的重要原因。因此, 研究信用风险的特点, 收集信用相关数据, 建立度量信用风险的信用风险模型, 定量分析信用风险数据, 以及如何将信用风险管理措施运用到各项业务当中, 已经是商业银行提高经营管理水平, 降低信用风险的最基础、 最迫切的要求。本论文的选题就是在这样的前提和背景下进行的。
在西方发达国家, 其商业银行的信用风险管理比较成熟, 在实践和理论上都已形成相应的体系, 表现出一种从定性到定量、 从简单到复杂、 从个别资产信用风险评级到资产组合信用风险评级的趋势。信用风险度量的方法和模型也不断推陈出新。相较而言, 中国的商业银行信用风险管理系统体系尚不健全, 信用评级水平较低, 对信用风险的分析任然处于传统的比例分析以及专家经验判断阶段, 远不能有效满足商业银行对贷款安全性的度量要求。
因此如何加强中国商业银行的信用风险管理能力, 提高中国银行业的风险管理水平, 保证银行稳健经营, 并使中国商业银行逐渐达到国际资本监管标准己是中国银行业发展的重要趋势, 而研究和借鉴国外大银行先进的度量方法和管理措施, 根据中国的具体情况探索、 开发出适用中国商业银行的信用风险量化模型, 提升中国银行的竞争力, 确保中国银行在全球化的大环境下稳健经营己是当务之急。
1.2 KMV模型相关研究现状
KMV模型自推出以来, 受到国外学术界广泛关注, 并对其可行性进行诸多实证分析, 来验证其是否有效。首先对该模型进行有效性验证的是KMV公司, 它对IBM公司跨越5年信用质量恶化期间得出其EDF值在00%---20%之间变化, 在其机构信用评级恶化之前, IBM的EDF值已经开始上升, 比标准普尔信用评级的违约预测能力强[1]。KMV公司还收集了包括3400家上市公司和40000家非上市公司自1973年以来的资料, 建立了庞大的债券及企业信用资料数据库, 结果在评价公司债券等方面具有显著成效, 特别在对上市公司的信用评价中尤为突出, 它考虑到企业的财务变动、 股价及其浮动情形, 比单靠公司内外财务分析所得结论更准确。Mark Carey( )经过重新定义参数, 发现参数修正后KMV模型的预测能力有较大提高[2]。Roger M．Stein( )在对原KMV模型进行分析后, 经过与现实情况因素进行对比, 提出了模型自身存在的一些预测问题和模型相关的改进意[3]。Matthew Kurbat和Irina Korablev( )则使用水平确认(Level Validation)和校准(Calibration)方法对KMV进行了验证, 研究结果证实KMV模型的输出结果EDF值实际上是偏态分布, 而且样本规模的大小、 样本公司的资产相关性的大小和EDF的偏态分布对EDF的预测结果有很大的影响[4]。她们选1991年至 间上千家美国公司的数据作为样本, 计算出的样本公司资产相关性在0.1至0.2之间, 用中位数EDF替代均值EDF, 并以中位数EDF小于20和大于20将样本公司分为两类, 所描绘出的两类样本公司的预期违约率轨迹与十年间实际发生的违约率轨迹匹配性很好, 证明KMV模型是十分有效的。
1998年后, 中国学者开始关注KMV模型, 早期的研究仅仅局限于对KMV模型的理论基础和模型框架的介绍与分析: 张玲、 张佳林( ), 王琼、 陈金贤( )先后对KMV模型与其它模型进行了理论上的比较研究, 认为KMV模型比其它只注重财务数据的信用风险模型更适合于评价上市公司的信用风险, 并初步探讨了在中国市场上的适用性[5]。杜本峰( )根据KMV公司信用风险评估模型, 介绍了如何使用实值期权理论来评估信用风险[6]。鲁炜、 赵恒衍和刘翼云( ) 首先利用GARCH族模型对KMV输入变量——股权价值波动率进行评估, 并得出与输出变量资产价值波动率的函数关系式, 初步实现了运用期权理论对中国上市公司的信用风险进行评估, 发表了文章《KMV模型关系函数推测及其在中国股市的验证》[7]。彭非远( ), 选取17家上市公司实证比较了中国股市进行股权市场化前后的违约距离, 结果发现股改后的违约距离显著增大, 表明股权分置问题的解决, 释放了中国股票市场的信用风险, 有利于其健康发展。随着中国证券市场上市公司股权分置改革接近尾声, 非流通股的定价问题难以解决不再是阻碍KMV模型在中国应用的主要问题[8]。
从中国当前对风险管理的情况来看, 从国家金融机构到银行企业都意识到其重要性并逐步建立起信用风险管理体系, 但与发达国家相比, 数据库数据不完善, 信用文化的缺失, 风险管理工具与技术与国际同业较大差距、 风险管理体制差距等几个方面, 都消弱了中国信用风险管理系统的风险揭示和控制作用。因此中国在风险管理的道路上依旧任重道远
1.3 研究方法
本文采用规范分析和实证分析相结合的研究方法, 即在重视定性分析的同时, 进行了大量的定量分析, 将定性分析与定量分析融为一体。具体的研究方法有以下几个方面。
(1) 比较分析与模型分析相结合。深入分析现代商业银行信用风险管理的四种定量模型: Crcdit Mctrics模型、 KMV模型、 Crcdit Risk+模型和Credit Portfolio View模型, 比较这些模型风险度量的思想和技术基础以及在中国的适用性。
(2) 理论分析与实证分析相结合。深入剖析KMV模型度量方法、 理论和模型, 经过上市公司的股票交易价格求出上市公司的股权价值波动率, 经过上市公司年度报告中的流动负债、 长期负债的得出公司债务面值, 将股权价值波动率、 股权市场价值和公司债务面值作为输入变量, 运用期权定价模型(非线性微分方程组)求出资产价值和资产价值的波动率, 运用修正后的KMV模型求出违约距离, 对配对样本进行对比分析, 验证模型有效性。
1.4 不足之处及进一步的研究预期的创新点
(1)不足之处
本文还存在着如下不足之处以期后续研究能够有所拓展。
①没有研究非上市公司。 由于KMV模型依赖于市场价格来预测违约, 因此它不能直接运用到非上市公司。对这些公司, KMV利用上市公司的数据开发了一个资产市场价值资产波动性的模型。该模型需要时常地更新参数, 以这种方法来将当前的市场信息和非上市公司联系起来。然而, 这些模型仍需依赖于财务报表数据, 而这些数据可能不是及时、 准确的。鉴于中国才刚刚引入KMV模型, 对该模型的应用依然处于起步阶段, 因此本文只研究了KMV模型对上市公司的信用评价。可是, 不论是金融机构贷款客户, 还是一般生产企业的赊销客户, 都存在相当一部分非上市公司, 因此研究对象仅为上市公司显然会影响KMV模型的应用范围。
②没有研究EDF的计算。
由于违约距离DD与预期违约概率EDF之间是一一对应的关系, 因此本文实证过程中, 在检验参数修正效果和检验模型预测效果时, 研究对象均选择了DD。根据KMV模型的假设, 违约距离是评价企业违约风险的一个度量指标, 可用其作为不同企业之间的比较。但该值是个序数指标, 而非基数或者概率指标, 也即我们无法直接从违约距离中得知企业违约概率到底是多少。因此在评价一个企业的信用风险时, 最好是算出该企业的EDF, 这样才是完整地应用了KMV模型。
(2)进一步研究的问题
针对上述的不足, 在后续研究中能够从以下几个方面进行改进。
①加强对非上市公司的PFM模型实证研究以及对KMV模型中关键点在中国银行业的确定, 认真学习和研究国际上已有的Credit Metrics模型等其它模型;
②利用上市公司的历史违约记录建立违约距离到预期违约概率的映射关系, 提高违约距离的可操作性和现实意义。

2 商业银行信用风险及其度量模型

现代的信用风险管理方法主要以定量分析为主, 它的研究起源于20世纪80年代。自1998年巴塞尔协议修正案正式许可金融机构能够选择内部模型度量其面临的信用风险后, 各大银行或咨询公司纷纷推出了用于度量信用风险的内部模型并得到迅速发展。信用风险度量方法的发展大致经历了四个阶段: 专家分析方法、 基于财务报表信息的多元统计模型判别模型、 神经网络方法、 以及信用风险内部度量模型, 一般将专家分析方法、 基于财务报表信息的多元统计模型判别模型、 神经网络方法称为传统的方法。本章的研究内容主要包括: 传统信用风险度量的方法、 现代信用风险管理的计量模型以及现代信用风险计量模型比较研究三部分内容。
2.1 信用风险及其量化因子
信用风险作为商业银行所面临主要金融风险, 而且作为金融风险的一种主要形式, 信用风险也具有金融风险的一般特性, 如具有不确定性、 传递性和扩散性、 隐蔽性和突发性等等。同时, 信用风险又具有与其它形式金融风险不同的一些特性。因此对于信用风险的度量有具体研究, 信用风险的量化因子主要有:( 1) 违约概率, 对违约概率进行量化, 需要我们对违约进行具体的界定; ( 2) 违约损失率, 银行对损失的界定缺乏统一定义, 往往根据具体目的和需要确定; ( 3) 违约风险暴露, 关于违约风险暴露, 最重要的一点是它未来的敞口, 记载奖励面临信用风险的头寸规模; ( 4) 有效期限, 银行贷款这一投资的收益受其时间价值的影响, 期限越长, 债务在到期前面临的不确定性越大, 风险也越大。
2.2 信用风险度量方法
2.2.1 传统方法
2.2.1.1 5C信用评分法
5C”评分法”是有关专家根据借款人的品格( character) , 即对企业信誉的一种度量; 资本( capital) , 即借款人长期资金的数量和结构: 偿付能力( capacity) , 即对借款人收益的变动来考察借款人的还款能力, 即使在一段时间内借款企业的还贷稳定, 但如果收益不稳定, 借款人的还款能力也将受到影响; 抵押品( collateral) , 即提供合适, 一定的抵押品; 经营环境( condition) , 即所在行业的整个经营状况及发展趋势。在专家方法下, 需要银行员工针对某一行业或某类客户范围进行长时期的有效分析和研究, 积累经验, 并成为具有一定水准的人才, 但她们在选择客户是就会有强烈的偏好性, 因此她们的选择也给银行带来了潜在风险, 原因就在于她们选择的客户相关性高, 加剧银行贷款集中程度。
2.2.2.2 信用评级法
贷款内部评级系统(Internal Rating Systems)是在美国货币管理署(Office of the Controller of Currency)最早开发的评级系统基础上由一些金融机构拓展开发而来的, 用这一方法评估贷款损失准备金的充分性。OCC最早将贷款分为正常、 关注、 次级、 可疑、 损失5级, 损失准备金根据不同等级有不同要求。另外国际上也又将其分为九级或者十级。当前中国商业银行业已开始广泛推行贷款5级分类办法。
2.2.2.3 信用评分法
该类方法以企业各项财务指标为数据变量, 运用数理统计方法建立模型, 根据模型输出的信用分值或违约概率与基准值相比较, 对信用风险进行有效预测并进行资信评级。
因此类模型在实际运用中较为有效, 因此也成为国际金融机构及学术研究机构的主流方法。根据模型构建方法不同, 主要能够分为多元线性判别分析模型、 Logistic模型和Probit模型, 线性判别分析模型等。著名的Zeta判别模型建立在Z-score模型的基础之上, 并将该模型应用于商业银行的贷款评价上, 取得极大的反响。
2.2.2 现代方法
在1998年巴塞尔协议对新资本充分率要求的推动下, 用于信用风险度量的新方法也开始兴起, 各银行能够使用内部模型评估与市场风险和信用风险相关的监管资本, 而开发出的较为成熟的模型有: (1)J．P摩根公司的Credit Metrics模型; (2)CSFP(Credit Suisse Financial Products)开发的Credit Risk+模型; (3)Mckinsey公司的Credit Portfolio View模型; (4)KMV公司开发的KMV模型。
2.3 现代信用风险度量方法的分析比较
为了让读者更加清晰得了解四种现代评分模型各自有优劣, 特此以表格形式进行对比, 需要强调的是, 这并不是说明各模型孰优孰劣, 而是让我们更加全面的理解各模型的特点及其运用。
表1: 现代信用风险度量模型比较
违约概率度量的方法
优点
缺点
适用条件及范围
Credit Metrics模型
讲VAR方法引入到信用风险管理中来。
对组合价值的分布有正态分布假设下的解析方法;
对违约的概念进行了拓展
它是一种盯市场信用风险度量模型, 能将债务价值的高端和低端考虑到
模型本身并没有回答关于信用风险定价及其基础模型的问题;
同一信用等级中的信用假设不太现实
占用大量计算资源
模型计算的基础是对企业的信用进行评级, 当前中国的信用评价体制还尚未健全
信用等级体系完善的金融机构和企业: 可获得完备的内外部信用评级数据
Credit Risk+模型
它能够推导出完善的债券、 贷款资产组合的损失分布;
Credit Risk+计算相对简单
它忽略了信用转移风险的因素;
每一个债务人的信用暴露都是固定的;
在处理诸如期权和外汇互换等非线性产品上也部令人满意。
大样本贷款组合: 可利用区间划分的方法对贷款进行分类进而应用精算模型。
CPV
较充分的考虑了宏观经济环境对信用等级转移的影响;
信用等级转移概率具有盯市性;
它既能够适用于单个债务人, 也能够适用于群体债务人。
模型的数据依赖于一国的很多宏观经济数据;
模型使用经调整后的信用等级转移概率矩阵的特殊程序, 而调整则基于银行信贷部门积累的经验和信贷周期的主观判断。
宏观经济影响较大: 可利用信贷组合与宏观经济指标的敏感度分析构建回归模型。
KMV
拥有强有力的理论支持;
KMV模型是以股票市场数据为基础的, 具有前瞻性;
动态模型;
部要求有效市场假设。
参数设计存在争议;
对数据库要求高。
上市公司: 可获得准确及时的企业财务数据。

3 中国商业银行信用风险度量模型研究——KMV模型及其理论基础研究
首先要说明为什么要选择KMV作为中国商业银行信用风险的度量模型, 顺便谈谈中国信用风险的状况。
KMV模型是KMV公司于1993年创立的一种度量预期违约率(Expected Default Frequency, EDF)的模型, 是以经典的莫顿模型为理论基础将期权定价理论应用于贷款和债券估值而开发出的一种信用监控模型, 它经过对上市公司股价波动的分析, 来预测股权公开交易公司发生违约的可能性。对比国内外对KMV模型的研究成果, 发现中国还有很大的进步空间。
3.1 KMV模型介绍
KMV模型由世界著名的信用风险咨询管理公司KMV公司(现己被世界著名的信用评级机构——穆迪投资服务公司收购)创立并商品化。该公司位于美国旧金山, 成立于1989年, 公司取其三位创办者Kealhofer、 McQuow和Vasicek首字母(KMV)为名。1993年,McQuown与Vasicek发展和改进了Fisher Black Myron Scholes(1973)和Robert Merton(1974)创立的期权定价理论, 在此基础上提出了著名的Credit Monitor Model(即KMV模型), 并给出借款人的违约率测量方法[9][10]。随后, Longstaff和Schwarz(1995)、 Zhou(1997)对此作了进一步的发展[11][12]。
3.2 KMV模型的理论分析
KMV模型是在企业负债一定的情况下, 由负债人资产的市场价值来决定的违约风险。假如一个公司的资产市场价值为V具有负债D, 负债D须在合同约定时间T时还清, 否则该公司违约。如果该公司资产市场价值V在时间T时大于D, 则该公司能够偿还负债, 不违约; 反之, 如果小于D, 则公司只能将股权转让给债权人。由于KMV模型研究基于期权的理论基础, 因此能够将企业向银行贷款看做一个欧式看涨期权的交易过程。企业相当于期权多头( 买方) , 银行可看做期权空头( 卖方) , 企业的资产V为期权的基础资产, 企业的贷款为D看做执行价格, 初始投资为期权费S。由于受到市场及各方面因素影响企业资产价值V不断变化, 当V＝V1<D时, 企业违约, 债权方银行只能得到V1,企业股东最多只会损失S; 当V＝V2>D时, 企业将会偿还贷款, 企业股东获得V2-D的剩余利益, 且股东的收益将随着企业资产市值的增多而增加。
3.2.1 模型假设
( 1) 满足期权定价模型的基本假设;
( 2) 当债务人资产的市场价值大于贷款时, 债务人将偿还贷款, 反之会选择违约;
( 3) 债务人资产价值服从几何布朗运动, 债务人收益服从正态分布;
( 4) 债务人资本只包括所有者权益, 短期债务、 长期债务可转化优先股。
3.2.2 求解步骤
( 1) 计算公司资产价值VA和资产价值波动率δA
由B-S期权定价模型, 能够得到债务到期日资产价值和股权价值之间的关系:

其中VE 表示公司股权的市场价值, VA表示公司的资产价值, δE表示股权价值波动率, δA表示资产价值波动率, D表示负债, t表示债务到期时间, 以下的实证中假设t=1, r表示市场无风险利率, 本文采用中国人民银行制定的一年期定期存款利息率来估计r。N(d)为标准正态累计概率函数。

根据式( 1) , ( 4) 可计算出VA和δA
( 2) 计算违约点DP和违约距离DD
根据对KMV模型的多次分析验证, 发现违约最频繁的临界点是:
DP=CL+0.5LL ( 5)
其中CL和LL分别表示流动负债和长期负债。

当违约距离DD越小时, 表明公司违约概率越大, 反之, 则越小。

4 基于KMV模型的中国商业银行信用风险度量实证研究

KMV模型由于数据获取相对容易, 计算操作简便, 经过对KMV模型的实证研究, 发现其违约距离能够很好的度量出上市公司信用状况的好坏, 进而对银行业的信用风险的管理起到了很好的指导作用, 比较适用于中国现阶段的信用风险量化管理水平, 实用性强, 虽然模型还不能全面应用于中国银行业的信用风险度量, 但在中国银行业信用风险度量中也具有很好的适用性。
4.1 样本选取
根据《上市规则》: 最近两个会计年度的审计结果显示的净利润均为负值, 每股净资产低于股票面值或连续两个会计年度亏损的上市公司将被特别处理, 即被ST处理。如果公司未来一年继续亏损, 公司股票将被暂停上市交易, 最终可能被终止其公司股票上市交易[13]。相较而言, ST公司比一般正常的上市公司具有较高的信用风险。因此, 本文选择ST公司和非ST公司作为样本对比组。截止到 底, 在中国境内上市的2605家上市公司中选取10家ST上市公司(剔除数据不全)作为ST样本组, 并选出10家与之配正确非ST公司样本组, 共20家上市公司为研究对象。考虑到样本公司之间的可比性而且能够最大限度避免交易场所、 行业及规模对实证结论的干扰, 配对非ST公司主要依据以下三个条件: (1)与配对ST公司同属一个行业; (2)与配对ST公司同在一个证券交易所; (3)与配对ST公司具有相近的总资产规模。所选取的上市公司均为只发行A股的企业, 而且在 底前完成股改。以下为所选取的两个样本组:
表2: 配对样本公司
行业
股票代码
名称
股票代码
名称
信息技术业
000008.SZ
*ST宝投
000021.SZ
长城开发
制造业
000048.SZ
*ST康达
000729.SZ
燕京啤酒
制造业
000100.SZ
*STTCL
000823.SZ
超声电子
制造业
000605.SZ
*ST四环
000989.SZ
九芝堂
电力煤气及水的生产和供应
000692.SZ
*ST惠天
000899.SZ
赣能股份
农业牧渔
000735.SZ
*ST罗牛
000998.SZ
隆平高科
制造业
000920.SZ
*ST汇通
000800.SZ
一汽轿车
制造业
600080.SH
*ST金花
600636.SH
三爱富
批发与零售业
600084.SH
*ST新天
600655.SH
豫园商城
信息技术业
600198.SH
*ST大唐
600271.SH
航天信息
研究基准日为 12月28日这一天的以上两组样本上市公司的信用风险状况, 并进行评估。
本文采用以上两组上市公司 公开的年报的财务数据和来自上海证券交易所、 深圳证券交易所的每日交易价格信息作为市场数据。
4.2 模型的计算过程及结果
4.2.1 参数假定
如上文所诉, 由于中国利率没有自由化, 本文中市场无风险利率r选取为一年期银行定期存款利率2.75% 最为替代; 假定股票价格服从对数正态分布, 则股票日收益率为:
μn=ln(Sn+1/Sn), ( 7)
其中, Sn表示第n天股票的收盘价格。
( 8)
将两样本组各股票价格数据代入上式, 可得出各股日收益波动率。
日收益波动率与年收益波动率的关系如下( 一年的交易天数为242天) :
( 9)

4.2.2 计算股权价值波动率
计算出股票日收益率( 8月6日至12月26日)后, 在Excel中, 利用STDEVP函数, 算出股票价值的波动率, 如下表所示。
表3: 样本公司股票价值的波动率
股票代码
波动率
股票代码
波动率
000008.SZ
0.380
000021.SZ
0.337
000048.SZ
0.397
000729.SZ
0.378
000100.SZ
0.402
000823.SZ
0.463
000605.SZ
0.557
000989.SZ
0.324
000692.SZ
0.347
000899.SZ
0.367
000735.SZ
0.393
000998.SZ
0.369
000920.SZ
0.452
000800.SZ
0.317
600080.SH
0.338
600636.SH
0.338
600084.SH
0.276
600655.SH
0.258
600198.SH
0.572
600271.SH
0.418
4.2.3 估计企业的资产价值和其资产价值的波动性
根据上文所求出的股票波动率, 先算出违约点(DPT, 即D值)和公司股权价值VE (％), , 再利用公式(1)和(4)运用多微分数插值解法求解二元非线性方程组就能够求得公司资产价值VA和资产价值波动率δA。计算过程借助数学软件Matlab进行的, 计算的程序见附录1, 计算结果如下表所示。
表4: 样本公司的资产价值和资产价值波动率
股票代码
VE
D
VA
δA
股票代码
VE
D
VA
δA
000008.SZ
2．643
2.63
3.672
0.421
000021.SZ
0.774
2.936
0.894
0.280
000048.SZ
9.673
2.53
0.189
0.265
000729.SZ
0.853
2.0348
1.651
0.253
000100.SZ
0.879
2.486
2.462
0.127
000823.SZ
0.106
2.434
0.366
0.164
000605.SZ
0.062
1.823
6.743
0.382
000989.SZ
0.192
2.101
0.165
0.302
000692.SZ
7.954
3.027
0.175
0.149
000899.SZ
0.159
2.978
0.277
0.269
000735.SZ
0.953
3.387
0.266
0.267
000998.SZ
0.086
2.722
0．254
0.176
000920.SZ
0.484
2.363
0.832
0.385
000800.SZ
0.473
3.134
0.864
0.229
600080.SH
0.086
1.869
0.195
0.143
600636.SH
0.195
2.555
0.276
0.225
600084.SH
0.286
1.648
0.581
0.193
600655.SH
0.477
2.597
0.621
0.197
600198.SH
0.367
1.859
0.682
0.315
600271.SH
0.241
2.890
0．992
0.281
4.2.4 计算违约距离
在计算出以上结果之后, 利用公式( 6) 计算样两组样本公司的违约距离。结果如下表。
表5: 样本公司的违约距离
股票代码
ST*违约距离
股票代码
非ST*违约距离
000008.SZ
1.186
000021.SZ
2.392
000048.SZ
1.921
000729.SZ
1.891
000100.SZ
2.367
000823.SZ
1.660
000605.SZ
1.136
000989.SZ
1.489
000692.SZ
1.765
000899.SZ
1.839
000735.SZ
1.831
000998.SZ
1.869
000920.SZ
1.479
000800.SZ
1.952
600080.SH
1.741
600636.SH
2.009
600084.SH
1.360
600655.SH
1.839
600198.SH
0.579
600271.SH
1.869
4.3 实证结果及分析
根据表结果绘制出两样本组( ST和非ST) 的违约距离折线图。如图1:

图1: ST公司和非ST公司违约距离折线图
经过分析模型应用结果和以上折线图可知:
(1)与根据经验分析的结果基本一致, 模型对非ST公司和ST公司的信用风险有较强的识别能力。
(2)公司的股票价值普遍低于其资产价值, 且股票市值对公司资产价值影响较大。
(3)违约距离作为区别两样本组违约风险的度量指标, 数值越小其违约率越大, 反之则越小。从上图能够看出, 非ST公司违约距离的均值为1.8809, ST公司违约距离的均值为1．5365, 违约距离均值中也能体现出非ST公司与ST公司在违约距离上的区别, 这说明违约距离在一定程度上反映了当前中国上市公司真实的信用状况。

5 结论及建议

5.1 研究结论
本文, 首先介绍了中国商业银行所面临的信用风险问题, 以及国际上的发展进程, 确定了KMV模型等风险管理方法的迫切需求; 经过回顾信用风险度量的发展历程, 将信用风险度量模型划分为古典度量模式和现代度量模式两类; 随后简单介绍了几种比较有代表性的古典信用风险度量模型和现代信用风险度量模型, 并对四种现代信用风险度量模型进行了比较; 然后在沪深两市中的上市公司选取股改后的20家上市公司, 接着对KMV模型在中国银行业的应用进行实证分析, 得出结论, 中国上市公司信用状况能够在违约距离上的到较好体现。
经过上述定性和定量的分析分析, 以及解决了股权分置的问题使得股价能够反映上市公司股权价值, 能够说KMV模型在中国证券市场适用条件进一步成熟了, 使得用KMV模型来评价中国上市公司信用风险的效果具有了可瞻性, 我们完全有理由相信, 随着KMV模型的不断修正完善、 证券市场违约数据的不断充实, KMV模型最终将会在商业银行对上市公司风险管理中得到广泛的应用。
5.2 KMV模型的应用建议
根据上文对KMV模型在理论研究和实证分析, 该模型对信用风险量化度量的有着得天独厚的优势。经过KMV模型适用性分析, 定性且定量地得出KMV模型在中国资本市场上具有一定的适用性。随着证券市场的逐步成熟和完善, 以及企业数据库建设和信息公开披露制度的健全, KMV模型在中国必定具有广阔的应用前景。为使KMV模型在中国能够广泛应用, 建议如下:
(1)提高证券市场的有效性
在运用KMV模型来计算违约概率时需要大量来自公司年报的数据, 因此数据的可靠性及完整性对于计算的结果至关重要。正因为KMV模型对于数据的要求, 证券市场的有效性才体现的尤为重要, 因为只有上市公司及时、 真实、 可靠地进行信息公布, KMV模型的计算结果才能真实的反应上市公司的信用状况。
(2)完善相关的法律法规
配合证券监管体制的要求, 建立和完善相关的法律法规, 对违约操作及欺骗误导投资者的上市公司, 不但进行经济处罚, 还要其承担相应的法律责任, 这样有利于上市公司管理者的重视, 起到威慑作用。
(3)加快建立信用数据库:
鉴于庞大数量的上市企业, 及对这些企业数据的要求, 建立信用数据库成为必不可少的一环, 只有在强大的数据支撑下, 才能有效的对信用风险进行预测及监控。投资者将能够自主估算投资风险, 有效的降低了投资成本。
(4)加快建立信用预警系统
在建立信用数据库之后, 经过观察和统计, 能够得出出上市公司信用风险大小并找出其违约行为发生之间的关系, 找到同一行业的信用风险临界值, 并根据这些临界值建立行业信用风险预警系统, 及时提醒投资者。
总之, KMV模型在中国的应用已具备了成熟的条件, 特别是当前违约数据缺乏的情况下, 银行能够分析上市公司违约距离与她们信用等级评估值之间的关系, 建立两者之间的转换关系式。为使KMV模型能够更加的本土化, 适应中国的基本情况, 相关部门应加强对数据收集等基础工作。

参考文献

[1]John Andrew Mcquown．A comment on market VS．Accounting—based measures of default risk[J]．Moodys KMV Corporation．1993．
[2]Mark Carey,Mark Hryeay．Parameterizing credit risk models with rating data[J]．Journal
of Banking and Finance． ．25: 1 97—270_
[3]Roger M．Stein．Benchmarking Default Prediction Models: Pitfalls and Remedies in
Model Validation[J]．Moodys l@ⅣCorporation． (7)．
[4]Matthew Kurbat,Irina Korablev．Methodology for Testing the Level of the EDF Credit
Measure[J]．Moodys KMV Corporation． (8)．
[5]张玲, 张佳林．信用风险评估方法发展趋势阴, 预测, (4): 72-75．
[6]杜本峰．实值期权理论在信用风险评估中的应用阴, 经济经纬, (3): 80·82．
[7]鲁炜, 赵恒珩等．KMV模型在公司价值评估中的应用川, 管理科学, , (3): 30·33．
[8]彭非远．KMV模型对中国上市公司股权市场后的信用风险实证分析川, 中山大学学报论丛, , (8): 109．112．
[9]Black F, Scholes M．ne pricing of options and corporate liabilitie[J], Journal of Political
Economy,1973, (8): 637—659．
[10]Merton．On the Pricing of Corporate Debt: The Risk Structure of Interest Rate[J],Journal
of Finance, 1 974, (29): 449．
[11]Long staff F,Schwartz E．Interest rate volatility and the term structure: a two factor general
equilibrium mode[J], Journal of Finance, 1995(4): 1340-1349
[12]Zhou,C．A,Jump Diffusion Approach to Modeling Credit Risk and Valuing Default-able Securities．Working Paper,Federal Reserve Board of Governors．1997．

[13]中国证券业协会．证券交易[M], 北京: 中国财政经济出版社, :117-119．
[14]倪锦忠, 张建友, 闻玉璧．现代商业银行风险管理[M],北京:中国金融出版社, .75-81
[15]屠德俊,基于KMV模型的商业银行信用风险度量研究[D].,中南大学,
[16]刘静,基于KMV模型的中国商业银行信用风险度量的研究[D], 西安电子科技大学,
[17]刘佳音,巴塞尔新资本协议信用风险管理框架在中国商业银行实施路径研究[D].,西南财经大学,

附录1

借助数学软件Malab求解二元非线性方程组的计算程序如下:
clear all;
t=l;
r=0．0414;
VE=2.32;
D=1．35;
SE=O．408;
xl=[l: 0.005: 5];
x2=[O．1: 0.001:1.0];
m=size(x2,1);
[X1,x2]=meshgrid(x1,x2);
dl=(log(xl/D)+( r+ 0.5*x2.^2)*t) ./(sqr