kmv模型的实证检验

中文题目：基于KMV模型的上市公司信用风险评估的实证研究外文题目：EmpiricalResearchOfCreditRiskAssessmentInListedCompanyBasedOnKMVModel摘要上市公司的信用风险关系到企业与银行的健康发展，在发达国家，KMV模型得到了人们的认可，具有可靠的检验效果。但该模型在中国市场是否具有检验和判别能力，模型的系数如何确定，人们各执己见，尚没有得到一致的结论。本文根据KMV模型的原理，选取了今年被ST的上市公司和相似公司的数据来检验。结果显示，ST公司的违约距离要大于非ST公司，但两者的差距并不显著，说明现有KMV模型对信用风险的识别能力低，需要进一步的改进以提高实用性。AbstractListedcompany'screditrisksrelatetothehealthydevelopmentofenterprisesandbanks,Indevelopedcountries,KMVmodelhasbeenrecognizedbythepeople,andithasreliabletestresults.But,whetherthismodelhastheabilitytoidentifyandjudgethecreditrisksinChina,howtodeterminethemodelcoefficients,theanswerisdivided,thereisnounanimousconclusion.ThisarticlebasesontheprincipleofKMVmodelandselectsthelistedcompanieswhichwerespecialtreatedandthesimilarcompanytotestthecreditrisks.Theresultsshowthat,ST'sdefaultdistanceisgreaterthannon-STcompanies,butthedifferencebetweenthetwoisnotsignificant.ItturnsoutthattheKMVmodelhasalowabilityofcreditriskrecognition,anditneedsafurtherimprovementtoenhancethepracticalvalue.关键词：信用风险；KMV模型；违约距离Keywords：creditrisk,KMVmodel,defaultdistance1一、引言信用风险是金融市场中最古老,也是最重要的风险形式之一,它是现代经济体(特别是金融机构)所面临的主要风险。它包括信用风险的识别、风险的度量和风险的控制等内容。由于信用风险自身存在着诸如分布不对称以及数据匮乏等理论问题和实际问题,导致信用风险的度量成为信用风险管理的一个关键问题,是信用风险管理的一个瓶颈。对上市公司信用风险的准确度量和合理管理,从微观上讲有利于经济体经营的安全,从宏观上讲有利于整个金融体系的稳定和经济的健康持续发展。我国目前信用机构缺乏,信用数据获取困难。而KMV模型主要以上市公司的股票收盘价和财务报表中的负债指标作为其主要计算依据,因此比较适合我国目前的情况。正是在这样的背景下,本文先对KMV模型的原理和发展进行了梳理，随后以今年新被ST的上市公司为绩差公司，以同规模同行业的类似公司作为对比样本，考察了KMV模型对信用风险的识别能力，对该模型的改进提出了建议。二、研究综述（一）国外研究概况1974年，Robert-Merton提出了世界上第一个结构模型，其基本思想是对于一个存在负债的公司来说，公司的股权可被看成是一个欧式看涨期权，期权的标的物为此公司的未来价值。Vasicek(1995)对一个含有108只债券的样本采用经期权调整后的收益利差数据，发现利用EDF模型确定定价偏低或偏高的方法来组建组合会产生出明显的超额收益，表明EDF值能够预测公开交易债券的收益变化。Bohn(1999)经过研究表明在信用质量最高时，信用分布与标准普尔评级相一致，而信用质量中等和较低时，信用分布更多的与平均的EDF相符。Sobehart,Keenan,Stein(2000)首次公布了一套验证模型有效性的技术方法。六个信用风险量化技术方法进行了对比,结果证明KMV模型预测风险的准确性最高。他们还进一步探究了量化模型产生的一类错误和二类错误的发生频率以及由此带来的成本和损失，研究结果证明KMV模型发生一类错误和二类错误的概率相对较小。MarkCarey(2001)发现经过重新定义参数来修正参数的KMV模型，其实际的预测能力有较大的提高。RogerM.stein(20O2)通过对KMV模型的实际应用与现实情况进行对比，提出了KMV模型在预测时存在的一些问题并对这些问题提出了相关的改进意见，使KMV模型更加适合测量信用风险的大小。Peter,Bohn(2003)专门以金融类公司为样本应用KMV模型，结果显示EDF值在这些公司发2生信用事件时或破产前能够准确、灵敏地监测到信用质量的变化。（二）国内的研究概况国内已发表的专门对结构模型的理论进行研究的文献还不多，发表的文献也集中于对于KMV模型适用性的实证分析。李大伟，魏明，王琼（2004）对结构模型和简约模型的特点进行了比较分析。陈杰(2003)把上市公司分为蓝筹股和价值低估股票以及高科技股，并且分别验证KMV模型。薛锋，董颖颖，石雨欣（2005）采用非流通股转让的案例，线性回归得到非流通股的定价方法，随后运用103家公司数据检验，得出结论是上市公司违规行为使股价异常波动造成投资者损失,同时也会使公司资产的市场价值降低,资产价值的波动性增加,从而使得公司的违约距离减小,违约风险增大。夏红芳和马俊海(2008)对四家上市公司五年的股票价格进行研究，来测算违约距离。陆伟、赵衡衡和刘继云(2003)指出KMV模型中最关键的“公司价值”和“公司价值波动率”的关系随着市场的变化而变化，他们使用了中国股票市场的数据，用固定增长FCF(freecashflow)模型计算了公司价值，用Bollerslev(1986)GARCH模型计算股权波动率，最后用二参数韦伯分布分别描述公司价值，实证结果表明相比无调整的KMV模型，其改进后模型更符合中国市场的实际。孙晓燕、沈悦和罗露琪(2008)用修正后的KMV模型分别计算了ST和非ST上市公司的违约距离，其指出KMV模型不仅可以衡量ST和非ST公司的资产价值，还能反映ST公司的壳资源价值。陈宏伟和陈复生(2008)通过提高测量精度计算了公司资产的价值，证明KMV模型能够提前两年显示出上市公司的信用变化情况。赵煌、毛长飞(2009)在针对选取40家非sT上市公司的EDF分析的基础上，认为企业的规模、成长能力、公司治理、偿债能力、营运能力对违约距离DD的影响不大，而偿债能力对DD的影响很显著，并给出了相应的解决对策和建议。唐振鹏(2010)在基于EGARCH-M波动模型的基础上，计算了所选择的上市公司三年间每半年的EDF，并通过与KMV模型参数估计中其他两种波动模型的结果进行了比较，实证结果表明基于EGARCH-M波动模型的KMV模型的信用风险识别能力得到了很大的提高。总的来说，目前国内己发表的关于KMV模型的文章，大多只限于对模型应用层面上的介绍，比如对KMV模型的介绍，缺乏对结构模型基础理论的系统性研究。对于KMV模型适用性的实证研究也都是套用传统的参数设定方式，虽然得出的结果具有一定的意义，但是缺乏不同参数设置的优劣比较，使得模型的应用性研究一直停留在使用新数据进行实证的水平上。3本文的创新之处在于，以前的研究者往往假设总资产预期增长率为零，本文采用了历史的几何年均总资产增长率作为未来的预期，这样可以更有效地区分绩优公司和绩差公司。其次，运用GARCH(1,1)来预测股票未来一年的日对数收益率，有效的解决了波动率的非对称性和波动集聚效应。随后笔者比较了两种违约点的设定效果，比较得出了更优的确定方式。三、KMV模型的基本原理KMV模型又称预期违约率模型（expecteddefaultfrequency，EDF模型），该模型将企业负债看作是买入一份欧式看涨期权，即企业所有者持有一份以公司债务面值为执行价格，以公司资产市场价值为标的欧式看涨期权。如果负债到期时企业资产市场价值高于其债务，企业偿还债务。当企业资产市场价值小于其债务时，企业选择违约。因此，KMV模型评价公司信用风险的基本思路是以违约距离DD表示公司资产市场价值期望值距离违约点(DPT，DefaultPoint)的远近，距离越远，公司发生违约的可能性越小，反之越大。违约点DPT通常处于流动负债与总负债面值之间的某一点。违约距离常以资产市场价值标准差的倍数表示。该模型基于公司违约数据库，根据公司的违约距离确定公司的预期违约概率。KMV模型的计算有两个重要的步骤：一是利用B-S模型倒推出公司资产的市场价值及其波动率；二是计算公司的违约距离并得出一个期望违约率EDF。公司资产价值及波动率的计算公司资产市场价值的计算公式为：VE=VAN（d1）-Be-rtN（d2）；公司股权价值的波动率为：σE=N（d1）VAσA/VE。其中：d1=，d2=d1-σA。VE为股权的市场价值，VA为公司资产市场价值，B为公司账面负债；r为无风险利率；σA为公司资产市场价值的波动率；t为债务期限。公司违约距离DD与预期违约率EDF计算违约距离作为一个度量信用风险的指标，指的是公司资产价值的期望值到违约点之间距离，以资产市场价值的标准差个数表示，计算公式为：DD=。其中，E（VA）为公司预期价值，DPT为公司违约点，关于违约点的计算在后文中有详述，σA为公司资产价值波动率。对于预期违约率的计算，KMV公司选取一定时期，将违约距离和预期违约率两者之间的关系映射起来。对于每一时段，基于一个大量的包括有违约公司样本的历史数据库，把违约数据拟合成一条平滑曲线来表示违约距离函数，以此来估计EDF的大小。并且穆迪公司还建立起EDF与各个机构之间信用评级的关系。在我国，公司违约数据库尚不完善，所以本文直接运用违约距离DD来比较上市公司相对风险4的大小。四实证过程结合实际情况，ST的上市公司实际上接近于KMV模型中认为的违约情况。因此在实证分析中，本文将被ST的公司视为违约公司，这样的界定不仅方便进行实证研究，也和我国的实际情况基本符合。笔者采用了最新的研究数据，从2011年5月份新被ST的公司入手，挑出具有代表性的6家公司，并同时选择与上述6家公司在同一交易所上市，总资产规模相近，属于同一行业的上市公司作为比较样本。12家公司的基本资料如表一所示：非ST上市公司ST上市公司所属行业股票名称总资产账面价值股票名称总资产账面价值德豪润达5,056,180,513.74ST南风3,468,136,343.45家庭用品大洋电机1,993,921,529.55ST盛工1,205,624,283.30工业工程莱茵生物548,099,759.28ST吉药223,561,073.86医药与生物技术三爱富3,044,153,920.03ST中达2,964,620,204.87化工品（Ⅲ）常铝股份1,517,599,032.69ST金马2,019,894,140.98铝业四川九洲2,337,046,212.72ST福日1,542,753,075.81休闲用品表一上市公司基本数据（单位：元）（一）波动率的计算最近十几年以来，大量的实证研究发现:在实际的金融市场上，大部分金融变量的方差具有一些的特性比如异方差性和聚集现象，这可能与静态模型的假设不相符合。所以，在实际的分析研究中，对金融变量波动率的研究大多采用的是动态的研究模型。常用的动态模型主要有三种:移动平均模型、随机波动率模型和GARCH（广义自回归条件异方差）模型。国内大量的学者研究表明，我国股票市场的波动率符合GARCH(1，1)，所以本文中对股票波动率的计算采用GARCH(1，1l)模型进行拟合。在