我国上市公司信用风险识别方法的研究 ——基于Logistic模型的改进

论文摘要

美国次贷危机所产生的“蝴蝶效应”波及世界各个经济体,破坏了全球经济的正常运行和发展。在美国金融“海啸”爆发后的近三年时间内,虽然各国经济有复苏迹象,但整体情况仍然处于低迷阶段,与危机之前的经济状况相差甚远,而且要想恢复之前的经济繁荣还需要更长的时间。而信用风险正是引发这场危机的重要因素之一。在2008年金融危机过后,《巴塞尔资本协议Ⅲ》(以下简称为协议Ⅲ)迅速制定出来并最终通过。协议Ⅲ的目的是为了解决此次金融危机所出现的问题,并且便于应对今后可能出现的危机。自从协议Ⅲ发布后,巴塞尔委员会将工作重心由制度的订立转到了监管制度的执行。协议Ⅲ对商业银行的资本金以及流动性设定了更为严格的要求。虽然我国银监会宣布暂不全面执行协议Ⅲ,但是为了促进我国商业银行走向世界,提高其国际竞争力,就必须以协议Ⅲ为指导,不断加强自身的信用风险管理。在信用风险管理方面,虽然我国商业银行获得了一定的成就,但仍与世界先进国家商业银行的信用风险管理水平存在着差距。主要表现在我国商业银行缺少现代的信用风险度量工具和先进的信用风险管理技术。因此,我国商业银行经营管理模式的转变受到了阻碍,不符合现代银行业风险管理的发展趋势。可见,应该进一步加快对商业银行信用风险管理的探究。商业银行信用风险完整的管理机制主要包含五部分：第一、信用风险识别机制,第二、信用风险分析评估机制,第三、信用风险监测和预警机制,第四、信用风险处理机制,第五、信用风险调整机制。其中,信用风险的识别和评估是商业银行信用风险管理过程中最重要的内容。因此本文研究的范围就是信用风险的识别,即通过定量分析和计量建模来度量贷款公司发生违约的可能性。纵观国内外关于信用风险识别模型的研究可谓“百家争鸣”。本文通过对相关文献的梳理发现尽管关于信用风险识别的模型层出不穷,但是无论哪种模型,在其拥有独特的优势同时,又无可避免的带着自身的局限性。在模型自身局限性无法改进的情况下,我们可以看到某些模型之间无论是在理论上还是在实证中具有优势互补性,将不同的方法和模型进行混合能得到更优的效果。因此本文结合实际情况以及相关模型的适用性,确定采用基于财务指标的Logistic模型和KMV模型作为信用风险识别模型,并且将KMV模型计算的违约距离DD纳入Logisctic模型中,对Logistic模型进行改进,提高模型的识别能力。在实证部分,本文选取我国上市公司作为样本,将ST公司作为违约公司,非ST公司作为未违约公司,通过相关财务理论和统计方法来确定作为解释变量的财务指标,对模型进行拟合。并且,在不同的风险偏好下对三种模型的识别情况进行比较,得出以下结论：改进的Logistic模型的整体识别能力优于KMV模型整体识别能力,KMV模型的整体识别能力优于基于财务指标的Logistic模型整体识别能力。而且,相对于基于财务指标的Logistic模型和KMV模型而言,改进的Logistic模型的整体识别能力比较稳定,受识别者的风险偏好程度影响较小。本文的特色之处在于两个方面：第一、将传统的基于财务指标的Logistic模型和现代的KMV模型进行比较分析,然后结合这两种模型对Logistic模型改进,使其优势互补,提高了模型对信用风险的识别能力。第二、本文在实证过程中,为了全面说明改进的Logistic模型识别能力的提高,将门限值分别设定为0.25、0.50、0.75三种情况代表风险识别者的不同风险偏好。在这三种情况下,改进的模型的识别能力都高于单一模型,而且受风险偏好的影响较小,相对稳定。本文的结构分为六个部分,各个部分的主要内容如下：第一部分为绪论：这部分主要介绍了本文的选题背景及意义,并对研究对象以及所选用的模型进行了界定。最后阐述了本文的研究思路与方法,以及研究的特色。第二部分是关于信用风险识别模型研究成果的文献综述：对国内外信用风险识别模型的理论发展和实际应用的现状进行介绍和分析,为本文的研究提供了思路与基础。第三部分是对本文所选取模型的理论阐述：从理论的角度,阐述了在本文中所采用的Logistic模型和KMV模型的相关理论。第四部分是样本的选取以及指标的筛选和确定：这一部分通过选取我国上市公司中ST公司和非ST公司分别代表违约公司和未违约公司为样本,并利用统计方法与财务理论相结合的方式对样本公司的相关财务指标进行筛选和确定。这一部分属于实证分析的前期工作。第五部分是信用风险识别模型的实证分析：这部分利用第四部分选取的样本及指标分别建立基于财务指标的Logistic模型,KMV模型和改进的Logistic模型,然后对这三个模型的信用风险识别能力进行样本外预测和比较。这部分是本文的重点。第六部分为本文的总结与展望：在理论阐述及实证分析的基础上总结改进的Logistic模型在信用风险识别中的特点,以及本文研究过程中的不足之处和进一步研究的方向。

论文目录

• 摘要
• Abstract
• 1. 绪论
• 1.1 研究的背景和意义
• 1.1.1 研究的背景
• 1.1.2 研究的意义
• 1.2 关于研究对象的界定
• 1.2.1 信用风险的范围
• 1.2.2 信用风险识别
• 1.3 研究的思路与方法说明
• 1.3.1 关于样本选取的说明
• 1.3.2 关于模型选取的原则
• 1.4 本文的研究框架
• 1.5 本文研究的特色
• 2. 文献综述
• 2.1 关于指标模型的文献综述
• 2.1.1 传统分析模型
• 2.1.2 现代判别模型
• 2.2 关于非指标模型的文献综述
• 2.3 关于组合模型识别方法的文献综述
• 2.4 对文献的综合评价
• 3. 理论分析
• 3.1 对Logistic模型的理论概述
• 3.1.1 关于Logistic模型的模型设定
• 3.1.2 关于Logistic模型的模型估计
• 3.1.3 关于Logistic模型的模型检验
• 3.2 KMV模型的原理概述
• 3.2.1 贷款与期权的关系
• 3.2.2 B-S期权定价模型
• 3.2.3 KMV模型
• 4. 样本及指标的选取
• 4.1 关于样本的选择
• 4.1.1 ST公司的确定
• 4.1.2 非ST公司的选择
• 4.1.3 样本时间的确定
• 4.2 财务指标的选取
• 4.2.1 指标选取的检验方法
• 4.2.2 财务指标的初步筛选
• 4.2.3 财务指标的最终确定
• 5. 实证分析
• 5.1 基于财务指标的Logistic模型拟合结果及分析
• 5.1.1 模型实证结果
• 5.1.2 模型实证结果分析
• 5.2 KMV模型的实证分析
• 5.2.1 KMV模型参数的设定
• 5.2.2 KMV模型违约距离的计算
• 5.2.3 关于违约距离的统计分析
• 5.2.4 基于KMV模型的信用风险识别模型的建立与分析
• 5.3 基于KMV模型对Logistic模型改进的实证分析
• 5.3.1 对Logistic模型改进的可行性分析
• 5.3.2 改进的Logistic模型的实证过程
• 5.4 模型识别能力的比较分析
• 6. 结论
• 6.1 基于KMV模型改进的Logistic模型的特点
• 6.2 本文存在的不足之处以及进一步研究方向
• 参考文献
• 后记
• 致谢
• 在读期间科研成果目录