基于Logistic和KMV模型我国商业银行信用风险评价研究(图文)

　基于 Logistic 和 KMV 模型的我国商业银行信用风险评价研究(图文)

　论文导读：在我国,商业银行信用风险主要来源于银企的信贷问题。面对日益严重的信用风险暴露。采用 5 个变量的 Logistic 模型对企业信用风险总体的判别准确率较高。本文的目的是要对比 Logistic和 KMV 模型的实证分析结果。关键词：Logistic 模型，KMV 模型，商业银行，信用风险

　在我国,商业银行信用风险主要来源于银企的信贷问题，面对日益严重的信用风险暴露，无论是商业银行等金融机构还是债权人、投资者以及政府监管部门都希望开发一种既能够科学有效的判别公司的信用风险，同时又易于企业使用的信用风险判别模型。那么如何尽快提高信用风险管理水平，已经成为我国商业银行面临的最为紧迫的问题。

　结合我国的实际情况，本文选取了Logistic和KMV模型信用风险模型，样本数据为湖南省 47 家上市公司的财务报表、股票价格等数据，并对两个模型的实证研究进行详细阐述，对我国商业银行信用风险进行有效性的实证分析。

　1 基于 Logistic 模型的信用风险评价实证研究 1.1 建模思想和步骤一、样本企业的财务指标：偿债能力指标、营运能力指标、盈利能力指标、现金流动性指标和成长能力指标五类，在这五类指标中挑选了 18 个具有代表性的指标。

　二、评价财务因素对信用风险的影响 1、对风险差异的描述统计评价

　本文依据样本中有不良贷款的企业的贷款不良率都大于 10%的条件，选取的 47 家上市公司得到低风险企业 37 家，高风险企业 10 家。

　计算两类公司各项财务指标的均值和方差，得到均值差异较大的指标有：主营业务利润率、股东权益周转率、资产短期负债率、利息保障倍数、筹资活动净流入现金与负债比率、应收账款周转率。

　2、对财务指标的正态性检验 根据变量的累积概率对应于正态分布累积概率绘制散点概率图，直观地检测数据是否与正态分布的统计图形一致。资产短期负债率这个指标，观察到样本点没有与理论直线(对角线)基本重合，分布的残差点不是均匀、随机地在这条直线上下，所以认为资产短期负债率指标不服从正态分布。经过上述类似的检验，其他指标也得到相同的结论。

　3、对风险差异的非参数检验 采用瓦尔德-沃尔夫维兹游程检验法，游程总数经过标准化后，服从标准正态分布。可以得到游程总数为 15。以净利润增长率为例，游程数为15个，经过标准化后检验统计量Z为-1.291，Asymp.Sig.(1-tailed)单尾渐进显著性概率为 0.082>0.05，表明高风险企业与低风险企业在净利润增长率这个指标上不存在显著性差异。

　而主营业务利润率的游程数为 14 个，经过标准化后 Z 为-1.779，Asymp.Sig. (1-tailed)为 0.0300.05，说明用五个财务比率来解释公司存在信用风险是否是合理的问题。

　第二步：数据回代检验

　Observed

　Predicted

　风险程度

　Percentage Correct

　低 风 险

　高 风 险

　step

　风险程度

　低风险（30）

　28

　2

　93.3

　高风险（7）

　2

　5

　71.4

　Overall Percentage

　89.2

　表 2．Classification Table

　表 2 反映出模型的准确性，采用 5 个变量的 Logistic 模型对企业信用风险总体的判别准确率较高，达到 89.2%，对低风险企业的判别率高达 93.3%，但对高风险企业的判别率只有 71.4%，这与本文能获得的样本数据中高风险企业数目较少有关，也说明该 Logistic 模型虽然对低风险企业的判定准确性较好，但容易把高风险企业识别为低风险企业。

　其中将公司代码为 000906(*ST 建材)、000430(S ST 张家界)高风险客户

　划入低风险客户类，将代码为 000932(G 华菱)、600599(浏阳花炮)的低风险公司划入高风险客户类。

　第三步：待判样本检验，得到检验模型的判别准确程度 将待判样本中的 10 家上市公司的有关数据代入 Logistic 回归模型，评价分析 P 大于 0 .5 的公司有 4 家，P 小于 0.5 的公司有 6 家，模型将代码为 000639 的低风险公司划入高风险类别中，模型对其他公司的风险判断都正确。论文参考。

　表 3．ClassificationTable

　 Observed

　Predicted

　风险程度

　Percentage Correct

　低 风 险

　高 风 险

　step

　风险程度

　低风险

　6

　1

　85.7

　高风险

　0

　3

　100

　Overall Percentage

　 90

　从表 3 中，分析得到：对信用风险总体的准确判别率为 90%。则用该模型来判别企业信用风险的高低有较高的准确度。

　1.2 结果分析因为发生违约的公司经历了由于经营困难，资产质量下降，资产负债率升高，甚至借新债还旧债，进而出现违约，对 Logistic模型的系数评价，可以看出股东权益周转率越小，违约可能性越小；利息保障倍数越大，息税前利润能够充分地满足支付利息的需要，违约可能性越小；净资产收益率越小，公司的违约可能性越小；资产短期负债率越小，违约可能性越小，说明流动负债占总资产的比例越小，公司短期内发生违约的概率越小。

　2 基于KMV模型的信用风险评价实证研究默顿在1974年提出利用期权定价理论对风险债券和贷款进行估价以及对它们的信用风险进行测度。该模型对上市公司和银行的信用风险，特别是违约可能性做出预测，并且 KMV 模型的创新之处在于它把银行的放款问题倒转过来，换个角度从借款企业股东的角度考虑贷款偿还问题。

　2.1 模型的基本思想 图 1 给出了从借款人角度考虑的贷款偿还问题，从而说明贷款与期权的关系。假定企业贷款为，贷款到期时企业的资产市值为，其中。在这种情况下，企业会归还这笔贷款并且企业的股东们还会得到资产的剩余价值。贷款到期时，企业资产的市值越大，企业留给股东的剩余价值就越大。相反，如果企业资产价值低于(如<)，所有者就会出现违

　约的动机或者实施违约选择权并将企业的剩余资产移交给放贷者（银行）。

　图 1．贷款与期权的关系 借款企业的资产市值超过 OB，企业将会把贷款的本金和利息全部都归还给银行，放款银行便可以从贷款中获取一定的回报。若企业资产的市值低于 OB 的话，那么银行就要遭受一个不断增大的损失。在极端的情形下，银行得到的报酬为零，本息尽失。

　(1)样本选择 本文的目的是要对比 Logistic 和 KMV 模型的实证分析结果，数据则采用 Logistic 模型实证分析发生误判的五家上市公司的数据，具体数据采用其2008年12 月31日的市场价值及 2008下半年市价波动率的数据来计算违约距离和违约概率。

　(2)计算过程 第一步：计算公司的资产价值和资产价值的波动率①上市公司股权波动率的估计 模型假设上市公司股票价格服从对数正态分布。采用历史波动率法来估计上市公司股权时间价值未来一年的波动率。以代码为 000639 金德发展上市公司为例来说明股票日收益率和年收益率的计算过程。因为股票价格服从对数正态分布，所以股票日收益率为：

　(2) 其中表示第 n 天股票的收盘价格。论文参考。

　(3)

　其中，表示日收益波动率。

　将股票价格数据代入公式(2)和公式(3)，Excel 求出上市公司 000639金德发展的日收益波动率为是 0.035622241。

　假设每年我国证券市场每周交易五天，除去节假日，交易日数近似为250 天，那么我们可以估计上市公司股权市场价值的年波动率为：

　(4)