孫寧華,劉 楊

(1.南京大學 經(jīng)濟學院;2.渣打銀行 南京分行,南京 210093)

中國商業(yè)銀行信用風險度量研究

孫寧華1,劉 楊2

(1.南京大學 經(jīng)濟學院;2.渣打銀行 南京分行,南京 210093)

信用風險是商業(yè)銀行面臨的主要風險,信用風險的度量模型有專家判斷法、信用評分法、神經(jīng)網(wǎng)絡分析法以及現(xiàn)代違約概率模型等。通過比較分析LOGIT模型和KMV模型,選取了能夠體現(xiàn)公司盈利能力、營運能力、資本結構、償債能力、成長能力和現(xiàn)金流量的28個指標,運用逐步回歸方法建立LOGIT模型,發(fā)現(xiàn)該模型能夠提前一年較好地預測出公司的違約情況。在分析KMV模型時,通過GARCH-M模型計算出企業(yè)股權價值波動率,并運用上市公司數(shù)據(jù)得出樣本公司的股權價值和違約點,從而計算出樣本公司的資產(chǎn)價值和資產(chǎn)價值波動率,最后得出KMV模型的判別結果。上述分析表明我國商業(yè)銀行應以LOGIT模型作為判別模型,以KMV模型作為追蹤模型,將LOGIT模型與KMV模型相結合來判斷貸款企業(yè)的信用風險水平。

信用風險;LOGIT模型;KMV模型

一、引言

美國次級貸款危機仍然對全球的金融市場乃至實體經(jīng)濟產(chǎn)生著深遠的影響。此次金融危機暴露出金融行業(yè)對風險管理的重視不足,對風險的識別能力仍需加強。從事房地產(chǎn)抵押貸款業(yè)務的商業(yè)銀行,背離了銀行業(yè)一貫堅持的審慎信貸標準,沒有仔細審查客戶的還款能力,低估了抵押品的市場風險。投資銀行的高杠桿率以及資產(chǎn)證券化的過度衍生也放大了房地產(chǎn)市場和衍生品市場的風險,并波及全球金融市場。因此,風險的識別和度量對于商業(yè)銀行的健康發(fā)展至關重要。

信用風險的度量方法主要有專家判斷法、信用評分法、神經(jīng)網(wǎng)絡分析法和違約概率模型。

專家判斷法是傳統(tǒng)的信用分析方法。該方法的最大特征是信用評價是由商業(yè)銀行中經(jīng)過長期訓練、具有豐富經(jīng)驗的信用評估專家做出的,并由他們進行最后的決策。專家的經(jīng)驗和判斷是信用分析和決策的主要基礎,這種方法的主要問題是對信用風險的評估缺乏一致性。

信用評分法包括線性概率模型、多元判別分析模型、LOGIT模型和PROBIT模型。Beave首先運用統(tǒng)計學方法建立了單變量的財務預警模型,選取了美國1954～1964年間資產(chǎn)規(guī)模大致相同的79家經(jīng)營失敗和79家經(jīng)營良好的企業(yè)進行對比,發(fā)現(xiàn)現(xiàn)金流量/負債總額、資產(chǎn)收益率和資產(chǎn)負債率是具有較好預測性的財務比率[1]。Altman提出了Z值模型[2],1977年Altman,Haldeman和Narayanan對原有的Z值計分模型進行了修改并推出了ZETA模型,變量由5個增加到了7個[3]。它所選變量更加穩(wěn)定,適用范圍更廣,對企業(yè)違約的辨認能力也增強了。多元判別分析模型是根據(jù)觀察到的一些統(tǒng)計特征對判別對象進行分類,以確定對象的類別。該模型的特點是己經(jīng)掌握了一定時間范圍內(nèi)每個類別的若干個樣本,分析其特征并總結出分類的規(guī)律性,建立判別公式并得出判別結果。LOGIT模型不要求變量滿足多元正態(tài)分布和等協(xié)方差等假設條件,因此在預測企業(yè)是否違約時得到了較為廣泛的應用。

神經(jīng)網(wǎng)絡分析模型的原理是模擬人類或其他生物的神經(jīng)系統(tǒng)對變化的自適應能力,是一套人工智能預測系統(tǒng)。神經(jīng)網(wǎng)絡的結構包括一個輸入層、若干個中間隱含層以及一個輸出層。神經(jīng)網(wǎng)絡分析模型可以模擬相關變量投入后對企業(yè)信用風險的影響。通過學習訓練范例的過程,神經(jīng)網(wǎng)絡分析模型可以找出輸入變量與輸出變量間的關系,之后建構預測模型。神經(jīng)網(wǎng)絡模型的最大缺陷是隨機性較強,而且要得到一個較好的神經(jīng)網(wǎng)絡模型非常耗費精力和時間,所以應用受到一定限制。另外,神經(jīng)網(wǎng)絡分析模型還因為缺乏堅實的理論基礎而受到批評。

目前應用廣泛的現(xiàn)代違約概率模型包括KMV模型,Credit Metrics模型,Credit Risk+模型和Credit Portfolio View模型。

1993年KMV公司提出了KMV信用風險度量模型,該模型基于BSM期權定價理論,利用股權價值、股權價值的波動率以及企業(yè)違約點估算企業(yè)的資產(chǎn)價值和資產(chǎn)價值的波動率,并據(jù)此求得違約距離,從而得到企業(yè)預期違約率。KMV模型可以充分利用資本市場上的數(shù)據(jù),對公開上市公司進行信用風險的量化度量分析。由于KMV模型所需輸入的數(shù)據(jù)來自股票市場,而非歷史財務數(shù)據(jù),因此預測結果更加具有時效性。

VaR方法是度量給定的資產(chǎn)或負債在給定的置信水平下最大的價值損失額。J.P.摩根銀行和其他合作者創(chuàng)立了Credit Metrics模型用于度量非交易性金融資產(chǎn)。Credit Metrics模型依賴于歷史平均違約率和違約時的資產(chǎn)收回率,以此為基礎確定信用資產(chǎn)組合未來的價值變化,通過基于VaR的方法計算整個組合的風險暴露。

瑞士信貸銀行CSFP于1997年提出了基于保險精算理論的Credit Risk+模型。它假定違約率是隨機的并且在信用周期內(nèi)顯著波動。Credit Risk +方法假設一個貸款企業(yè)以概率P違約或者以概率1-P不違約。Credit Risk+模型先按照投資組合中每筆貸款風險暴露的大小將貸款分組,假定每組內(nèi)貸款風險敞口相同,從而使得每組貸款的損失分布遵循泊松分布,之后將各組損失匯總得到整個投資組合的損失分布。

1997年Mckinsey公司提出了Credit Portfolio View模型,該模型納入了如失業(yè)率、匯率以及政府支出等宏觀因素變量,并模擬不同信用等級公司的違約和信用等級轉(zhuǎn)移概率的聯(lián)合條件分布。Credit Portfolio View模型的思想是違約率和信用等級轉(zhuǎn)移概率是與宏觀經(jīng)濟變量緊密聯(lián)系的,經(jīng)濟繁榮時違約率和信用等級轉(zhuǎn)移概率降低,反之則增加。

我國國內(nèi)學者也對我國商業(yè)銀行信用風險度量進行了一定的研究。吳世農(nóng),盧賢義應用Fisher線性判定模型、多元線性回歸模型和LOGIT回歸模型對我國上市公司進行分析,預測上市公司的財務困境,結果表明LOGIT模型誤判率最低[4]。沈沛龍,任若恩根據(jù)《新的資本充足率框架》的基本原理,把Credit Metrics同我國商業(yè)銀行的信貸風險管理實踐相結合,研究適合我國國內(nèi)商業(yè)銀行特點的內(nèi)部信用風險度量分析和管理的基本框架[5]。李萌應用LOGIT模型,結合主成分分析法和t檢驗對商業(yè)銀行信用風險進行實證分析,結果表明公司償還能力和流動性對信用風險的影響最大,而且LOGIT模型具有很好的識別和預測能力[6]。都紅雯,楊威提出了我國應用KMV模型實證研究中存在的五大問題并提出相應的對策建議[7]。李萌,陳柳欽構造了基于BP神經(jīng)網(wǎng)絡的商業(yè)銀行信用風險分析模型,分析結果表明單隱層BP神經(jīng)網(wǎng)絡模型對企業(yè)信用風險具有較強的識別能力[8],但推廣能力還有待提高。

在上述研究結果基礎上,本文選取預測效果較好且應用較為廣泛的LOGIT模型和KMV模型做比較分析。我們將區(qū)域風險因素以虛擬變量的形式加入LOGIT信用風險度量模型中進行分析,從而顯著增強了該模型的預測準確率。這說明我國商業(yè)銀行在運用LOGIT模型作為信用風險度量模型時應考慮區(qū)域風險因素。此外,通過比較LOGIT模型和KMV模型對于企業(yè)違約情況的預測結果,本文提出了適合我國商業(yè)銀行度量信用風險的模型應該是將LOGIT模型作為判別模型,KMV模型作為追蹤模型。

二、LOGIT模型對信用風險度量的實證研究

(一)模型說明及樣本的選取

LOGIT模型中解釋變量既可以是連續(xù)變量也可以是離散變量,還可以是虛擬變量,并且不要求它們服從多元正態(tài)分布,這與企業(yè)財務數(shù)據(jù)的實際情況較為相似,因此在信用風險度量中應用廣泛。其基本函數(shù)形式如下:

LOGIT模型在分析企業(yè)財務狀況及信用風險水平時,xi為反映企業(yè)經(jīng)營狀況的財務比率指標或其他變量,ci則表示相應指標的權重。

本文分別選取2008年1月至2008年12月和2009年1月至2009年12月這二個時間段內(nèi)被特殊處理的公司以及與之相對應的財務狀況良好的上市公司作為樣本,利用2008年的樣本公司建立LOGIT模型,并將其應用于判斷和預測2009年樣本公司的財務狀況和信用風險中。

(二)指標的選取

通過綜合考慮會計學以及我國商業(yè)銀行信用風險評價指標,同時兼顧數(shù)據(jù)的可得性和可量化原則,本文選取了28個財務比率指標,見表1。數(shù)據(jù)來源于WIND數(shù)據(jù)庫。

(三)實證研究

LOGIT模型對多元共線性較為敏感,自變量間的多元共線性會導致由于標準差增大而降低LOGIT模型的預測能力,所以本文首先對自變量間的相關性進行檢驗。本文通過利用SPSS軟件進行兩個變量的相關性分析,發(fā)現(xiàn)變量X2與X4,X5與X6,X2與X11等變量之間顯著相關,多重共線性顯著。

解決多重共線性的方法包括主成分分析,嶺回歸以及逐步回歸等多種方法。本文采用逐步回歸法消除變量間的多重共線性。利用SPSS軟件采用混合逐步回歸法來篩選變量,篩選出的變量為X3、X10、X12、X18,設＊ST公司的觀測值為0,經(jīng)營狀況良好的公司的觀測值為1,建立LOGIT回歸方程如下:

將該模型運用于2009年樣本公司2008年的財務比率數(shù)據(jù),此時判別準確率見表2。

表1 LOGIT模型指標

表2 LOGIT模型判別準確率

表2表明,將＊ST公司誤判為正常公司的概率為20%,將正常公司誤判為＊ST公司的概率為25%,模型整體判別準確率為77.5%,有較好的判別結果。

將該模型運用于2009年樣本公司2007年的財務比率數(shù)據(jù),此時預測準確率為:

表3 LOGIT模型預測準確率

結果發(fā)現(xiàn)將＊ST公司預測為正常公司的概率為35%,將正常公司誤判為＊ST公司的預測率均為10%,模型整體預測準確率為77.75%,也有較好的預測結果。

國外商業(yè)銀行的信用風險度量模型一般不加入?yún)^(qū)域風險因素,因為發(fā)達國家市場化程度很高,區(qū)域間經(jīng)濟趨同性較強,因此區(qū)域因素在信用風險的識別和度量過程中并不顯著。而我國尚未完全形成統(tǒng)一的市場經(jīng)濟體系,東部發(fā)達地區(qū)和西部欠發(fā)達地區(qū)間經(jīng)濟差異十分顯著,因此將信用風險度量模型應用于預測客戶會否違約時,在模型中加入地區(qū)差異因素可能會加強模型的預測效果。本文將我國分為經(jīng)濟發(fā)達地區(qū)和欠發(fā)達地區(qū),其中經(jīng)濟發(fā)達地區(qū)設為1,欠發(fā)達地區(qū)為0,得到回歸模型如下:

將2009年樣本公司2008年的財務數(shù)據(jù)和樣本公司所在省份的區(qū)域虛擬變量帶入上述模型中,此時預測準確率見表4。

表4 加入?yún)^(qū)域因素后LOGIT模型判別準確率

結果發(fā)現(xiàn)將＊ST公司誤判為正常公司的概率為5%,將正常公司誤判為＊ST公司的概率為20%,模型整體判別準確率為87.5%,有很好的判別結果。相比較于未加入?yún)^(qū)域風險因素的原模型,判別準確率提高了10%。

將2009年樣本公司2007年的財務數(shù)據(jù)和樣本公司所在省份的區(qū)域虛擬變量帶入上述模型中,此時預測準確率見表5。

結果發(fā)現(xiàn)將＊ST公司誤判為正常公司的概率為30%,將正常公司誤判為＊ST公司的概率為10%,模型整體預測準確率為80%,有很好的預測結果。相比較于未加入?yún)^(qū)域風險因素的原模型,預測準確率提高了2.5%。

(四)實證結果分析

經(jīng)過實證分析發(fā)現(xiàn),LOGIT模型能夠很好的判別樣本公司是否違約且當被用來提前一年預測公司的財務風險時,有較好的效果。研究結果顯示,反映企業(yè)盈利能力的總資產(chǎn)凈利率、反映營運能力的固定資產(chǎn)周轉(zhuǎn)率、反映資本結構的資產(chǎn)負債率和反映償債能力的速動比率在該模型中占較大比重。隨著總資產(chǎn)凈利率、固定資產(chǎn)周轉(zhuǎn)率、速動比率的下降, Y值逐漸減小并接近于0,說明當貸款公司的這些比率下降時,公司的經(jīng)營狀況不佳,信用風險水平提高;隨著資產(chǎn)負債率的增加,Y值逐漸減小并接近于0,說明當貸款公司的這一比率提高時,公司負債相比較于資產(chǎn)過多。這些情況都應引起貸款銀行的警惕和足夠重視。

此外,區(qū)域因素能夠增強模型的預測能力,說明我國地區(qū)間的經(jīng)濟差異較為顯著,且這種差異可以用來解釋公司的違約情況,商業(yè)銀行在對不同區(qū)域的公司投放貸款時可能面臨不同程度的區(qū)域風險。因此經(jīng)濟發(fā)達地區(qū)企業(yè)的違約可能性較低。所以我國商業(yè)銀行在建立信用風險度量模型時,應考慮加入?yún)^(qū)域因素來增強模型的預測能力

三、KMV模型對信用風險度量的實證研究

(一)KMV模型原理

KMV模型的理論基礎是Black-Scholes期權定價理論。KMV模型的基本思想是把公司的資本價值作為看漲期權,公司負債作為看跌期權。由于受到宏觀經(jīng)濟環(huán)境、行業(yè)風險、外匯風險等因素的影響,假定公司的資產(chǎn)價值Vt是一個變量,任意時刻t公司資產(chǎn)價值的變化服從對數(shù)正態(tài)分布并服從幾何布朗運動:

其中μ為公司資產(chǎn)價值的期望值,σ表示公司資產(chǎn)價值的標準差,Zt為公司資產(chǎn)價值變動的隨機量,Zt∈N(0,1)。

KMV模型原理可以用圖1表示,當公司資產(chǎn)價值高于違約點(DPT)時,貸款公司選擇歸還貸款本息并獲得投資收益;當公司資產(chǎn)價值低于違約點時,貸款公司選擇違約,公司選擇違約的概率為ED F。

圖1 KMV模型的預期違約率原理

(二)假設條件

(1)當貸款公司的資產(chǎn)價值大于違約點時,貸款公司不會違約;而當貸款公司的資產(chǎn)價值低于違約點時,貸款公司會選擇對債權人即商業(yè)銀行違約。

(2)貸款公司的資本結構只包括長期債務、短期債務和所有者權益。

(3)市場上存在一個無風險利率并且該利率一定時間內(nèi)固定不變的。

(4)在債務合約的有效期內(nèi),貸款公司沒有任何現(xiàn)金支付,也沒有其他債券的發(fā)行而且沒有破產(chǎn)成本。即如果公司無法償還債務,違約只在債務合約到期時發(fā)生。

(5)公司的資產(chǎn)市場價值服從伊藤過程。

(6)市場是無摩擦的,即沒有交易成本、稅收而且所有的資產(chǎn)都可以無限細分。

(7)貸款合約到期時,公司的資產(chǎn)價值服從正態(tài)分布。[10]

(三)違約率的計算步驟

1.計算資產(chǎn)價值VA和資產(chǎn)價值波動率σA

依據(jù)Black-Scholes期權定價理論,公司股權市場價值和資產(chǎn)市場價值之間滿足如下關系:

F是公司債務面值,即公司的違約值,本文用DPT進行計算。T-t是債務合約到期時間。VE是公司股權市場價值。N(.)是零均值,標準差為1的標準正態(tài)分布。

依據(jù)伊藤定理(Ito’s Lemma),公司股權價值的波動率與資產(chǎn)價值的波動率存在以下關系:

2.估算違約點DPT

KMV模型假設貸款公司的資本結構包括長期負債(L TD)和短期負債(STD),違約點是長期負債和短期負債的結合。經(jīng)過大量的實證研究,KMV公司發(fā)現(xiàn)在臨界值大約等于流動負債加一半長期負債處,公司違約最為頻繁。因此KMV近似地將違約點表示為公司短期負債(STD)加上長期負債(L TD)的一半:

3.計算違約距離DD

違約距離表示的是資產(chǎn)價值分布的均值與違約點之間的標準差個數(shù),因此不同的上市公司可以使用該指標相互比較。

4.估計預期違約率EDF

理論預期違約率(EDF)的計算過程如下:

根據(jù)公式(1),因為Z服從正態(tài)分布,所以有:

可以推導出d就是至違約點的距離DD。

預期違約率可以表示為ED F=N(-DD)

但是由于我國尚未建立經(jīng)驗預期違約率數(shù)據(jù)庫,直接計算理論預期違約率可能造成較大偏差,因此本文通過比較違約距離DD與違約距離的平均值來區(qū)分違約公司和經(jīng)營狀況良好的公司,若違約距離大于平均值,則認為該公司不會違約;若違約距離小于平均值,則認為該公司會選擇違約。

(四)實證研究

1.股權價值和無風險利率的選取

由于本文中的樣本公司均已在2007年完成了股權分置改革,因此采用樣本公司2007、2008年總市值作為公司的股權價值進行計算。此外,本文分別選取2007年和2008年銀行一年期定期存款利率的均值作為無風險利率進行計算。

2.股權價值波動率的計算

投資者認為金融資產(chǎn)帶來的收益應當與為其承擔的風險成正比,金融資產(chǎn)風險越大,投資者的預期收益就越高。GARCH-M模型通常應用于股票等預期風險與預期收益密切相關的金融領域,股票風險越大,相應的預期收益率也就越高,假設股票的預期收益的變動依賴于一個常數(shù)項及條件標準差。

均值方程可表示為:

yt=γ+ρ σt+ut,t=1,2,……,T

方差方程為:

隨機抽?。猄T東電2008年1月1日到12月31日交易日股價數(shù)據(jù)進行檢驗,首先利用最小二乘法估計yt=γ+ut,結果如下yt=-0.003067+ut,但是觀察殘差圖,可以注意到波動成群的特性,說明誤差項可能具有條件異方差性。

圖2 ＊ST東電殘差圖

因此對該式進行ARCH LM檢驗,得到了滯后階數(shù)p=1時的ARCH LM檢驗結果:

F-統(tǒng)計量5.751791概率值(P值) 0.017227 T＊R2統(tǒng)計量5.665040概率值(P值) 0.017306

此處P值小于0.05,拒絕殘差序列不存在ARCH效應的原假設,證實存在ARCH效應。

應用GARCH-M模型進行估計,結果如下:

均值方程:

yt=2.024σt-0.083+ut,

方差方程:

方差方程ARCH和GARCH項的系數(shù)之和等于0.835,小于1,滿足參數(shù)約束條件。由于系數(shù)之和接近于1,表明條件方差所受的沖擊是持久的,即沖擊幾乎對未來所有的預測都有重要作用。

對該式進行ARCH LM檢驗,得到了滯后階數(shù)p=1時的ARCH LM檢驗結果:

F-統(tǒng)計量0.008537概率值(P值) 0.926460 T＊R2統(tǒng)計量0.008607概率值(P值) 0.926083

此時P值均大于0.9,接受原假設,說明利用GARCH-M模型消除了殘差序列的條件異方差性。因此本文利用GARCH-M模型來計算股權價值波動率。

(五)實證研究結果

本文利用迭代的思想通過C++編程來計算KMV模型的結果。根據(jù)樣本公司2008年度第三季度的股權價值、股本波動率及違約點等數(shù)據(jù),應用KMV模型估算樣本公司三個月后是否違約(在KMV模型中,本文仍然借用LOGIT模型的表示方式,即0代表＊ST公司,1代表財務狀況良好的公司),得到結果如下:

表6 KMV模型預測準確率

具體來說,將＊ST公司誤判為非ST公司的概率為30%,將非ST公司誤判為ST公司的概率為25%,總體預測準確率為72.5%,預測準確率較高。

根據(jù)樣本公司2007年末數(shù)據(jù),應用KMV模型估算一年后是否違約,結果如下:

表7 KMV模型預測準確率

具體來說,將＊ST公司誤判為非ST公司的概率為35%,將非ST公司誤判為＊ST公司的概率為30%,總體預測準確率為67.5%,結果對于商業(yè)銀行有一定的參考意義。

為了研究KMV模型對于公司信用風險水平變化的追蹤能力,本文選取二組公司,每組四個。一組為＊ST公司,另一組為財務狀況良好的公司,進行比較分析。

結果發(fā)現(xiàn)＊ST公司位于違約距離均值以下或者違約距離有明顯下降趨勢;非ST公司位于違約距離均值以上或者違約距離有上升趨勢。

本文經(jīng)實證研究發(fā)現(xiàn),KMV模型有較好的追蹤我國上市公司信用風險水平變化的效果,但是對于違約情況預測準確率卻較低。

四、結論

(一)適用我國的信用風險度量模型

經(jīng)過實證研究發(fā)現(xiàn),LOGIT模型的預測準確率明顯高于KMV模型,在提前一年的情況下, LOGIT模型能夠以80%的準確率預測出公司是否會違約,而KMV模型對此的預測準確率僅約為70%,因此LOGIT模型可以更好地應用于預測我國企業(yè)是否違約。但是LOGIT模型沒有對企業(yè)的追蹤能力,無法像KMV模型一樣根據(jù)資本市場價值的變化及時做出反應,KMV模型具有較好的預測企業(yè)信用風險變化情況的能力,因此KMV模型可以應用于追蹤我國企業(yè)信用風險的變化趨勢,從而幫助商業(yè)銀行更好地預測企業(yè)是否會違約。我國商業(yè)銀行使用信用風險度量模型時,可以應用LOGIT模型作為預測模型,并應用KMV模型作為追蹤模型,當貸款企業(yè)的違約距離呈現(xiàn)出明顯的下降趨勢時,應引起商業(yè)銀行的高度重視。將LOGIT模型與KMV模型相結合是我國商業(yè)銀行度量信用風險的較好選擇。

圖3 ＊ST公司違約距離趨勢

圖4 非ST公司違約距離趨勢

(二)提高信用風險度量模型預測能力

首先,完善公司信用風險信息數(shù)據(jù)庫。信用風險度量模型的準確運用需要建立在大量公司信用信息的歷史數(shù)據(jù)基礎之上。我國商業(yè)銀行信用評級體系尚不健全,公司信用歷史數(shù)據(jù)積累不足,對于LOGIT模型而言,這會影響對模型本身的分析和評價;對KMV模型而言,這會影響公司違約點的設定和對于預期違約率的計算,因此對于信用風險度量模型的應用有著重要影響。

其次,加強對于證券市場及上市公司數(shù)據(jù)披露的監(jiān)管。LOGIT模型應用上市公司財務報表中的財務比率對信用風險水平進行計算,KMV模型應用上市公司的股本數(shù)據(jù)和違約點數(shù)據(jù)進行計算,這就要求上市公司的數(shù)據(jù)必須及時、準確、真實可靠。但是,近年來我國上市公司財務丑聞事件頻發(fā),上市公司財務數(shù)據(jù)失真一方面會直接影響信用風險度量模型的準確性,另一方面會引起市場參與者對于證券市場的不信任,影響證券市場的長期發(fā)展,因此不利于商業(yè)銀行使用上市公司的股本數(shù)據(jù)估算信用風險。

最后,建立外部評級體系,加強銀行間的交流與合作。我國外部評級機構還在起步發(fā)展階段,因此商業(yè)銀行難以直接應用外部評級機構所提供的信用數(shù)據(jù),這給巴塞爾新資本協(xié)議中內(nèi)部評級法初級法的應用帶來了一定困難,外部評級體系的建立有助于商業(yè)銀行應用內(nèi)部評級法。關于違約率和違約公司的數(shù)據(jù)是每個銀行的機密。但是過度保密可能制約銀行間關于信用風險度量的交流與合作,商業(yè)銀行可以通過開展研討會等形式,在不泄露本行機密的情況下加強銀行間關于違約數(shù)據(jù)積累和違約模型應用的交流與合作。這樣有利于我國商業(yè)銀行更好地應用信用風險度量模型。

[1]Beaver,W.,1967,“Financial Ratios as Predictors of Failures in Empirical Research in Accounting”,Supplement to the Journal of Accounting Research,vol.4.

[2]Altman,Edward I.,1968,“Discriminate Analysis and Prediction of Corporate Bankruptcy”,Journal ofFinance,Vol.9.

[3]Altman,Edward I.,Haldeman,Robert G,Narayanan, P.,1977,“ZETA Analysis”,Journal of Banking&Finance,Vol.6.

[4]吳世農(nóng),盧賢義.我國上市公司財務困境的預測模型研究[J].經(jīng)濟研究,2001,(06).

[5]沈沛龍,任若恩.我國商業(yè)銀行信用風險的度量與控制[J].北京航空航天大學學報,2000,(04).

[6]李萌,陳柳欽.基于BP神經(jīng)網(wǎng)絡的商業(yè)銀行信用風險識別實證分析[J].南京社會科學,2007,(01).

[7]都紅雯,楊威.我國對KMV模型實證研究中存在的若干問題及對策思考[J].國際金融研究,2004,(09).

[8]李萌.LOGIT模型在商業(yè)銀行信用風險評估中的應用研究[J].管理科學,2005,(04).

[9]Fischer Black,Myron Scholes,1973,“The Pricing of Options and Cooperate Liabilities”,The Journal of Political Economy,Vol.6.

[10]詹原瑞.銀行信用風險的現(xiàn)代度量與管理[M].北京:經(jīng)濟科學出版社,2004.

Abstract:Credit risk is the main risk taken by commercial banks.Credit risk measurement models include Expert Judgment,Credit Scoring,Neural Network Analysis as well as Modern Default Probability Model.In this paper,LOGIT model and KMV model are compared.The 28 indexes are selected to reflect the company’s profitability,operating capabilities,capital structure,solvency,growth ability and cash flows.Forward Stepwise Regression is used to establish LOGIT model,which can predict company default 1 year before actual default.Then Assets Values of KMV model is calculated,through GARCH-M model Asset Volatility is calculated,and then the default rates of sample companies are estimated.Finally we get the discriminating result.Through comparison we bring forward that LOGIT model is fit for discriminating,at the same time KMV model is better for tracing.These two models should be combining to judge credit risk level of corporation in debt.

Key words:credit risk;LOGIT mode;KMV model

責任編輯:許瑤麗

A Study on Credit Risk Measurement of Chinese Commercial Banks

SUN Ning-hua,LIU Yang
(School of Business,Nanjing University,Nanjing 210093,China)

F832.332

A

1672-0539(2011)03-017-08

2011-02-28

孫寧華(1968-),河南人,南京大學經(jīng)濟學院經(jīng)濟系副教授,經(jīng)濟學博士,康奈爾大學經(jīng)濟學系訪問學者,《經(jīng)濟研究》等雜志匿名審稿人;劉楊(1985-),黑龍江人,渣打銀行南京分行,南京大學經(jīng)濟系碩士研究生。