基于修正后的KMV_Logit模型对制造业上市公司信用风险的实证研究

发布时间：2020-05-12 13:15

【摘要】：制造业是我国工业的主体,在我国的宏观经济中占据着重要的份额。我国制造业发展速度快,其增长的速度比整个世界的平均增长水平快,规模不断扩大。2015年5月政府制定的“十三五”规划中,提出了要实行《中国制造二0二五》,实现中国制造业强国的目标。然而,现如今这个阶段,我国的制造业面临一些挑战。内外两大红利消退,使得企业升级缓慢,融资困难。这样的环境致使了制造业企业经营状况恶化,风险抵御能力较差,存在一定的信用风险问题。因此,制造业上市公司的信用风险问题成了广泛关注的热点话题之一。提前预测信用风险,准确测度它的规模大小,对最大限度地化解信用风险隐患,具有十分重要的意义。本文尝试参考和学习国内外的信用风险管理办法和技术,对不同模型在我国的适用性进行研究,并根据我国的具体情况对模型加以适当的修正,建立适合我国制造业上市公司实际状况的信用风险度量模型。首先,通过对KMV模型加以改进,并应用于制造业进行研究。改进方法包含以更高的长期负债权重修正的违约点,以及以更加灵活适用的GARCH(1,1)修正的股权价值波动率。发现模型预测效果不够理想,预警时间仅为一年,但其违约距离可以作为单独的变量衡量上市公司违约可能性。其次,通过Logit模型与加入违约距离作为自变量的KMV_Logit模型的对比分析,得到KMV_Logit模型的预测效果更好的结论。说明该变量的加入确实提升了风险估计的效果,预警时间为提前一至三年。从模型的选择上来说,KMV_Logit模型是首选。Logit模型效果稍弱,但与KMV模型相较仍更优些。在提前三年做预测时,Logit模型比KMV_Logit模型更好些,说明违约距离在T-3年时不足以发现风险问题。在长期预测中,Logit模型反而是更合适的模型。最后,从预测时间的角度来说,不论是KMV模型、Logit模型抑或是添加了违约距离变量的KMV_Logit模型,它们的预测效果都随时间长度变长而逐渐变差,T-1年最好。
【图文】：

概率值

．从图中不难看出，Ｌｏｇｉｔ变化中胜算比与概率值是唯一对应的，因此可以利用逡逑求取逆对数来求得概率值，逡逑ｎｆｘ（３．１４）逡逑Ｖ逦ｌ＋ｅｘｐＣ＾！＾）逡逑

序列,对数收益率,序列,自相关性

相关性检验。金融时间序列通常不存在自相关性，但为以防万一，逡逑仍然对序列的进行相关性检验，，再考虑是否需要引入自相关性的描述部分。本文逡逑采用Ｌｊｕｎｇ－Ｂｏｘ方法检验序列自相关性。＊ＳＴ宝实的收益率序列的Ｌｊｕｎｇ－Ｂｏｘ检逡逑验的Ｘ－ｓｑｕａｒｅｄ的值为９．３４４４，ｐ值为０．６０８０，远远大于０．０５，认为序列不存在逡逑自相关。逡逑第三步，正态性检验。实际对于所有样本的正态性检验中，只采用Ｓｈａｐｉｒｏ－逡逑Ｗｉｌｋ检验的ｐ值作判断。而此处为了更直观地说明正态性，对例子＊ＳＴ宝实同时逡逑采用ＱＱ图和Ｓｈａｐｉｒｏ－Ｗｉｌｋ检验来说明。图４．２中Ｑ－Ｑ图显示样本分位数点与理逡逑
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F425;F832.51

【参考文献】