基于Logistic-KMV模型的制造业上市公司信用风险评估研究

发布时间：2020-06-17 11:40

【摘要】：随着信用风险的多样化、复杂化,企业融资问题日益受到监管层和国内银行等金融机构的关注。而制造业作为支撑国民经济的标志性产业,它们创造财富的能力直接影响着我国经济的总体发展情况。在此背景下,深入地研究我国制造业上市公司的信用风险,并选择合适的评估模型和指标体系来更加科学地衡量企业信用风险,具有高度的理论意义和现实意义。本文从研究背景和意义出发,通过国内外文献的回顾,首先阐述了信用风险概念和特征等理论知识,并依次介绍了三个阶段信用风险评估方法的基本原理和框架,然后分别讨论了现有理论模型在我国的适用性,并对我国制造业上市公司信用风险的现状、特征及其产生的原因进行了阐释。通过比较分析,得出Logistic模型和KMV模型相结合能够较好地评估我国制造业上市公司信用风险的结论。接下来,本文从我国沪深两市中选出了90家制造业上市公司组成研究样本来进行实证分析。在对数据来源等进行说明后,本文基于主成分分析法对23个初步选取的指标变量实现降维处理,得到了8个主成分并以此来构建Logistic模型,进行应用和检验。接着又将通过KMV模型求得的违约距离引入到原有模型中,形成Logistic-KMV模型,在此基础上通过回归,观察加入违约距离之后的混合模型对我国制造业上市公司信用风险评估的效果,根据模型结果来判定企业是否有违约风险,并对其准确性进行检验。最后,在对全部内容进行概括总结的基础上,本文从多个方面就制造业上市公司信用风险评估提出了相应的政策建议。在研究方法上,本文采用了文献研究法、统计分析法和系统分析法相结合的方式,理论与实证并重,并且实际问题研究中着重采用定量分析。实证结果表明,构建的混合模型具有较好预测效果,适合于我国制造业上市公司信用风险现状,具有一定的实用性。
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F832.51
【图文】：

概率分布,神经网络结构

在实际使用时，银行等金融机构会基于其风险偏好和经验设定一个概率临界值。与线性的多元判别模型相比，Logistic 模型在统计假设上未对变量设置，并不强制要求任何的概率分布，所需复杂参数较少，操作起来也相对便。同时，Logistic 模型在有关文献的实证分析中依旧显现出其较高的，在测算违约概率时具备良好的适用性，因而评估企业信用风险时可以到 Logistic 模型在其中的运用。3.神经网络模型神经网络模型是模拟人类神经系统运作过程的一种智能化的信息处理技作原理类似于人类大脑的一些基本功能，能够自行学习和记忆，解决繁性问题，并且不受到假设前提的严格限制。从结构上来看，神经网络由隐含层和输出层组成。其中，输入层从整个结构外部接收并提供输入，输入层或者相同层级另外的节点接收输入后为输出层提供输入，输出层输入的收尾阶段并最终产生输出，如图 2.2 所示。

框架图,框架,风险度量模型,现代信用

法结合经济理论给出具体的原因，因而该模型的使用效果会大打折扣，准确稳定性还有待进一步提升。另外，信用评分模型还可以通过分类树法、数学规划法等多种不同的方法立，具体要根据实际情况而定。.2.3 现代信用风险度量模型随着经济全球化进程的加快，金融市场开放程度也在不断加强，频发的金机使得信用风险度量日益被各大银行和监管机构重视。20 世纪 90 年代以来来越多的公司和学者开始关注并成功研发了一系列信用风险评估模型。其中认比较流行的现代信用风险度量模型有 KMV 模型、Credit Metrics 模型、Creisk+模型和 Credit Portfolio View 模型等。1.KMV 模型KMV 公司在 20 世纪 90 年代提出了衡量违约概率的 KMV 模型，用于预测券市场公开上市的公司或银行等金融机构违约的可能性大小，其基本思想框图 2.3 所示。

【参考文献】