修正KMV棋型A股信用风险评估的适用性分析

发布时间：2020-07-31 16:34

【摘要】：近年来,我国债券市场总量不断扩大,到2018年年末,我国债市总余额为86万亿元,债券融资成为企业的重要融资渠道。但2018年以来,随着金融监管和政府监管的同步趋严,企业的经营融资都出现了一定的困难,多方面压力下出现了打破刚性兑付以来最大的债券集中违约潮,新增违约主体43家,且其中包括了许多大中型的民企上市公司。而上市公司通常规模巨大,利益相关者众多,违约之后造成的损失和连锁反应通常难以估量,因此,防控由于中大型上市公司违约可能引发的范围性、系统性风险,应当成为目前打好防范化解重大风险攻坚战的重要工作之一。而要想有效防控在债券违约逐步走向常态化背景下的信用风险问题,就必须建立起一套动态有效的风险监测体系从而提高评级机构提前识别违约风险的能力。现有的信用风险度量方法中,KMV模型的独特之处在于仅需要利用资本市场的动态数据而不直接依赖于信用历史数据,因此,研究KMV模型在我国的证券市场的适用性,对于帮助建立健全完善的本土评级体系具有重要的价值。本文围绕2018年新增的15家实质性违约的A股上市公司的信用状况,同时在A股上市公司中随机选取了 15家“ST”公司和15家主体评级为“AAA”的公司作为对照,利用KMV模型对三组上市公司的信用风险进行实证研究,通过对三组样本的预期违约概率计算、分析和对比,研究KMV模型评估A股上市公司信用风险的适用性。另外,本文引入了经粒子群算法优化过的PSO-KMV模型,用PSO-KMV模型对三组上市公司进行了相同的处理,横向比较了 KMV模型下和PSO-KMV模型下三组上市公司的违约距离和预期违约概率。作为补充,本文还对高杠杆的房地产企业进行了针对性的信用风险评估。本文研究发现,KMV模型能够识别出实质性违约组、ST组、AAA组的信用风险差异,三组上市公司样本的违约距离顺序增大,预期违约概率顺序降低;粒子群算法优化后的PSO-KMV模型对上市公司的违约风险比KMV模型更敏感,因此能够明显提高信用风险预测的精度,特别是对于实质性违约组的违约预测准确度很高;KMV模型下,5家主体评级均为AAA且规模较大的房地产企业表现十分一致,预期违约概率均接近1,说明房地产行业的高杠杆蕴含了很高的违约风险。
【学位授予单位】：华中师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51;F275
【图文】：

信用评级,评级体系,实质性,矩阵

石贞士学位论文逡逑夕邋ＭＡＳＴＥＲ’Ｓ邋ＴＨＥＳＩＳ逡逑级别的概率矩阵。而该模型中的违约概念不同于ＫＭＶ模型，ＫＭＶ模型中给出的逡逑预期违约概率是发生实质性违约的违约概率，而Ｃｒｅｄｉｔ－Ｍｅｔｒｉｃｓ模型中的违约既包括逡逑实质性违约，也包括债务价值的下跌。逡逑￣￣

原理图,框架,原理图,公司资产

图３．邋１邋ＫＭＶ原理图逡逑．２邋ＫＭＶ模型的前提假设逡逑Ｖ模型的框架是建立在Ｍｅｒｔｏｎ模型的基础上，因此要求满足ＢＳＭ：逡逑公司资产价格变动服从几何布朗运动＋邋ａｒａｗ，其中？和波动项，％是一个标准的维纳过程，满足TN？＃（0，０；逡逑无交易费用和税收，公司资产价格变动连续，证券可以无限分割；逡逑不存在无风险套利机会；逡逑短期无风险利率为常数。逡逑权有效期内不支付红利或其他收益逡逑述基本假设外，还需满足：逡逑业违约等价于企业资产价值小于债务，即不考虑企业的还款意愿只款能力，不考虑信息不对称情况下的道德风险；逡逑业资本结构仅包括所有者权益、短期负债、长期负债；逡逑

框架图,思路,框架,模型

图３．邋２邋ＫＭＶ模型思路框架逡逑３．邋３邋ＰＳＯ－ＫＭＶ邋模型逡逑ＰＳＯ－ＫＭＶ模型由Ｚｈａｎｇ和Ｓｈｉ邋（２０１５）提出的。他们使用粒子群算法（和最大似然估计对ＫＭＶ模型进行了优化，给出了针对我国证券市场的最优和限售股的折价率。本文拟在实证中，将ＰＳＯ－ＫＭＶ模型作为补充，来验证ＰＳＯ模型评估上市公司信用风险的有效性，并比较普通ＫＭＶ模型和ＰＳＯ－ＫＭＶ预测精度。逡逑３．３．１粒子群算法逡逑粒子群算法（Ｐａｒｔｉｃｌｅ邋Ｓｗａｒｍ邋Ｏｐｔｉｍｉｚａｔｉｏｎ），又叫鸟群觅食算法，是一种的搜索优化算法，由Ｋｅｎｎｅｄｙ和Ｅｂｅｒｈａｒｔ于１９９５年基于对鸟群觅食行为的出的。该算法的计算效率高，系数的平稳性强，且收敛比较容易。逡逑假设在一个Ｄ维搜索空间中，有Ｎ个粒子随机均匀初始化过的粒子，这有自己随机的位置和速度，即粒子ｉ被赋予了一个位置向量和一个速度向量：逡逑Ｘｉ邋＝邋｛ｘｎ，ｘｉ２，．．．，ｘｉＤｙ邋＼＊邋ＭＥＲＧＥＦＯＲＭＡ

【相似文献】