不完全信息下信用风险度量结构模型和应用研究

发布时间：2017-06-26 05:10

  本文关键词：不完全信息下信用风险度量结构模型和应用研究，由笔耕文化传播整理发布。

【摘要】：从20世纪90年代以来,金融危机在世界范围内频繁爆发,特别是2008年美国次级债危机,2009年希腊主权债务危机和从2010年发生持续至今的一系列欧洲主权债务危机。较大范围信用危机的一再发生表明,投资者和金融监管部门要反思现有的信用风险度量、控制和管理。除了从制度和市场层面的原因来分析信用危机频发的原因之外,也有学者(比如Guo L.(2013))提出,现有的信用产品定价机制存在一定的缺陷：忽视了“不完全信息”因素。正是这种忽视为信用危机的发生埋藏了技术性隐患。事实上,对“不完全信息”的忽视会导致对信用风险的低估,造成对违约概率、信用价差和违约传染等信用指标度量的偏差。从债券托管余额规模来看,中国已经成为全球第三大债券市场。然而,伴随着中国债券市场规模的快速增长和产品品种的不断的多样化,债券市场的信用违约风险不断累积。无论是2013年的债市监管风暴,还是2014年中国债券市场历史上首宗违约事件“11超日债”违约,都表明中国债券市场上存在严重的信息不完全问题,信息披露制度和信用债定价机制需要进一步的完善和市场化。另外,可以对冲信用风险的信用衍生品市场的发展也严重滞后。从微观层面来看,促进信用产品市场的健康发展,信用产品设计和定价是保障信用产品市场发展的技术因素。现有的信用风险度量理论和应用模型大都是以“完全信息”为基本假设,欧美一系列信用危机表明,完全信息假设条件下的信用风险模型,并非完全适用于金融市场较为发达的欧美等国,更无法被直接用于“信息不完全较为严重的”中国金融市场。因此,如何构建不完全信息条件下的信用风险度量的理论模型,如何对模型进行变量和参数的估计以及将其应用于信用风险的量化、定价和对冲,是一个具有理论和现实意义的课题。在现代信用风险度量理论框架下,量化信用风险的理论模型通常被划分成两类：信用风险简约模型和信用风险结构模型。简约模型没有考虑违约背后的经济学原因,建模的起点是直接假设违约强度服从某个随机过程,因此简约模型结果更多取决于对违约强度的人为设定,存在较大的模型设定风险。与之相反,信用风险结构模型,从描述企业本身的资本结构入手开始建模,它强调违约背后的经济学原因,这对于深刻理解企业信用风险的内在原因和债券市场上信用价差的变化机理更为有利。已有的信用风险结构模型大都是建立在“完全信息”假设之上,然而在实际的应用中,完全信息结构模型会遇到“信用价差之谜”的现象。造成这个现象的一个重要的原因就是：完全信息假设。Duffie and Lando(2001)首次提出并研究了信息质量在信用价差估计中的影响。他们假设企业的财务报告信息是含有噪声的,即投资者只能获得企业资产价值的不完全信息,然后从理论上导出了不完全信息下信用价差的估值公式。该模型解决了原有的结构模型自身固有的违约时间的可料性问题,推出了非零的短期信用价差,而且将结构模型和简约模型统一到了一个框架内,得到了一个结构-简约混合模型。此后一些学者开始探索信息结构对企业违约概率和债券定价的影响。但是,在现有的基于不完全信息的结构模型研究中,大都假设不完全信息源于无偏的财务报告,而在现实的市场上,财务报告信息通常是具有系统性偏倚的。本文将财务报告信息中的信息扭曲因素引入到信用风险结构模型中,利用“有偏分布”来捕获财务报告中存在的夸大或者隐瞒真实资产价值的现象,并且获得了存在信息偏误条件下资产价值的条件分布、企业的违约概率和企业所发行债券的信用价差的计算公式,最后利用数值模拟试验分析了信息的偏误程度对资产价值的条件分布、违约概率和信用价差的具体影响机制。数值模拟结果表明,在一个不确定性的环境中,由创造性的财务和自由裁量公开所导致的向上的偏倚会导致噪声和违约概率之间的一个正的、非线性的关系,从而进一步造成违约强度的上升。而由财务保守造成的向下偏倚会导致噪声和和违约概率(从而和信用价差)之间的负的、非线性的关系。而且通过假设向上的偏倚,模型不仅产生了一个正的短期信用风险溢价,而且也获得了整个的信用价差的期限结构内的非零的信用风险溢价。模型提供了在信息不完全环境下,更好的理解信用风险和资产价值不确定性之间的关系的新思路。另外,现实的财务报告公示制度中也客观存在信息公布时间滞后现象,这也会造成信息不完全。本文利用滞后信息滤波来描述证券市场上信息公布的时间滞后,给出了具体量化信息披露中的时间滞后特征的方法,推导了信息滞后下的违约概率和信用价差的理论计算公式。最后利用数值模拟试验分析了不同信息滞后期对违约概率、信用价差期限结构的具体影响机制。数值模拟分析结果显示,对于不同的到期日的债券来说,对信息披露的滞后期的影响是不同的：于1年期以内的短期债券,信息披露滞后期l的影响最大,对于3-5年期的中短期债券来说,信息披露滞后期l的影响较大,而对于5年以上的中长期债券来说,信息披露滞后期l的影响最小虽然在理论上,结构模型具有非常好的经济学含义和完美的数学模型形式。但是在将结构模型应用于实践时面临一个困难：资产价值和波动率的不可观测性,这是结构模型应用的根本障碍。现有的解决思路有Credit Monitor模型(KMV模型),数据转换MLE方法和迭代方法。但是,这三种方法应用的基本前提是：市场是完全信息的。首次提出不完全信息条件下估计企业资产价值的计量经济学方法的是D uan and Fulop(2009),他们在常数波动率Merton模型分析框架下引入了噪声信息,利用粒子滤波技术和状态变量拓展方法,获得了资产价值和模型参数的联合估计。不过该方法会导致静态参数估计的非稳定异化,这使得该方法存在较大的估计误差。本文放弃了状态变量拓展方法(SL-SIR滤波估计方法),利用基于粒子平滑的EM算法来获得模型参数的估计。数值模拟试验表明,PSEM算法可以克服SL-SIR滤波估计的静态参数的动态异化问题,而且LR检验表明PSEM估计具有较高的估计精度。最后利用超日太阳能企业实际数据对模型进行了实证分析,实证结果表明,在正常的市场环境中,该模型具有较强的适用性,本章模型可以准确的估计出不可观察的资产价值的变动,估计结果同现实的市场表现基本一致,从而为进一步进行企业债务信用风险的度量提供了有力的数据保障。此外,大量的实证研究表明,常数波动率假设会导致Merton模型在估计信用风险测度的时候存在较大的偏倚。本文在噪声信息环境下,在Merton模型中引入随机波动率构造了HSV-Merto n信用风险模型,给出了一个双状态变量的(资产价值和波动率)非线性、非高斯状态空间模型,设计了“双状态变量辅助粒子滤波(BV-APF)"算法来估计该模型的状态变量和模型参数。数值模拟试验结果显示,BV-APF粒子滤波技术具有良好的有限样本绩效。最后利用真实数据中进行了实证分析,将HSV-Merton模型的同Merton模型的估计进行了对比,并且利用噪声信息下的HSV-Merton模型进行了实际的信用风险测度,结果表明HSV-Merton模型比Merton模型更适合于中国市场上信用风险的测度。最后,本文还拓展了利用非线性滤波技术估计结构模型的思路,讨论了不完全信息下的更为一般的结构模型Black-Cox模型的计量经济学分析。特别的,利用粒子马尔科夫蒙特卡洛方法(PMCMC)和广义Gibbs抽样算法,对Black-Cox模型分析框架下所有的模型参数和资产过程进行了联合估计。数值模拟研究表明,广义Gibbs抽样方法可以成功的估计参数,尤其是对于模型的参数μ和σV更是如此。通过采用广义Gibbs抽样算法,能够提高所有的模型参数估计的收敛的速度。此外,利用市场噪声信息的相对程度和市场流动性的两个代理变量之间的相关系数符号,我们说明了如何根据波动率精确的反映真实市场的性质。最后利用实际数据对噪声信息下的Black-Cox模型进行了实证检验,分析结果表明本文的模型可以作为在不完全信息较为严重的环境中,有效的测度企业的违约风险和预测债券的信用价差。
【关键词】：不完全信息 信用风险结构模型 粒子滤波技术 数值模拟 实证分析
【学位授予单位】：山东大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：F832.51;F224
【目录】：

• 摘要14-18
• ABSTRACT18-21
• 第1章 绪论21-32
• 1.1 问题的提出21-24
• 1.1.1 欧美债务危机、中国信用产品市场与信用风险度量21-22
• 1.1.2 信用风险结构模型“理论研究”的不足和启示22-23
• 1.1.3 信用风险结构模型的“应用困境”和解决思路23-24
• 1.2 主要概念的界定24-25
• 1.3 研究方法与研究思路25-29
• 1.4 论文的创新与不足29-32
• 第2章 信用风险结构模型理论与应用研究进展及其评述32-46
• 2.1 信用风险结构模型的“理论研究”进展32-38
• 2.1.1 完全信息下的结构模型32-36
• 2.1.2 不完全信息下的结构模型36-38
• 2.2 信用风险结构模型的“应用研究”进展38-44
• 2.2.1 Credit Monitor模型(KMV模型)39-42
• 2.2.2 数据转换极大似然估计42-43
• 2.2.3 DF粒子滤波方法43-44
• 2.3 对信用风险结构模型研究的评述44-45
• 2.4 本章小节45-46
• 第3章 信用风险度量中的不完全信息与定量刻画46-57
• 3.1 经济金融活动中的不完全信息46-48
• 3.1.1 信息不完全与信息经济学46-47
• 3.1.2 信用风险与信息不完全47-48
• 3.2 对金融市场微观主体信息的重新界定48-55
• 3.2.1 券市场信息披露的三个基本要求49-50
• 3.2.2 对不完全信息的三类划分和界定50-52
• 3.2.3 微观经济主体信息的定量刻画52-55
• 3.3 本章小结55-57
• 第4章 有偏噪声信息和谦后信息下信用风险结构模型57-77
• 4.1 有偏噪声信息下的信用风险结构模型57-67
• 4.1.1 模型的基本设定和财务信息偏误58-61
• 4.1.2 财务信息偏误下的违约概率、债券定价和信用价差61-63
• 4.1.3 信息偏误对信用风险度量影响的数值分析63-67
• 4.2 滞后信息下的信用风险结构模型67-75
• 4.2.1 基本模型设定和信息披露滞后68-70
• 4.2.2 信息滞后下的违约概率、债券定价和信用价差70-71
• 4.2.3 信息滞后对信用风险度量影响的数值分析71-75
• 4.3 本章小结75-77
• 第5章 不完全信息下信用风险结构模型的应用分析77-83
• 5.1 结构模型应用的关键变量——资产价值和波动率77-78
• 5.2 不完全信息下资产价值和波动率的状态空间模型78-81
• 5.2.1 基于经典Merton模型的资产价值的状态空间模型78-79
• 5.2.2 基于HSV-Merton模型的资产价值和波动率的状态空间模型79-80
• 5.2.3 基于Black-Cox模型的资产价值的状态空间模型80-81
• 5.3 本章小结81-83
• 第6章 状态空间模型与粒子滤波技术83-122
• 6.1 状态空间模型的一般形式83-85
• 6.2 状态变量的贝叶斯滤波和平滑85-90
• 6.2.1 递归贝叶斯滤波85-89
• 6.2.2 递归贝叶斯平滑89-90
• 6.3 基于粒子滤波的滤波分布估计90-101
• 6.3.1 标准粒子滤波91-97
• 6.3.2 辅助粒子滤波97-99
• 6.3.3 LC粒子滤波99-100
• 6.3.4 粒子滤波性能评估100-101
• 6.4 基于粒子滤波的平滑分布估计101-103
• 6.4.1 粒子平滑101-102
• 6.4.2 向后-模拟粒子平滑102-103
• 6.5 基于粒子滤波的静态参数估计103-118
• 6.5.1 参数的后验分布和最大后验点估计104-106
• 6.5.2 参数估计的粒子EM算法(P-EM)106-111
• 6.5.3 参数估计的粒子MCMC(PMCMC)111-115
• 6.5.4 参数估计的状态扩展法115-118
• 6.6 基于粒子滤波的时变参数估计118-121
• 6.7 本章小结121-122
• 第7章 不完全信息下Merton模型的粒子滤波估计122-142
• 7.1 不完全信息下资产价值的状态空间模型122-125
• 7.1.1 经典的Merton模型123-124
• 7.1.2 资产价值的非线性状态空间模型124-125
• 7.2 资产价值的粒子滤波估计125-128
• 7.2.1 资产价值的贝叶斯滤波125-126
• 7.2.2 资产价值的粒子滤波估计126-128
• 7.3 模型参数的粒子平滑EM估计128-136
• 7.3.1 E步：计算联合似然函数的期望值129-132
• 7.3.2 M步：最大化期望值132-133
• 7.3.3 粒子平滑EM算法的数值模拟分析133-136
• 7.4 实证分析136-140
• 7.4.1 数据的选择和初始参数值的设定136-137
• 7.4.2 模型参数估计结果和分析137-140
• 7.5 不完全信息Merton模型的应用：信用风险测度140
• 7.6 本章小结140-142
• 第8章 不完全信息下HSV-Merton模型的粒子滤波估计142-162
• 8.1 噪声信息下具有Heston随机波动的Merton模型142-145
• 8.1.1 具有Heston随机波动的Merton模型142-144
• 8.1.2 噪声信息下的HSV-Merton模型144-145
• 8.2 HSV-Merton模型的粒子滤波估计145-150
• 8.2.1 双状态变量的辅助粒子滤波算法146-148
• 8.2.2 状态变量和模型参数的联合估计148-150
• 8.3 数值模拟研究150-153
• 8.4 实证分析和结果153-159
• 8.4.1 数据描述和初始值设定153-155
• 8.4.2 模型参数估计155-158
• 8.4.3 模型估计的绩效分析158-159
• 8.5 不完全信息HSV-Merton模型的应用：信用风险测度159-161
• 8.6 本章小结161-162
• 第9章 不完全信息下Black-Cox模型的粒子滤波估计162-184
• 9.1 均值回复噪声信息下的Black-Cox模型163-167
• 9.1.1 资产价值的一般状态空间模型163-165
• 9.1.2 均值回复噪声信息过程165
• 9.1.3 基于Black-Cox模型的股票对数价格165-167
• 9.2 资产价值的粒子滤波估计167-171
• 9.2.1 资产价值的粒子滤波估计168-169
• 9.2.2 数值模拟分析169-171
• 9.3 资产价值和参数的联合滤波估计171-177
• 9.3.1 广义Gibbs估计171-173
• 9.3.2 数值模拟分析173-177
• 9.4 实证分析和实际的信用风险度量177-182
• 9.4.1 数据的选择和参数估计结果177-179
• 9.4.2 噪声信息下的信用价差179-182
• 9.5 本章小结182-184
• 第10章 研究结论、政策建议与研究展望184-190
• 10.1 研究结论184-185
• 10.2 论文的政策建议185-188
• 10.3 对未来研究的展望188-190
• 附录190-191
• 参考文献191-203
• 致谢203-205
• 攻读博士学位期间发表论文情况205-206
• 附表206

【参考文献】

中国期刊全文数据库 前10条

1 张泽京;陈晓红;王傅强;;基于KMV模型的我国中小上市公司信用风险研究[J];财经研究;2007年11期

2 袁瑞英;;会计信息透明度对信用风险影响研究[J];财会通讯;2014年24期

3 杨小军;潘泉;王睿;张洪才;;粒子滤波进展与展望[J];控制理论与应用;2006年02期

4 潘秀娟;杨宝臣;;基于泰勒线性化的信用债券的定价及实证分析[J];宏观经济研究;2014年07期

5 吴建华;王新军;张颖;;企业信息披露滞后对债券违约风险影响的量化分析[J];金融经济学研究;2014年06期

6 唐齐鸣;黄苒;;中国上市公司违约风险的测度与分析——跳—扩散模型的应用[J];数量经济技术经济研究;2010年10期

7 马若微;;KMV模型运用于中国上市公司财务困境预警的实证检验[J];数理统计与管理;2006年05期

8 马婷;吴刘仓;黄丽;;基于偏正态分布联合位置、尺度与偏度模型的极大似然估计[J];数理统计与管理;2013年03期

9 夏红芳;马俊海;;基于KMV模型的上市公司信用风险预测[J];预测;2008年06期

10 曾诗鸿;王芳;;基于KMV模型的制造业上市公司信用风险评价研究[J];预测;2013年02期

  本文关键词：不完全信息下信用风险度量结构模型和应用研究，由笔耕文化传播整理发布。

，

本文编号：484900