上市公司信用风险测度评价

1、    上市公司信用风险测度评价    李耀 摘 要：以我国沪深a股上市公司作为研究对象，提取2017年的90家上市公司为样本，在模型上进行了两个阶段扩展，最先根据我国的情况对kmv模型进行调整，运用kmv模型计算样本的违约距离dd，初步判断该指标对st公司和非st公司的区分能力;然后将违约距离dd当作一个变量与其他筛选后变量引入logistic模型中构成的logistic模型。实证显示，纳入违约距离dd后，logistic模型对st和非st公司的判别准确度相较于单独的违约距离dd提高了很多。关键词：kmv模型;信用风险;logistic模型一、研究背景

2、随着经济的发展，资本市场也日益发展壮大，金融的经济地位也与日俱增，资本市场已然成为企业募集资金的场所，投资者也可以在资本市场进行操作来获得回报，所以企业的财务状况常常受到管理当局、投资者等利益相关者的密切关注，但随着经济全球化和大数据时代的到来，市场竞争也越来越残酷，不少企业发展举步维艰，就可能会陷入到财务危机中，然而企业发生财务危机也不是毫无征兆的，是一个渐渐地过程，而且是可以预测的，正确预测企业的财务风险，对保护投资者和债权人利益，对公司管理层面预防危机和改善治理，对政府监管，更好对市场监督和管理资本市场，都有重要的意义。二、文献回顾中国证券市场近些年才发展起来，而国外比较成熟，国内学者对

3、财务困境预测研究还处在研究初始阶段，大多学者也是沿用国外的研究模式。邹鑫，李莉莉，房琳（2014），用29家上市公司的数据作为样本，研究其信用风险，使用了kmv模型与logit模型展开了研究，从总体效果来看，kmv模型的预测精度不高于logit模型的预测精度。孙森，王玲（2014），将kmv模型与logit回归模型相结合，对在沪市随机选取的68家上市制造业的连约风险进行了实证分析，最终得出模型判定率较高的结论。蒋彧，高瑜（2015），对kmv模型参数的估计与设定方法进行修正。随后运用修正后的kmv模型，对2014年2月中国2008家上市公司的信用风险进行评估，并对模型识别和预测信用风险的能力进

4、行检验。最终得出：修正后的kmv模型具有良好的上市公司信用风险识别能力;在特定的评估时长下，模型具有较强的信用风险预测能力。杨秀云，蒋园园，段珍珍（2016），基于定性和定量分析相结合，对kmv模型、credit metrics模型、credit risk+模型和credit portfolio view模型四种信用风险管理方法进行比较分析，认为kmv模型最适合我国目前的国情。以2013年45家st公司和与之配对的45家非st公司以及2014年20家st公司和与之配对的20家非st公司为样本，进行实证检验。实证结果表明kmv模型基本上能够识别上市公司的信用状况。李晟，张宇航（2016），选取了

5、20102015年间我国16家上市商业银行作为样本，运用kmv模型计算出每个商业银行的违约距离，随后通过面板数据对于影响违约距离的主要因素进行了回归分析。结果表明，国有银行相對于非国有银行而言其信用风险相对较低，而商业银行的总不良贷款率、贷存比以及资产规模对于商业银行的信用风险有着较为显著的影响。三、实证方案（一）kmv模型的样本选取因我国破产机制不完善，所以以st公司来代表财务困境公司，本文选取截至2017年12月31日为止，45只特别处理股票作为违约样本组和行业一致的45只正常股票作为非违约配对样本组进行研究。所需指标主要有：以对数收益法计算的以日为周期的年化波动率、流通股股数、非流通股股

6、数、每股净资产、2017.12.31股票收盘价、短期负债、长期负债。（二）kmv模型分析违约点设置为=短期负债+1/2长期负债股权市场价值=流通股股数*股票收盘价+非流通股股数*每股净资产通过matlab计算资产价值、资产价值波动率和违约距离。得到了90家上市公司的违约距离，我们将st组和非st组的违约距离对比可以发现，st组的违约距离明显小于其同行业相近资产规模的非st组的违约距离。在上述45对公司中有36对判断正确，准确率高达80%，说明kmv模型能够较好的判断出违约组公司和非违约组公司。上述违约组的平均违约距离为3.681022，非违约组的平均违约距离为45.60495771，两者表现出

7、极大差异。现实中st公司由于经营状况不好，业绩下滑，很可能出现资不抵债信用违约情况，实证结果和实际情况符合。（三）违约距离的t检验样本相关系数p（sig）=0.959>0.05证明st组和非st组之间无相关关系。成对样本检验p=0.157>0.05，证明两组之间存在显著差异，进而证明kmv模型有较好的信用风险识别能力。（四）logistic模型的样本选取选用kmv模型的90家上市公司为研究对象。其中包含45家违约企业和45家非违约企业。选取了x1资产负债率、x2流动比率、x3速动比率、x4销售毛利率、x5普通股权益总额（亿元）、x6股价波动率（年化）、x7净利润/营业总收入、x8总

8、资产报酬率roa、x9流动负债合计（亿元）、x10非流动负债合计（亿元）、x11现金比率、x12经营活动产生的现金流量净额/负债合计、x13 长期债务与营运资金比率、x14 货币资金/短期债务、x15应收账款周转率、x16营运资本周转率、x17经营活动净收益/利润总额、x18 经营活动产生的现金流量净额/营业利润、x19现金营运指数、x20 总资产周转率、x21应付账款周转率、x22存货周转率、x23 经营活动产生的现金流量净额/营业收入、x24 每股现金流量净额（元）、x25 归属母公司股东的权益（相对年初增长率）、x26净利润（同比增长率）、x27营业收入（同比增长率）、x28前十大股东持

9、股比例合计、x29第一流通股东持股比例、x30每股净资产bps（元）、x31第一大股东持股比例。（五）样本进行mann-whitneyu检验采用两独立样本的mann-whitneyu检验来检验样本来自的两独立总体的均值和分布有无显著差异。spss将自动计算mann-whitneyu统计量，在0.05的显著性水平下，若p<0.05，则拒绝原假设：认为该指标对st公司和非st公司具有显著区分能力，结果其中变量x9，x10，x11，x14，x15，x16，x19，x22，x24，x26，x27，x29没有通过显著性差异检验，即这12个变量对st公司和非st公司并没有显著区分能力，故而可以从基础

10、指标中剔除。因x12、x17缺失值较多，故也剔除。（六）引入违约距离的logistic信用违约模型因变量较多，而指标之间存在相关性而对模型稳健性产生不好影响，在不能盲目删减指标的情况下，用因子分析法对变量就行降维，浓缩成几个互不相关的因子。最后提取出7个主因子，总方差解释率为72.19%，总体效果较好。为了更好地观察变量因子，根据因子载荷较大的数值分布对得到的7个共同因子命名。共同因子（f1）在流动比率、速动比率上因子载荷较大，将因子1命名为短期偿债能力。共同因子（f2）在资产负债率、普通股权益总额、每股净资产上因子载荷较大，将因子2命名为权益因子。共同因子（f3）在违约距离上因子载荷较大，因

11、此将因子3命名为违约距离。共同因子（f4）在净利润/营业总收入、经营活动产生的现金流量净额/营业收入上因子载荷较大，因此将因子4命名收益结构因子。共同因子（f5）在股价波动率、总资产报酬率、归属于母公司股东的权益上因子载荷较大，因此将因子5命名为权益波动因子。共同因子（f6）在经营活动产生的现金流量净额/负债、经营活动产生的现金流量净额/营业利润上因子载荷较大，因此将因子6命名为经营现金流。共同因子（f7）在总资产周转率、应付账款周转率上因子载荷较大，因此将因子7，命名为经营周转因子。基于上述7个共同因子的logistic模型采用enter进行logistic回归，回归结果：lnp1-p=0.

12、37f1+0.1631f2+2.161f3+0.112f4+2.122f5+0.0662f6+0.774f7+0.161最后得到的预测精度为85.6%。四、结论通过对上述实证分析的总结，能够得出以下四条结论：一、上市公司的财务状况的变动能够通过违约距离比较客观地体现。二、本文的均值差异主要是通过两个m-w的独立样本来检验的，结果表明余下18个指标在0.05的显著性水平下完成了检验，即表明其能够明显区分出财务异常公司和财务正常公司。三、违约距离除了能够客观体现上市公司的财务变动情况，另一方面，对模型的辨别能力也具有一定程度的提升促进作用。上述结果也能够验证违约距离的加入显著提升了辨别精度。四、相对精准的logistic模型可以通过因子分析得到的7个共同因子而建立。如本文通过该途径所建立的logistic模型能够85.6%的精准度总体预测财务困境公司。参考文献：1邹鑫，李莉莉，房琳.基于logit和kmv的我国上市公司信用风险的比较研究j.青爲大学学报（自然科学版），20