我国上市公司信用风险的实证的研究.doc

. . MACROBUTTON MTEditEquationSection2 SEQ MTEqn \r \h \* MERGEFORMAT SEQ MTSec \r 1 \h \* MERGEFORMAT SEQ MTChap \r 1 \h \* MERGEFORMAT 我国上市公司信用风险的实证研究 —基于判别分析和Logistic模型的比较分析 摘要：随着上市公司信用问题的凸现和信用危机的频发，对其进行信用风险分析日渐受到投资者和投资主体的广泛关注。本文鉴于我国信用风险分析方法的发展现状以及识别企业财务风险的重要性，结合我国上市公司的现实情况，通过设计有效的指标体系，运用我国上市公司的2009年的一些财务数据，建立上市公司信用评价模型进行判别和分析，实证研究得出对我国上市公司信用风险分析，Logistic回归模型优于判别分析模型。 关键词：上市公司 信用风险 判别分析 Logistic模型 上市公司是证券市场的基石，其行为的规范与否及其财务状况的好坏将直接影响到证券市场的发展和投资者的利益。自1990年12月19日上海证券交易所成立以来，我国证券市场规模迅速扩大，已成为我国国民经济的重要组成部分。近年来，随着证券市场规模的扩大，上市公司所暴露出来的问题也越来越多。上市公司良莠不齐，部分上市公司利用市场本身法规的不健全和监管的不成熟恶意造假发布虚假信息，以达到包装上市或配股或重组的目的。由于上市公司一般需经较严格的准入审查，故各银行普遍对上市公司存在偏好。由于优质客户有限，过度竞争便成为银行争夺上市公司的普遍现象，从而使得信用风险加剧。很多辉煌一时的上市公司瞬间轰然倒塌引发银行界“多米诺骨牌效应”的事实提醒国内银行界必须谨慎对上市公司授信。如何客观评价一个企业财务经营状况的好坏，使企业财务状况还未发展到恶化的时候，就能揭示其潜在的风险，预示其危机的发生，提前向经营者发出警告，避免严重的财务危机真正发生，显得格外重要。鉴于我国信用风险分析方法的发展现状以及识别企业财务风险的重要性，本文将利用多元统计分析中的判别分析、Logistic回归模型以及主成分分析方法，结合我国上市公司的2009年的一些财务数据，建立上市公司信用评价模型进行判别和分析，研究其计算结果与实际情况的差距，并比较判别分析和Logistic回归模型的判别准确率及预警效果。 几种信用风险度量模型的比较分析 信用风险的度量，在国际上尚未形成成熟的模型。国际上主流信用风险度量方法和模型也都有各自的优缺点。 一般认为，传统信用分析方法和信用评级方法简便易行，对数据的要求不是很严格。但是这两种方法主观性较强，不同评级机构或者不同专家对同一对象的分析可能得出不同的结论，评级结果的公正性也受到多种因素的影响。 多元判别分析法可以找到具有判别能力的财务比率、能够衡量企业的整体绩效。但是，这种方法要求变量符合正态分布、变量和信用风险之间呈现线性关系的假设，使得多元判别分析模型仅适用于有准确财务数据的公司，即公司有一定的规模，发展相对比较成熟，对中小企业的适用性则较差。 KMV模型适用于对上市公司的信用风险评估；另外，该模型基本上属于一种静态模型，但实际情况绝非如此，尤其是中小企业，由于发展不成熟，企业的资本结构在不断发生变化。因此将KMV模型运用到国内中小企业信用风险管理工作仍不适合。 神经网络模型的运行模型对于弱化权重确定重的人为因素十分有益、具有很强的容错能力、还能处理复杂的非线性关系问题。但是，要得到一个较好的神经网络结构非常耗费人力和时间。一般认为，神经网络模型适用于授信后评价过程，较少用于信用评价前期。 CreditMetric模型度量对同经济环境、不同宏观条件下信用等级转移概率是固定的假设会引起评估结果偏差。1997年麦肯锡公司提出信用组合观点(CreditPortfolio View)对信用等级转移概率矩阵进行修正，但该模型的操作比较复杂，稳定性较差，仍需继续完善。 传统的线性统计模型以信用风险与相关财务信息的线性关系假设为前提，Logistic模型则摆脱了这一约束，并且可以直接计算出企业下一时期的违约概率预测值。与多元判别分析法相比，Logistic回归模型更为灵活，而与其他信用风险模型相比，Logisitic回归模型相对简单且具有较好的经济含义，因此Logistic回归模型实用性较强，适用于各类具有一定数据基础的客户违约概率的计算。 研究方法和样本数据 2.1研究样本的选取 传统方法将上市公司股票中的的ST股视为违约公司，非ST股为正常公司。1998年3月中国证监会要求证券交易所对“财务状况异常”的上市公司实行股票的特别处理（Special Treatment，简称ST），因此ST公司的财务数据可以替代度量企业的信用违约风险。本文模型总样本包