基于SV—KMV模型的信用风险度量研究.docVIP

基于SV—KMV模型的信用风险度量研究 　　摘要：KMV模型是度量信用风险的主要模型，股权价值波动率是KMV模型的重要参数，应用改进KMV模型GARCH-KMV模型与SV-KMV模型对中国上市公司信用质量的实证研究表明：股权价值波动与KMV模型的结果违约距离高度负相关；GARCH-KMV与SV-KMV模型均能度量上市公司信用状况，但SV-KMV模型比GARCH-KMV模型度量效果更好。 　　关键词：信用风险；KMV信用风险模型；违约距离；GARCH模型；SV模型 　　中图分类号：F830.9 文献标识码：A 文章编号：1003-3890（2013）07-0059-08 　　一、引言 　　自2008年美国次贷危机以来，各国金融机构及监管部门越来越重视信用风险的管理。准确的度量信用风险是信用风险管理的前提和基础，而精确度量信用风险仍然存在较大困难，在业界和学术界依然是一个热门课题。 　　对于信用风险度量的研究大致分为三个阶段：定性分析阶段，1970年以前，大多数金融机构主要采用专家法与评级法，但这些方法都过分依赖主观评价，不能客观准确的度量信用风险。基于财务指标的分析阶段，这种模型主要有Logistic模型、Probit模型、多元判断分析模型、Altman[1]在1968年建立的5变量Z计分模型以及1977年发展的7变量ZETA计分模型[2]。这些模型主要依赖企业的财务指标，而这些财务指标都是历史数据，且企业中普遍存在会计信息失真现象，因此，此方法度量信用风险存在较大误差。20世纪90年代，国内外专家开始采用人工智能，神经网络等理论对财务数据建立分析预测模型。此方法一定程度上提高模型预测的准确度，但这些模型对样本选择的依赖程度较高，不适合广泛推广。现代模型阶段，当前比较流行的定量度量信用风险的模型有JP摩根的Credit Metrics模型和KMV模型，及瑞士第一信贷银行的Credit Risk+模型与麦肯锡公司的Credit Portfolio View违约模型。Credit Metrics模型与Credit Portfolio View模型都直接依赖于信用评级机制。而中国信用评级相对滞后，在短期内利用该模型不能准确度量信用风险。Credit Risk+模型的风险驱动因素是债务人的违约率，在中国应用现有数据估计该参数比较困难，且模型要求债务之间是相互独立的。 　　KMV模型以现代公司理论和期权理论为理论基础，以有时变性和前瞻性的资本市场价格为数据，可度量任何公开招股公司的信用风险。巴塞尔银行监管委员会在2004年通过的《巴塞尔新资本协议》提倡使用内部评级法管理信用风险，并推荐使用KMV模型进行内部评级。KMV模型是中国信用风险管理中应用最广泛的模型。 　　近年来，国内外大量文献已经表明KMV模型度量信用风险具有一定的准确性，并且尝试寻找改进KMV模型提高信用风险度量的准确度。Bohn[3]通过公司债信用利差比较分析了评级机构与KMV模型的结果。Kealhofer和Kurbat[4]研究发现穆迪的KMV模型比传统的评级模型能捕捉更多信息，对信用风险的反应更快。Crosbie和Bohn[5]通过应用莫顿模型的变型，改进基于股权价值的资产市场价值与波动率的计算，提高了KMV模型的精确度。Dionysiou，Lambertides和Charitou[6]基于KMV模型发展了一种更简单的违约预测模型，避免了传统KMV模型求解非线性方程组的困难，并通过实证证明了该模型具有较强的预测能力。W·lee[7]利用遗传算法寻找最优违约点，改进了KMV模型，利用该模型对台湾数据做了实证分析，结果表明该模型能够准确找到违约点，提高银行信用风险管理水平。 　　中国学者也运用KMV模型对中国上市公司信用风险进行了实证研究。马若微[8]通过实证研究得出KMV模型运用到中国上市公司财务困境预警中是完全可行的，而且KMV模型的预测精度优于基于历史数据的Logistic，Fisher等模型。周子元，杨永生[9]对影响违约距离大小的参数进行了敏感性分析，发现股权价值波动率是影响违约距离最为敏感的因素。彭大衡，张聪宇[10]的研究也表明违约距离对无风险利率的敏感性较弱；对股价的敏感性随着股价高低而不同，而对股权价值波动率的敏感性则非常强。这些表明准确估计波动率是提高KMV模型中违约距离准确性的关键，进而可提高对公司信用风险度量的准确度。 　　传统的KMV模型采用上市公司价格历史波动率来近似替代现实波动率，而股市波动在不同时间和条件下具有不稳定性，显然这种方法是不准确的。对波动率单独建模并与KMV模型的结合，可以有效改进模型效果。由于GARCH模型比较容易估计，中国学者目前主要是应用GARCH模型与KMV模型的结合。如鲁炜，赵恒珩等[11]与闫海峰，