Z模型在房地产行业上市公司信用风险度量中应用研究.docVIP

Z模型在房地产行业上市公司信用风险度量中应用研究 　　【摘要】 　　信用风险计量是现代信用风险管理的基础和关键环节。本文基于信用风险 评分模型Z模型，以房地产行业作为样本数据。选取了在沪、深交易所上市的国内地产公司财务数据和信用违约情况，Z模型中的系数重新回归估计，意在增加Z模型在中国的适用性，使Z模型在我国的实用价值更大，度量更精确。 　　【关键词】 　　信用风险 Z模型 房地产行业 　　一、研究背景 　　（一）研究背景与研究目的 　　随着信用机制的日益成熟，信用风险已经成为金融体系中的关注焦点。在巴塞尔委员会划分的八种风险中，借贷信用风险是商业银行经营过程中所面临的最重要的风险类型之一。这是由银行作为金融中介机构的重要性以及其对实体经济的传递渠道客观决定的。一旦信用风险在商业银行中大规模爆发，银行坏账、不良资产就会增多，从而引起资金链断裂，流动性得到严重抑制。这不仅对资金高速流通的金融市场造成冲击，并且能够通过影响市场利率、信贷调整、固定资产投资引起对实体经济中生产能力的破坏和国民收入的减值。 　　因此，有效地防范信用风险，尤其是商业银行的信用风险，对全球经济来说是很有必要的。由于最近美国爆发的次贷危机，借贷投资于房地产行业的信用风险更是被提上议题。本文以行业为观察群，对房地产行业中的各上市公司财务状况进行数据挖掘得到影响该行业违约可能性的指标与权重，评价计算该行业的平均违约可能最优的模型，为行业投资者提供投资平均标准的参考依据。 　　（二）参考模型 　　现通行的测量信用风险的指标大多通过信用评级体系为企业打分（标准普尔、穆迪等评级机构使用这种方法），并将之分成几个信用级别。这些信用级别反映了长期内违约概率的相关信息，因此在短期内这种信用级别是稳定的，即信用风险体现的是长期的潜在风险。在各类文献中，这种打分式的评级方式通常以公司的财务指标作为回归因素，其中以Z得分模型为例。该模型由Edward Altman在1968年提出，他将公司中的22个有预示性的财务指标分为流动性、盈利能力、财务杠杆、偿债能力和周转能力5个类别，并运用多元线性回归出的打分模型对企业进行Z打分。Z值越小，则说明企业的违约概率越大。 　　二、国内学术界对于Z模型的研究 　　我国的研究通常以ST公司作为信用违约公司，同时选用数量相等，行业和规模相仿的非ST 公司作为控制样本，以某一统一时点前溯一定年数进行财务数据的收集。样本内不同公司被选取的财务数据是来自同一时间段的。同时各研究者基本都对Altman- Z模型的变量进行了修正然后遵从fisher准则，利用统计软件以所选财务数据计算出判别函数的系数完成模型构建。其中最常见的是对X4： 债务权益市价率（ 即：股东权益市价/债务总额*100% ）的修正。 　　Z模型中，4个变量均采用的是财务数据，而是财务数据一个缺点就是面向过去，那利用公开信息所做的财务预测永远都跳不出历史成本的局限性。我们可以在Z模型的使用中综合考虑各种公司以外的因素，或考虑引入虚拟变量对X4进行修正。所以，笔者认为目前X4的采用仍具有合理性和可适用性。 　　三、各变量的选取与数据说明 　　（一）变量选取 　　本文从国泰安数据库中选取国内在沪，深证券交易所上市地产公司的过往财务指标，并将公司是否被挂牌ST视为是否违约的指标。上述需要的财务指标具体包括：营运资本/总资产、留存收益/总资产、税前利润/总资产、股票市值/负债账面价值、销售收入/总资产、ST是否挂牌 　　（二）数据说明 　　本文选取了所有上市了的114家房地产行业的公司（行业代码为0003，行业类别为J01），按各自的总资产、流动资本、流动负债、总负债、营业收入、税前利润的季度数据、股票市值的年度数据从2000年12月31日到2011年12月31日11个会计年度期间进行数据选取。 　　目标二元变量设计为ST挂牌与否，本文的选取以交易情况变动公告为依据。若某股票在某一会计年度由正常交易变为ST，则视为信用风险发生，即公司违约，二元变量值为1，否则为0。若在某一会计年度由ST变为正常，则二元变量值重新设为0。若某公司连续年度内出现ST，则只取第一年ST的财务数据，直到重新回到正常交易，才纳入样本容量，即1的取值是间断的。 　　四、技术模型的选择和说明 　　Logistic回归的思想来源于多元线性回归，但它却是一个非线性模型。它的目标变量是一个二元变量，通常是由虚拟变量量化而来。在做回归的时候，这个目标变量机会比的对数成为回归的因变量，并以其他因素作自变量对这个因变量进行线性回归。虽然这是用线性回归方法解出这个方程，但logistic回归的实质是体现目标变量与自变量的非线性关系，若此时用多元线性回归作OLS的话，回归结果的解释能力将遭到严重质疑。具体模型如下： 　　设Logister分