信用评级中定量指标与定性指标间权重设计研究.docVIP

信用评级中定量指标与定性指标间权重设计的研究 　　摘要:信用评级体系中定量指标与定性指标间权重的合理设计是实施巴塞尔新资本协议中内部评级法的关键。文章基于计量经济的角度,结合我国上市公司历史财务数据,利用主成分分析方法,构建较为科学的信用风险评估指标体系,通过Logistic回归构建违约概率测算模型,探寻指标间权重设计的依据,提出以模型解释度作为权重设计的主要标准。 　　关键词:内部评级法;定性指标;定量指标;指标权重 　　 　　一、 基于主成分分析的Logistic模型 　　 　　主成分分析(Principal Components Analysis,PCA)是一种通过降维来简化数据结构的方法,它考察多个数值变量间的相关性,是一种独立于因子分析的数据简化技术。 　　求解主成分的主要数学工具是特征方程。假设,原始变量为:X1,X2,X3,…,Xm;主成分为:Z1,Z2,Z3,…,Zn,则各因子与原始变量之间关系可以表示为: 　　X1=b11Z1+b12Z2+b13Z3+…+b1nZn+?孜1……Xm=bm1Z1+bm2Z2+bm3Z3+…+bmnZn+?孜m 　　写成矩阵形式为:X=BZ+E。其值X为原始变量向量,B为公因子负荷系数矩阵,Z为公因子向量,E为残差向量。公因子Z1,Z2,Z3,…,Zn,之间彼此不相关,成为正交模型。如果残差E的影响很小以忽略不计,数学模型变为X=BZ。如果Z的各个分量之间彼此不相关,就形成特殊形式的因子分析,称之为主成分分析。主成分分析的数学模型可以写成: 　　Z1=a11X1+a12X2+a13X3+…+a1mXm……Zn=an1X1+an2X2+an3X3+…+anmXm 　　写成矩阵形式为:Z=AX,Z为主成分向量,A为主成分变换矩阵,X为原始变量向量。主成分析的目的是求矩阵A。 　　在模型包含众多解释变量的情况下,Logistic分析的目标之一是如何得到预测企业违约概率的“节约模型”方程,这个方程需要符合:(1)包含尽可能少的解释变量;(2)具有最优的度量结果;(3)尽可能多地考虑原始数据的信息;(4)具备经济意义上的说服力等条件。一般来说,Logistic回归分析估计“节约模型”方程采用的方法多为逐步选择法,但这种方法的缺点是它完全建立在统计方法的基础上,没有考虑变量间的经济关系,导致模型结果难以具有经济意义上的说服力,而且估计方程的判别能力对模型原始样本具有很强的依附性,但对测试样本或新样本的预测准确率则较差。此外,这种方法还导致绝大部分的财务比率在逐选中被剔除掉了,使得它们包含的企业信用风险信息也被排除在了估计方程之外。 　　为了解决估计方程共线性和原始数据信息丢失等问题,可以在Logistic分析中引入主成分分析法。它能够在模型具有众多解释变量的情况下,同时实现降维和最大限度地减少原始数据中所含信息的丢失,并且替代原始数据的主成分之间彼此互不相关。在建立企业违约概率模型时,我们首先可以将待分析的成分X1,X2,X3,…,Xm用主成分分析法进行降维,得到Z1,Z2,Z3,…,Zk个主成分(特征值累计贡献率占了总方差的80%左右即可认为降维效果理想)。随后将X1,X2,X3,…,Xm的值代入到Z1,Z2,Z3,…,Zk,计算出新的数据。最后用这k个主成分进行Logistic分析。通常我们可以使用SPSS等统计软件计算出?兹(p)=a0+a1Z1+a2Z2+…+akZk中的a0,a1,a2,…,ak,进而可以求出各个样本在Logistic模型下,发生违约的概率。概率函数p为: 　　假如我们把Y=1定义为违约,Y=0定义为没有违约。p越大,违约概率越高;p越小,违约概率越低。通常,以这k个主成分作为Logistic分析的解释变量来预测上市公司的违约概率,就可以克服单纯采用Logistic分析存在的共线性和原始变量数据信息丢失等问题,从而得到真正意义上的度量信用风险的“节约模型”,并且具有比较高的判断正确率。 　　 　　二、 指标间权重比例的测算 　　 　　1. 测算指标体系的选择。文章以基于违约概率模型的评级系统为例来进行权重的测量。该评级系统以测算违约概率为核心,其指标体系由作为定量指标反映企业偿债能力、财务效益、发展能力等的财务指标和反映组织结构、发展战略、竞争地位等的定性指标两部分组成。通过测量定量指标对违约概率的影响权重,余下的作为定性指标对违约概率的影响权重,从而达到确定两类指标间权重的目的。 　　根据以上选择指标的原则,参考其他学者的研究成果,选择下列财务指标进行违约概率的测算,并汇总于表1中。 　　2. 样本的选择。文章将上市公司(2007年)被ST处理的公司作为违约企业。笔者在选择ST企业样本时将行业特征明显的钢铁、煤炭石油、房地