基于SV—KMV模型的信用風(fēng)險(xiǎn)度量研究

王新翠　王雪標(biāo)　周生寶

摘要：KMV模型是度量信用風(fēng)險(xiǎn)的主要模型，股權(quán)價(jià)值波動(dòng)率是KMV模型的重要參數(shù)，應(yīng)用改進(jìn)KMV模型GARCH-KMV模型與SV-KMV模型對(duì)中國(guó)上市公司信用質(zhì)量的實(shí)證研究表明：股權(quán)價(jià)值波動(dòng)與KMV模型的結(jié)果違約距離高度負(fù)相關(guān)；GARCH-KMV與SV-KMV模型均能度量上市公司信用狀況，但SV-KMV模型比GARCH-KMV模型度量效果更好。

關(guān)鍵詞：信用風(fēng)險(xiǎn)；KMV信用風(fēng)險(xiǎn)模型；違約距離；GARCH模型；SV模型

中圖分類號(hào)：F830.9 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-3890（2013）07-0059-08

一、引言

自2008年美國(guó)次貸危機(jī)以來(lái)，各國(guó)金融機(jī)構(gòu)及監(jiān)管部門越來(lái)越重視信用風(fēng)險(xiǎn)的管理。準(zhǔn)確的度量信用風(fēng)險(xiǎn)是信用風(fēng)險(xiǎn)管理的前提和基礎(chǔ)，而精確度量信用風(fēng)險(xiǎn)仍然存在較大困難，在業(yè)界和學(xué)術(shù)界依然是一個(gè)熱門課題。

對(duì)于信用風(fēng)險(xiǎn)度量的研究大致分為三個(gè)階段：定性分析階段，1970年以前，大多數(shù)金融機(jī)構(gòu)主要采用專家法與評(píng)級(jí)法，但這些方法都過(guò)分依賴主觀評(píng)價(jià)，不能客觀準(zhǔn)確的度量信用風(fēng)險(xiǎn)?；谪?cái)務(wù)指標(biāo)的分析階段，這種模型主要有Logistic模型、Probit模型、多元判斷分析模型、Altman[1]在1968年建立的5變量Z計(jì)分模型以及1977年發(fā)展的7變量ZETA計(jì)分模型[2]。這些模型主要依賴企業(yè)的財(cái)務(wù)指標(biāo)，而這些財(cái)務(wù)指標(biāo)都是歷史數(shù)據(jù)，且企業(yè)中普遍存在會(huì)計(jì)信息失真現(xiàn)象，因此，此方法度量信用風(fēng)險(xiǎn)存在較大誤差。20世紀(jì)90年代，國(guó)內(nèi)外專家開始采用人工智能，神經(jīng)網(wǎng)絡(luò)等理論對(duì)財(cái)務(wù)數(shù)據(jù)建立分析預(yù)測(cè)模型。此方法一定程度上提高模型預(yù)測(cè)的準(zhǔn)確度，但這些模型對(duì)樣本選擇的依賴程度較高，不適合廣泛推廣?，F(xiàn)代模型階段，當(dāng)前比較流行的定量度量信用風(fēng)險(xiǎn)的模型有JP摩根的Credit Metrics模型和KMV模型，及瑞士第一信貸銀行的Credit Risk+模型與麥肯錫公司的Credit Portfolio View違約模型。Credit Metrics模型與Credit Portfolio View模型都直接依賴于信用評(píng)級(jí)機(jī)制。而中國(guó)信用評(píng)級(jí)相對(duì)滯后，在短期內(nèi)利用該模型不能準(zhǔn)確度量信用風(fēng)險(xiǎn)。Credit Risk+模型的風(fēng)險(xiǎn)驅(qū)動(dòng)因素是債務(wù)人的違約率，在中國(guó)應(yīng)用現(xiàn)有數(shù)據(jù)估計(jì)該參數(shù)比較困難，且模型要求債務(wù)之間是相互獨(dú)立的。

KMV模型以現(xiàn)代公司理論和期權(quán)理論為理論基礎(chǔ)，以有時(shí)變性和前瞻性的資本市場(chǎng)價(jià)格為數(shù)據(jù)，可度量任何公開招股公司的信用風(fēng)險(xiǎn)。巴塞爾銀行監(jiān)管委員會(huì)在2004年通過(guò)的《巴塞爾新資本協(xié)議》提倡使用內(nèi)部評(píng)級(jí)法管理信用風(fēng)險(xiǎn)，并推薦使用KMV模型進(jìn)行內(nèi)部評(píng)級(jí)。KMV模型是中國(guó)信用風(fēng)險(xiǎn)管理中應(yīng)用最廣泛的模型。

近年來(lái)，國(guó)內(nèi)外大量文獻(xiàn)已經(jīng)表明KMV模型度量信用風(fēng)險(xiǎn)具有一定的準(zhǔn)確性，并且嘗試尋找改進(jìn)KMV模型提高信用風(fēng)險(xiǎn)度量的準(zhǔn)確度。Bohn[3]通過(guò)公司債信用利差比較分析了評(píng)級(jí)機(jī)構(gòu)與KMV模型的結(jié)果。Kealhofer和Kurbat[4]研究發(fā)現(xiàn)穆迪的KMV模型比傳統(tǒng)的評(píng)級(jí)模型能捕捉更多信息，對(duì)信用風(fēng)險(xiǎn)的反應(yīng)更快。Crosbie和Bohn[5]通過(guò)應(yīng)用莫頓模型的變型，改進(jìn)基于股權(quán)價(jià)值的資產(chǎn)市場(chǎng)價(jià)值與波動(dòng)率的計(jì)算，提高了KMV模型的精確度。Dionysiou，Lambertides和Charitou[6]基于KMV模型發(fā)展了一種更簡(jiǎn)單的違約預(yù)測(cè)模型，避免了傳統(tǒng)KMV模型求解非線性方程組的困難，并通過(guò)實(shí)證證明了該模型具有較強(qiáng)的預(yù)測(cè)能力。W·lee[7]利用遺傳算法尋找最優(yōu)違約點(diǎn)，改進(jìn)了KMV模型，利用該模型對(duì)臺(tái)灣數(shù)據(jù)做了實(shí)證分析，結(jié)果表明該模型能夠準(zhǔn)確找到違約點(diǎn)，提高銀行信用風(fēng)險(xiǎn)管理水平。

中國(guó)學(xué)者也運(yùn)用KMV模型對(duì)中國(guó)上市公司信用風(fēng)險(xiǎn)進(jìn)行了實(shí)證研究。馬若微[8]通過(guò)實(shí)證研究得出KMV模型運(yùn)用到中國(guó)上市公司財(cái)務(wù)困境預(yù)警中是完全可行的，而且KMV模型的預(yù)測(cè)精度優(yōu)于基于歷史數(shù)據(jù)的Logistic，F(xiàn)isher等模型。周子元，楊永生[9]對(duì)影響違約距離大小的參數(shù)進(jìn)行了敏感性分析，發(fā)現(xiàn)股權(quán)價(jià)值波動(dòng)率是影響違約距離最為敏感的因素。彭大衡，張聰宇[10]的研究也表明違約距離對(duì)無(wú)風(fēng)險(xiǎn)利率的敏感性較弱；對(duì)股價(jià)的敏感性隨著股價(jià)高低而不同，而對(duì)股權(quán)價(jià)值波動(dòng)率的敏感性則非常強(qiáng)。這些表明準(zhǔn)確估計(jì)波動(dòng)率是提高KMV模型中違約距離準(zhǔn)確性的關(guān)鍵，進(jìn)而可提高對(duì)公司信用風(fēng)險(xiǎn)度量的準(zhǔn)確度。

傳統(tǒng)的KMV模型采用上市公司價(jià)格歷史波動(dòng)率來(lái)近似替代現(xiàn)實(shí)波動(dòng)率，而股市波動(dòng)在不同時(shí)間和條件下具有不穩(wěn)定性，顯然這種方法是不準(zhǔn)確的。對(duì)波動(dòng)率單獨(dú)建模并與KMV模型的結(jié)合，可以有效改進(jìn)模型效果。由于GARCH模型比較容易估計(jì)，中國(guó)學(xué)者目前主要是應(yīng)用GARCH模型與KMV模型的結(jié)合。如魯煒，趙恒珩等[11]與閆海峰，華雯君[12]，利用GARCH模型估計(jì)股權(quán)價(jià)值波動(dòng)率，建立了修正的KMV模型，研究發(fā)現(xiàn)該模型要優(yōu)于傳統(tǒng)的KMV模型。

目前對(duì)波動(dòng)率的度量模型主要包括兩大類：一類是基于歷史數(shù)據(jù)和以前波動(dòng)率基礎(chǔ)上的波動(dòng)性模型，這類波動(dòng)率模型有著確定的函數(shù)形式。如1982年Engle提出的自回歸條件異方差（Auto Regressive Conditional Heteroskedasticity）模型[13]（簡(jiǎn)稱ARCH模型）和1986年Bollerslev提出的廣義ARCH模型[14]（簡(jiǎn)稱GARCH模型），該類模型能夠較好地刻畫波動(dòng)的時(shí)變特性。另一類主要是基于參數(shù)基礎(chǔ)上的波動(dòng)率模型，這類波動(dòng)率模型的波動(dòng)率方程中引入了新息項(xiàng)。如Taylor 1986年提出的隨機(jī)波動(dòng)模型[15]（Stochastic Volatility，簡(jiǎn)稱SV模型），此模型是由一個(gè)不可觀測(cè)的隨機(jī)過(guò)程決定。由于金融時(shí)間序列數(shù)據(jù)波動(dòng)性規(guī)律不斷的發(fā)生變化，SV模型更加適合于金融領(lǐng)域的實(shí)證研究。對(duì)于這兩類模型在理論和實(shí)證上的比較研究——其中主要是GARCH類和SV類之間的比較研究。Taylor，Eric，Kim和Shephard等[16][17][18][19]研究表明，SV類模型對(duì)金融時(shí)序的刻畫能力明顯優(yōu)于GARCH類模型的刻畫能力，它能夠準(zhǔn)確捕獲金融時(shí)間序列的異常波動(dòng)性和波動(dòng)集簇性，為金融時(shí)間序列提供了更實(shí)際、更靈活的建模方法。余素紅和張世英[20][21]通過(guò)實(shí)證分析比較了SV模型與GARCH模型對(duì)上證綜合指數(shù)的刻畫能力，認(rèn)為SV模型擬合實(shí)際數(shù)據(jù)的效果優(yōu)于GARCH模型。

雖然SV模型從理論和實(shí)證角度更適合于對(duì)金融數(shù)據(jù)的建模，但由于估計(jì)困難，目前還沒(méi)有人嘗試將SV模型與KMV模型相結(jié)合考察上市公司的信用質(zhì)量。

本文將分別采用GARCH模型與SV模型來(lái)估計(jì)上市公司的股權(quán)價(jià)值波動(dòng)率，并結(jié)合KMV模型。通過(guò)實(shí)證，對(duì)比分析GARCH-KMV模型與SV-KMV模型對(duì)信用風(fēng)險(xiǎn)的度量效果，結(jié)果表明SV-KMV模型優(yōu)于GARCH-KMV模型。

全文的組織如下：第二部分模型的構(gòu)建：簡(jiǎn)單介紹GACH，SV兩種波動(dòng)率模型及KMV信用風(fēng)險(xiǎn)模型；第三部分實(shí)證研究：給出本文所選樣本，模型的參數(shù)估計(jì)及實(shí)證結(jié)果分析；第四部分給出本文結(jié)論與啟示。

二、模型的構(gòu)建

（一）GARCH模型

1982年Engle提出的自回歸條件異方差A(yù)RCH模型，1986年Bollerslev提出的廣義ARCH模型，簡(jiǎn)稱GARCH模型。該類模型能夠較好地刻畫波動(dòng)的時(shí)變特性。

（二）SV模型

可以看到，SV模型中的波動(dòng)性不僅依賴于以前的波動(dòng)，而且還依賴于當(dāng)期的新息項(xiàng)，由于考慮了當(dāng)期的新息項(xiàng)，使得SV模型能更為準(zhǔn)確地刻畫金融時(shí)序的波動(dòng)。

2. SV模型的參數(shù)估計(jì)。雖然SV模型更適合金融時(shí)間序列波動(dòng)的估計(jì)，但是SV模型中包含著潛在變量，難以獲得SV模型精確的似然函數(shù)，因此模型的參數(shù)估計(jì)要比GARCH模型困難。

目前SV模型的參數(shù)估計(jì)方法主要有偽極大似然估計(jì)（QML）、廣義矩方法（GMM）估計(jì)、有效矩方法（EMM）估計(jì)、馬爾科夫鏈蒙特卡洛模擬（MCMC）方法等，其中MCMC方法是目前SV模型參數(shù)估計(jì)效果最好的。MCMC方法的基本思想是，構(gòu)造一個(gè)平穩(wěn)分布為？仔（x）的抽樣，基于這樣的抽樣做出各種統(tǒng)計(jì)推斷。其算法的核心是對(duì)一個(gè)給定的多元概率密度，通過(guò)反復(fù)從一個(gè)馬爾可夫鏈中取樣來(lái)生產(chǎn)變量，該馬爾可夫鏈具有不變的分布，因此可以根據(jù)遍歷性對(duì)變量進(jìn)行估計(jì)。

（三）KMV模型

1. 模型的建立。假設(shè)當(dāng)公司的資產(chǎn)價(jià)值低于一定水平時(shí)，認(rèn)為公司就會(huì)違約，與這一水平相對(duì)應(yīng)的資產(chǎn)價(jià)值為違約點(diǎn)（Default Point，簡(jiǎn)稱DP）。假設(shè)在給定的某個(gè)未來(lái)時(shí)期，公司資產(chǎn)價(jià)值服從某個(gè)分布，該分布的特征由資產(chǎn)價(jià)值的期望與標(biāo)準(zhǔn)差（波動(dòng)率）描述；未來(lái)資產(chǎn)價(jià)值的均值到所需清償負(fù)債的賬面價(jià)值之間的距離為違約距離（Distance to Default，簡(jiǎn)稱DD）。根據(jù)違約距離與預(yù)期違約概率的映射關(guān)系，可得出預(yù)期違約概率（也稱為違約頻率，Expected Default Frequency，簡(jiǎn)稱EDF）。EDF是指在正常的市場(chǎng)條件下，借款公司在一定時(shí)期內(nèi)發(fā)生違約的概率，KMV模型認(rèn)為當(dāng)資產(chǎn)的均值下降到所需清償負(fù)債的賬面價(jià)值之下時(shí)違約發(fā)生，因?yàn)槭孪葻o(wú)法準(zhǔn)確判斷借款公司是否會(huì)選擇違約，所以只能估計(jì)違約的可能性大小。

KMV模型以經(jīng)典的莫頓模型為基礎(chǔ)，計(jì)算公司資產(chǎn)價(jià)值及其波動(dòng)率，進(jìn)而求得違約距離DD及違約概率EDF。具體分為以下3個(gè)步驟：

其中VA表示公司資產(chǎn)的市場(chǎng)價(jià)值；？滋，？滓A分別表示資產(chǎn)價(jià)值的漂移率和波動(dòng)率；dWt表示維納過(guò)程。如果DP表示公司債務(wù)的賬面價(jià)值，也就是期權(quán)的執(zhí)行價(jià)格，可以解出公司的股權(quán)價(jià)值與資產(chǎn)的市場(chǎng)的市場(chǎng)價(jià)值的關(guān)系式為：

通過(guò)（1）式和（2）式得到非線性方程組。解出此方程組，即可求出資產(chǎn)價(jià)值VA與資產(chǎn)價(jià)值波動(dòng)率？滓A。

（2）計(jì)算違約距離DD。KMV模型中，違約距離DD為資產(chǎn)價(jià)值偏離違約點(diǎn)DP的標(biāo)準(zhǔn)差的個(gè)數(shù)，即達(dá)到違約點(diǎn)資產(chǎn)價(jià)值須下降的百分比對(duì)于標(biāo)準(zhǔn)差的倍數(shù)。DD計(jì)算公式為：

（3）預(yù)期違約概率（EDF）的確定。理論上的違約概率為債務(wù)到期日公司資產(chǎn)的市場(chǎng)價(jià)值小于公司負(fù)債的賬面價(jià)值的概率，假設(shè)資產(chǎn)價(jià)值服從正態(tài)分布即：

理論的EDF與現(xiàn)實(shí)存在很大差異，在實(shí)際應(yīng)用中，KMV模型通過(guò)建立大規(guī)模的企業(yè)違約信息數(shù)據(jù)庫(kù)計(jì)算出企業(yè)的經(jīng)驗(yàn)違約概率，根據(jù)觀察所有距離違約點(diǎn)相同個(gè)標(biāo)準(zhǔn)差的企業(yè)中有多少家企業(yè)違約，計(jì)算出經(jīng)驗(yàn)違約率。計(jì)算公式如下：

由于中國(guó)歷史數(shù)據(jù)的嚴(yán)重缺乏，確定違約距離和實(shí)際違約頻率之間的準(zhǔn)確映射無(wú)法實(shí)現(xiàn)，而直接運(yùn)用國(guó)外的對(duì)應(yīng)結(jié)果，會(huì)導(dǎo)致很大偏差。因此，本文將直接結(jié)合違約距離考察上市公司的相對(duì)違約風(fēng)險(xiǎn)大小。

2. 參數(shù)的設(shè)定。（1）股權(quán)價(jià)值VE。本文采用2008年以后的股票市場(chǎng)數(shù)據(jù)，并根據(jù)中國(guó)證券市場(chǎng)實(shí)際情況，把上市公司股權(quán)市場(chǎng)價(jià)值分為非流通股和流通股兩部分。對(duì)于非流通股的定價(jià)本文采用加權(quán)平均的方法，以每股凈資產(chǎn)作為非流通股的單價(jià)，流通股的定價(jià)為平均收盤價(jià)。公式為：

非流通股權(quán)價(jià)值=非流通股數(shù)×每股凈資產(chǎn)

流通股權(quán)價(jià)值=流通股數(shù)×平均收盤價(jià)

股權(quán)價(jià)值VE=流通股權(quán)價(jià)值+非流股權(quán)價(jià)值

（2）違約點(diǎn)DP。對(duì)違約點(diǎn)的設(shè)定采用KMV公司推薦的方法，即：DP=SD+50%LD其中，SD為流動(dòng)負(fù)債，LD為長(zhǎng)期負(fù)債。

（3）無(wú)風(fēng)險(xiǎn)利率r。本文采用央行公布的當(dāng)年1年期定期存款利率的加權(quán)平均來(lái)表示，其中，2008年r=0.039，2009年r=0.041，2010r=0.025，2011年r=0.025。

（4）股權(quán)價(jià)值波動(dòng)率？滓E。在KMV模型中，股權(quán)價(jià)值波動(dòng)率？滓E對(duì)違約距離的影響最大，因此準(zhǔn)確估計(jì)股權(quán)價(jià)值波動(dòng)率對(duì)改進(jìn)KMV模型準(zhǔn)確性有著重要意義。由于金融市場(chǎng)波動(dòng)具有集聚性及尖峰厚尾性，目前大多數(shù)學(xué)者采取易估計(jì)的GARCH模型估計(jì)股權(quán)價(jià)值波動(dòng)率來(lái)提高準(zhǔn)確性。但已有研究表明SV模型從理論和實(shí)證角度更優(yōu)于GARCH模型，因此本文將分別采用GARCH模型與SV模型來(lái)估計(jì)上市公司的股權(quán)價(jià)值波動(dòng)率，并結(jié)合KMV模型。對(duì)比分析GARCH-KMV模型與SV-KMV模型對(duì)信用風(fēng)險(xiǎn)的度量效果。

三、實(shí)證研究

（一）樣本數(shù)據(jù)與研究設(shè)計(jì)

本文選取滬深兩市A股20家上市公司股票作為研究對(duì)象，其中10家為2009年與2010年ST公司，并相應(yīng)的選取與其所在行業(yè)與資產(chǎn)規(guī)模方面相配對(duì)的10家非ST公司，采用ST公司和非ST公司2008—2010年的數(shù)據(jù)進(jìn)行參數(shù)的確定。本文所有數(shù)據(jù)選自Wind數(shù)據(jù)庫(kù)。

計(jì)算選取的20家公司2008—2010年每日收盤價(jià)的對(duì)數(shù)收益率，yt=lnPt-lnPt-1，其中Pt為第t日的收盤價(jià)，Pt-1為第t-1日的收盤價(jià)。

2008—2010年GARCH模型、SV模型所得波動(dòng)率及傳統(tǒng)方差波動(dòng)率的比較，如圖1-圖3所示。

得到股權(quán)價(jià)值波動(dòng)率以后，利用Matlab軟件使用迭代算法求解非線性方程組，得到資產(chǎn)價(jià)值及資產(chǎn)價(jià)值波動(dòng)率。由得到的資產(chǎn)價(jià)值及資產(chǎn)價(jià)值波動(dòng)率，計(jì)算出KMV模型的違約距離。ST公司與其配對(duì)的非ST公司的違約距離結(jié)果如表1所示。

為了更加直觀的對(duì)比分析GARCH-KMV模型與SV-KMV模型對(duì)上市公司信用質(zhì)量度量效果，對(duì)比分析2008—2010年ST公司與非ST公司兩種違約距離，如圖4～圖9所示。

為對(duì)比分析兩種違約距離對(duì)上市公司信用風(fēng)險(xiǎn)度量能力的整體度量效果，應(yīng)用SPSS軟件分別對(duì)所得ST公司與非ST公司兩種違約距離GDD與SDD逐年進(jìn)行獨(dú)立樣本T檢驗(yàn)和非參數(shù)Mann-Whitney U檢驗(yàn)。實(shí)證結(jié)果如表2及表3。

（二）實(shí)證結(jié)果分析

1. 股權(quán)價(jià)值波動(dòng)率是KMV模型非常重要的影響因素。GARCH模型與SV模型原理不同，由圖1-圖3可以看出兩種模型所求得的股權(quán)價(jià)值波動(dòng)率整體一致，但有個(gè)別公司個(gè)別年不相同。僅對(duì)本文所研究樣本而言，GARCH模型估計(jì)的股權(quán)價(jià)值波動(dòng)率要偏高一些，傳統(tǒng)波動(dòng)率介于SV模型與GARCH模型之間。

2008—2010年GARCH-KMV模型中違約距離GDD與GARCH模型得到的股權(quán)價(jià)值波動(dòng)率的相關(guān)系數(shù)分別為-0.965，-0.975，-0.910。SV-KMV模型中違約距離SDD與SV模型得到的股權(quán)價(jià)值波動(dòng)率的相關(guān)系數(shù)分別為-0.968，-0.972，-0.987。首先可以得出兩種模型中違約距離與股權(quán)價(jià)值波動(dòng)率都是負(fù)相關(guān)，股權(quán)價(jià)值波動(dòng)率越高，違約距離越小，公司越接近違約，信用質(zhì)量越差。其次違約距離與股權(quán)價(jià)值波動(dòng)率相關(guān)程度非常高，證明股權(quán)價(jià)值波動(dòng)率是KMV模型非常重要的影響因素。

2. 對(duì)比分析SV-KMV模型與GARCH-KMV模型，SV-KMV模型得到的違約距離SDD能更好的區(qū)分上市公司的信用質(zhì)量。由表1分別比較2008—2010年ST公司的違約距離與非ST公司的違約距離，由于違約距離越大說(shuō)明信用狀況越好，因此為了表述方便，我們將ST公司違約距離小于非ST公司時(shí)作為正確判斷，大于非ST公司時(shí)作為錯(cuò)誤判斷。首先考慮違約距離GDD的情況，發(fā)現(xiàn)2008—2010年ST公司GDD小于其所對(duì)應(yīng)的非ST公司總數(shù)的占研究樣本總體的比例，即正確率，分別為50%、100%、80%。而違約距離SDD的情況，正確率為80%、100%、100%。對(duì)比分析，說(shuō)明兩種違約距離均能度量上市公司的信用風(fēng)險(xiǎn)，違約距離SDD正確率較高，能更好的區(qū)分ST公司與非ST公司信用狀況。

觀察2008—2010年ST公司與非ST公司兩種違約距離對(duì)比分析圖，對(duì)比分析圖4與圖5，可得2008年違約距離SDD對(duì)ST公司與非ST公司的信用質(zhì)量區(qū)別更明顯，尤其是第一、四、七對(duì)公司，GDD時(shí)ST公司大于非ST公司，而SDD時(shí)ST公司小于非ST公司。由圖6與圖7，可以看出2009年兩種違約距離對(duì)ST公司與非ST公司信用質(zhì)量的度量效果差別不大，SDD略好于GDD。圖8與圖9說(shuō)明2010年違約距離SDD對(duì)ST公司與非ST公司的信用質(zhì)量區(qū)別更明顯。因此，進(jìn)一步說(shuō)明利用SV-KMV模型比GARCH-KMV模型對(duì)上市公司的信用風(fēng)險(xiǎn)的度量更準(zhǔn)確。

從整體的角度，SDD對(duì)上市公司信用風(fēng)險(xiǎn)的度量效果也好于GDD。由表2和表3，觀察獨(dú)立樣本T檢驗(yàn)與非參數(shù)Mann-Whitney U檢驗(yàn)結(jié)果，ST公司、非ST公司的違約距離T檢驗(yàn)與M-W U檢驗(yàn)的T值、Z值在違約距離SDD的情況下要比GDD時(shí)更加顯著。說(shuō)明違約距離SDD情況下，ST公司的SDD與非ST公司存在差異更明顯，SDD比GDD更好的區(qū)分上市公司的信用質(zhì)量。

考慮非ST公司與ST公司違約距離均值差與秩均值差，SDD的均值差與秩均值差每年都大于GDD的均值差與秩均值差，這表明違約距離SDD時(shí)，ST公司與非ST公司的信用狀況差異更明顯。進(jìn)一步說(shuō)明SV-KMV模型對(duì)上市公司信用風(fēng)險(xiǎn)的度量要比GARCH-KMV模型效果更好。

3. 行業(yè)分析。由于SDD比GDD更能準(zhǔn)確區(qū)分ST公司與非ST公司的信用狀況，在此基礎(chǔ)上本文采用違約距離SDD僅對(duì)所選樣本公司進(jìn)行同行業(yè)的ST公司與非ST公司信用狀況對(duì)比分析。本文所選20家樣本公司中，按行業(yè)分類：2家房地產(chǎn)行業(yè)；8家制造業(yè)-石油；2家制造業(yè)-食品；2家制造業(yè)-金屬；2家制造業(yè)-機(jī)械；2家制造業(yè)-電子；2家綜合行業(yè)。

對(duì)于制造業(yè)-機(jī)械業(yè)，ST思達(dá)2008—2010年的SDD分別是1.288、1.741、2.883，與其對(duì)應(yīng)的上海機(jī)電分別為1.261、2.299、2.944?？梢钥闯鲋挥?008年ST思達(dá)的SDD高于上海機(jī)電，2010年兩公司SDD也非常接近。觀察兩公司股權(quán)價(jià)值波動(dòng)率，2008年ST思達(dá)的股權(quán)價(jià)值波動(dòng)率為0.727低于上海機(jī)電0.765，2010年分別為0.344和0.334，非常接近。因此股權(quán)價(jià)值波動(dòng)率是導(dǎo)致兩家對(duì)比公司誤判與SDD接近的主要原因。進(jìn)一步說(shuō)明股權(quán)價(jià)值波動(dòng)率是KMV模型的重要因素。

對(duì)于制造業(yè)-電子業(yè)，ST精倫與大連控股SDD分別為1.281、1.853、2.600，1.199、1.944、2.931。只有2008年ST精倫的SDD比大連控股高，觀察兩家公司2008年股權(quán)價(jià)值波動(dòng)率，2008年ST精倫的股權(quán)價(jià)值波動(dòng)率低于大連控股。進(jìn)一步說(shuō)明股權(quán)價(jià)值波動(dòng)率是KMV模型的重要影響因素。

對(duì)于房地產(chǎn)業(yè)、制造業(yè)-石油、制造業(yè)-食品、制造業(yè)-金屬與綜合類行業(yè)，所選取的ST公司的違約距離SDD均低于與其對(duì)應(yīng)的非ST公司，且相差幅度較大。說(shuō)明KMV模型能夠很好的區(qū)分這些行業(yè)公司的信用狀況。

綜合所研究樣本的行業(yè)分析，各行業(yè)的上市公司信用狀況存在差異，由好到差的順序?yàn)椋褐圃鞓I(yè)-石油、制造業(yè)-食品、房地產(chǎn)業(yè)、制造業(yè)-電子、綜合類、制造業(yè)-機(jī)械、制造業(yè)-金屬。

四、結(jié)論與啟示

由于股權(quán)價(jià)值波動(dòng)率是KMV模型的重要參數(shù)，因此準(zhǔn)確的估計(jì)股權(quán)價(jià)值波動(dòng)率對(duì)提高KMV的準(zhǔn)確性意義重大，本文分別利用SV與GARCH波動(dòng)率模型估計(jì)股權(quán)價(jià)值波動(dòng)率，對(duì)KMV模型重要參數(shù)股權(quán)價(jià)值波動(dòng)率進(jìn)行了改進(jìn)，分別應(yīng)用改進(jìn)的KMV模型GARCH-KMV模型與SV-KMV模型對(duì)中國(guó)上市公司的信用質(zhì)量進(jìn)行了實(shí)證研究。研究表明：

1. 股權(quán)價(jià)值波動(dòng)與KMV模型的結(jié)果違約距離高度負(fù)相關(guān)。股權(quán)價(jià)值波動(dòng)率是KMV模型的重要影響因素，股權(quán)價(jià)值波動(dòng)率越高，違約距離越小，公司的信用質(zhì)量越差。

2. GARCH-KMV與SV-KMV模型均能度量上市公司的信用狀況，但SV-KMV模型要比GARCH-KMV模型度量效果更好。加入SV模型改進(jìn)的KMV模型對(duì)上市公司信用風(fēng)險(xiǎn)的度量能力明顯提高，能更好的區(qū)分ST公司與非ST公司的信用質(zhì)量。

3. 各行業(yè)信用狀況存在差異，僅針對(duì)本文研究樣本而言，信用質(zhì)量由好到壞順序?yàn)椋褐圃鞓I(yè)-石油、制造業(yè)-食品、房地產(chǎn)業(yè)、制造業(yè)-電子、綜合類、制造業(yè)-機(jī)械、制造業(yè)-金屬。

本文通過(guò)利用更精確的波動(dòng)率模型計(jì)算股權(quán)價(jià)值波動(dòng)率進(jìn)而提高了KMV模型對(duì)信用風(fēng)險(xiǎn)度量的準(zhǔn)確性，有利于投資者正確估計(jì)上市公司信用風(fēng)險(xiǎn)，從而做出恰當(dāng)?shù)臎Q策。此外，觀察本文所研究的每一個(gè)樣本公司，無(wú)論是違約距離GDD還是SDD，2008年違約距離最小，而2009年，2010年違約距離逐漸增加。這一變化趨勢(shì)恰好與中國(guó)自2008年以來(lái)的宏觀經(jīng)濟(jì)走勢(shì)一致，說(shuō)明中國(guó)上市公司信用質(zhì)量與宏觀經(jīng)濟(jì)狀況息息相關(guān)。本文的研究并沒(méi)有考慮宏觀經(jīng)濟(jì)變量的影響，因此將信用風(fēng)險(xiǎn)模型與宏觀經(jīng)濟(jì)變量相結(jié)合可能會(huì)成為今后信用風(fēng)險(xiǎn)度量研究的重要方向。

參考文獻(xiàn)：

[1]Altman，E.I. Financial ratios discriminant analysis and the prediction of corporate bankruptcy[J]. Journal of Finance，1968：589-609.

[2]Altman，E.I.，Haldeman，R.，Narayanan，P. Zeta analysis：A new model to identify bankruptcy risk of corporations [J]. Journal of Banking and Finance，1977：29-54.

[3][Bohn，J. R. Survey of contingent claims-Approaches to risky debt valuation. Working paper 20，1999.

[4]Kealhofer，S.，Kurbat，M. Benchmarking quantitative default risk models：A validation methodology. Research paper[R]. Moodys KMV，2000.

[5]Crosbie，P. J.，Bohn，J. R. Modeling default risk. Research paper[R]. Moodys KMV，2002.

[6]Dionysiou，D.，Lambertides，N.，Charitou，A. An alternative model to forecast default based on Black-Scholes-Merton model and a liquidity proxy. Working paper，University of Cyprus，Department of Public and Business Administration，2008.

[7]W. Lee. Redefinition of the KMV models optimal default point based on genetic algorithms-Evidence from Taiwan. Expert Systems with Applications. 2011，38（8）：10107-10113.

[8]馬若微.KMV模型運(yùn)用于中國(guó)上市公司財(cái)務(wù)困境預(yù)警的實(shí)證檢驗(yàn)[J].數(shù)理統(tǒng)計(jì)與管理，2006，（5）：593-601.

[9]周子元，楊永生.用違約距離判別信用風(fēng)險(xiǎn)：一個(gè)實(shí)證研究[J].審計(jì)與經(jīng)濟(jì)研究，2007，（2）：81-85.

[10]彭大衡，張聰宇.銀行信用風(fēng)險(xiǎn)演變的KMV模型分析——以五家中小商業(yè)銀行為例[J].經(jīng)濟(jì)數(shù)學(xué)，2009，（3）：60-69.

[11]魯煒，趙恒珩，方兆本，等.KMV模型在公司價(jià)值評(píng)估中的應(yīng)用[J].管理科學(xué)，2003，（3）：30-33.

[12]閆海峰，華雯君.基于KMV模型的中國(guó)上市公司信用風(fēng)險(xiǎn)研究[J].產(chǎn)業(yè)經(jīng)濟(jì)研究，2009，（3）：14-22.

[13]Engle R E. Autor egressive conditional heteroskedasticity with estimates of the variance of UK inflation [J]. Econometrica，1982，（50）：987-1008.

[14]Bollerslev T. Generalzed autoregressive conditional heteroskedasticity[J].Journal of Econometrics，1986，（31）：307-327.

[15]Taylor S J. Modeling financial time series [M]. Chichester：John Wiley and Sons，1986.

[16]Taylor S J. Modeling stochastic volatility[J]. Mathematical Finance，1994，（4）：183-204.

[17]Shepard N. Statistical aspects of ARCH and stochastic volatility[J]. Time Series Model in Econometrics，1996：1-67.

[18]Eric J， Polson N G，Rossi P E. Bayesian analysis of stochastic volatility models[J]. Journal of Business & Economic Statistics，1994，12（4）：371-388.

[19]Kim S.，Shephard N.，Chib，S. Stochastic volatility：likelihood inference and comparison with ARCH models[J]. Review of Economic Studies，1998，（65）：361-393.

[20]余素紅，張世英.SV與GARCH模型對(duì)金融時(shí)間序列刻畫能力的比較研究[J].系統(tǒng)工程，2002，20（5）：28-33.

[21]余素紅，張世英.SV和GARCH模型擬合優(yōu)度比較的似然比檢驗(yàn)[J].系統(tǒng)工程學(xué)報(bào)，2004，19（6）：625-629.

責(zé)任編輯、校對(duì)：許永兵