KMV模型对中国A股上市公司信用风险区分能力的实证研究

论文摘要

KMV模型是一种结构化信用风险度量和预测工具,在国外成熟市场已被广泛应用。该模型以股票价格作为主要输入量之一,具有前瞻性,克服了历史数据的“向后看”的缺点,能够提供动态、及时的信用风险监控和预测。如果该模型能够适用于中国上市公司,对提升我国信用风险管理能力具有重大意义。但是如果未对该模型在中国的有效性进行检验就盲目套用,不仅可能无法充分发挥该模型的优势,而且可能会得出偏离事实的错误结论。再者,考虑到中国这一新兴市场的诸多特殊之处,很有必要专门对该模型在中国的有效性进行研究。这是本文的研究意义所在。KMV模型在中国运用时,存在两大客观障碍:(1)由于全面的企业信用风险数据库尚未建立,违约企业难以识别,大多数研究将ST,*ST公司看作违约公司作为近似,;(2)股权分置改革之前,由于非流通股的存在,权益市值的计算没有统一公认的计算方法,导致模型输入变量的不准确,影响模型结果和各相关研究之间的可比性。KMV模型的有效性在国外已进行了大量研究,研究方法呈现日趋多样化的态势,且大多数实证结果支持KMV模型的有效性。这些研究对本文具有非常大的参考价值。近年来,我国也有学者作了这方面的大量研究,但是囿于客观条件,还存在如下问题:(1)样本偏小,时间跨度短;(2)采用相等规模大小的违约组与非违约组进行对比研究,忽略了违约事件小概率的特点,不符合市场的实际状况。本文首先提出对KMV模型有效性检验的检验框架。模型的整体有效性是指模型反映现实的能力,可以分解为三个维度:区分能力(power),校准能力(calibration)和预警能力(timeliness)。其中,区分能力是最重要、最基础的有效性维度。本文即运用中国A股市场数据就KMV模型对中国上市公司的区分能力(power)进行实证研究。本文仍旧取ST,*ST公司近似作为违约公司,选择Z计分模型作为参照模型。本文选择在2006年以前上市,在2006年底完成股改,只发行A股的上市公司1034家作为样本,其中ST,*ST公司61家;计算2007年1月1日各样本公司的违约距离(DD)和Z计分(Z),对DD和Z进行描述性统计,离散化分析,得出DD和Z与实际违约频率的经验关系,最后运用偶然性表(contingency table)和累计准确性曲线(cumulative accuracyprofile)评价KMV模型在中国的区分能力。本文选取的样本容量较大,且最大程度保持了市场上违约公司与非违约公司的真实比例;但是为了保持股票价格的一致性,仅选取了股改之后的数据,时间跨度较短。研究结果表明KMV模型对中国上市公司信用风险水平具有一定的区分能力,但是区分能力有限,与参照模型对比,并未显示出明显的优越性。对KMV模型在中国市场有限的区分能力,本文从环境因素和模型因素两个方面做出了解释。从模型运用环境来看,(1)中国股票市场有效性水平仍然相对不高,导致模型的重要输入变量——股票价格不能及时准确反映公司信息,从而限制了模型的区分能力,这是最重要的影响因素;(2)将ST,*ST公司看作违约公司,与真实违约公司存在偏差。从模型本身来看,没有针对中国公司的特点进行修改调整,也是影响区分能力的因素。

论文目录

• 摘要
• Abstract
• Introduction
• Chapter 1: The KMV Model
• 1.1 The rationale of KMV model
• 1.2 Theoretical potential advantages of KMV model
• 1.2.1 Forward- looking, objective and comprehensive
• 1.2.2 Practical and Economical
• 1.2.3 Dynamic and Timely
• Chapter 2: Particularities of China when the KMV model is applied
• 2.1 Why choose ST companies as defaulters?
• 2.2 Problems caused by non-circulated shares
• Chapter 3: Literature Reviews
• 3.1 Literatures from abroad
• 3.2 Literatures from China
• 3.3 Some comments on the Chinese studies
• Chapter 4: Research design
• 4.1 General framework of model validation
• 4.2 Testing the performance of KMV model
• 4.2.1 Structuring the testing sample
• 4.2.2 Selection of contrast model
• 4.2.3 Analysis approaches and tools
• 4.2.4 Contingency tables
• 4.2.5 Cumulative Accuracy Profiles
• Chapter 5: Sample and parameters
• 5.1 Sample selection and description
• 5.2 Parameter estimation
• Chapter 6: Empirical data analysis
• 6.1 Inputs of KMV model
• 6.2 Outputs of KMV model and Z score model
• 6.3 Interval frequency analysis
• 6.4 Empirical correlation with default （ST） frequency
• 6.5 Contingency table and Cumulative accuracy profile
• 6.6 Assets size effect
• Chapter 7: Explanations and implications
• 7.1 Environmental factors
• 7.2 Model factors
• 7.3 Implications for improving KMV model's power in China
• Chapter 8: Conclusion
• References
• Acknowledgements