中国商业银行信用风险度量研究

第１９卷第３期　２０１ｉ年５月　成都理工大学学报（社会科学版）　ＪＯＵＲＮＡＬ　ＯＦ　ＣＨＥＮＧＤＵ　ＵＮＩＶＥＲＳＩＴＹ　ＯＦ　ＴＥＣＨＮＯＬＯＧＹ（Ｓｏｃｉａｌ　Ｓｃｉｅｎｃｅｓ）　Ｖｏ１．１９　Ｎｏ．３　Ｍａｙ．。２０１ｉ　中国商业银行信用风险度量研究　孙宁华　，刘　杨　（１．南京大学　经济学院；２．渣打银行　南京分行，南京摘２１００９３）　要：信用风险是商业银行面临的主要风险，信用风险的度量模型有专家判断法、信用评分法、神经网　络分析法以及现代违约概率模型等。通过比较分析Ｌ０ＧＩＴ模型和ＫＭＶ模型，选取了能够体现公司盈利能　力、营运能力、资本结构、偿债能力、成长能力和现金流量的２８个指标。运用逐步回归方法建立Ｌ０ＧＩＴ模型，　发现该模型能够提前一年较好地预测出公司的违约情况。在分析ＫＭＶ模型时，通过ＧＡＲＣＨ—Ｍ模型计算　出企业股权价值波动率，并运用上市公司数据得出样本公司的股权价值和违约点，从而计算出样本公司的资　产价值和资产价值波动率，最后得出ＫＭＶ模型的判别结果。上述分析表明我国商业银行应以ＬＯＧＩＴ模型　作为判别模型，以ＫＭＶ模型作为追踪模型，将Ｌ０ＧＩＴ模型与ＫＭＶ模型相结合来判断贷款企业的信用风险　水平。　关键词：信用风险；ＬＯＧＩＴ模型；ＫＭＶ模型　中图分类号：Ｆ８３２．３３２　文献标志码：Ａ　文章编号：１６７２－０５３９（２０１１）０３－０１７—０８　练、具有丰富经验的信用评估专家做出的，并由他们　一、引言　进行最后的决策。专家的经验和判断是信用分析和　决策的主要基础，这种方法的主要问题是对信用风　险的评估缺乏一致性。　信用评分法包括线性概率模型、多元判别分析　模型、ＬＯＧＩＴ模型和ＰＲＯＢＩＴ模型。Ｂｅａｖｅ首先运　用统计学方法建立了单变量的财务预警模型，选取　美国次级贷款危机仍然对全球的金融市场乃至　实体经济产生着深远的影响。此次金融危机暴露出　金融行业对风险管理的重视不足，对风险的识别能　力仍需加强。从事房地产抵押贷款业务的商业银　行，背离了银行业一贯坚持的审慎信贷标准，没有仔　细审查客户的还款能力，低估了抵押品的市场风险。　投资银行的高杠杆率以及资产证券化的过度衍生也　放大了房地产市场和衍生品市场的风险，并波及全　球金融市场。因此，风险的识别和度量对于商业银　行的健康发展至关重要。　了美国１９５４￣１９６４年间资产规模大致相同的７９家　经营失败和７９家经营良好的企业进行对比，发现现　金流量／负债总额、资产收益率和资产负债率是具有　较好预测性的财务比率［１］。Ａｌｔｍａｎ提出了ｚ值模　型［２］，１９７７年Ａｌｔｍａｎ，Ｈａｌｄｅｍａｎ和Ｎａｒａｙａｎａｎ对　原有的Ｚ值计分模型进行了修改并推出了ＺＥＴＡ　模型，变量由５个增加到了７个［３］。它所选变量更　加稳定，适用范围更广，对企业违约的辨认能力也增　强了。多元判别分析模型是根据观察到的一些统计　信用风险的度量方法主要有专家判断法、信用　评分法、神经网络分析法和违约概率模型。　专家判断法是传统的信用分析方法。该方法的　最大特征是信用评价是由商业银行中经过长期训　收稿Ｅｔ期：２０１１一Ｏ２－２８　特征对判别对象进行分类，以确定对象的类别。该　作者简介：孙宁华（１９６８－．），河南人，南京大学经济学院经济系副教授．经济学博士。康奈尔大学经济学系访问学者，《经济　研究》等杂志匿名审稿人；刘杨（１９８５一），黑龙江人，渣打银行南京分行，南京大学经济系硕士研究生。　・　１７　・　孙宁华，等：中国商业银行信用风险度量研究　模型的特点是己经掌握了一定时间范围内每个类别　的若干个样本，分析其特征并总结出分类的规律性，　建立判别公式并得出判别结果。ＬＯＧＩＴ模型不要　求变量满足多元正态分布和等协方差等假设条件，　因此在预测企业是否违约时得到了较为广泛的　应用。　神经网络分析模型的原理是模拟人类或其他生　物的神经系统对变化的自适应能力，是一套人工智　能预测系统。神经网络的结构包括一个输入层、若　干个中间隐含层以及一个输出层。神经网络分析模　型可以模拟相关变量投入后对企业信用风险的影　响。通过学习训练范例的过程，神经网络分析模型　可以找出输入变量与输出变量间的关系，之后建构　预测模型。神经网络模型的最大缺陷是随机性较　强，而且要得到一个较好的神经网络模型非常耗费　精力和时间，所以应用受到一定限制。另外，神经网　络分析模型还因为缺乏坚实的理论基础而受到批评。　目前应用广泛的现代违约概率模型包括ＫＭＶ　模型，Ｃｒｅｄｉｔ　Ｍｅｔｒｉｃｓ模型，Ｃｒｅｄｉｔ　Ｒｉｓｋ－＋－模型和　Ｃｒｅｄｉｔ　Ｐｏｒｔｆｏｌｉｏ　Ｖｉｅｗ模型。　１９９３年ＫＭＶ公司提出了ＫＭＶ信用风险度　量模型，该模型基于ＢＳＭ期权定价理论，利用股权　价值、股权价值的波动率以及企业违约点估算企业　的资产价值和资产价值的波动率，并据此求得违约　距离，从而得到企业预期违约率。ＫＭＶ模型可以　充分利用资本市场上的数据，对公开上市公司进行　信用风险的量化度量分析。由于ＫＭＶ模型所需输　入的数据来自股票市场，而非历史财务数据，因此预　测结果更加具有时效性。　ＶａＲ方法是度量给定的资产或负债在给定的　置信水平下最大的价值损失额。Ｊ．Ｐ．摩根银行和其　他合作者创立了Ｃｒｅｄｉｔ　Ｍｅｔｒｉｃｓ模型用于度量非交　易性金融资产。Ｃｒｅｄｉｔ　Ｍｅｔｒｉｃｓ模型依赖于历史平　均违约率和违约时的资产收回率，以此为基础确定　信用资产组合未来的价值变化，通过基于ＶａＲ的方　法计算整个组合的风险暴露。　瑞士信贷银行ＣＳＦＰ于１９９７年提出了基于保　险精算理论的Ｃｒｅｄｉｔ　Ｒｉｓｋ＋模型。它假定违约率　是随机的并且在信用周期内显著波动。Ｃｒｅｄｉｔ　Ｒｉｓｋ　＋方法假设一个贷款企业以概率Ｐ违约或者以概　率１一Ｐ不违约。Ｃｒｅｄｉｔ　Ｒｉｓｋ＋模型先按照投资组　合中每笔贷款风险暴露的大小将贷款分组，假定每　组内贷款风险敞口相同，从而使得每组贷款的损失　分布遵循泊松分布，之后将各组损失汇总得到整个　・　】８　・　投资组合的损失分布。　１９９７年Ｍｃｋｉｎｓｅｙ公司提出了Ｃｒｅｄｉｔ　Ｐｏｒｔｆｏｌｉｏ　Ｖｉｅｗ模型，该模型纳入了如失业率、汇率以及政府　支出等宏观因素变量，并模拟不同信用等级公司的　违约和信用等级转移概率的联合条件分布。Ｃｒｅｄｉｔ　Ｐｏｒｔｆｏｌｉｏ　Ｖｉｅｗ模型的思想是违约率和信用等级转　移概率是与宏观经济变量紧密联系的，经济繁荣时　违约率和信用等级转移概率降低，反之则增加。　我国国内学者也对我国商业银行信用风险度量　进行了一定的研究。吴世农，卢贤义应用Ｆｉｓｈｅｒ线　性判定模型、多元线性回归模型和ＬＯＧＩＴ回归模　型对我国上市公司进行分析，预测上市公司的财务　困境，结果表明ＬＯＧＩＴ模型误判率最低Ｌ４］。沈沛　龙，任若恩根据《新的资本充足率框架》的基本原理，　把Ｃｒｅｄｉｔ　Ｍｅｔｒｉｃｓ同我国商业银行的信贷风险管理　实践相结合，研究适合我国国内商业银行特点的内　部信用风险度量分析和管理的基本框架［５］。李萌应　用ＬＯＧＩＴ模型，结合主成分分析法和ｔ检验对商业　银行信用风险进行实证分析，结果表明公司偿还能　力和流动性对信用风险的影响最大，而且ＬＯＧＩＴ　模型具有很好的识别和预测能力Ｉ６］。都红雯，杨威　提出了我国应用ＫＭＶ模型实证研究中存在的五大　问题并提出相应的对策建议［７］。李萌，陈柳钦构造　了基于ＢＰ神经网络的商业银行信用风险分析模　型，分析结果表明单隐层ＢＰ神经网络模型对企业　信用风险具有较强的识别能力［８］，但推广能力还有　待提高。　在上述研究结果基础上，本文选取预测效果较　好且应用较为广泛的ＬＯＧＩＴ模型和ＫＭＶ模型做　比较分析。我们将区域风险因素以虚拟变量的形式　加入ＬＯＧＩＴ信用风险度量模型中进行分析，从而　显著增强了该模型的预测准确率。这说明我国商业　银行在运用ＬＯＧＩＴ模型作为信用风险度量模型时　应考虑区域风险因素。此外，通过比较ＬＯＧＩＴ模　型和ＫＭＶ模型对于企业违约情况的预测结果，本　文提出了适合我国商业银行度量信用风险的模型应　该是将ＬＯＧＩＴ模型作为判别模型，ＫＭＶ模型作为　追踪模型。　二、ＬＯＧＩＴ模型对信用风险度量　的实证研究　（一）模型说明及样本的选取　ＬＯＧＩＴ模型中解释变量既可以是连续变量也　孙宁华，等：中国商业银行信用风险度量研究　可以是离散变量，还可以是虚拟变量，并且不要求它　表１　ＬＯＧＩＴ模型指标　们服从多元正态分布，这与企业财务数据的实际情　类型　指标代码及名称　况较为相似，因此在信用风险度量中应用广泛。其　Ｘｌ一净资产收益率　基本函数形式如下：　Ｘ２＝总资产报酬率　Ｐ＝南　Ｘ３一总资产净利率　盈利能力　Ｘ４一投入资本回报率　ｇ（ｚ）一ｃｏ＋∑ｃ　，其中ｚ　为解释变量，　为　Ｘ５＝销售净利率　Ｘ６＝营业总成本／营业总收入　相应权重系数　Ｘ７一存货周转率　ＬＯＧＩＴ模型在分析企业财务状况及信用风险　Ｘ８＝应收账款周转率　水平时，　为反映企业经营状况的财务比率指标或　营运能力　Ｘ９一流动资产周转率　其他变量，　则表示相应指标的权重。　Ｘ１０＝固定资产周转率　本文分别选取２００８年１月至２００８年１２月和　Ｘｌｌ一总资产周转率　２００９年１月至２００９年１２月这二个时间段内被特　Ｘ１２一资产负债率　殊处理的公司以及与之相对应的财务状况良好的上　Ｘ１３＝流动资产／总资产　市公司作为样本，利用２００８年的样本公司建立　资本结构　Ｘ１４一有形资产／总资产　ＬＯＧＩＴ模型，并将其应用于判断和预测２００９年样　Ｘ１５一带息债务／全部投入资本　本公司的财务状况和信用风险中。　Ｘ１６＝流动负债／负债合计　（二）指标的选取　Ｘ１７：流动比率　通过综合考虑会计学以及我国商业银行信用风　Ｘ１８一速动比率　险评价指标，同时兼顾数据的可得性和可量化原则，　Ｘ１９＝产权比率　本文选取了２８个财务比率指标，见表１。数据来源　偿债能力　Ｘ２０＝有形资产／负债　于ｗＩＮＤ数据库。　Ｘ２１一息税折旧摊销前利润／负债　（三）实证研究　Ｘ２２＝经营活动产生的现金流量净额／负债　ＬＯＧＩＴ模型对多元共线性较为敏感，自变量间　Ｘ２３：已获利息倍数（ＥＢＩＴ／利息费用）　Ｘ２４一利润总额增长率　的多元共线性会导致由于标准差增大而降低　成长能力　Ｘ２５一经营活动产生的现金流量净额增长率　ＬＯＧＩＴ模型的预测能力，所以本文首先对自变量间　Ｘ２６一净资产收益率增长率　　－的相关性进行检验。本文通过利用ＳＰＳＳ软件进行　Ｘ２７一销售商品提供劳务收到的现金／营业收入　两个变量的相关性分析，发现变量Ｘ２与Ｘ４，Ｘ５　现金流量　Ｘ２８一经营活动产生的现金流量净额／营业收入　与Ｘ６，Ｘ２与Ｘｌ１等变量之间显著相关，多重共　线性显著。　表２　ＬＯＧＩＴ模型判别准确率　解决多重共线性的方法包括主成分分析，岭回　归以及逐步回归等多种方法。本文采用逐步回归法　判别值　观测值　Ｙ　消除变量间的多重共线性。利用ＳＰＳＳ软件采用混　判别准确率　Ｏ　１　合逐步回归法来筛选变量，筛选出的变量为Ｘ３、　Ｏ　１６　４　８０　Ｘ１０、Ｘ１２、Ｘ１８，设＊ＳＴ公司的观测值为０，经营状　Ｙ　ｌ　５　１５　７５　况良好的公司的观测值为１，建立ＬＯＧＩＴ回归方程　整体判别准确率　７７．５　如下：　ｚ＝　丽　丽　面　丽　丽　表２表明，将＊ＳＴ公司误判为正常公司的概率　为２Ｏ　，将正常公司误判为＊ＳＴ公司的概率为　将该模型运用于２００９年样本公司２００８年的财　２５　，模型整体判别准确率为７７．５％，有较好的判　务比率数据，此时判别准确率见表２。　别结果。　・　１９　・　孙宁华，等：中国商业银行信用风险度量研究　将该模型运用于２００９年样本公司２００７年的财　务比率数据，此时预测准确率为：　表３　ＬＯＧＩＴ模型预测准确率　预测值　观测值　Ｙ　预测准确率　Ｏ　１　０　１３　７　６５　Ｙ　１　２　１８　９０　整体预测准确率　７７．７５　结果发现将＊ＳＴ公司预测为正常公司的概率　为３５　，将正常公司误判为＊ＳＴ公司的预测率均　为１Ｏ　，模型整体预测准确率为７７．７５　，也有较好　的预测结果。　国外商业银行的信用风险度量模型一般不加入　区域风险因素，因为发达国家市场化程度很高，区域　间经济趋同性较强，因此区域因素在信用风险的识　别和度量过程中并不显著。而我国尚未完全形成统　一的市场经济体系，东部发达地区和西部欠发达地　区间经济差异十分显著，因此将信用风险度量模型　应用于预测客户会否违约时，在模型中加入地区差　异因素可能会加强模型的预测效果。本文将我国分　为经济发达地区和欠发达地区，其中经济发达地区　设为１，欠发达地区为０，得到回归模型如下：　ｚ—　瓜五　而　而　将２００９年样本公司２００８年的财务数据和样本　公司所在省份的区域虚拟变量带入上述模型中，此　时预测准确率见表４。　表４　加入区域因素后Ｌ０ＧＩＴ模型判别准确率　判别值　观测值　Ｙ　判别准确率　Ｏ　１　０　１９　１　９５　Ｙ　１　４　１６　８０　整体判别准确率　８７．５　结果发现将＊ＳＴ公司误判为正常公司的概率　为５　，将正常公司误判为＊ＳＴ公司的概率为　２Ｏ％，模型整体判别准确率为８７．５　９／５，有很好的判　别结果。相比较于未加入区域风险因素的原模型，　判别准确率提高了１０　。　将２００９年样本公司２００７年的财务数据和样本　・　２Ｏ　・　公司所在省份的区域虚拟变量带人上述模型中，此　时预测准确率见表５。　表５加入区域因素后ＬＯＧＩＴ模型预测准确率　预测值　观测值　Ｙ　预测准确率　Ｏ　１　Ｏ　１４　６　７０　Ｙ　１　２　１８　９０　整体预测准确率　８０　结果发现将＊ｓＴ公司误判为正常公司的概率　为３０　９，６，将正常公司误判为＊ＳＴ公司的概率为　１０　，模型整体预测准确率为８０　，有很好的预测　结果。相比较于未加入区域风险因素的原模型，预　测准确率提高了２．５　。　（四）实证结果分析　经过实证分析发现，ＬＯＧＩＴ模型能够很好的判　别样本公司是否违约且当被用来提前一年预测公司　的财务风险时，有较好的效果。研究结果显示，反映　企业盈利能力的总资产净利率、反映营运能力的固　定资产周转率、反映资本结构的资产负债率和反映　偿债能力的速动比率在该模型中占较大比重。随着　总资产净利率、固定资产周转率、速动比率的下降，　Ｙ值逐渐减小并接近于０，说明当贷款公司的这些　比率下降时，公司的经营状况不佳，信用风险水平提　高；随着资产负债率的增加，Ｙ值逐渐减小并接近于　０，说明当贷款公司的这一比率提高时，公司负债相　比较于资产过多。这些情况都应引起贷款银行的警　惕和足够重视。　此外，区域因素能够增强模型的预测能力，说明　我国地区间的经济差异较为显著，且这种差异可以　用来解释公司的违约情况，商业银行在对不同区域　的公司投放贷款时可能面临不同程度的区域风险。　因此经济发达地区企业的违约可能性较低。所以我　国商业银行在建立信用风险度量模型时，应考虑加　入区域因素来增强模型的预测能力　三、ＫＭＶ模型对信用风险度量　的实证研究　【一）ＫＭＶ模型原理　ＫＭＶ模型的理论基础是Ｂｌａｃｋ—Ｓｃｈｏｌｅｓ期权　定价理论。ＫＭＶ模型的基本思想是把公司的资本　价值作为看涨期权，公司负债作为看跌期权。由于　孙宁华．等：中国商业银行信用风险度量研究　受到宏观经济环境、行业风险、外汇风险等因素的影　响，假定公司的资产价值　是一个变量，任意时刻ｔ　公司资产价值的变化服从对数正态分布并服从几何　布朗运动：　（三）违约率的计算步骤　１．计算资产价值　和资产价值波动率　依据Ｂｌａｃｋ—Ｓｃｈｏｌｅｓ期权定价理论，公司股　权市场价值和资产市场价值之间满足如下关系：　Ｎ（　１）一ｅ－－ｒ（卜　Ｆ『、『（　２）　（２）　Ｖ　＝Ｖ。ｅｘｐ［（　一寺　）￡＋　厶　］　（１）　一　其中　为公司资产价值的期望值，　表示公司　资产价值的标准差，互为公司资产价值变动的随机　Ｉｎ（　）＋（ｒ＋譬）（Ｔ－－ｔ）　ｄ１一——二————＿＿＝＝＝　———～　ａＡ　Ｔ—ｔ　（３）　量，　∈Ｎ（Ｏ，１）。　ＫＭＶ模型原理可以用图１表示，当公司资产　价值高于违约点（ＤＰＴ）时，贷款公司选择归还贷款　本息并获得投资收益；当公司资产价值低于违约点　时，贷款公司选择违约，公司选择违约的概率为　ＥＤＦ　市场值　未来资产的概率密度函数　Ｖ０　＋＋　ＤＰＴ　时间　图１　ＫＭＶ模型的预期违约率原理　（二）假设条件　（１）当贷款公司的资产价值大于违约点时，贷款　公司不会违约；而当贷款公司的资产价值低于违约　点时，贷款公司会选择对债权人即商业银行违约。　（２）贷款公司的资本结构只包括长期债务、短期　债务和所有者权益。　（３）市场上存在一个无风险利率并且该利率一　定时间内固定不变的。　（４）在债务合约的有效期内，贷款公司没有任何　现金支付，也没有其他债券的发行而且没有破产成　本。即如果公司无法偿还债务，违约只在债务合约　到期时发生。　（５）公司的资产市场价值服从伊藤过程。　（６）市场是无摩擦的，即没有交易成本、税收而　且所有的资产都可以无限细分。　（７）贷款合约到期时，公司的资产价值服从正态　分布。Ｌ１明　ｄ２一ｄｌ—Ｏ＇Ａ￣／丁一ｔ　（４）　Ｆ是公司债务面值，即公司的违约值，本文用　ＤＰＴ进行计算。Ｔ—ｔ是债务合约到期时间。　是　公司股权市场价值。Ｎ（．）是零均值，标准差为１的　标准正态分布。　依据伊藤定理（Ｉｔｏ’Ｓ　Ｌｅｍｍａ），公司股权价值　的波动率与资产价值的波动率存在以下关系：　一—弋　一　Ｎ（　１）ＶＡＵＡ　（４．５）　２．估算违约点ＤＰＴ　ＫＭＶ模型假设贷款公司的资本结构包括长期　负债（ＬＴＤ）和短期负债（ＳＴＤ），违约点是长期负债　和短期负债的结合。经过大量的实证研究，ＫＭＶ　公司发现在临界值大约等于流动负债加一半长期负　债处，公司违约最为频繁。因此ＫＭＶ近似地将违　约点表示为公司短期负债（ｓＴＤ）加上长期负债　（ＬＴＤ）的一半：　ＤＰ丁一ＳＴＤ＋１ＬＴＤ　（６）　３．计算违约距离ＤＤ　违约距离表示的是资产价值分布的均值与违约　点之间的标准差个数，因此不同的上市公司可以使　用该指标相互比较。　ＤＤ＝—Ｅ（Ｖ￣　）－－ＤＰＴＶＡ　－－　ＤＰＴ　—一＝——（７）　ｙ＾　＾　４．估计预期违约率ＥＤＦ　理论预期违约率（ＥＤＦ）的计算过程如下：　ｑ—ｐ（ＶＡ≤ＤＰＴ）　（８）　根据公式（１），因为Ｚ服从正态分布，所以有：　ｚ　一　“一——ＤＰ—Ｔ）二　　：一　三　　㈣　因此可以计算出：　ＤＰＴ　ｑ　≤　孙宁华，等：中国商业银行信用风险度量研究　ＶＡ　一≤一　：　亟ＶＡ　二！　三　ｄ一　６　可以推导出ｄ就是至违约点的距离ＤＤ。　预期违约率可以表示为ＥＤＦ—Ｎ（一ＤＤ）　但是由于我国尚未建立经验预期违约率数据　库，直接计算理论预期违约率可能造成较大偏差，因　此本文通过比较违约距离ＤＤ与违约距离的平均值　来区分违约公司和经营状况良好的公司，若违约距　离大于平均值，则认为该公司不会违约；若违约距离　小于平均值，则认为该公司会选择违约。　（四）实证研究　１．股权价值和无风险利率的选取　由于本文中的样本公司均已在２００７年完成了　股权分置改革，因此采用样本公司２００７、２００８年总　市值作为公司的股权价值进行计算。此外，本文分　别选取２００７年和２Ｏ０８年银行一年期定期存款利率　的均值作为无风险利率进行计算。　２．股权价值波动率的计算　投资者认为金融资产带来的收益应当与为其承　担的风险成正比，金融资产风险越大，投资者的预期　收益就越高。ＧＡＲＣＨ—Ｍ模型通常应用于股票等　预期风险与预期收益密切相关的金融领域，股票风　险越大，相应的预期收益率也就越高，假设股票的预　期收益的变动依赖于一个常数项及条件标准差。　均值方程可表示为：　一ｙ＋　＋“　，ｔ一１，２，……，Ｔ　方差方程为：　ｏ　＝＝：∞＋Ｊ３ｄ　一１＋ａｕ　一ｌ　其中ａ　是以前期信息为基础的方差，条件方差　方程包括三个组成部分：（１）常数项叫；（２）上一期　的预测方差　一　；（３）前期得到的波动性信息ｕ　～　。ｐ　表示预期风险波动　对Ｙ　的影响程度。　Ｄ—Ｄ　股票日收益率可表示为ｄｒ　一　二盟一ｉｎ　』卜１　。其中　表示日收盘价，本文通过ＥＶＩＥＷＳ软　ｐ　件利用ＧＡＲＣＨ－－Ｍ模型来计算股票价格的波动率。　随机抽取＊ＳＴ东电２００８年１月１日到１２月　３１日交易日股价数据进行检验，首先利用最小二乘　法估计ｙ　一ｙ＋Ｕ　，结果如下Ｙ　一一０．００３０６７十地，　・　２２　・　但是观察残差图，可以注意到波动成群的特性，说明　误差项可能具有条件异方差性。　．１　２　．Ｏ８　＿●　．１　．０４　ｒ　Ｊ＿　．００　“¨　．Ｉ　ｊ『Ｉｆｌ　　＿支　Ｉ　．１　ｌ。　。　　ｌｉ　Ｉ　．　一．０４　Ｈ　’　一　ｆ…１　　…　ｌ　Ｉ　ｙ●‘　Ｉ　…ｉ　、　一．０８　一．１２　２５　５０　７５　１００　１２５　１　５０　１　７５　２００　２２５　图２　＊ＳＴ东电残差图　因此对该式进行ＡＲＣＨ　ＬＭ检验，得到了滞后　阶数ｐ一１时的ＡＲＣＨ　ＬＭ检验结果：　Ｆ一统计量　５．７５１７９１　概率值（Ｐ值）　０．Ｏ１７２２７　Ｔ＊Ｒ０统计量　５．６６５０４０　概率值（Ｐ值）　０．０Ｉ７３０６　此处Ｐ值小于０．０５，拒绝残差序列不存在　ＡＲＣＨ效应的原假设，证实存在ＡＲＣＨ效应。　应用ＧＡＲＣＨ—Ｍ模型进行估计，结果如下：　均值方程：　ｙ　一２．０２４０　一０．０８３＋　，　方差方程：　一０．０００３＋０．０６５ｕ￣】＋０．７７口　２】　方差方程ＡＲＣＨ和ＧＡＲＣＨ项的系数之和等　于０．８３５，小于ｌ，满足参数约束条件。由于系数之　和接近于１，表明条件方差所受的冲击是持久的，即　冲击几乎对未来所有的预测都有重要作用。　对该式进行ＡＲＣＨ　ＬＭ检验，得到了滞后阶数　ｐ一１时的ＡＲＣＨ　ＬＭ检验结果：　Ｆ一统计量　０．００８５３７　概率值（Ｐ值）　０．９２６４６０　Ｔ＊Ｒ０统计量　０．００８６０７　概率值（Ｐ值）　０．９２６０８３　此时Ｐ值均大于０．９，接受原假设，说明利用　ＧＡＲｃＨ—Ｍ模型消除了残差序列的条件异方差　性。因此本文利用ＧＡＲＣＨ—Ｍ模型来计算股权　价值波动率。　（五）实证研究结果　本文利用迭代的思想通过Ｃ＋＋编程来计算　ＫＭＶ模型的结果。根据样本公司２００８年度第三　孙宁华，等：中国商业银行信用风险度量研究　季度的股权价值、股本波动率及违约点等数据，应用　ＫＭＶ模型估算样本公司三个月后是否违约（在　ＫＭＶ模型中，本文仍然借用ＬＯＧＩＴ模型的表示方　式，即０代表＊ＳＴ公司，ｌ代表财务状况良好的公　司），得到结果如下：　表６　ＫＭＶ模型预测准确率　预测值　观测值　Ｙ　预测准确率　Ｏ　１　、，　１　０　１４　６　７０　ｆ　１　５　１５　７５　整体预测准确率　７２．５　具体来说，将＊ＳＴ公司误判为非ＳＴ公司的概　率为３Ｏ　，将非ＳＴ公司误判为ＳＴ公司的概率为　．１　．　．　．　．１　．　．　．　．１　Ｌ　－　－Ｌ　　＿　Ｌ　．　２５　，总体预测准确率为７２．５　，预测准确率较高。弱　们“　弛嬲　∞　　根据样本公司２００７年末数据，应用ＫＭＶ模型　估算一年后是否违约，结果如下：　表７　ＫＭＶ模型预测准确率　预测值　观测值　Ｙ　预测准确率　０　１　、，　Ｉ　ｏ　１３　７　６５　Ｉ　１　６　１４　７０　整体预测准确率　６７．５　具体来说，将＊ＳＴ公司误判为非ＳＴ公司的概　率为３５　，将非ＳＴ公司误判为＊ＳＴ公司的概率为　３Ｏ　，总体预测准确率为６７．５　，结果对于商业银　行有一定的参考意义。　为了研究ＫＭＶ模型对于公司信用风险水平变　化的追踪能力，本文选取二组公司，每组四个。一组　为＊ＳＴ公司，另一组为财务状况良好的公司，进行　比较分析。　结果发现＊ＳＴ公司位于违约距离均值以下或　者违约距离有明显下降趋势；非ＳＴ公司位于违约　距离均值以上或者违约距离有上升趋势。　本文经实证研究发现，ＫＭＶ模型有较好的追　踪我国上市公司信用风险水平变化的效果，但是对　于违约情况预测准确率却较低。　四、结论　（一）适用我国的信用风险度量模型　经过实证研究发现，ＬＯＧＩＴ模型的预测准确率　…一６００７２７……～－６００６３３一…６００５９１——Ｏ０Ｏ８５６　图３　＊ＳＴ公司违约距离趋势　Ｌ　．　．　．　．１　Ｌ　Ｌ　．　．　．　Ｌ　．１　Ｌ　Ｌ　Ｌ　．　＿　．　．１　鹃　Ｍ　——６０００２７一…６０００２９………・６００２０２…。６００２２２　图４非ＳＴ公司违约距离趋势　明显高于ＫＭＶ模型，在提前一年的情况下，　ＬＯＧＩＴ模型能够以８０　的准确率预测出公司是否　会违约，而ＫＭＶ模型对此的预测准确率仅约为　７Ｏ　，因此ＬＯＧＩＴ模型可以更好地应用于预测我　国企业是否违约。但是ＬＯＧＩＴ模型没有对企业的　追踪能力，无法像ＫＭＶ模型一样根据资本市场价　值的变化及时做出反应，ＫＭＶ模型具有较好的预　测企业信用风险变化情况的能力，因此ＫＭＶ模型　可以应用于追踪我国企业信用风险的变化趋势，从　而帮助商业银行更好地预测企业是否会违约。我国　商业银行使用信用风险度量模型时，可以应用　ＬＯＧＩＴ模型作为预测模型，并应用ＫＭＶ模型作为　追踪模型，当贷款企业的违约距离呈现出明显的下　降趋势时，应引起商业银行的高度重视。将ＬＯＧＩＴ　模型与ＫＭＶ模型相结合是我国商业银行度量信用　风险的较好选择。　（二）提高信用风险度量模型预测能力　首先，完善公司信用风险信息数据库。信用风　・　２３　・　孙宁华，等：中国商业银行信用风险度量研究　险度量模型的准确运用需要建立在大量公司信用信　的情况下加强银行间关于违约数据积累和违约模型　息的历史数据基础之上。我国商业银行信用评级体　应用的交流与合作。这样有利于我国商业银行更好　系尚不健全，公司信用历史数据积累不足，对于　地应用信用风险度量模型。　ＬＯＧＩＴ模型而言，这会影响对模型本身的分析和评　价；对ＫＭＶ模型而言，这会影响公司违约点的设定　参考文献：　和对于预期违约率的计算，因此对于信用风险度量　［１］Ｂｅａｖｅｒ，Ｗ．。１９６７，“Ｆｉｎａｎｃｉａｌ　Ｒａｔｉｏｓ　ａｓ　Ｐｒｅｄｉｃｔｏｒｓ　ｏｆ　模型的应用有着重要影响。　Ｆａｉｌｕｒｅｓ　ｉｎ　Ｅｍｐｉｒｉｃａｌ　Ｒｅｓｅａｒｃｈ　ｉｎ　Ａｃｃｏｕｎｔｉｎｇ”。Ｓｕｐｐｌｅ—　其次，加强对于证券市场及上市公司数据披露　ｍｅｎｔ　ｔｏ　ｔｈｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ａｃｃｏｕｎｔｉｎｇ　Ｒｅｓｅａｒｃｈ，ｖｏ１．４．　的监管。ＬＯＧＩＴ模型应用上市公司财务报表中的　［２］Ａｌｔｍａｎ。Ｅｄｗａｒｄ　Ｉ．。１９６８，“Ｄｉｓｃｒｉｍｉｎａｔｅ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　Ｃｏｒｐｏｒａｔｅ　Ｂａｎｋｒｕｐｔｃｙ”．Ｊｏｕｒｎａｌ　ｏｆ　Ｆｉ—　财务比率对信用风险水平进行计算，ＫＭＶ模型应　ｎａｎｃｅ，Ｖｏ１．９．　用上市公司的股本数据和违约点数据进行计算，这　［３］Ａｌｔｍａｎ，Ｅｄｗａｒｄ　Ｉ．，Ｈａｌｄｅｍａｎ，Ｒｏｂｅｒｔ　Ｇ，Ｎａｒａｙａｎａｎ，　就要求上市公司的数据必须及时、准确、真实可靠。　Ｐ．，１９７７，“ＺＥＴＡ　Ａｎａｌｙｓｉｓ”。Ｊｏｕｒｎａｌ　ｏｆ　Ｂａｎｋｉｎｇ＆Ｆｉ－　但是，近年来我国上市公司财务丑闻事件频发，上市　ｎａｎｃｅ，Ｖｏ１．６．　公司财务数据失真一方面会直接影响信用风险度量　［４］吴世农，卢贤义．我国上市公司财务困境的预测模型研　模型的准确性，另一方面会引起市场参与者对于证　究［Ｊ］．经济研究，２００１．（Ｏ６）．　券市场的不信任，影响证券市场的长期发展，因此不　［５］沈沛龙，任若恩．我国商业银行信用风险的度量与控制　利于商业银行使用上市公司的股本数据估算信用　［Ｊ］．北京航空航天大学学报。２０００，（Ｏ４）．　风险。　Ｅ６３李萌．陈柳钦．基于ＢＰ神经网络的商业银行信用风险识　最后，建立外部评级体系，加强银行间的交流与　别实证分析［－Ｊ－Ｉ．南京社会科学，２００７，（Ｏ１）．　［７３都红雯，杨威．我国对ＫＭＶ模型实证研究中存在的若　合作。我国外部评级机构还在起步发展阶段，因此　干问题及对策思考［Ｊ］．国际金融研究，２００４，（Ｏ９）．　商业银行难以直接应用外部评级机构所提供的信用　［８］李萌．ＬＯＧＩＴ模型在商业银行信用风险评估中的应用　数据，这给巴塞尔新资本协议中内部评级法初级法　研究［Ｊ］．管理科学，２００５，（Ｏ４）．　的应用带来了一定困难，外部评级体系的建立有助　［９３　Ｆｉｓｃｈｅｒ　Ｂｌａｃｋ，Ｍｙｒｏｎ　Ｓｃｈｏｌｅｓ，１９７３，“Ｔｈｅ　Ｐｒｉｃｉｎｇ　ｏｆ　于商业银行应用内部评级法。关于违约率和违约公　Ｏｐｔｉｏｎｓ　ａｎｄ　Ｃｏｏｐｅｒａｔｅ　Ｌｉａｂｉｌｉｔｉｅｓ”．Ｔｈｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｐｏ—　司的数据是每个银行的机密。但是过度保密可能制　ｌｉｔｉｃａｌ　Ｅｃｏｎｏｍｙ，Ｖｏ１．６．　约银行间关于信用风险度量的交流与合作，商业银　［１Ｏ］詹原瑞．银行信用风险的现代度量与管理［Ｍ］．北京：　行可以通过开展研讨会等形式，在不泄露本行机密　经济科学出版社。２００４．　Ａ　Ｓｔｕｄｙ　ｏｎ　Ｃｒｅｄｉｔ　Ｒｉｓｋ　Ｍｅａｓｕｒｅｍｅｎｔ　ｏｆ　Ｃｈｉｎｅｓｅ　Ｃｏｍｍｅｒｃｉａｌ　Ｂａｎｋｓ　ＳＵＮ　Ｎｉｎｇ—ｈｕａ，ＬＩＵ　Ｙａｎｇ　（Ｓｃｈｏｏｌ　ｏｆ　Ｂｕｓｉｎｅｓｓ，Ｎａｎｊｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ。Ｎａｎｊｉｎｇ　２１００９３。Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｃｒｅｄｉｔ　ｒｉｓｋ　ｉｓ　ｔｈｅ　ｍａｉｎ　ｒｉｓｋ　ｔａｋｅｎ　ｂｙ　ｃｏｍｍｅｒｃｉａｌ　ｂａｎｋｓ．Ｃｒｅｄｉｔ　ｒｉｓｋ　ｍｅａｓｕｒｅｍｅｎｔ　ｍｏｄｅｌｓ　ｉｎｃｌｕｄｅ　Ｅｘｐｅｒｔ　Ｊｕｄｇ—　ｍｅｎｔ，Ｃｒｅｄｉｔ　Ｓｃｏｒｉｎｇ，Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ａｎａｌｙｓｉｓ　ａｓ　ｗｅｌｌ　ａｓ　Ｍｏｄｅｒｎ　Ｄｅｆａｕｌｔ　Ｐｒｏｂａｂｉｌｉｔｙ　Ｍｏｄｅ１．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ＬＯＧＩＴ　ｍｏｄｅｌ　ａｎｄ　ＫＭＶ　ｍｏｄｅｌ　ａｒｅ　ｃｏｍｐａｒｅｄ．Ｔｈｅ　２８　ｉｎｄｅｘｅｓ　ａｒｅ　ｓｅｌｅｃｔｅｄ　ｔｏ　ｒｅｆｌｅｃｔ　ｔｈｅ　ｃｏｍｐａｎｙ　Ｓ　ｐｒｏｆｉｔａｂｉｌｉｔｙ。ｏｐｅｒａｔｉｎｇ　ｃａｐａｂｉｌｉｔｉｅｓ．ｃａｐｉｔａｌ　ｓｔｒｕｃｔｕｒｅ。ｓｏｌｖｅｎｃｙ，ｇｒｏｗｔｈ　ａｂｉｌｉｔｙ　ａｎｄ　ｃａｓｈ　ｆｌｏｗｓ．Ｆｏｒｗａｒｄ　Ｓｔｅｐｗｉｓｅ　Ｒｅｇｒｅｓｓｉｏｎ　ｉｓ　ｕｓｅｄ　ｔＯ　ｅｓｔａｂｌｉｓｈ　ＬＯＧＩＴ　ｍｏｄｅ１，ｗｈｉｃｈ　ｃａｎ　ｐｒｅｄｉｃｔ　ｃｏｍｐａｎｙ　ｄｅｆａｕｌｔ　ｌ　ｙｅａｒ　ｂｅｆｏｒｅ　ａｃｔｕａｌ　ｄｅｆａｕｌｔ．Ｔｈｅｎ　Ａｓｓｅｔｓ　Ｖａｌｕｅｓ　ｏｆ　ＫＭＶ　ｍｏｄｅ１　ｉｓ　ｃａｌｃｕｌａｔｅｄ。ｔｈｒｏｕｇｈ　ＧＡＲＣＨ—Ｍ　ｍｏｄｅｌ　Ａｓｓｅｔ　Ｖｏｌａｔｉｌｉｔｙ　ｉｓ　ｃａｌｃｕｌａｔｅｄ，ａｎｄ　ｔｈｅｎ　ｔｈｅ　ｄｅｆａｕｌｔ　ｒａｔｅｓ　ｏｆ　ｓａｍｐｌｅ　ｃｏｍｐａｎｉｅｓ　ａｒｅ　ｅｓｔｉｍａｔｅｄ．Ｆｉｎａｌｌｙ　ｗｅ　ｇｅｔ　ｔｈｅ　ｄｉｓｃｒｉｍｉ—　ｎａｔｉｎｇ　ｒｅｓｕｌｔ．Ｔｈｒｏｕｇｈ　ｃｏｍｐａｒｉｓｏｎ　ｗｅ　ｂｒｉｎｇ　ｆｏｒｗａｒｄ　ｔｈａｔ　ＬＯＧＩＴ　ｍｏｄｅｌ　ｉｓ　ｆｉｔ　ｆｏｒ　ｄｉｓｃｒｉｍｉｎａｔｉｎｇ．ａｔ　ｔｈｅ　ｓａｍｅ　ｔｉｍｅ　ＫＭＶ　ｍｏｄｅｌ　ｉｓ　ｂｅｔｔｅｒ　ｆｏｒ　ｔｒａｃｉｎｇ．Ｔｈｅｓｅ　ｔＷＯ　ｍｏｄｅｌｓ　ｓｈｏｕｌｄ　ｂｅ　ｃｏｍｂｉｎｉｎｇ　ｔＯ　ｊ　ｕｄｇｅ　ｃｒｅｄｉｔ　ｒｉｓｋ　ｌｅｖｅｌ　ｏｆ　ｃｏｒｐｏｒａｔｉｏｎ　ｉｎ　ｄｅｂｔ．　Ｋｅｙ　ｗｏｒｄｓ：ｃｒｅｄｉｔ　ｒｉｓｋ；ＬＯＧＩＴ　ｍｏｄｅ；ＫＭＶ　ｍｏｄｅｌ　责任编辑：许瑶丽　・２４・