91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

論文導(dǎo)讀:：本文從違約概率衡量上市公司信用風(fēng)險(xiǎn)的角度和信用評(píng)級(jí)的角度來(lái)看，基于因子分析的Logistic回歸模型和KMV模型都能反映上市公司的信用風(fēng)險(xiǎn)狀況，但基于因子分析的Logistic回歸模型的評(píng)級(jí)結(jié)果比KMV模型較準(zhǔn)確。
論文關(guān)鍵詞：信用風(fēng)險(xiǎn)，KMV模型，Logistic回歸模型，因子分析，信用評(píng)級(jí)

　　一、引 言
　　隨著金融全球化趨勢(shì)的加快和金融市場(chǎng)的波動(dòng)性加劇，企業(yè)破產(chǎn)和重組事件的發(fā)生頻率也越來(lái)越高，各國(guó)金融行業(yè)受到了前所未有的信用風(fēng)險(xiǎn)的挑戰(zhàn)。而上市公司是中國(guó)證券市場(chǎng)的基礎(chǔ)，公司質(zhì)量的高低、行為的規(guī)范與否及其財(cái)務(wù)狀況的好壞將直接影響到中國(guó)證券市場(chǎng)的發(fā)展和投資者的利益，影響市場(chǎng)的興衰。
　　二、數(shù)據(jù)來(lái)源
　　本文選取上市公司中的績(jī)差股與績(jī)優(yōu)股為研究樣本，績(jī)差股選取截止2005年12月31日滬深兩市被ST的上市公司中的30家為樣本和績(jī)優(yōu)股選取大盤(pán)藍(lán)籌股中的30家上市公司作為配對(duì)樣本，共60家上市公司，這60家上市公司全部為A股（研究的股票交易數(shù)據(jù)和年報(bào)財(cái)務(wù)數(shù)據(jù)以及相關(guān)的其他信息來(lái)自大智慧和中國(guó)金融wind數(shù)據(jù)庫(kù)）。
　　三、模型的構(gòu)建及結(jié)論分析
　　針對(duì)Logistic回歸模型和KMV模型存在的問(wèn)題，在本文中也做了部分的改進(jìn)，進(jìn)而對(duì)中國(guó)上市公司進(jìn)行信用風(fēng)險(xiǎn)度量，以期待能找到適合中國(guó)實(shí)際情況的信用風(fēng)險(xiǎn)度量模型。
　　3.1、Logistic回歸模型
　　對(duì)Logistic回歸模型的構(gòu)建，首先要慎重選擇參數(shù)。誤選參數(shù)會(huì)導(dǎo)致模型的誤判。
　　3.1.1 、Logistic回歸模型的參數(shù)選擇
　　本文選擇了能反映上市公司的贏利性，償債能力，營(yíng)運(yùn)能力、現(xiàn)金流量等方面特性的21個(gè)財(cái)務(wù)指標(biāo)。我們利用SPSS13.0統(tǒng)計(jì)軟件作為因子分析的工具金融論文，其具體步驟如下：
　�。�1）提取60家樣本公司2005會(huì)計(jì)年度報(bào)告的指標(biāo)數(shù)據(jù)，利用SPSS13.0現(xiàn)將21個(gè)指標(biāo)進(jìn)行無(wú)量綱標(biāo)準(zhǔn)化；
　�。�2）利用因子分析計(jì)算相關(guān)系數(shù)矩陣的KMO值及Barlett檢驗(yàn)值，分析顯示KMO值及Barlett檢驗(yàn)值符合檢驗(yàn)要求；
　�。�3）計(jì)算特征值、貢獻(xiàn)率、共同度，提取特征值大于0.8的9個(gè)因子為主要因子，累計(jì)貢獻(xiàn)率達(dá)到81.687%[2]。其中第一個(gè)主因子的方差貢獻(xiàn)率為26.992%，第二個(gè)主因子的方差貢獻(xiàn)率為14.646%，第三個(gè)主因子的方差貢獻(xiàn)率為8.298%，后邊的幾個(gè)主因子的貢獻(xiàn)率依次降低。
　�。�4）建立因子載荷矩陣、因子得分系數(shù)矩陣，求得9個(gè)主因子的因子得分。
　　在運(yùn)用SPSS13.0對(duì)財(cái)務(wù)指標(biāo)進(jìn)行因子分析時(shí)，我們采用的是主成分分析方法，求旋轉(zhuǎn)后的因子載荷矩陣選擇最大方差旋轉(zhuǎn)法。結(jié)果分析如下：
　�。╝）KMO和球形Bartlett檢驗(yàn)
　　經(jīng)KMO和Bartlett檢驗(yàn)表明：Bartlett球度檢驗(yàn)的值為838.034，概率，即假設(shè)被拒絕，也就是說(shuō)，可以認(rèn)為相關(guān)系數(shù)矩陣與單位矩陣有顯著差異。同時(shí)KMO值為0.636，根據(jù)KMO度量標(biāo)準(zhǔn)[3]可知，原變量適合進(jìn)行因子分析。
　�。╞）因子分析的總方差解釋
　　因子分析總方差列表中顯示前9個(gè)主成分的特征值大于0.8，但他們的累積貢獻(xiàn)率達(dá)到了81.687%，在特征根大于1的情況下，有7個(gè)主要因子，他們的累積貢獻(xiàn)率達(dá)到了73.64%，模型的解釋力度相對(duì)較低。并由各個(gè)成分特征值的碎石圖可知，保留前7個(gè)主要因子就可以概括絕大部分的信息，但這7個(gè)累積貢獻(xiàn)率低于80%。
　�。╟）因子分析的共同度
　　從因子分析的共同度表中的第二列顯示初始共同度，全部為1；第三列是提取特征根的共同度，本文中是在指定特征根大于0.8的條件下的共同度，可以看到，總資產(chǎn)同比增長(zhǎng)率和銷售凈利率的共同度較低（低于80%）金融論文，這幾個(gè)變量的信息丟失較為嚴(yán)重。 但大部分的共同度都在0.7以上，且大部分大于0.8，說(shuō)明這9個(gè)公因子能夠較好地反映原各指標(biāo)變量的大部分信息。
　　3.1.2、Logistic回歸模型的構(gòu)建
　　我們把這9個(gè)主因子都引入到Logistic回歸模型中，進(jìn)行多元回歸分析。利用SPSS13.0統(tǒng)計(jì)分析軟件的BinaryLogistic回歸程序包進(jìn)行回歸，得到的結(jié)果如表4-7，4-8所示論文格式范文。
　　從回歸的第一步Cox & Snell 為0.639，Nagelkerke為0.851，大于0.8，說(shuō)明該模型的擬合效果較好[4]。從表4-7可以得到，模型的整體準(zhǔn)確判別率為93.3%，模型對(duì)上市公司的違約判別率還是較好的。從表4-8可以看出，9個(gè)主因子的顯著性水平都較高，第9個(gè)主因子的顯著性最大，為0.755，相對(duì)來(lái)說(shuō)第2、4及5個(gè)主因子顯著性水平較低。
　　表4-7 輸出結(jié)果
　　
　　表4-8 模型的回歸系數(shù)
　　Variablesin the Equation
　　

將這9個(gè)主因子全部納入模型，得到Logistic回歸方程如下：
　　即
　　上式就是所要構(gòu)造的Logistic回歸模型。
　　3.1.3、Logistic回歸模型的結(jié)果分析
　　在用SPSS13.0統(tǒng)計(jì)軟件在做Logistic回歸時(shí)，取系統(tǒng)默認(rèn)的為分界點(diǎn)。假定當(dāng)時(shí)，將其視為違約公司，則將其成為非違約公司。
　　對(duì)于違約組的30家上市公司，判為違約的有29家，非違約的有1家，即ST鹽湖，違約概率為0.484850，誤判率為3.3%。績(jī)優(yōu)股的30家上市公司中，有3家被誤判為違約股，分別為：ST金杯、ST天橋和鋅業(yè)股份，違約概率分別為：0.961318、0.854739、0.581011，誤判率為10%。因此金融論文，Logistic回歸模型對(duì)于ST公司和非ST公司的判別準(zhǔn)確率為：96.7%、90%。
　　3.2、 KMV違約模型
　　KMV模型的基本假設(shè)是：當(dāng)公司的資產(chǎn)價(jià)值低于一定水平時(shí)，公司就會(huì)對(duì)債權(quán)人和股東違約。
　　3.2.1 參數(shù)的假定
　　在KMV模型中，有三個(gè)關(guān)鍵性的指標(biāo)即資產(chǎn)價(jià)值、資產(chǎn)價(jià)值波動(dòng)率及公司債務(wù)合同上的債務(wù)數(shù)量。
　　（1）股權(quán)價(jià)值
　　因?yàn)楸疚倪x取的是2005年的上市公司，不存在非流通的上市流通。本文選擇用每股凈資產(chǎn)代替非流通價(jià)格來(lái)計(jì)算股權(quán)價(jià)值。從而得到股權(quán)價(jià)值的計(jì)算公式為：
　　股權(quán)價(jià)值=流通股股數(shù)×市價(jià)+非流通股股數(shù)×每股凈資產(chǎn)
　�。�2）股權(quán)價(jià)值的波動(dòng)率
　　在Block-Scholes期權(quán)定價(jià)模型中，變量指股票收益率波動(dòng)性，即標(biāo)準(zhǔn)差。企業(yè)違約與否，主要看企業(yè)資產(chǎn)價(jià)值變化率的標(biāo)準(zhǔn)差。本文以上市公司股票的波動(dòng)率代替股權(quán)價(jià)值的波動(dòng)率。采用歷史波動(dòng)率法估計(jì)上市公司股權(quán)市場(chǎng)價(jià)值未來(lái)一年的波動(dòng)率。假定股票價(jià)格S滿足對(duì)數(shù)正態(tài)分布。股票收益的日波動(dòng)率為：
　　
　　其中， ，為股票每日相對(duì)收益率，為的均值。
　　假定年交易天數(shù)為250天，則年波動(dòng)率為：
　　
　　（3）違約點(diǎn)的選擇
　　本文借鑒翟東升等（2007）[27]的研究成果。設(shè)STD為短期負(fù)債，LTD為長(zhǎng)期負(fù)債，選取的違約點(diǎn)為：
　　DP=STD+0.75LTD
　�。�4）債務(wù)有效期限
　　為了計(jì)算的方便，在本文中，取債務(wù)的有效期限為1年。
　�。�5）無(wú)風(fēng)險(xiǎn)利率
　　我們用銀行2005年一年期定期存款的基準(zhǔn)利率來(lái)代替無(wú)風(fēng)險(xiǎn)利率，即r=2.25%。數(shù)據(jù)來(lái)自中國(guó)人民銀行網(wǎng)站。最后，我們假定未來(lái)公司資產(chǎn)價(jià)值的增長(zhǎng)率為零。
　　3.2.2 KMV模型的實(shí)證結(jié)果分析
　　我們利用mathcad軟件來(lái)兩個(gè)方程進(jìn)行求解，求出資產(chǎn)價(jià)值和資產(chǎn)價(jià)值波動(dòng)率。進(jìn)而可以求出上市公司的違約距離。我們將ST上市公司和非ST上市公司的DD分為3個(gè)區(qū)間：，，，并在這3個(gè)區(qū)間上公司出現(xiàn)的頻數(shù)和頻率，如表4-12所示：
　　表4-12 30家ST上市公司和30家非ST上市公司的違約距離統(tǒng)計(jì)
　　 　　

從表4-12可以看出，ST上市公司的違約距離在，，的頻率分別為：73%、27%和0%，而非ST上市公司在這三個(gè)區(qū)間的違約頻率分別為：33%、64%和3%。在這個(gè)區(qū)間，公司很有可能發(fā)生違約，因此我們假設(shè)當(dāng)違約距離DD大于2.5時(shí)金融論文，認(rèn)為上市公司不存在違約風(fēng)險(xiǎn)。反之，存在違約風(fēng)險(xiǎn)。30家ST上市公司，其中有8家被判為無(wú)違約風(fēng)險(xiǎn)。30家非ST上市公司中10家被判為有違約風(fēng)險(xiǎn)。模型對(duì)ST上市公司和非ST上市公司的準(zhǔn)確率分別為73.3%、66.7%。
　　進(jìn)一步，我們將ST上市公司和非ST上市公司的違約概率EDF也分為三個(gè)區(qū)間：，，。在這三個(gè)區(qū)間上對(duì)上市公司進(jìn)行統(tǒng)計(jì)得到如表4-13所示。
　　表4-13 30家ST上市公司和30家非ST上市公司的違約概率統(tǒng)計(jì)
　　

從表4-13可以看出，ST公司的違約概率在，，這三個(gè)區(qū)間出現(xiàn)的頻率分別為：37%、23%和40%，而非ST公司的違約概率在這三個(gè)區(qū)間出現(xiàn)的頻率分別為：80%、17%和3%。非ST公司的違約概率大部分都集中在這個(gè)較小的區(qū)間上，ST公司的違約概率的分割不夠明顯，雖然在這個(gè)區(qū)間出現(xiàn)的頻率多點(diǎn)。
　　如果我們假定違約概率的分界點(diǎn)為0.01，那么對(duì)于30家ST上市公司，將有11家上市公司被判為非違約，誤判概率為37%。對(duì)于30家非ST上市公司，將有6家被判為違約，誤判概率為20%。對(duì)于ST上市公司和非ST上市公司其模型的準(zhǔn)確率分別為：63%、80%論文格式范文。雖然用違約概率來(lái)衡量違約風(fēng)險(xiǎn)對(duì)于非ST上市公司是較好的，準(zhǔn)確率較高，但對(duì)于ST公司，理論違約概率并未能表現(xiàn)出顯著的差異。說(shuō)明違約概率對(duì)于現(xiàn)實(shí)的信用狀況反映能力還是有限的。
　　四、 違約概率與信用評(píng)級(jí)
　　本文對(duì)企業(yè)信用評(píng)級(jí)的劃分標(biāo)準(zhǔn)參考如表4-14[5]。信用評(píng)級(jí)等級(jí)統(tǒng)計(jì)結(jié)果如表4-15所示。
　　由表4-15可以看出，Logistic回歸模型對(duì)ST公司的評(píng)級(jí)結(jié)果相對(duì)于非ST公司來(lái)說(shuō)較好，達(dá)到了100%，非ST公司的評(píng)級(jí)結(jié)果準(zhǔn)確率達(dá)到了76.7%。KMV違約模型對(duì)于非ST公司的評(píng)級(jí)結(jié)果相對(duì)于ST公司來(lái)說(shuō)較好，準(zhǔn)確率達(dá)到了100%，ST公司的評(píng)級(jí)結(jié)果準(zhǔn)確率只有3%。由前兩節(jié)的實(shí)證結(jié)果我們知道，Logistic回歸模型對(duì)ST公司和非ST公司的判別準(zhǔn)確率分別為96.7%和90%，KMV違約模型用違約概率來(lái)區(qū)分ST公司和非ST公司的判別準(zhǔn)確率為63%和80%。與各自對(duì)ST公司和非ST公司的信用評(píng)級(jí)等級(jí)結(jié)果相一致。
　　表4-14 信用級(jí)別劃分標(biāo)準(zhǔn)TDP值表
　　

表4-15信用評(píng)級(jí)等級(jí)統(tǒng)計(jì)結(jié)果
　　

對(duì)同一家上市公司，Logistic回歸模型和KMV模型對(duì)其的信用等級(jí)相差很大金融論文，特別是ST公司。這是因?yàn)�，Logistic回歸模型是基于財(cái)務(wù)指標(biāo)的，而KMV模型主要是基于股票價(jià)格信息的，對(duì)于上市公司的信用等級(jí)大都較高。因此，兩者的判別等級(jí)相差大是合乎理論的。雖然判別等級(jí)不一樣，但它們整體表達(dá)的意思是一致的。但整體來(lái)說(shuō)，Logistic回歸模型對(duì)上市公司信用資質(zhì)的評(píng)價(jià)要高于KMV模型。
　　五、結(jié)論
　　在構(gòu)建的21個(gè)指標(biāo)體系中，償債能力、營(yíng)運(yùn)能力和盈利能力指標(biāo)三者的惡化是上市公司陷入信用危機(jī)的主要原因。因此提高上市公司的經(jīng)營(yíng)管理水平和獲利能力是避免公司陷入信用危機(jī)的關(guān)鍵。Logistic回歸模型取得了93.3％的預(yù)測(cè)準(zhǔn)確率。而對(duì)于KMV違約模型，用違約距離衡量違約風(fēng)險(xiǎn)時(shí)，模型的預(yù)測(cè)準(zhǔn)確率為73.3%和66.7%。用相對(duì)應(yīng)的違約概率來(lái)衡量時(shí)，模型的判別精度為63%和80%。說(shuō)明了Logistic回歸模型比KMV模型更適用于中國(guó)上市公司信用風(fēng)險(xiǎn)的度量，但第Ⅱ類錯(cuò)誤明顯偏高。
　　雖然本文在對(duì)信用風(fēng)險(xiǎn)評(píng)估模型進(jìn)行研究時(shí)，也做了進(jìn)一步的改進(jìn)，但還存在著很多的問(wèn)題，以期進(jìn)一步的研究。

參考文獻(xiàn):
[1]柏藝益.Logistic模型在評(píng)價(jià)上市公司信用風(fēng)險(xiǎn)中的應(yīng)用研究[J].時(shí)代經(jīng)貿(mào)(中旬刊),2008(S6):148-149.
[2]陳曉,陳治鴻.中國(guó)上市公司的財(cái)務(wù)困境預(yù)測(cè)[J].中國(guó)會(huì)計(jì)與財(cái)務(wù)研究,2000,(9):55-72.
[3]董穎穎,薛鋒,關(guān)偉.KMV模型在中國(guó)證券市場(chǎng)的適用性分析及其改進(jìn)[J].生產(chǎn)力研究,2004(8):116-117.
[4]李磊寧,張凱.KMV模型的修正及在中國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用[J].首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報(bào),2007(4):44-48.
[5]魯煒,趙恒珩,方兆北等.KMV模型在上市公司價(jià)值評(píng)估中的應(yīng)用[J].管理科學(xué),2003(3):30-33.
[6]翟東升,張娟,曹運(yùn)發(fā).KMV模型在上市公司信用風(fēng)險(xiǎn)管理中的應(yīng)用[J].工業(yè)技術(shù)經(jīng)濟(jì),2007(1):126-134.
[7]Madalla G.S. Limited Dependent and QualitativeVariables in Econometric[M].The Third Edition. Cambridge: Cambridge University Press,1983.
[8]M.D.Earky.Warning of bank failure:a logit regressionapproach[J].Journal of Banking and Finance.1977:249-276.