基于Logistic模型和GARCH—KMV模型的中國上市公司信用風(fēng)險測度

摘 要：為測度我國上市公司信用違約風(fēng)險，首先建立Logistic回歸信用評價模型，通過運行EVIEWS，對我國今年108家上市公司進行兩類模式分類，這兩類模式是指按照公司的經(jīng)營狀況分為"差"和"正常"兩個小組。對每一家上市公司，考慮其經(jīng)營狀況的4個主要財務(wù)指標(biāo)：每股收益、每股凈資產(chǎn)、凈資產(chǎn)收益率和每傲現(xiàn)金流量。仿真結(jié)果表明：Logistic回歸信用評價模型對總體108個樣本，判別準(zhǔn)確率達到86.11%；

關(guān)鍵詞：信用風(fēng)險分析；Logistic回歸模型；政策建議

引言

20世紀(jì)70年代以來，信用風(fēng)險度量模型迅速發(fā)展，其理論基礎(chǔ)是發(fā)端20世紀(jì)50年代的現(xiàn)代金融理論，包括現(xiàn)代資產(chǎn)組合理論、資本資產(chǎn)定價和套利定價理論及期權(quán)定價理論等。美國紐約市立大學(xué)巴魯克學(xué)院的經(jīng)濟學(xué)家馬克維茲于年在《金融雜志》上發(fā)表了一篇名為《資產(chǎn)組合的選擇》的論文，在文中他首次提出了利用資產(chǎn)收益的標(biāo)準(zhǔn)差來度量風(fēng)險的思想，同時他還指出證券的最佳投資組合應(yīng)該是資產(chǎn)的有效邊界線與具有厭惡風(fēng)險特征的投資者無差異曲線之間的交點，從而提出了現(xiàn)代資產(chǎn)組合理論。該理論的提出主要是為了降低投資風(fēng)險的可能性。在的理論模型中，投資者的效用函數(shù) 取決于資產(chǎn)組合的預(yù)期收益和波動性，分別用均值μ 和方差σ2表示，且 。投資者可以根據(jù)單個資產(chǎn)的均值和方差，建立最小方差模型以確定證券的收益和風(fēng)險的最優(yōu)組合函數(shù)。

2006年12月是我國金融業(yè)全面對外資開放的“大限”，為此金融業(yè)的對外開放將進入加速期。而國際銀行業(yè)監(jiān)管的統(tǒng)一標(biāo)準(zhǔn)一《巴塞爾新資本協(xié)議》也開始在十國集團內(nèi)部正式得以實施。與1988年的舊協(xié)議相比，新協(xié)議的最大變化在于提出了內(nèi)部評級法，其核心之一是商業(yè)銀行必須依據(jù)監(jiān)管當(dāng)局認可的方法得到不同信貸資產(chǎn)的違約概率，也鼓勵金融機構(gòu)選擇自己的內(nèi)部模型來度量其信用風(fēng)險。這一方法的提出無疑對我國商業(yè)銀行信用風(fēng)險管理提出了新的要求。

在這種內(nèi)外形勢的考驗下，為了實現(xiàn)與國際接軌，應(yīng)對來自外國金融機構(gòu)的競爭，我們更是迫切需要借鑒國際上的先進技術(shù)，引入科學(xué)方法，建立以計量模型為核心的信用風(fēng)險動態(tài)管理系統(tǒng)，使金融機構(gòu)對信用風(fēng)險的測量做到前瞻性以及定量化，從而實現(xiàn)內(nèi)部風(fēng)險的全面控制。

Logistic模型最早是由Martin （1977）用來預(yù)測公司的破產(chǎn)及違約概率.他從1970-1977

年間大約5700家美聯(lián)儲成員銀行中界定出58家困境銀行，并從25個財務(wù)指標(biāo)中選取總資產(chǎn)凈利潤率等8個財務(wù)比率，用來預(yù)測公司的破產(chǎn)及違約概率，建立了Logistic回歸模型（Logistic regression model），根據(jù)銀行、投資者的風(fēng)險偏好設(shè)定風(fēng)險警界線，以此對分析對象進行風(fēng)險定位和決策.他還將Z—Score模型，ZETA模型和Logistic模型的預(yù)測能力進行了比較，結(jié)果發(fā)現(xiàn)Logistic回歸模型優(yōu)于Z—Score模型和ZETA模型.0hlson （1980）也將Logistic模型應(yīng)用于信用風(fēng)險分析。

我國學(xué)者龐素琳（2006）運用Logistic模型，借助SPSS軟件，以我國106家上市公司為樣本，利用其中63家公司的數(shù)據(jù)建立Logistic回歸信用評價模型，用來對余下43個公司的數(shù)據(jù)進行判別分析。研究結(jié)果表明，利用SPSS對模型參數(shù)進行估計，所建立的Logistic回歸模型對63個訓(xùn)練樣本的判別準(zhǔn)確率達到100%，對43個測試樣本誤判了1個，因而對總體106個樣本，Logistic回歸模型的判別準(zhǔn)確率達到99.06%。

二、研究設(shè)計

（一）Logistic模型構(gòu)建及樣本和數(shù)據(jù)選取

構(gòu)建logistic回歸模型：

選取我國108個上市公司，其中正常公司81家，ST公司27家，滿足我國Logistic違約率模型最優(yōu)桂本配比3：1；訓(xùn)練樣本為70家公司，剩余38家公司作為測試樣本，這個比例也是最佳的分界點。財務(wù)指標(biāo)依然是每股收益、每股凈資產(chǎn)、凈資產(chǎn)收益率以及每股企業(yè)自由現(xiàn)金流量。運用EVIEWS軟件，對訓(xùn)練樣本進行l(wèi)ogistic回歸；

回歸結(jié)果

通過EVIEWS軟件對訓(xùn)練樣本進行l(wèi)ogistic回歸分析結(jié)果，可以得到：

p= =1/（1+EXP（-（-0.671737+2.073038*EPS+0.819178*BPS-0.002401*ROE+0.965391*CF）））

代入檢測樣本中可以得到，判別準(zhǔn)確率約為84.21%。對于所有108家上市公司，該回歸結(jié)果的判別準(zhǔn)確率達到了86.11%（15/108）。

結(jié)論與展望

在Logistic模型中，收集我國108家上市公司的財務(wù)數(shù)據(jù)，考慮上市公司經(jīng)營狀況的4個主要財務(wù)指標(biāo)：每股收益、每股凈資產(chǎn)、凈資產(chǎn)收益率、每股現(xiàn)金流量，通過運行EVIEWS軟件，利用其中70家公司的數(shù)據(jù)建立Logistic回歸信用評價模型，用來對余下38個公司的數(shù)據(jù)進行判別分析。研究結(jié)果表明，利用EVIEWS對模型參數(shù)進行估計，所建立的Logistic回歸模型對38個測試樣本的判別準(zhǔn)確率達到84.21%，對70個訓(xùn)練樣本誤判了9個，因而對總體108個樣本，Logistic回歸模型的判別準(zhǔn)確率達到86.11%。事實上我們做了兩次分析，第一次樣本量較少，最終得到的判別準(zhǔn)確率并不是很高，我們組分析其中的原因，首先可能是因為樣本量比較少，其次，在財務(wù)數(shù)據(jù)的選擇方面應(yīng)該添加更多的財務(wù)指標(biāo)進行篩選，這樣可以把更顯著的財務(wù)指標(biāo)添加到模型中并剔除解釋力不足的指標(biāo)，我們的logistic模型將會更加準(zhǔn)確地對上市公司的信用風(fēng)險做一個分析和評估。第二次我們擴大了樣本量，判別準(zhǔn)確率有了提升，由此可以看出，一定程度上擴大樣本量將會有助于我們模型的估計準(zhǔn)確率的改進，當(dāng)然，我們的改進工作還不止于此，接下來可以對財務(wù)指標(biāo)進行調(diào)整，找到更加與模型更加契合的財務(wù)指標(biāo)。

作者簡介：

徐闖（1993-），男，民族：漢，籍貫（精確到市）：湖北省武漢市，當(dāng)前職務(wù)：在讀研究生，當(dāng)前職稱：學(xué)生，學(xué)歷：碩士研究生，研究方向：金融學(xué)。