中国上市公司信用风险测度研究——基于违约距离、违约概率视角

摘要
中国上市公司信用风险测度研究
——基于违约距离、违约概率视角
摘要
近年来随着中国资本市场的不断发展，上市公司的的规模也不断扩大，已成为整个国民经济的核心构成部分。

而随着市场经济开放性和多元性的不断深入，上市公司发展的同时也面临许多问题，其中信用风险问题已成为上市公司正常运行所要克服的重点和难点，特别是在金融危机爆发后，信用风险所暴露的缺陷也愈加凸显。

由于上市公司信用质量的高低对企业自身发展及资本市场的稳定乃至国家经济的健康运行有重要影响，因此，构建科学的信用风险管理方法，对中国上市公司信用风险进行测度，准确识别并控制信用风险，具有重要的现实意义。

在已有的上市公司信用风险研究中，专家学者建立了一系列信用风险测度模型。

其中，以违约距离角度出发的测度模型能动态及时地反映出上市公司信用风险的大小，显示出很好的测度能力；另一方面，以违约概率角度出发的测度模型中，多以静态的财务信息来反映公司信用风险状况，研究结果表明也具有很好的效果。

然而已有研究少有从动态静态两方面综合的来分析信用风险的大小，特别是国内的大多数研究更多从违约概率角度进行分析，展现的多是上市公司静态下的信用质量状况，因而不能全面准确地反映上市公司信用质量的高低。

基于此，本文以中国A股全流通上市的128家公司为研究对象，分别运用基于违约概率的Logistic模型和基于违约距离的KMV模型对上市公司信用风险进行研究，以达到准确全面地度量上市公司信用风险的目的。

在Logistic模型研究中，运用正态性检验、T检验、非参检验以及多重共线性检验对选取的财务备选指标进行筛选，将筛选出的具有显著影响的财务指标纳入模型构建，并分别对危机发生前1-3年的模型检验结果进行分析，讨论对公司陷入危机具有显著影响的特征指标，并利用二分类混淆矩阵和测试样本检验构建模型的预测效果。

在KMV模型的研究中，完成对相关变量值的确定之后，为对比模型改进前后测度能力的差异，本文首先对传统KMV模型展开实证研究并分析实证结果，然后对KMV模型进行改进，通过违约点DP的重新设定，运用均值差比较和独立样本T检验对设定的十个违约点下的违约距离的样本区分能力进行讨论，进而确定一个最优违约点，并利用二分类混淆矩阵，将其运用到改进KMV模型的预测中。

最后，通过几何平均正确率G值、信用风险样本的F值和AUC（Area Under the Curve，AUC）值对改进KMV模型与传统KMV模型以及Logistic模型和改进KMV模型进行性能比较，从中选择出最优测度模型，并运用于上市公司风险管
理实务中。

实证研究结果表明：（1）Logistic模型对中国上市公司信用风险测度具有有效性和稳定性；总资产收益率在危机发生前具有显著区分能力，说明企业信用风险与盈利能力有较强的相关性。

（2）最优违约点DP=STD+LTD，长期负债系数为1时，两类样本公司的违约距离差异最显著，基于最优违约点的改进KMV模型对上市公司信用风险的测度最有效。

（3）Logistic模型和改进KMV模型的模型预测结果一致得出：危机发生前一年的模型对信用风险危机的发生反映最灵敏、正确率最高，危机前两年的其次，危机前三年的错判率最高。

越靠近信用风险危机发生的时间点，模型的预测效果越好。

（4）相比于传统KMV模型，基于最优违约点的改进KMV模型更有效，对KMV模型的改进可行。

（5）在模型可靠性比较研究中，改进KMV模型的几何平均正确率G值和信用风险样本的F值均高于Logistic模型，说明改进KMV模型对两类样本的综合预测能力和对信用风险样本的分类能力都高于Logistic模型；改进KMV模型的AUC值大于Logistic 模型，说明改进KMV模型的预测精度优于Logistic模型。

对中国上市公司信用风险的测度，基于违约距离角度的改进KMV模型比基于违约概率角度的Logistic 模型更加可靠。

关键词：信用风险违约距离违约概率改进KMV模型Logistic模型
Abstract
A Research on the Credit Risk Measurement of China’s Listed Companies
——Based on Distance-to-Default and Default Probability
Abstract
As China is further opening its capital market in recent years, the continuously expanded listed company has become a key important component of the whole national economy. Meanwhile, the opening of market economy and the deepening of market diversity, the expanding listed company is facing numerous problems, among which the credit risk issue is of great importance and difficulty that blocks listed companies’ operation and especially the outbreak of financial crisis makes the problem exposed by credit risk get more and more prominent. The credit quality of listed companies directly determines the development of company itself, the stability of capital market and even the sound development of the country’s whole economy. So, it is of great practical significance to construct a set of scientific methods of credit risk management, which contributes to the credit risk measurement of listed companies, to accurately identify and better control risks.
In the researches for credit risk of existing listed companies, specialists and scholars have constructed a series of credit risk measurement models. On one hand, the model based on distance-to-default is capable of a better dynamic and responsive measurement of credit risk of listed companies. On the other hand, the model based on default probability is mainly capable of the measurement of credit risk of listed companies by means of analyzing static information. The researches show that both models have a good effect. However, there is few existing research that evaluates the credit risk of listed companies by analyzing information from both dynamic and static perspectives. Yet, most domestic researches are preferable to analyze information from the perspective of default probability, which only mirrors the static credit quality of listed companies. As a result, the researches could not accurately and comprehensively reflect credit quality of listed companies.
For this reason, this thesis, taking the existing 128 listed companies of free exchange of A-share in China as the main objects of study, analyzes Logistic Model and KMV Model based on default probability and distance-to-default respectively in order to accurately and comprehensively reflect the credit risk of listed companies. In Logistic Model, the first part filters the financial indicators through normality test, T-
test, nonparametric test, and multicollinearity test, and then includes the filtered indicators in the model construction; the second part analyzes the model test results 1-3 years previous to the credit crisis respectively, and then discusses the prominent indicators making companies fall into crises; the third part employs bipartition confusion matrix and the tests sample to examine the prediction effect of constructed model. In KMV Model, after determining relative parameters, the first part does empirical research on traditional KMV Model and makes analysis of it, and then improves traditional KMV Model for the purpose of comparison of models’ measurement capabilities before and after the improvement; the second part further confirm an optimal DP through resetting the default point (DP) by discussing the DD’s distinguishing ability of sample companies under the 10 set DPs and by using mean difference comparison and T test of every single sample, and then, applies the optimized DP to the improved KMV Model prediction through bipartition confusion matrix; the final part makes comprehensive comparisons of performances between improved KMV and traditional KMV Models, and of performances between improved KMV and Logistic Model through G-mean，F-measure of credit risk sample and Area Under the Curve (AUC) in order to select the optimal measurement model and applies it to the risk control practice of listed companies in the end.
Empirical researches show: (1) the application of Logistic Model in China’s listed credit risk measurement is effective and stable. Asset-liability ratio has significant distinguishing ability before the outbreak of credit crisis; in other words, credit risk of companies is correlative with profitability/earning capacity. (2)Selecting the optimal DP through the calculation of the formula DP=STD+LTD: when long-term liabilities coefficient is 1, the distance-to-default between 2 kinds of sample companies gets distinctive differences. At this time, the improved KMV Model based on the optimal DP is the most effective in the measurement of credit risk of listed companies. (3)The unanimous prediction result of the Logistic and improved KMV Models: The model 1 year previous to crisis is the most sensitive and accurate to the reflection of happening of risk crisis. The model 2 years previous to crisis takes the second. And those 3 years previous to crisis is the most insensitive, and gets highest wrong decision ratio. In other words, the closer to the happening time of credit risk crisis, the more effective prediction the model will get. (4)Compared to the traditional KMV Model, the improved KMV Model gets more effective measurement, which shows that the improvement is feasible. (5)In the comparison study of models reliability, the value of Both G-mean and F-measure of credit risk sample in the improved KMV Model are
Abstract
bigger than those in Logistic Model; it shows that the improved KMV Model has a stronger overall prediction capability of 2 kinds of sample and a stronger sample sorting capability than Logistic Model. The AUC value of improved KMV Model is bigger than that of Logistic Model; it shows that the prediction accuracy of improved KMV Model is higher than that of Logistic Model. To sum up, for the credit risk measurement of listed companies in China, the improved KMV Model based on distance-to-default is much more reliable than the Logistic Model based on default probability.
Key words: Credit Risk, Distance-to-Default, Default Probability, improved KMV Model, Logistic Model
目录
第1章引言 (1)
1.1 研究背景 (1)
1.2 信用风险测度的文献综述 (3)
1.2.1 基于违约概率的信用风险测度的文献综述 (3)
1.2.2 基于违约距离的信用风险测度的文献综述 (5)
1.2.3 已有信用风险测度的文献评价 (6)
1.3 研究内容与创新性 (6)
1.3.1 研究内容 (6)
1.3.2 创新性 (7)
1.4 文章结构与技术路线 (7)
1.4.1 文章结构 (7)
1.4.2 技术路线 (8)
第2章上市公司信用风险测度模型的构建 (10)
2.1 基于违约概率的Logistic信用风险测度模型构建 (10)
2.1.1 Logistic模型概述 (10)
2.1.2 Logistic模型原理 (10)
2.1.3 Logistic模型构建方法 (10)
2.2 基于违约距离的KMV信用风险测度模型构建 (11)
2.2.1 KMV模型概述 (11)
2.2.2 KMV模型原理 (12)
2.2.3 传统KMV模型构建方法 (13)
2.2.4 改进KMV模型的构建方法 (15)
2.3 信用风险测度模型的可靠性评价方法构建 (17)
第3章上市公司样本选择与测度指标体系构建 (19)
3.1 上市公司信用风险状态的界定 (19)
3.2 上市公司样本选择 (19)
3.3 信用风险测度指标体系的构建 (20)
3.3.1 基于违约概率测度的Logistic模型指标选取 (20)
3.3.2 测度指标筛选 (21)
第4章实证结果与分析 (25)
4.1 Logistic模型实证结果与分析 (25)
4.2 KMV模型实证结果与分析 (29)
4.2.1 传统KMV模型实证结果与分析 (29)
4.2.2 改进KMV模型实证结果与分析 (31)
4.2.3 基于传统与改进KMV模型性能对比 (37)
4.3 基于改进KMV与Logistic模型性能对比 (39)
结论 (41)
致谢 (43)
参考文献 (44)
攻读学位期间取得学术成果 (47)
第1章引言
第1章引言
1.1 研究背景
2007年4月，美国次贷危机爆发。

无独有偶，在经济全球化的驱使下，次贷危机迅速演变成席卷全球的金融危机，美国雷曼兄弟申请破产保护，美林被美国银行收购等世界顶级金融机构的相继倒下，信用风险问题愈发显现，各国经济的发展与稳定也因此受到沉重的冲击。

说到底，金融危机背后隐藏的祸根，是信用风险监管体系的缺失和不力，金融危机的爆发也使得金融机构等利益相关主体更加意识到解决信用风险问题的重要性和迫切性，信用风险管理体系的建立和巩固因而受到更加严峻的挑战。

正所谓，欲流之远者，必浚其泉源。

为准确度量并有效防范和控制信用风险，促进经济社会繁荣和稳定，各国构建并加强信用风险管理体系势在必行。

具体到中国，自改革开放和加入世贸组织以来，中国资本市场开放程度不断加深，中国上市公司如雨后春笋般蓬勃发展起来。

根据证监会公布的数据，截至2016年底，中国上市公司数量已达3052家，股价总市值高达507685.89亿元。

上市公司数量快速增加，市场规模不断壮大，已成为资本市场的核心。

而与此相对的是，中国上市公司发展的同时，其自身的信用风险也不断增加和复杂化。

由于受公司治理、监管制度、市场竞争、举债规模及金融危机等因素的影响，上市公司发生信用风险违约的可能性大大增加，使得上市公司自身及金融机构等相关主体的利益受到威胁。

因此，对中国上市公司信用风险进行准确度量尤为必要。

要对上市公司进行准确度量，信用风险测度模型是关键。

随着市场经济的发展和风险管理要求的提高，信用风险模型也不断推陈出新，诸如专家分析法等传统的定性分析方法已不能满足当前信用风险测度的要求。

巴塞尔协议认为，信用风险相较于操作风险和市场风险来说更为主要也更为复杂，所以该协议鼓励金融机构建立内部评级法，通过构建信用风险测度模型度量客户违约的可能性，一系列现代信用风险度量模型也随之被开发与应用。

可见，信用风险度量模型的构建是很有必要的，因为对于信用风险来说，其发生的过程是从量变到质变的转换。

在这一转换过程中，会随之发出相关的风险信号，或细微、或隐蔽，这种情况下，就需要建立监测风险信号的信用风险测度模型，以此量化上市公司信用风险的大小。

再加上我国证券市场起步晚，市场环境不成熟，信用风险管理机制不完善，与西方发达国家相比，抵御风险能力也更弱，故很容易产生信用风险。

因此，构建适合中国国情的上市公司信用风险测度模型刻不容缓。

近年来中国上市公司的信用风险模型主要从违约距离和违约概率两方面进
行测度。

其中，在依据违约距离度量信用风险状况时，因违约距离中包含了动态的股市交易市场信息，因而具有前瞻性和有效性；同时，违约距离对违约公司和正常公司展现出很好的识别能力，对违约特性的区分效果也非常显著，因此具有良好的适用性（程鹏等，2002）。

目前主流的以违约距离度量信用风险的是KMV 信用监控模型，该模型以Black-Scholes(1973)、Merton(1974)的期权定价模型为理论基础，在股票市场的条件下，利用B-S股票期权定价思想来判断公司发生违约的可能性，其中由于股票市场的价格包含了投资者对股票未来信息判断的因素，因此具有前瞻性和灵敏性；此外该模型能有效弥补传统信用风险测度中依赖历史数据的缺陷，进而能动态、及时地监测信用质量的变化情况，从而能够更为客观与准确地测度企业信用风险，因而受到广泛应用（鲁炜等，2003；夏红芳等，2008；刘博，2010）。

本文也将KMV模型引入到基于违约距离角度的信用风险测度中。

值得一提的是，违约距离是指公司资产市场价值与违约临界点之间的距离，而传统的KMV模型将违约临界点设为短期负债加上长期负债的一半，然而，该经验值主要基于美国公开的历史违约数据库，但我国尚未建立此类违约数据库，因此与我国公司实际情况并不相符，基于该违约点下的模型就无法准确中国上市公司信用风险（李磊宁、张凯2007；马雨生，2008；张能福和张佳，2010）。

鉴于违约点DP设置的准确与否对KMV模型测度效果优劣至关重要，因此本文将对KMV模型进行改进，修正违约点DP的参数，通过基于不同参数的违约点的计算，分析得出一个最能反映我国上市公司信用风险状况的最优违约点，并求出相应违约距离，以此进行信用风险的测度。

而除了从违约距离角度展开的研究方法外，还有从违约概率角度构建的信用风险测度模型。

在依据违约概率的风险测度模型中，基于经验算法的Credit Metrics模型、麦肯锡公司的Credit Portfolioview模型和和基于保险精算理论的GreditRsik+模型等信用风险度量模型（W. H. Beaver，1967；Morgan B J P，2010；罗开位，2005；马若微，2010）以及贝叶斯判别分析(Naive Bayesian Model，NBM)、BP神经网络(Back Propagation Neural Network，BPNN)等人工智能模型(王双成等，2007；杨淑娥等，2005)对上市公司信用风险进行测度中，虽然都取得了较为显著的成果，但这些方法都存在着前提条件过于苛刻、依赖信用评级体系、欠学习或过学习等问题。

值得欣慰的是，Logistic回归模型方法技术比较成熟，准确度比较高，该模型放宽假设条件，对变量的分布没有作具体的要求，能有效解决非线性问题，使用领域也比较广泛（傅强等，2005；庞素琳，2006，刘国光等，2005）。

此外，该模型采用一系列财务比率指标从静态角度测度公司违约概率，不需要过于依靠其他信息来反映信用质量的情况，因此具有很好的适用性。

通过以上分析，考虑到单独的基于违约距离和违约概率测度方法不能全面的反映上市公司信用质量，因此本文将从违约距离和违约概率两角度出发，分别引入KMV
第1章引言
模型和Logistic模型，进行上市公司信用风险测度，并对两种模型下的测度结果进行对比和评价。

基于以上分析，本文以中国上市公司为研究对象，考虑到上市公司的财务状况与其信用风险存在着相互影响、相互促进的关系（熊正德和孙柏，2006），本文首先从违约概率测度角度出发，将财务比率指标引入Logistic模型，以静态财务信息反映上市公司信用风险。

同时，因反映每日市场交易状况的动态市场数据也能提供很强的违约信号，为从不同侧面反映中国上市公司信用风险，本文又从违约距离角度出发，以动态的资本市场信息为基础，运用KMV模型反映上市公司信用风险。

此外，考虑到传统KMV模型在中国市场的不适用性，本文对KMV 模型进行改进，设定一个新违约点，从而构建出适合中国上市公司信用风险测度的改进KMV模型，最后对两角度下的模型测度结果进行分析和评价，以确定一个最优模型，以期提高上市公司及金融机构等利益相关主体对信用风险的识别和防范能力。

1.2 信用风险测度的文献综述
金融交易是建立在信用基础上的经济形式，交易对手一旦发生信用违约，给商业银行、企业自身甚至是整个金融市场带来无法估量的损失（张鹏和曹阳，2012；史雪明等，2012）。

因此，构建科学有效的信用风险测度模型，对于维护利益相关群体的投资利益，促进中国证券市场交易的健康与稳定，具有重要的现实意义。

信用风险作为金融市场中最基本也最为复杂的风险之一，国内外很早就对其度量方法展开研究，并从最初传统的定性分析方法开始，逐步发展成为依靠计量技术和管理工具建立的现代风险模型的定量分析，其核心都是围绕信用风险的界定和量化，最终提高风险测度区分能力的显著性效果，实现利益相关者价值最大化。

信用风险的研究要追溯到上世纪中后期，当时对企业的风险度量普遍依赖于信息的定性分析，主要包括专家分析、信用评级等传统方法。

虽然，这些方法能够对信用风险进行一定地研究，但随着金融市场规模的扩大，传统研究方法在专家经验的主观性、历史数据的片面性、风险管理效率的滞后性上的局限性，都使得传统评价方法不能够对信用风险进行有效描述（马九杰，2001；Coleman等，2006）。

因此，为弥补传统分析法的缺陷，专家学者依靠计量工具、信息技术和庞大数据库的支撑，运用定量分析的方法，按照违约测度研究思路的不同构建了一些新的信用风险度量模型。

1.2.1 基于违约概率的信用风险测度的文献综述
在基于违约概率的信用风险测度研究中，美国学者Altman(1968)在Beaver
（1967）运用单个财务比率进行违约分析的基础上，采用多元判别分析方法，首次将多变量分析运用于公司信用预测的Z评分模型。

1977年，Altman、Haldeman 和Narayannan在Altman理论的基础上进行扩展，建立了7变量的ZETA模型。

虽然，ZETA模型从指标、行业等方面都有所延伸，精度较Z评分模型也大大提高，被许多国家应用，但是这些多元判别分析模型是一种线性模型，而未考虑到违约与影响因素之间可能存在的非线性关系，因而导致这些模型对信用风险测度的失败。

为了弥补多元判别模型的缺陷，Press&Wilson（1978）、Ohlson（1980）提出了依据各财务比率指标测度企业违约概率的Logistic模型和Probit模型。

两模型的形式基本一致，区别在于分布函数的不同，前者是服从逻辑概率分布，后者则服从正态分布，但Probit模型程序上更为复杂，因此没有像Logistic模型一样被广泛推广。

Logistic模型可以解决非线性问题，也不要求正态分布的假定条件，所求概率落在（0,1）的区间内，且具有较高的准确性，因而被广泛运用。

Ohlson（1980）在运用Logistic模型对信用风险测度进行研究中，采用了多项财务比率变量对样本企业的违约概率进行测度。

结果显示，对企业信用违约有显著影响的指标为企业规模、资本结构、经营情况和流动性，且模型测度正确率在96%以上。

Gentry(1985)进一步对比了Probit模型与Logistic模型的违约概率测度性能，实证结果表明，当随机变量不服从正态分布条件时，相较于Probit模型，Logistic模型结果更有效。

借鉴国外研究成果，国内学者也引入Logistic模型从违约概率的视角对信用风险测度展开了广泛的研究。

于立勇，詹捷辉(2004)基于违约概率构建了Logit正向逐步判别法对商业银行实际数据进行分析，运用Logistic模型建立了信用风险评估指标体系，发现模型对违约概率预测能力较强。

徐永智，秦培培（2013）以我国创业板20家上市公司为研究样本，构建了基于违约概率的Logistic回归模型，研究表明净资产收益率、主营业务收入等六项财务指标包含信息量较大，Logistic模型能够对信用风险进行较准确地测度。

马若微（2014）不仅运用Logistic 回归模型对商业银行内部数据进行了实证分析，并与Fisher判别模型和神经网络模型在信用风险测度性能上进行了对比研究，发现考虑先验概率和误判损失后的Logistic模型更具一般性与实用性。

邓晶等（2013）将Logistic模型的信用风险测度研究样本扩大到162家上市公司，通过实证发现，模型的误判率在15%以下，具有良好的测度性能。

基于以上分析可以发现，不仅国外学者运用Logistic 模型进行信用风险测度取得了良好的实证效果，而且国内学者基于中国实际数据运用Logistic模型对信用风险进行测度也仍然获得了稳健且优异的实证结果（韩立岩、李蕾，2010；邹亚宝、梁红漫，2013），从而证明了Logistic模型在信用风险测度上具有充分的可靠性。

虽然Logistic模型在信用风险测度上都取得良好的效果，但该模型基于财务
第1章引言
比率所得到的违约概率只能反映企业静态方面的信息，无法克服由于银行和企业间信息的不对称而产生信用借贷的逆向选择问题（Stiglitz，Weiss，1981）。

而且随着资本市场的发展，只依靠基于静态财务比率指标的模型具有片面性和滞后性，衡量出的公司违约概率往往会降低实际违约风险。

特别是对于上市公司而言，反映每日市场交易状况的动态市场数据也能提供很强的违约信号，但Logistic模型却无法基于这样的动态数据信息来提升信用风险的测度效果。

因此，以市场信息为基础，从违约距离角度来构建动态信用风险测度模型就成为了当前信用风险测度研究的新视角。

1.2.2 基于违约距离的信用风险测度的文献综述
随着金融市场的不断发展和交易的纷繁复杂，市场主体对信用风险监管提出了更高的要求，信用风险测度模型也不断突破，呈现出由运用历史样本数据到资产价值数据、静态视角到动态视角测度的发展趋势。

基于期权定价理论的KMV 模型是KMV公司1993年开发的现代信用监控模型。

该模型利用资本市场信息得到公司资产价值及其波动，以公司资产价值距离违约阈值的远近表示为违约距离，并基于违约距离的大小来判断企业是否会出现违约行为，从而使得信用风险测度具备动态性和前瞻性。

Korablev和Kurbat (2002)采用校准方法和水平确认法检验了KMV模型的有效性，验证了其利用违约距离进行预测的及时性、前瞻性和公司信用区分的准确性。

Stein和Dwyer (2006)指出违约数据库的完整度是检测KMV模型有效性的关键，数据的缺乏会极大的影响模型的精度。

Dwyer、Korablev(2007)得出在不同时期，不同公司规模和不同信用状况下，KMV模型都能够通过计算违约距离进行及时、准确的预测，同时也证明了KMV模型在北美、欧洲和部分亚洲地区应用的有效性。

Jackson和Wood（2013）基于欧洲公司样本数据，对KMV模型与Z评分模型以及单变量模型进行比较研究，实证结论表明：结合市场信息的KMV模型的测度效果明显好于静态Z评分模型及单变量模型。

他们的研究表明KMV模型对信用质量状况的监测表现出及时性、灵敏性、前瞻性特点，并且在世界范围内都有显著的测度效果，但测试样本中并不包括中国，他们的解释是中国市场相对落后，政府的市场干预行为明显，违约数据缺乏等问题的广泛存在，使得KMV模型在中国的应用会有一定的局限性。

尽管如此，国内仍然涌现出一批学者基于违约距离角度对中国市场的信用风险进行了测度研究，比如沈沛龙、任若恩(2002)，张玲，张佳林（2000），王琼与陈金贤（2002）等运用基于违约距离的KMV模型对中国市场的信用风险进行了研究，结果表明基于违约距离的KMV模型比静态测度模型更适合测量上市公司的信用风险，并根据我国情况对KMV模型进行了适用性研究。

此外，程鹏，吴冲锋（2002），夏红芳，马俊海（2008）等虽然也根据中国上市公司样本区间。