摘要:商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估的文獻(xiàn)大多是將財(cái)務(wù)比率作為自變量建立模型,判別信息存在一定的滯后性。文章將財(cái)務(wù)比率與證券市場(chǎng)數(shù)據(jù)結(jié)合起來(lái),增加了基于KMV模型,利用證券市場(chǎng)數(shù)據(jù)計(jì)算的違約距離作為Fisher判別函數(shù)新的自變量,建立Fisher判別函數(shù),然后運(yùn)用模型對(duì)總樣本和檢驗(yàn)樣本進(jìn)行實(shí)證分析,結(jié)果表明加入違約距離,將財(cái)務(wù)比率與證券市場(chǎng)結(jié)合的信用風(fēng)險(xiǎn)判別模型既能反映上市公司的歷史財(cái)務(wù)狀況,亦能反映現(xiàn)實(shí)市場(chǎng)變化情況,從而提高了商業(yè)銀行預(yù)警信用風(fēng)險(xiǎn)的準(zhǔn)確度。
關(guān)鍵詞:Fisher判別模型;KMV模型;財(cái)務(wù)比率;違約距離
一、 引言
現(xiàn)代商業(yè)銀行的經(jīng)營(yíng)本質(zhì)上是以信用為基礎(chǔ)和保證的,如何有效管理銀行的信用風(fēng)險(xiǎn),始終是商業(yè)銀行面對(duì)的重要問(wèn)題。目前我國(guó)信用體系的建設(shè)尚處于起步階段,缺乏有效可行的采集、整合信用的手段和方法,因此根據(jù)我國(guó)實(shí)際情況,根據(jù)現(xiàn)有的信息和資源,加強(qiáng)信用風(fēng)險(xiǎn)模型方面的研究,開(kāi)發(fā)適合我國(guó)國(guó)情的信用風(fēng)險(xiǎn)管理方法,具有重要的理論和現(xiàn)實(shí)意義。
基于市場(chǎng)數(shù)據(jù)方法的信用風(fēng)險(xiǎn)管理模型——KMV的DEF模型,是當(dāng)前國(guó)際金融界最流行的信用風(fēng)險(xiǎn)計(jì)量模型之一,國(guó)內(nèi)學(xué)者從1998年開(kāi)始關(guān)注KMV模型,早期的研究局限于對(duì)KMV模型的介紹和分析,具有代表性的有杜本峰的《實(shí)值期權(quán)理論在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用》和王瓊與陳金賢的《信用風(fēng)險(xiǎn)定價(jià)方法與模型研究》等文章。目前國(guó)內(nèi)對(duì)KMV模型的研究思路主要包括模型的修正及有效性檢驗(yàn)。周沅帆用KMV模型研究中國(guó)上市保險(xiǎn)公司的信用風(fēng)險(xiǎn),將公司凈收益增長(zhǎng)率引入到違約距離的計(jì)算中,并且對(duì)模型實(shí)證結(jié)果表明KMV模型有良好的預(yù)測(cè)能力。張能褔,張佳重新設(shè)定違約點(diǎn)DP=a×STD+b×LTD,選取82家上市公司作為樣本,按照一定的判斷標(biāo)準(zhǔn),用Matlab程序進(jìn)行計(jì)算得出最優(yōu)的(a,b)值,通過(guò)比較新舊違約點(diǎn)下的違約距離,從而得出能更準(zhǔn)確反映我國(guó)上市公司信用狀況的違約點(diǎn)。但是模型的修正基本圍繞違約點(diǎn)的設(shè)定、公司股權(quán)的波動(dòng)率和預(yù)期公司資產(chǎn)價(jià)值等自身的修正,在我國(guó)由于有關(guān)公司破產(chǎn)的歷史統(tǒng)計(jì)數(shù)據(jù)嚴(yán)重缺乏,很難建立我國(guó)上市公司的違約距離DD和違約率DEF的映射關(guān)系,并且不能全面的反映上市公司的歷史財(cái)務(wù)狀況。
綜上所述,基于以上兩種方法的信用風(fēng)險(xiǎn)管理文獻(xiàn)較多,但是能把兩者有效結(jié)合的研究卻不多。所以,本文利用Fisher線性判別模型將財(cái)務(wù)比率方法與市場(chǎng)股票數(shù)據(jù)方法結(jié)合起來(lái),增加了基于KMV模型,利用證券市場(chǎng)數(shù)據(jù)計(jì)算的違約距離作為Fisher判別函數(shù)新的自變量,建立Fisher判別函數(shù),擴(kuò)展后的Fisher模型中,將KMV模型與財(cái)務(wù)數(shù)據(jù)的結(jié)合,使新模型既能反映上市公司的歷史財(cái)務(wù)狀況,也能反映其市場(chǎng)變化情況,從而提高了商業(yè)銀行預(yù)測(cè)信用風(fēng)險(xiǎn)的準(zhǔn)確度。
本文結(jié)構(gòu)如下:第二部分為以財(cái)務(wù)指標(biāo)為自變量的Fisher線性判別函數(shù)構(gòu)建,總體預(yù)測(cè)準(zhǔn)確率達(dá)到87.9%。第三部分為增加違約距離為自變量的Fisher模型,即擴(kuò)展后的Fisher模型構(gòu)建,總體預(yù)測(cè)準(zhǔn)確率達(dá)到92.6%,準(zhǔn)確度高于第一類(lèi)模型。第四部分為實(shí)證結(jié)果比較分析。從三個(gè)層面的比較得出,商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)預(yù)測(cè)時(shí)應(yīng)將財(cái)務(wù)比率與市場(chǎng)數(shù)據(jù)等進(jìn)行綜合的分析,以提高模型預(yù)測(cè)的準(zhǔn)確度。
二、 基于財(cái)務(wù)比率的Fisher模型的建立
1. 總樣本選取。我們視被ST的上市公司為信用差的公司,沒(méi)有被ST的上市公司為信用好的公司。截至2011年,在上海和深圳交易所上市的上市公司中有80家被ST的公司,按照證監(jiān)會(huì)行業(yè)分類(lèi),其中屬于在制造業(yè)的上市公司就占了其中39家,其余均分散在其他各行業(yè)。因此為了考慮到行業(yè)資產(chǎn)規(guī)模及財(cái)務(wù)指標(biāo)的不同,對(duì)模型建立的準(zhǔn)確性有影響,所以本論文選擇制造業(yè)的39家上市公司作為研究對(duì)象。
在39家制造業(yè)上市公司中,剔除兩家財(cái)務(wù)數(shù)據(jù)缺失比較嚴(yán)重的上市公司,共37家,我們隨機(jī)選取了30家作為構(gòu)建模型中違約公司的估計(jì)樣本,剩余的7家作為違約公司的檢驗(yàn)樣本。并隨機(jī)選取了同時(shí)期,規(guī)模差別不大的30家和6家正常的制造業(yè)上市公司分別作為估計(jì)樣本和檢驗(yàn)樣本中違約公司的配對(duì)樣本。
2. 變量的選取。
基于數(shù)據(jù)的全面性和代表性考慮,本文選擇了32個(gè)財(cái)務(wù)比率作為建立線性判別模型的解釋變量,這些數(shù)據(jù)來(lái)源于RESSET金融數(shù)據(jù)庫(kù),所選的數(shù)據(jù)充分反映了企業(yè)的每股指標(biāo)、盈利能力、償債能力、成長(zhǎng)能力指標(biāo)、營(yíng)運(yùn)能力指標(biāo)、現(xiàn)金流量指標(biāo)、資本結(jié)構(gòu)指標(biāo)。包括:X1每股凈資產(chǎn)、X2每股公積金、X3每股未分配利潤(rùn)、X4資產(chǎn)凈利率、X5銷(xiāo)售毛利率、X6營(yíng)業(yè)利潤(rùn)/營(yíng)業(yè)總收入、X7財(cái)務(wù)費(fèi)用率、X8營(yíng)業(yè)利潤(rùn)率、X9流動(dòng)比率、X10速動(dòng)比率、X11股東權(quán)益/負(fù)債合計(jì)、X12股東權(quán)益/帶息債務(wù)、X13有形凈值/帶息債務(wù)、X14息稅折舊攤銷(xiāo)前利潤(rùn)/負(fù)債合計(jì)、X15經(jīng)營(yíng)凈現(xiàn)金流量/負(fù)債合計(jì)、X16經(jīng)營(yíng)凈現(xiàn)金流量/流動(dòng)負(fù)債、X17利息保障倍數(shù)、X18營(yíng)業(yè)收入增長(zhǎng)率、X19營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、X20凈利潤(rùn)增長(zhǎng)率、X21凈利潤(rùn)增長(zhǎng)率、X22總資產(chǎn)增長(zhǎng)率、X23存貨周轉(zhuǎn)率、X24應(yīng)收賬款周轉(zhuǎn)率、X25應(yīng)付賬款周轉(zhuǎn)率、X26流動(dòng)資產(chǎn)周轉(zhuǎn)率、X27總資產(chǎn)周轉(zhuǎn)率、X28總資產(chǎn)現(xiàn)金回收率、X29資產(chǎn)負(fù)債率、X30流動(dòng)資產(chǎn)/總資產(chǎn)、X31流動(dòng)負(fù)債/負(fù)債合計(jì)、X32凈利潤(rùn)/營(yíng)業(yè)總收入。
(1)Mann-Whitney U檢驗(yàn)。首先,對(duì)這些指標(biāo)運(yùn)用U檢驗(yàn)進(jìn)行簡(jiǎn)單的均值差異分析。
從表1可以看出,在5%的顯著性水平下,共有24個(gè)變量其均值在組間存在顯著性差異,因此我們剔除另外5個(gè)差異不顯著的指標(biāo),分別是X5,X19,X20,X23,X24,X25,X26,X31。24個(gè)指標(biāo)從不同的方面反映了ST上市公司與正常公司的顯著區(qū)別。
(2)主成分分析。選取的24個(gè)指標(biāo)涵蓋了財(cái)務(wù)比率的各個(gè)板塊,避免了遺漏重要的信息,但是選取過(guò)多的指標(biāo)會(huì)增加問(wèn)題的復(fù)雜性,由于有一些指標(biāo)均是對(duì)同一財(cái)務(wù)比率板塊的反映,不可避免的造成信息的大量重疊?;谝陨纤伎迹疚牟捎弥鞒煞址治龇▽?duì)24個(gè)財(cái)務(wù)比率進(jìn)行降維處理。由總方差分解表(表2)可以看出,保留7個(gè)主成分是合適的,首先滿足了特征根大于1的標(biāo)準(zhǔn),并且提取7個(gè)主成分時(shí)能解釋約80%的總方差。
3. 基于財(cái)務(wù)比率數(shù)據(jù)的Fisher模型。7個(gè)主成分已經(jīng)不存在多重線性關(guān)系,因此我們用這7個(gè)主成分做Fisher判別分析且選擇逐步判別法估計(jì)判別函數(shù)的顯著性,由Box'M檢驗(yàn)結(jié)果(表3)的F值及其顯著水平可知,各總體協(xié)方差矩陣相等,所以所選取的變量是滿足判別分析的假定的。
由Wilks' Lambda檢驗(yàn)(表4),認(rèn)為判別函數(shù)在0.05的顯著性水平上是顯著的。通過(guò)逐步判別法得出的判別函數(shù),即fisher線性判別函數(shù)為:
ST公司判別函數(shù):G(1)=-0.527F3-1.122F5-1.068
正常公司判別函數(shù):G(0)=0.685F3+1.350F5-1.252
三、 模型的擴(kuò)展——增加違約距離DD的Fisher模型
1. KMV模型假設(shè)。本部分以2010年12月31日計(jì)算基準(zhǔn)日,比較未來(lái)一年內(nèi)這73家上市公司的信用狀況。為了便于實(shí)證分析,先做如下假定:
(1)公司違約點(diǎn)的確定。與KMV公司的處理方法略有不同,根據(jù)張能褔,張佳在《改進(jìn)的KMV模型在我國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用》中的研究表明,假設(shè)違約點(diǎn)DP=1.8×流動(dòng)負(fù)債STD+1.2×長(zhǎng)期負(fù)債LTD時(shí)得到的違約距離更能反映我國(guó)公司的信用狀況。其中,為了使預(yù)測(cè)具有現(xiàn)實(shí)意義,我們的負(fù)債數(shù)據(jù)均為公司2010年中期財(cái)務(wù)報(bào)告的數(shù)據(jù)。
(2)公司權(quán)益價(jià)值計(jì)算公式:收盤(pán)價(jià)×總股數(shù)。
(3)無(wú)風(fēng)險(xiǎn)利率為2.75%。
(4)預(yù)測(cè)時(shí)間為T(mén)=1年。
2. 違約距離DD的計(jì)算。用Mathcad15.0算出所有上市公司的違約距離DD值,進(jìn)行Wilcoxon檢驗(yàn)可見(jiàn),兩個(gè)總體的DD值存在顯著性差異(表5)。將DD值與其他24個(gè)財(cái)務(wù)比率重新進(jìn)行主成分分析,進(jìn)行逐步判別分析,得到的新的Fisher判別函數(shù)。
加入違約距離DD的Fisher判別函數(shù)為:
ST公司判別函數(shù):G(1)=-0.607F3-1.259F5-0.506F6+0.506F8-1.247
正常公司判別函數(shù):G(0)=0.755F3+1.479F5+0.411F6-0.493F8-1.390
四、 模型間預(yù)測(cè)結(jié)果比較與結(jié)論
從預(yù)測(cè)的結(jié)果可以看出,將傳統(tǒng)財(cái)務(wù)比率與市場(chǎng)數(shù)據(jù)結(jié)合起來(lái)的Fisher模型預(yù)測(cè)結(jié)果總體上優(yōu)于只用財(cái)務(wù)比率建立的Fisher模型。
1. 對(duì)于13個(gè)檢驗(yàn)樣本,對(duì)7個(gè)ST公司的預(yù)測(cè)準(zhǔn)確率均為100%,6個(gè)正常公司的預(yù)測(cè)準(zhǔn)確率為83.3%。檢測(cè)樣本的預(yù)測(cè)準(zhǔn)確率均為92.3%。說(shuō)明,兩個(gè)模型對(duì)上市公司的信用風(fēng)險(xiǎn)均具有較強(qiáng)的預(yù)測(cè)能力。
2. 第一類(lèi)模型的總體預(yù)測(cè)的準(zhǔn)確率為84.9%,低于第二類(lèi)模型的預(yù)測(cè)結(jié)果93.2%。
3. 在銀行實(shí)務(wù)中,將違約公司誤判為正常公司導(dǎo)致的后果比將正常公司誤判為違約公司的后果更為嚴(yán)重,因?yàn)檫@將給銀行帶來(lái)更嚴(yán)重的風(fēng)險(xiǎn)。第一類(lèi)模型將違約公司誤判為正常公司的概率為10.8%,第二類(lèi)模型的誤判率僅為8.1%,低于第一類(lèi)模型。所以,商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)預(yù)測(cè)時(shí)應(yīng)將財(cái)務(wù)指標(biāo)與市場(chǎng)數(shù)據(jù)等進(jìn)行綜合的分析,以提高模型預(yù)測(cè)的準(zhǔn)確度。
參考文獻(xiàn):
1. 沈沛龍,任若恩.現(xiàn)代信用風(fēng)險(xiǎn)管理模型和方法的比較研究.經(jīng)濟(jì)科學(xué),2002,(3).
2. 王春峰,萬(wàn)海暉,張維.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估及其實(shí)證研究.管理科學(xué)學(xué)報(bào),1998,(1).
3. Altman E I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance,1968,(23).
4. Press S J, Wilson S. Choosing between Logistic Regression and Discriminant Analysis. J. Amer. Statist. Assoc,1978,(73).
5. 方洪全,曾勇.銀行信用風(fēng)險(xiǎn)評(píng)估方法實(shí)證研究及比較分析.金融研究,2004,(1).
6. 周沅帆.基于KMV模型對(duì)我國(guó)上市保險(xiǎn)公司的信用風(fēng)險(xiǎn)度量.保險(xiǎn)研究,2009,(3).
7. 張能褔,張佳.改進(jìn)KM模型在我國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用.預(yù)測(cè),2010,(5).
基金項(xiàng)目:教育部人文社會(huì)科學(xué)研究項(xiàng)目(項(xiàng)目號(hào):09YJE790004),“泰山學(xué)者”建設(shè)工程專(zhuān)項(xiàng)基金,山東省博士后創(chuàng)新項(xiàng)目專(zhuān)項(xiàng)資金。
作者簡(jiǎn)介:安起光,理學(xué)博士,應(yīng)用經(jīng)濟(jì)學(xué)博士后,山東財(cái)經(jīng)大學(xué)金融學(xué)院教授、碩士生導(dǎo)師;于曉靜,山東財(cái)經(jīng)大學(xué)金融學(xué)院碩士生。
收稿日期:2012-01-08。