王佳 楊艾琳 王旭

【摘 要】 文章利用我國(guó)ST和非ST的上市公司真實(shí)數(shù)據(jù)，對(duì)KMV模型進(jìn)行修正，引入了基于EGARCH的KMV模型計(jì)算單個(gè)資產(chǎn)的違約概率。進(jìn)一步分別采用二元正態(tài)-Copula、二元t-Copula以及二元阿基米德-Copula包括Gumbel-Copula、Clayton-Copula和Frank-Copula函數(shù)對(duì)信用資產(chǎn)組合的違約相關(guān)性進(jìn)行建模，研究多資產(chǎn)間的聯(lián)合違約概率。研究結(jié)果表明，修正的KMV模型具有合理性和有效性，Clayton-Copula函數(shù)對(duì)聯(lián)合違約概率擬合更好。研究結(jié)果有助于商業(yè)銀行預(yù)測(cè)各企業(yè)的信用風(fēng)險(xiǎn)大小及可能性，提升應(yīng)對(duì)風(fēng)險(xiǎn)的能力，以維護(hù)我國(guó)金融市場(chǎng)安全穩(wěn)健運(yùn)行。

【關(guān)鍵詞】 信用風(fēng)險(xiǎn); KMV; EGARCH; Copula函數(shù)

【中圖分類號(hào)】 F830.5? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2019）07-0053-05

一、引言

信用風(fēng)險(xiǎn)是上市公司面臨的主要風(fēng)險(xiǎn)之一，而違約概率及違約相關(guān)性是信用風(fēng)險(xiǎn)度量的核心問題。目前，國(guó)際上比較成熟的度量違約概率方法主要有信用計(jì)量模型（Credit Metrics）、CreditRisk+模型、信用組合觀點(diǎn)（Credit Portfolio View）以及KMV模型等。其中，由于KMV模型具有可以直接利用股票市場(chǎng)數(shù)據(jù)計(jì)量信用風(fēng)險(xiǎn)、利用資本市場(chǎng)信息來預(yù)測(cè)公司違約風(fēng)險(xiǎn)的特點(diǎn)，使得KMV模型的應(yīng)用最為廣泛[ 1 ]。

國(guó)外學(xué)者Nyambuu等[ 2 ]提出用KMV模型來評(píng)估新興經(jīng)濟(jì)體的主權(quán)違約風(fēng)險(xiǎn)，并證明了KMV模型對(duì)于發(fā)展中國(guó)家是一個(gè)合理的風(fēng)險(xiǎn)衡量方法。Kollár等[ 3 ]將KMV、Credit Metrics和Credit Risk+三種模型進(jìn)行比較，并分別指出三種模型的優(yōu)缺點(diǎn)。Kliestik等[ 4 ]認(rèn)為使用KMV模型可以提前一年或一年半的時(shí)間預(yù)期到金融信用風(fēng)險(xiǎn)方面的問題。國(guó)內(nèi)學(xué)者結(jié)合我國(guó)國(guó)情對(duì)KMV模型進(jìn)行研究，表明KMV模型作為預(yù)測(cè)指標(biāo)的表現(xiàn)較好[ 5-10 ]。較具代表性的有：禹久泓等[ 6 ]運(yùn)用我國(guó)上市公司財(cái)務(wù)報(bào)表中的數(shù)據(jù)對(duì)違約點(diǎn)的設(shè)置進(jìn)行修正，采用枚舉法估算出最適合的違約點(diǎn)估算方程，結(jié)果表明KMV模型在評(píng)價(jià)我國(guó)上市公司信用風(fēng)險(xiǎn)方面能在一定程度上給投資者帶來一些啟示;孫偉等[ 7 ]選取82家上市公司進(jìn)行KMV模型的實(shí)證分析，結(jié)果發(fā)現(xiàn)該模型可以很好地衡量債務(wù)公司的違約風(fēng)險(xiǎn)，違約距離越大，信用風(fēng)險(xiǎn)越低，公司違約的可能性越小;唐振鵬等[ 8 ]利用修正的TGARCH-KMV模型度量不同經(jīng)濟(jì)區(qū)、不同行業(yè)上市公司的信用風(fēng)險(xiǎn)。

同時(shí)，一些學(xué)者在基于KMV模型的信用風(fēng)險(xiǎn)度量中引入Copula函數(shù)，研究?jī)蓚€(gè)或多個(gè)公司債務(wù)間的違約相關(guān)性問題。Fenech等[ 11 ]利用阿基米德Copula方法對(duì)債務(wù)間的聯(lián)合違約概率及違約相關(guān)性進(jìn)行度量，得出阿基米德Copula能夠有效地描述信用風(fēng)險(xiǎn)間的右側(cè)尾部依賴性。Valle等[ 12 ]利用二元Copula模型表示資產(chǎn)定價(jià)函數(shù)，并用蒙特卡羅模擬進(jìn)行估計(jì)，計(jì)算兩公司間的聯(lián)合違約概率。劉向華等[ 13 ]利用我國(guó)上市公司數(shù)據(jù)，引入基于GARCH的KMV模型求解單個(gè)資產(chǎn)的違約概率，采用t-Copula函數(shù)對(duì)標(biāo)的資產(chǎn)的違約相關(guān)性進(jìn)行建模，對(duì)BDS進(jìn)行定價(jià)。

本文在前人研究的基礎(chǔ)上，在設(shè)定違約點(diǎn)和估計(jì)股權(quán)價(jià)值波動(dòng)率方面對(duì)傳統(tǒng)的KMV模型進(jìn)行修正，提出基于EGARCH的KMV模型，并以我國(guó)ST和非ST上市公司形成對(duì)照組進(jìn)行實(shí)證研究，以檢驗(yàn)修正后的KMV模型對(duì)我國(guó)上市公司信用風(fēng)險(xiǎn)度量的有效性。同時(shí)進(jìn)一步將KMV-EGARCH模型與二元阿基米德-Copula、二元正態(tài)-Copula函數(shù)和二元t-Copula相結(jié)合，研究?jī)晒鹃g的聯(lián)合違約概率和違約相關(guān)性。

二、模型構(gòu)建

（一）基于EGARCH的修正KMV模型構(gòu)建

KMV模型認(rèn)為一個(gè)上市公司的股權(quán)價(jià)值可以看作一個(gè)歐式看漲期權(quán)，標(biāo)的資產(chǎn)是公司的總資產(chǎn)，行權(quán)價(jià)為公司債務(wù)價(jià)值。在債務(wù)到期日，如果公司的資產(chǎn)價(jià)值高于債務(wù)價(jià)值，則公司履行債務(wù)，不發(fā)生違約;反之，公司以其資產(chǎn)價(jià)值來償還債務(wù)，股權(quán)價(jià)值變?yōu)?。當(dāng)公司資產(chǎn)價(jià)值下降至某一臨界值時(shí)，企業(yè)就會(huì)對(duì)其債務(wù)違約。KMV模型的基本思想是借鑒Black-Scholes定價(jià)理論和Merton的期權(quán)定價(jià)思想，通過分析公司資產(chǎn)的未來市場(chǎng)價(jià)值到違約點(diǎn)的距離和預(yù)期違約概率來判斷該公司的信用情況。

構(gòu)建EGARCH-KMV模型具體包括以下步驟：

第一步，確定上市公司的股權(quán)價(jià)值VE和債務(wù)賬面價(jià)值VD。

第二步，估計(jì)公司的股權(quán)價(jià)值波動(dòng)率σE。本文采用非線性EGARCH模型對(duì)股權(quán)價(jià)值波動(dòng)率進(jìn)行建模，估計(jì)日波動(dòng)率，并進(jìn)一步轉(zhuǎn)化為年化的股權(quán)價(jià)值波動(dòng)率。

第三步，估計(jì)公司的資產(chǎn)市場(chǎng)價(jià)值VA和公司的資產(chǎn)價(jià)值波動(dòng)率σA。

根據(jù)Black-Scholes-Merton期權(quán)定價(jià)公式，即：

VE=VAN（d1）-De-rtN（d2）? （1）

其中，d1=，d2=d1-σA。D為公司的債務(wù)賬面價(jià)值，t為債務(wù)期限，r為無風(fēng)險(xiǎn)利率。又由伊藤引理可得到股權(quán)價(jià)值波動(dòng)率σE與資產(chǎn)價(jià)值波動(dòng)率σA之間的關(guān)系：

σE=? ? （2）

將式（1）和（2）聯(lián)立，已知量為VE、σE、D、r、T，計(jì)算得到VA和σA。

第四步，計(jì)算違約點(diǎn)DPT。DPT表示當(dāng)公司資產(chǎn)價(jià)值低于該值時(shí)，公司發(fā)生違約。KMV公司對(duì)大量的歷史違約數(shù)據(jù)進(jìn)行歸納總結(jié)，得出結(jié)論DPT=STD+0.5×LTD。然而，西方發(fā)達(dá)國(guó)家的市場(chǎng)環(huán)境與我國(guó)的市場(chǎng)環(huán)境存在一定差別，有必要結(jié)合我國(guó)實(shí)際情況對(duì)違約點(diǎn)進(jìn)行修正。目前，我國(guó)學(xué)者對(duì)于違約點(diǎn)的修正大多仍停留在KMV公司給出的框架，如張能福和張佳[ 14 ]提出的DPT=1.8STD+ 1.2LTD、李永濤等[ 15 ]提出的DPT=STD+0.75LTD。本文利用上市公司的總資產(chǎn)、流動(dòng)負(fù)債和長(zhǎng)期負(fù)債數(shù)據(jù)進(jìn)行多元回歸，建立違約點(diǎn)線性方程，對(duì)違約點(diǎn)DPT進(jìn)行修正。

三、實(shí)證分析

（一）樣本選取

本文的實(shí)證樣本包括違約組和正常組兩類。其中，違約組樣本選取的是2017年1月1日至2017年12月31日被冠以ST和*ST的股票。篩選原則包括：（1）已完成股權(quán)分置改革，股票實(shí)現(xiàn)全流通，即總股數(shù)=限售流通股數(shù)+非限售流通股數(shù)，其中限售流通股占比較小;（2）考慮到A、B、H股市場(chǎng)之間的差異，剔除了同時(shí)發(fā)行B股或H股的上市公司，僅選取發(fā)行A股的主板上市公司;（3）考慮到行業(yè)間差異，盡可能多選取各類行業(yè)的上市公司，并且在滬深兩市都有選取樣本，使結(jié)果具有廣泛的適用性，更有說服力;（4）基于股票價(jià)格服從幾何布朗運(yùn)動(dòng)的假設(shè)，本文選擇2017年內(nèi)股價(jià)變動(dòng)基本連續(xù)，無停牌或除權(quán)等重大事項(xiàng)發(fā)生的股票;（5）考慮到可能會(huì)有異常值的影響，剔除了部分具有極端異常值的樣本股票?？紤]到兩組公司的可比性，選擇正常組的原則包括：（1）與配對(duì)的違約組公司屬于同一行業(yè)、同一證券交易所、有相近總資產(chǎn)規(guī)模的主板上市公司;（2）剔除同時(shí)發(fā)行B股或H股，選擇僅發(fā)行A股的上市公司;（3）選擇已完成股權(quán)分置改革、股票實(shí)現(xiàn)全流通且限售流通股占比較小的股票;（4）選擇2017年內(nèi)股價(jià)變動(dòng)基本連續(xù)，無停牌或除權(quán)等重大事項(xiàng)發(fā)生的股票。

根據(jù)以上條件篩選，本文最終選取違約組和正常組各28家上市公司，其中行業(yè)劃分標(biāo)準(zhǔn)為證監(jiān)會(huì)行業(yè)分類，樣本涵蓋房地產(chǎn)業(yè)、制造業(yè)、采礦業(yè)、批發(fā)零售業(yè)、信息技術(shù)服務(wù)業(yè)、公共設(shè)施管理業(yè)、農(nóng)林牧漁業(yè)和綜合8個(gè)行業(yè)的上市公司。

（二）基于EGARCH-KMV模型的單個(gè)資產(chǎn)信用風(fēng)險(xiǎn)度量

第一步，違約點(diǎn)DPT的估計(jì)。以上市公司的總資產(chǎn)為因變量，流動(dòng)負(fù)債（STD）、長(zhǎng)期負(fù)債（LTD）為自變量，建立回歸方程DPT=β1STD+β2LTD+ε，用Eviews做線性回歸，并對(duì)回歸方程進(jìn)行異方差性檢驗(yàn)（懷特檢驗(yàn)）并修正（異方差穩(wěn)健標(biāo)準(zhǔn)誤法）、序列相關(guān)性檢驗(yàn)（D.W.檢驗(yàn)）和多重共線性檢驗(yàn)。結(jié)果表明，方程顯著成立且不存在異方差性、序列相關(guān)性和多重共線性。得到違約組和正常組的違約點(diǎn)計(jì)算公式為：

DPT=1.3979×STD+0.7438×LTD? （15）

DPT=1.4885×STD+2.0149×LTD? （16）

式（15）和（16）估計(jì)的系數(shù)都大于KMV公司給出的系數(shù)，說明直接采用傳統(tǒng)違約點(diǎn)計(jì)算公式并不適合我國(guó)的實(shí)際情況。

第二步，估計(jì)股權(quán)市場(chǎng)價(jià)值VE。在實(shí)證部分選取的兩組樣本公司只發(fā)行A股，總股本數(shù)為A股股本數(shù)，所以股權(quán)市場(chǎng)價(jià)值=股票市價(jià)×總股本=總流通市值，以此計(jì)算每個(gè)樣本公司2017年的平均股權(quán)市場(chǎng)價(jià)值。

第三步，估計(jì)股權(quán)價(jià)值波動(dòng)率σE。利用EGARCH模型對(duì)樣本公司2017年的日對(duì)數(shù)收益率進(jìn)行擬合，以四川金頂（600678）為例，使用Eviews軟件計(jì)算出股權(quán)價(jià)值波動(dòng)率。

首先，對(duì)四川金頂?shù)娜諏?duì)數(shù)收益率序列進(jìn)行描述性統(tǒng)計(jì)分析和平穩(wěn)性檢驗(yàn)，結(jié)果見表1。從表1可以看出，該序列的均值為-0.0024，標(biāo)準(zhǔn)差為0.0420，偏度為-0.3894，小于零，左偏，峰度為3.7604，大于3，由此可判斷該股票的日對(duì)數(shù)收益率序列存在較明顯的“尖峰厚尾”特征。Jarque-Bera統(tǒng)計(jì)量為12.0440，P值為0.0024，拒絕該收益率序列服從正態(tài)分布的假設(shè)。ADF平穩(wěn)性檢驗(yàn)中，t統(tǒng)計(jì)量為-14.4844，P值為0.0000，說明該序列平穩(wěn)，用EGARCH模型來擬合是合理的。

其次，進(jìn)行ARCH效應(yīng)檢驗(yàn)。對(duì)該資產(chǎn)日收益率序列進(jìn)行ARCH效應(yīng)檢驗(yàn)，檢驗(yàn)結(jié)果如表2。由ARCH滯后1階的檢驗(yàn)結(jié)果可知，在1%的顯著性水平下拒絕原假設(shè)，即殘差序列存在ARCH效應(yīng)，適合使用EGARCH模型。

[F-statistic 8.8687 Prob. F（1，233） 0.0032 Obs*R-squared 8.6168 Prob. Chi-Square（1） 0.0033 ][表2 ARCH效應(yīng)檢驗(yàn)結(jié)果]

最后，建立EGARCH模型。常用的EGARCH模型包括EGARCH（1，1），EGARCH（1，2），EGARCH（2，1）， EGARCH（2，2），分別對(duì)上述四種模型進(jìn)行回歸分析。根據(jù)AIC值和SC值越小、Log likelihood值越大則模型擬合度越優(yōu)的選取原則，選擇EGARCH（1，1）模型。對(duì)EGARCH（1，1）模型的殘差進(jìn)行ARCH效應(yīng)檢驗(yàn)，檢驗(yàn)結(jié)果如表3。結(jié)果表明F統(tǒng)計(jì)量不顯著，不存在ARCH效應(yīng)，即EGARCH（1，1）模型消除了ARCH效應(yīng)。

[F-statistic 0.0517 Prob. F（1.233） 0.8203 Obs*R-squared 0.0521 Prob. Chi-Square（1） 0.8193 ][表3 EGARCH（1，1）模型的ARCH效應(yīng)檢驗(yàn)結(jié)果]

于是可以建立EGARCH（1，1）模型：

ln σ2

t=-0.0384-0.0662

+0.0655+

0.9878lnσ2

t-1? ? ?（17）

建立EGARCH（1，1）模型后生成方差序列得到該股票的日波動(dòng)率，得出四川金頂（600678）的年化股權(quán)價(jià)值波動(dòng)率為0.5923。同理，可得所有樣本公司的年化股權(quán)價(jià)值波動(dòng)率。

第四步，估計(jì)違約距離。已知股權(quán)市場(chǎng)價(jià)值VE、股權(quán)價(jià)值波動(dòng)率σE、違約點(diǎn)DPT、無風(fēng)險(xiǎn)利率r和期限T=1，借助Matlab軟件，使用fsolve函數(shù)迭代求解KMV非線性方程組，得到違約距離DD和違約概率EDF，見表4。

從表4可以看出，違約組中8種不同行業(yè)的平均違約距離小于正常組的平均違約距離，平均違約概率大于正常組的平均違約概率。

第五步，對(duì)兩組樣本數(shù)據(jù)的違約概率分別進(jìn)行t檢驗(yàn)和Wilcoxon檢驗(yàn)，以此判斷兩組數(shù)據(jù)的分布是否存在顯著差異，檢驗(yàn)結(jié)果見表5。由表5可知，t檢驗(yàn)對(duì)應(yīng)的P值為0.0332，Wilcoxon檢驗(yàn)的P值為0.0299，均小于5%的顯著性水平，因此拒絕原假設(shè)，兩組樣本在違約概率上存在顯著性差異。

[ 統(tǒng)計(jì)量 P值 t檢驗(yàn) -2.186234 0.0332 Wilcoxon檢驗(yàn) ? 2.171256 0.0299 ][表5 正常組和違約組違約概率顯著性檢驗(yàn)結(jié)果]

綜上所述，修正的KMV模型可以較好地識(shí)別ST公司和非ST公司之間的信用風(fēng)險(xiǎn)差異。研究結(jié)果表明：（1）從整體上看，違約組的違約概率大于正常組的違約概率，且違約組與正常組的違約概率有統(tǒng)計(jì)意義上的顯著差異。因此，本文提出的修正KMV模型可以作為監(jiān)控上市公司信用風(fēng)險(xiǎn)變化的一種可靠、可行的工具;（2）本文在計(jì)算違約點(diǎn)時(shí)使用公司財(cái)務(wù)數(shù)據(jù)進(jìn)行線性回歸而非傳統(tǒng)剛性的系數(shù)，在計(jì)算股權(quán)價(jià)值波動(dòng)率時(shí)使用EGARCH模型而非歷史波動(dòng)率，這使KMV模型的適用性更強(qiáng)。

（三）基于二元Copula的組合信用資產(chǎn)聯(lián)合違約概率測(cè)算

本文在利用EGARCH-KMV模型估計(jì)單個(gè)資產(chǎn)違約概率的基礎(chǔ)上，分別利用具有對(duì)稱特征的二元正態(tài)-Copula和t-Copula以及具有非對(duì)稱特征的二元阿基米德-Copula函數(shù)估計(jì)兩種資產(chǎn)間的聯(lián)合違約概率。分別選取來自制造業(yè)的樣本公司大西洋（600558.SH）和信息技術(shù)服務(wù)業(yè)的信雅達(dá)（600571.SH）2017年日對(duì)數(shù)收益率進(jìn)行實(shí)證分析。

第一步，利用三種正態(tài)性檢驗(yàn)方法，對(duì)兩家公司的日收益率序列進(jìn)行正態(tài)性檢驗(yàn)，檢驗(yàn)結(jié)果如表6?？梢钥闯鰌值都非常小，均拒絕服從正態(tài)分布的原假設(shè)，即兩樣本都不服從正態(tài)分布。

[ 大西洋 信雅達(dá) Jarque-Bera檢驗(yàn) 0.0010 0.0010 Kolmogorov-Smirnov檢驗(yàn) 0.0001 0.0005 Lilliefors檢驗(yàn) 0.0010 0.0010 ][表6 正態(tài)性檢驗(yàn)][注：表中各值為p值。]

第二步，參數(shù)估計(jì)。估計(jì)正態(tài)-Copula、t-Copula、Gumbel-Copula、Clayton-Copula和Frank-Copula的參數(shù)。

第三步，估計(jì)秩相關(guān)系數(shù)。分別得到五種Copula函數(shù)以及原始數(shù)據(jù)的Kendall秩相關(guān)系數(shù)、Spearman秩相關(guān)系數(shù)的估計(jì)結(jié)果，如表7。

[ Kendall

秩相關(guān)系數(shù) Spearman

秩相關(guān)系數(shù) 正態(tài)Copula函數(shù) 0.3746 0.5182 t-Copula函數(shù) 0.3496 0.5043 Gumbel-Copula函數(shù) 0.3467 0.5105 Clayton-Copula函數(shù) 0.3579 0.4943 Frank-Copula函數(shù) 0.3831 0.5506 原始數(shù)據(jù) 0.3540 0.4916 ][表7 秩相關(guān)系數(shù)估計(jì)結(jié)果]

從表7可以看出，Clayton-Copula函數(shù)的Kendall秩相關(guān)系數(shù)和Spearman秩相關(guān)系數(shù)與原始數(shù)據(jù)的相關(guān)系數(shù)更為接近，這說明二元阿基米德Clayton-Copula函數(shù)可以更好地反映大西洋和信雅達(dá)兩個(gè)公司之間的秩相關(guān)性。

第四步，模型評(píng)價(jià)。通過式（9）對(duì)模型進(jìn)行評(píng)價(jià)，選擇合適的Copula函數(shù)。表8為五種Copula與經(jīng)驗(yàn)Copula函數(shù)的平方歐氏距離。從表8可以看出，Clayton-Copula函數(shù)可以更好地?cái)M合兩家公司的收益率數(shù)據(jù)，與第三步的結(jié)果相同。

[ 平方歐氏距離 Gumbel-Copula函數(shù)與經(jīng)驗(yàn)Copula函數(shù) 0.0563 Clayton-Copula函數(shù)與經(jīng)驗(yàn)Copula函數(shù) 0.0201 Frank-Copula函數(shù)與經(jīng)驗(yàn)Copula函數(shù) 0.0422 正態(tài)Copula函數(shù)與經(jīng)驗(yàn)Copula函數(shù) 0.0246 t-Copula函數(shù)與經(jīng)驗(yàn)Copula函數(shù) 0.0213 ][表8 平方歐氏距離計(jì)算結(jié)果]

第五步，計(jì)算聯(lián)合違約概率。計(jì)算大西洋和信雅達(dá)的聯(lián)合違約概率，如表9。由于Clayton-Copula函數(shù)擬合較好，因此大西洋和信雅達(dá)的聯(lián)合違約概率為0.00007698。

四、結(jié)論

本文構(gòu)建基于EGARCH的KMV模型，對(duì)KMV模型中的違約距離、股權(quán)價(jià)值波動(dòng)率進(jìn)行修正，研究單個(gè)資產(chǎn)的信用風(fēng)險(xiǎn)度量問題。進(jìn)一步考慮金融市場(chǎng)的聯(lián)動(dòng)性，將修正的KMV模型與Copula函數(shù)相結(jié)合，測(cè)算信用資產(chǎn)組合的聯(lián)合違約概率，得出結(jié)論：

（1）從整體上看，違約組的違約概率大于正常組的違約概率，實(shí)證檢驗(yàn)結(jié)果符合違約距離越小、違約概率越大的理論，且違約組與同行業(yè)相近資產(chǎn)規(guī)模的正常組的違約概率有統(tǒng)計(jì)意義上的顯著差異。這說明，基于EGARCH的KMV模型具有合理性和有效性，可以作為監(jiān)控上市公司信用風(fēng)險(xiǎn)變化的一種可靠、可行工具。

（2）利用五種二元Copula函數(shù)分別對(duì)信用資產(chǎn)組合的相關(guān)性進(jìn)行描述，通過對(duì)比得出結(jié)論，Clayton-Copula函數(shù)對(duì)聯(lián)合違約概率擬合得更好。

綜上所述，在預(yù)防和降低上市公司信用風(fēng)險(xiǎn)時(shí)，要注意不同行業(yè)間的聯(lián)合違約性，從而有利于風(fēng)險(xiǎn)管理和防范，維持我國(guó)的宏觀杠桿率在合理的水平，并及時(shí)應(yīng)對(duì)隨時(shí)可能發(fā)生的異常波動(dòng)，以確保我國(guó)金融市場(chǎng)不會(huì)發(fā)生巨大的系統(tǒng)性風(fēng)險(xiǎn)。

【參考文獻(xiàn)】

[1] KABIR M N， WORTHINGTON A， GUPTA R. Comparative credit risk in islamic and conventional bank[J].Pacific-Basin Finance Journal，2015（34）：327-353.