郭曉旭 王永茂

摘 要：本文主要研究KMV模型的改進(jìn)問題，使其能夠更準(zhǔn)確有效地預(yù)測軟件和信息技術(shù)服務(wù)業(yè)上市公司的違約風(fēng)險。對違約點重新設(shè)定，采用動態(tài)粒子群算法，對權(quán)重和學(xué)習(xí)因子做線性變化策略，將其轉(zhuǎn)化為求解標(biāo)記*ST、ST和未被標(biāo)記公司之間違約距離差距的最大值問題，來找到違約點的最優(yōu)系數(shù)組合，實現(xiàn)對上市公司的信用風(fēng)險度量與評估。

關(guān)鍵詞：信用風(fēng)險度量;KMV模型;動態(tài)粒子群算法;權(quán)重因子

0 引言

隨著信息產(chǎn)業(yè)價值的突顯，軟件和信息技術(shù)服務(wù)業(yè)作為新興產(chǎn)業(yè)迎來了蓬勃發(fā)展。國家先后出臺的一系列政策，給予了這個行業(yè)較為全面的政策支持。企業(yè)想要更好地生存和發(fā)展需要引入大量資金，但由于我國存在著社會信用體系不夠完善，公司信息不夠透明等問題，銀行和金融機(jī)構(gòu)不能準(zhǔn)確地評估公司信用情況，造成了軟件和信息技術(shù)服務(wù)業(yè)公司融資難的困境。因此，需要建立信用風(fēng)險度量模型對軟件和信息技術(shù)服務(wù)業(yè)的上市公司進(jìn)行信用風(fēng)險評估。

1 預(yù)備知識

1.1 KMV模型參數(shù)估計

2 實證分析

2.1 傳統(tǒng)KMV模型

本文選取軟件和信息技術(shù)服務(wù)業(yè)截至2019年6月30日在A股、創(chuàng)業(yè)板、中小板各個板塊單獨上市的193家上市公司作為研究樣本。按照股票代碼排序，序號為1～193。其中，有8家上市公司被中國監(jiān)證會標(biāo)記為*ST，有2家上市公司被標(biāo)記為ST。

借助MATLAB，求解傳統(tǒng)KMV模型違約點系數(shù)組合為（1，0.5）時的193家上市公司的預(yù)期違約距離。發(fā)現(xiàn)編號為77、172和173的上市公司預(yù)期違約距離分別為-184、-2449和-1070，與其他值相差過大，于是作為異常值將其剔除。從表1可以看出，*ST標(biāo)識的上市公司的違約距離平均值要比未標(biāo)識公司的違約距離平均值大，二者相差4.62，這意味著*ST標(biāo)識公司發(fā)生違約的概率比未標(biāo)識公司要小得多，這樣的研究結(jié)果顯然不符合證監(jiān)會把財務(wù)不佳、投資有風(fēng)險的公司作*ST和ST標(biāo)記的實際情況。這說明傳統(tǒng)KMV模型并不能有效區(qū)分和評估軟件和信息技術(shù)服務(wù)業(yè)上市公司的信用風(fēng)險。因此，還需要進(jìn)一步對KMV模型進(jìn)行改進(jìn)。

2.2 改進(jìn)的KMV模型

本文基于動態(tài)粒子群算法對KMV模型的違約點進(jìn)行修正，將KMV模型中的違約點最優(yōu)系數(shù)求解問題轉(zhuǎn)化為求ST、*ST和未標(biāo)識上市公司之間違約距離差距的最大值問題，以尋求適合軟件和信息技術(shù)服務(wù)業(yè)為上市公司的違約點，改進(jìn)后的KMV模型的流程圖如圖1所示。

借助MATLAB，經(jīng)過10個初始粒子的20次迭代尋找，發(fā)現(xiàn)改進(jìn)后的KMV模型適用于軟件和信息技術(shù)服務(wù)業(yè)上市公司的最優(yōu)違約點系數(shù)組合為（1.22，8.26）。即，軟件和信息技術(shù)服務(wù)業(yè)的上市公司的違約點應(yīng)設(shè)定為：

改進(jìn)后的KMV模型的信用風(fēng)險度量效果如表2所示。當(dāng)違約點系數(shù)組合為（1.22，8.26）時，*ST和ST標(biāo)識公司的違約距離比未被標(biāo)記的公司要小，即*ST和ST標(biāo)記公司的違約概率要比未標(biāo)記的公司大。改進(jìn)后的KMV模型更能有效地區(qū)分和評估*ST和ST和未標(biāo)識的上市公司的信用風(fēng)險。

圖2是KMV模型改進(jìn)前后上市公司的預(yù)期違約距離對比圖。其中，黑色折線表示傳統(tǒng)KMV模型，藍(lán)色散點表示改進(jìn)的KMV模型。紅色“+”表示*ST標(biāo)識公司，綠色“o”表示ST標(biāo)識公司?？梢钥闯?，改進(jìn)后的KMV模型求解的違約距離都在[0，6]范圍波動，修正了傳統(tǒng)KMV模型求解的個別上市公司違約距離數(shù)值過大異常波動的問題。同時KMV模型改進(jìn)后，帶有*ST、ST標(biāo)識的上市公司的違約距離普遍偏低，更符合實際情況。同時還可以看出，171號“*ST中安”的預(yù)期違約距離為0.7693，是軟件和信息技術(shù)服務(wù)業(yè)所有上市公司中預(yù)期違約距離最小，發(fā)生違約的風(fēng)險最高的，因此需要格外警惕。

2.3 改進(jìn)前后模型的比較

利用R軟件作ROC曲線，如圖3所示。圖中藍(lán)色實線表示傳統(tǒng)KMV模型，AUC值為0.659;紅色虛線表示改進(jìn)后的KMV模型，AUC值為0.784。當(dāng)違約點系數(shù)組合從 （1，0.5） 修正到 （1.22，8.26） 時，ROC 曲線向左上方移動，AUC 的數(shù)值從 0.659 顯著增加到 0.784，接近于 0.8。這說明經(jīng)過動態(tài)粒子群算法改進(jìn)的KMV模型比傳統(tǒng)KMV模型更加理想。對*ST和ST標(biāo)識的上市公司的區(qū)分效果更加優(yōu)良，對軟件和信息技術(shù)服務(wù)業(yè)上市公司的信用風(fēng)險度量和評估效果更加有效。

3 結(jié)束語

本文在研究軟件和信息技術(shù)服務(wù)業(yè)上市公司信用風(fēng)險度量問題時，在 KMV 模型基礎(chǔ)上，根據(jù)國內(nèi)實際情況，采用動態(tài)粒子群算法進(jìn)行優(yōu)化，以是否被中國證監(jiān)會標(biāo)記作為判斷準(zhǔn)則，尋找違約點的最優(yōu)系數(shù)組合為（1.22，8.26），重新定義了違約點。由此可見，改進(jìn)后的KMV模型具有一定的實用性，能夠更準(zhǔn)確有效地求解上市公司預(yù)期違約距離和評估上市公司違約風(fēng)險。但是模型仍有不足的地方，比如模型嚴(yán)格的假設(shè)條件，未將信心不對稱時的道德風(fēng)險納入考慮，違約點系數(shù)組合適用范圍太窄等。因此，今后應(yīng)該進(jìn)一步對此進(jìn)行深入研究。

參考文獻(xiàn)

[1]馬若微.KMV模型運用于中國上市公司財務(wù)困境預(yù)警的實證檢驗[J].數(shù)理統(tǒng)計與管理，2006，25（5）：593-601.

[2]章文芳，吳麗美，崔小巖，等.基于KMV模型上市公司違約點的確定[J].統(tǒng)計與決策，2010，（14）：169-171.

[3]賈利.基于KMV模型上市公司違約點的選擇[J].商，2016，（3）：182-183.

[4]安東尼·桑德斯著.信用風(fēng)險度量——風(fēng)險估值的新方法與其他范式[M].北京：機(jī)械工業(yè)出版社，2001：13-14.

[5]王星予，余麗霞，陽曉明，等.商業(yè)銀行信貸資產(chǎn)證券化信用風(fēng)險研究——基于修正的KMV模型[J].收藏，2019，（3）：53-66.