中小企业信用风险衡量和预警：中国上市中小企业的实证研究外文翻译资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

中小企业信用风险衡量和预警：中国上市中小企业的实证研究

摘要

在解决中国中小企业的融资困难的过程中，衡量中小企业的信用风险是一个非常具有挑战性的问题。在本文中，我们开发了一个基于原始KMV模型的可调参数的新模型，以衡量中国上市中小企业的信用风险。通过设置两条信用警告线来监控上市中小企业的信用危机，我们发现调整后的KMV模型的预测准确性与中国上市中小企业违约点的变化相比是稳定的，这与KMV公司现有的结果不同。我们的研究表明，中国上市中小企业的信用风险相对较高，并且在2004年到2006年的选择期间有所增长。我们还发现，资产规模对信用风险有重大影响，在分散式股权分置改革前后，信用风险波动较小。

关键词

信用风险;中小企业;预先警告; KMV模型;到默认距离（DD）;资产规模;拆分股权结构改革

1.介绍

信用风险是由于债务人不支付贷款或其他信用额度（本金或利息（息票）或两者）而造成的损失风险。当违约发生在债务人根据债务合同未履行其法律义务，或违反债务合同的贷款契约（条件）时，债务契约可能伴随所有债务包括债券，抵押贷款，贷款和期票。由于金融创新和衍生品在竞争激烈的金融行业中迅速发展，信用风险的测量和管理变得非常重要。

虽然中小企业是国民经济中最活跃的经济单位，但中小企业的操作风险和信用担保风险因其特殊性而非常高，导致整体信用评级较低。中国中小企业的运营绩效总体上较差，这导致较高的操作风险和信用担保机构的风险[5]和[6]。中国人民银行（包括北京，西安，东莞，台州，温州，威海等）在中国中小企业2003 - 2005年的金融系统调查报告显示，银行不良贷款总额的63.93％来自中小企业。由于缺乏有效的担保和担保，向中小企业贷款的银行正面临更大的违约损失。根据2001年中国工商银行（ICBC中国）建立的350,041家中小企业的信用评级，只有16.31％的中小企业在A级以上，而83.69％的中小企业在BBB级或更低。信用评级是信用担保推荐的主要评估工具，对信用评级较低的中小企业应非常谨慎。因此，资金短缺是大多数中小企业限制其发展的主要问题之一。有效衡量中小企业的信用风险已成为金融机构面临的主要挑战。随着中小企业板块和中国创业板市场（GEM）的快速增长，中小企业将对中国经济以及资本市场产生重大影响。然而，大多数中小企业的增长受到很大的不确定性和不连续性的限制，因为它们通常建立的时间很短，管理经验非常有限。由于“增长幻想”，在高增长的中小企业过度依赖债务融资的情况下，一种信用风险很难被察觉[5]。因此，在本文中，我们尝试对中国上市中小企业的信用风险监测进行一些探索性研究。

本文的其余部分安排如下。第2节提供了关于信用测量和警告的文献综述，然后是第3节中的分析模型和方法的描述。然后，参考第4节讨论参数估计，结果比较和分析。第5节结束本文。

2.文献综述

20世纪70年代以前，金融机构侧重于信用计量和管理的半定量分析，主要是通过对财务报表的分析对客户信用进行主观评价。自20世纪70年代以来，以美国为代表的西方发达国家开发了一系列衡量和管理的信用风险模型[3]。从而实现金融机构信用风险计量的定性分析和定量分析的结合。

目前，许多模型可用于信用风险度量和信用评级[15]和[37]。在主要的传统信用风险测量模型中，银行家的专家系统和评级方法更主观[29和30]。此外，还有一些统计方法通常用于信用风险预测。它包括逻辑回归分析[20]，[24]和[33]，KNN最近邻规则[13]和[28]，多重判别分析（MDA）[16]，Z-评分模型[1]风险模型[26]。使用统计方法的信用评级预测的一般成就是，具有小的财务变量列表的简单模型是简洁的并且容易解释。然而问题是，在金融数据收集中，对于独立变量的多变量正态性假设经常被违反，这使得这些方法在理论上对有限样本无效[15]。最近，人工智能（AI）技术，特别是神经网络已被用于支持信用评级和破产预测[2]，[7]，[18]，[34]和[35]。然而，在这种机器学习方法中获得的模型通常非常复杂且难以解释，并且它们严重依赖于样本和实验数据。

现代信用风险测量模型包括四个主要方法：CreditMetrics，Credit Portfolio视图，CreditRisk 和KMV模型。 J.P. Morgan的CreditMetrics [8]和McKinsey的信用投资组合视图[36]与信用评级机制直接相关。然而，由于中国的信用评级市场远未成熟，缺乏足够的信用数据，上述两种模式（CreditMetrics和Credit Portfolio View）不能在中国使用。将瑞信金融产品开发的CreditRisk 模型[31]应用于中国信用市场也非常困难;这是因为CreditRisk 模型的关键风险驱动参数“违约率”在中国目前的信用市场很难估计。此外，该模型要求债务是相互独立的[9]。 KMV公司开发的KMV模型是基于现代企业金融理论和期权理论的结构模型。将其应用于中国中小企业的信用市场是非常有吸引力的，因为中小企业的财务数据和信用信息不足，不完整，甚至根本不存在。 KMV模型可以使用外观信息来衡量，例如股票价格波动，信誉，宏观经济状况和部门的信用风险。这是一个动态的前瞻性方法。

以前的研究证实，KMV模型可以应用于信用市场。 McQuown [22]指出，财务报告可以反映公司的历史，市场价格可以更好地反映未来的发展趋势，但最准确的信用风险计量应同时使用这两种信息。 Kurbat和Korablev [19]通过水平验证和校准分析测试了KMV模型。他们证明，KMV模型在三年内使用1000家美国公司的数据是非常有效的。 Crosbie和Bohn [10]将KMV模型应用于金融公司，发现EDF价值可以准确和敏感地监控在破产前或信贷事件发生时的信贷变化。 “新资本协议”在信用风险管理中推进了基于内部评级（IRB）的方法，KMV也被推荐使用。显然，KMV模型已被世界广泛接受和使用。

近年来，中国学者讨论了KMV模型在中国的适用性。 Du et al。 [11]侧重于模型的定性分析，并指出使用KMV的问题。 Wang [32]提供了KMV和其他信用风险模型的比较研究。他认为KMV模型比其他模型更适合上市公司的信用风险评估。最近，一些学者开始将KMV模型应用于上市公司的信用风险识别。 Cheng和Wu [6]（样品编号为15），Zhang et al。 [40]（样本数为60），Yang和Zhang [38]（样本数为144）和Ye et al。 （样本数为22）调整了KMV模型的参数，发现调整后的模型可以及时识别和预测中国上市公司的信用风险。 Zheng [42]（样本数量为30）发现，EDF模型没有向上市公司发送错误信息，表现良好，但高风险上市公司的资产价值和权益价值被高估。 Ma [21]将KMV模型应用于中国上市公司的财务困境警告，发现KMV模型具有比Logistic和Fisher模型更明显的优势。虽然以前的工作提供了理论和经验证明，KMV模型是中国量化信用风险管理的良好指导和参考，但不能直接推导中国市场。一些现有的作品讨论了资产规模和违约之间的关系。穆迪公司的研究表明，资产规模是影响违约的重要因素。在资本充足，实力强，具有市场风险抵抗能力的大公司中，违约概率非常高[14]。而在小型上市公司，由于股票价格的大波动，违约概率很大[41]。在本文中，我们将讨论中国上市中小企业的各种风险因素如何影响违约概率。传统的KMV模型用于通过简单地采用股票价格波动来确定股权价值波动率（sigma;E），但不考虑股权变化（例如股份分布）的影响和每股净资产变化。本文将调整KMV模型中的一些参数，并开发改进的KMV模型，以满足中国上市中小企业信用市场的需求。作为中国的一个独特现象，也将讨论分散结构改革。

3.模型

3.1 KMV建模描述

KMV公司开发的KMV模型基于Merton期权定价理论[23]。 它是一组概念框架来估计公司的默认概率。 KMV模型假设公司的资产价值低于负债时，公司将违约。 图1揭示了股权价值与资产价值之间的关系。根据Merton模型的基本思想，KMV模型将公司的股权价值视为认购期权，认为资产价值为标的资产，债务为行使价。

图1L表示股东对公司的初始投资; D表示默认点的债务。 当资产价值（V）大于债务（D）时，股东将选择不违约，在支付债务后获得剩余利润，这与图2中的股本价值增加一致。图1表示执行呼叫选项。 而当资产价值低于债务时，股东将通过将总资产转移给债权人来选择违约，这与图2中的不变资产价值一致。 图1这意味着不执行调用选项[4]，[10]，[17]和[25]。

根据上述分析，我们可以从Black-Scholes期权定价公式得出：

其中E表示权益值，V表示资产价值，D表示违约点，sigma;v表示资产价值波动率，r表示无风险利率，tau;表示债务期限，N（sdot;）表示标准正态累积分布函数 。 在等式 （1），d1和d2可以计算如下：

公式中有两个未知参数V和sigma;v。 （1）需要解决。 这可以通过引入股权价值波动率（sigma;E）和资产价值波动率（sigma;V）[14]（见式（4））之间的关系来实现。

在代入式 （1）和（2） （4），我们可以推导出sigma;E是V，sigma;V，r，D和tau;的函数。

因此，我们设置一个方程组从方程 （1）和（4），其中V和sigma;v是未知参数（见式（5））。

然后我们计算函数的雅可比矩阵。 根据牛顿迭代法，通过泰勒展开建立迭代，得到方程。 （6）。

其中通过使用试错法来设置牛顿迭代中的适当的初始值（V0，sigma;V0）。 我们测试了九组值（V0，sigma;V0）：初始资产规模值V0的三个值和初始波动值sigma;V0的三个值。 我们的样本大小落在（1.0E 07,1.0E 09）的范围内，因此对于V0，我们测试三个值的等级：1.0E 07,1.0E 08和1.0E 09。 三个级别的波动率值为0.1,0.01和0.001。 反复计算表明，（1.0E 09，0.01）的初始值可以实现迭代收敛，收敛速度快。 基于此，我们可以计算V和sigma;V的值。

当给出V和sigma;V时，可以计算负债公司的违约距离（DD）[10]。 在KMV模型中，DD定义为：

假设公司的资产价值遵循正态分布，因此默认距离反映了公司违约的标准偏差。 然后我们可以得到公司的预期默认频率（EDF）：

然而，资产价值受正态分布的假设是值得怀疑的。 KMV公司试图获得EDF的经验值，而不是模型的理论值。 幸运的是，KMV公司有一个庞大的历史数据库的默认信息的公司。 他们可以计算一年内具有相同DD的默认公司的数量。 然后，EDF的经验值是上述计数与具有相同DD的公司总数的比率。 虽然目前中国信贷市场没有类似的数据库，这意味着没有EDF统计数据可用。 因此，在本文中，我们将DD作为信用评估的基础。 DD是反映公司信用质量的标准指数，可以对不同公司和不同时间段进行比较。 价值越大，公司越有可能及时偿还债务，因此违约将更少，信贷更好。

3.2 参数设置

我们讨论本节中五个关键参数的计算。第一个参数是相等值（E）。在中国股权分置改革之前，国内A股分为两类：一类是由正常投资者（流通股）自由买卖，另一类不能自由交易（非流通股）。这是中国证券市场的一个特殊现象，根据国有公司股票行使良好操作规范[41]和[43]。非流通股的价值难以估计，通常低于流通股的价值。如果每股非流通股的价格只是以每股流通股的价格来表示，公司的股本价值就会被高估。因此，在本文中，我们遵循中国监管机构设立的国有公司股票行使良好操作规范，并使用每股净资产代表非流通股价[43]。我们可以得到：

其中非流通股数量包括分拆股份结构改革中有限售出股份。第二个参数是股本价值波动率（sigma;E）。我们介绍一种计算此参数的新方法。在计算sigma;E时，不仅考虑了可交易股票价格，还考虑了股权变化（例如股权分置改革中的股权捐赠，分配和定向回购）以及每股净资产的季度变化。它可以有效地提高sigma;E的计算精度。大量的事实证明，GARCH（1,1）模型很好地适用于中国股市[27]。在本文中，在计算每个交易日的权益值（E）之后，我们在Matlab中使用GARCH工具箱来计算权益值波动率。

第三个参数是默认点（D）。 KMV公司发现，当公司的资产价值达到总负债的账面价值时，公司通常不会违约[10]。当公司违约时，资产价值通常在流动负债和总负债的账面价值之间，可以描述为：

其中D表示违约点，CL表示流动负债，LL表示长期负债。通过对默认公司做大量的观察，KMV公司发现，最常见的默认点是在k = 0.5，并且模型的预测精度对默认点的变化敏感[10]和[17]。但这个默认点是基于美国公司的经验价值，这可能不适合中国上市的中小企业。默认点必须通过考虑公司的债务结构和一个国家的信用状况来设定。因此，显然我们在确定中国上市中小企业的违约点时面临巨大障碍。先前关于默认点设置的研究大体上类似于KMV公司的[27]和[40]。现有研究没有讨论中小企业的违约点和信用风险。在本文中，我们首先设定三种情景：k = 0.5（D0），k = 0（D1）和k = 1（D2），然后比较这三种情景中的中国上市中小企业的信用风险模型的有效性。

第四和第五个参数是负债期限（tau;）和无风险利率（r）。由于数据和信息的可用性有限，计算时间设置为一年，以预测明年的信用风险。虽然设置时间与其他现有研究一致，但有助于检查结果。对于无风险利率，我们采

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141268]，资料为PDF文档或Word文档，PDF文档可免费转换为Word