中国金融市场违约预警模型研究与应用，本文主要内容关键词为：中国论文,金融市场论文,模型论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
目前，总结产生当前金融危机的根本原因，从宏观和微观两个层面加强金融业的风险管理，已经成为全球金融监管部门和机构的核心工作，而信用风险管理尤其作为重点。全球风险协会总裁查理·安波斯特里克(2010)认为，过去两年当中所经历的金融危机给了我们两大教训：第一就是金融机构一定要重视风险管理，第二就是要高度重视贷款人的信用质量。中国人民银行行长周小川(2010)指出，在亚洲金融危机期间中国银行业平均不良资产比例在40％以上，从2003年开始对银行业进行改革并予以修复，这个过程一直延续到最近。吸取国际金融危机和美国房地产次贷危机教训，学习并借鉴国际先进理论方法，建立符合我国金融业实际的中国金融市场信用风险预警及管理模型，并在实践中不断完善逐步推广应用，将创新我国金融工程理论和中国金融市场信用风险管理技术，对我国经济社会和金融业稳健发展发挥作用。
一、主流国际信用风险模型及违约模型国外发展现状
《新巴塞尔资本协议》明确建议：商业银行信用风险管理应当逐步从标准法向内部评级法过渡，最后为全面采用信用模型法作准备。BIS信用风险模型专题研讨会(1998)认为：目前国际金融业界主流信用风险模型，一是莫顿原理为基础的模型，如KMV公司预期违约频率模型(Expected Default Frequency，EDF模型)；二是评级为基础的模型，如信贷矩阵模型(CreditMetrics)；三是宏观经济型模型，如麦肯锡模型(Credit Portfolio View)；四是精算型模型，如信贷风险附加法(CreditRisk+模型)。Pamela Nickell，William Perraudin和Simone Varotto(2001)进一步研究后认为，麦肯锡模型将信贷矩阵模型中的评级转移矩阵与经济增长率、失业率、利率、汇率、政府支出等宏观经济变量间的关系模型化，克服了CreditMetrics中不同时期的评级转移矩阵固定不变的缺点；信贷风险附加法(CreditRisk+模型)相对(CreditMetrics)模型使用蒙特卡罗模拟法、提供了解析解法，计算其风险引擎时使用了卷积技术，并针对非独立分布建立要素模型，对卷积技术进行了特殊处理以计算合并概率分布。这两类模型应和信贷矩阵模型(CreditMetrics)归为一类。所以，国际信用风险模型大致可以分为两类，一是违约模式(Default Model，DM)，即对于贷款，主要用借款人是否违约来判断信用损失是否发生；二是盯市模式(Marking to Market，MTM)，对于债券等在市场交易的产品，用市场价值是否发生变化来判断信用损失的发生。两种情况下信用损失都是随机变量，分布函数描述了信用损失的所有特征，用其数字特征如：均值、标准差、分位数等来度量信用损失的大小(罗平，2002)。
违约模式(Default Mode，DM)只考虑两种状态，即违约和不违约，违约带来风险损失。违约模式的一个重要代表是KMV公司的EDF模型。KMV公司是总部位于旧金山，成立于1989年，专门从事有关信贷风险测量管理的公司；其客户遍及全球50多个国家；该公司最著名的产品是违约模型。该公司已由穆迪公司(Moody)全资收购。KMV公司提出了信贷监控模型(Credit Monitor Model)等不同信贷风险模型，最有影响的模型是预期违约频率模型(EDF，Expected Default Frequency)(Sundaram，2001)。
KMV模型以莫顿企业违约原理为基础建立。Robert Merton认为：“资本市场的另外一个潜在的功能是能够为决策提供有用的信息”，上市公司的股价变化本身就蕴涵了大量该公司信贷风险的信息，金融机构可以利用这些信息测量和管理信贷风险。早在1974年，Robert Merton就开始将期权定价理论应用于信贷风险分析方面。开始的工作始于有风险的贷款和债券的估值。例如，当银行贷款给贷款企业后，将时刻注意贷款企业的资产变化，如果假定企业资产大于贷款额时，企业愿意偿还贷款；当企业资产价值小于贷款额时，因为无力偿还全部贷款企业就会违约。这样还款的可能情况就与企业未来的资产价值有关(Merton，1974)。KMV模型的出发点就是：当公司的市场价值下降到一定水平以下，公司就会对它的债务违约。确定KMV公司EDF模型的步骤是：第一，计算出该公司股票的市场价值及股票波动值范围。第二，计算该公司的违约点，并根据公司的现有价值技术出预期价值。用上述两个价值及公司价值的波动性计算出一个指标，他表示违约距离是标准差的倍数。这里违约距离表示该公司的预期价值到违约点的距离。第三，根据该公司违约的历史记录确定违约距离与违约率间的映象。
二、中国金融市场违约预警模型设计流程和原理
借鉴KMV模型原理，根据国内金融市场和银行业发展现状，我们设计了能与中国征信系统中数据相衔接的违约预警模型。
建立违约模型时，我们应用多变量判别分析技术。多变量判别分析主要包括多元线性判别分析方法、非线性多元判别分析方法、Logistic回归方法。本文将分别应用上述方法来对样本数据进行建模，分析模型对违约样本的分类能力。
判别分析是在研究对象用某种方法已经分成若干类的情况下，判断新的观察数据(样品)属于已知类别中的哪一类的一种统计方法(张尧庭等，1991)。对于信贷监控模型中的贷款企业来说，我们把它们分成两类：违约和正常。然后根据样本建立贷款企业的指标与它们各自所属类别的一个关系(函数)，通过这个关系(函数)，我们可以计算违约强度，定量考察预期违约，从而对所有贷款企业和新的申请贷款企业进行排队和判断。本研究将应用上述方法来建模，分析模型对违约样本的分类能力。对于不同模型，我们将基于实证分析，根据训练样本判别精度，对模型择优选择。
建立违约预警模型实证分析的流程，见图1。
步骤1.按照行业，确定类别。建立分行业的违约(G1)和非违约(G2)企业数据库，根据G1和G2的样品数据资料获取数据特征，以便建立判断模型。
步骤2.确定指标范围。根据日常信贷管理经验、财务会计等专业的理论和实践知识，确定模型中的指标(变量)范围；根据国内外研究的有关经验，指标类型采用相对指标较好。
步骤3.运用逐步判别或距离判别的原理和方法，确定哪些指标应选入模型，哪些指标该去掉。逐步判别的理论基础是附加信息检验；采用“求解求逆紧凑变换法”将指标不断引入或剔除，前三步只能引入，以后各步既考虑剔除也考虑引入，直至既不能剔除也不能引入，即可建立判别函数。逐步判别还可以得到分类函数系数，可以对训练样本和检验样本进行回判。
图1 违约预警模型实证分析流程图
步骤4.总体均值差异性检验。如果两类(G1，G2)的均值有差异，说明这两个类可以区分，建立的判别模型有意义，则进行第5步。如果两类的均值没有显著性差异，说明区分这两个类没有意义，回到第2步。
步骤5.协差阵的差异性检验。假定两类的(理论)协差阵相等，这时得到的判别函数是线性的，否则是非线性的。此检验决定是用线性判别还是用非线性判别。如果没有显著性差异，则进行第6步；如果协差阵有显著性差异，则进行第7步。
步骤6.建立贝叶斯线性判别函数(贷款违约判别模型)。
W(X)=a+
bX(当协差阵无显著性差异时)然后，进行第8步。
步骤7.建立贝叶斯二次判别函数(贷款违约判别模型)：
W(X)=a+bX+XGX(当协差阵有显著性差异时)。
步骤8.确定“违约强度”(后验概率)计算公式，利用训练样本和其他方法估计误判概率。
建立贝叶斯后验概率公式时，只考虑样本属于违约的概率，即越接近0“违约强度”越低；越接近1“违约强度”越高。
两类误判损失C(J/I)不能同等对待，因为将违约误判不违约(用C(1/2)代表)的损失，要比将不违约误判违约(用C(2/1)代表)的损失大，取C(1/2)大于C(2/1)(可2-4倍)。
步骤9.对待判样本进行判别，并计算“违约强度”，将待判样本按“违约强度”从大到小排序，从而决定银行信贷管理的重点对象，将判别结果和估测结果提供给信贷部门，作为确定重点管理对象的参考和依据。
三、样本和指标的选取
(一)样本选择。本研究选择的建模样本是2000-2002年中国XX银行的195家贷款企业，样本中包括企业每年的财务数据及其评级。使用的检验样本是XX银行、等1999-2001年150家贷款企业每年的财务数据及其评级，企业均为贷款数额过亿元的大型企业。
由于银行贷款违约数据的界定非常困难，因此，在本研究中，将企业信用评级中的C、CC、和CCC三级看做是出现违约信号的企业(意味着今后违约可能性很大)，归为分类1，而CCC级以上的评级为无违约预警信号的企业，归为0类。经过重新分类以后，去除有缺失记录的企业，用于建模的样本共有105个企业，其中出现违约信号的企业有29个，无违约信号的企业76个。在检验样本中，出现违约信号的企业有13个，无违约信号的企业77个。
从理论上讲，我们应该根据不同的行业分别建立相应的判别模型。但实际上，由于贷款企业样本数据获取的困难性，使得样本的数量达不到根据行业分类建模的要求。因此，在本文中，不考虑行业因素。
(二)指标的选择
根据人民银行XX分行开展工业企业信用评级有关经验，我们挑选了如下的18个指标，分别反映企业的财务结构、偿债能力、经营能力和经营效益四个方面，见表1。
对于指标的选取，不同的专家学者采用了很多不同的方法，陈少杰(2002)，谭诤(2003)使用变量聚类的方法，Altman(1968，1977)等利用逐步判别的方法来选取关键变量。本文在综合考虑各种变量筛选方法的基础上，选用逐步判别的方法。
四、实证分析过程
(一)逐步判别的实证分析。逐步判别技术已经在商业化的统计软件中存在，因此，本文利用SAS软件的STEPDISC过程来进行变量的筛选，得到表2中的6个变量。
从财务理论的角度看，上述6个变量覆盖了企业的财务结构、偿债能力、经营能力和经营效益4个方面，因而具有较强的代表性。下面对这6个变量逐一详细解释。
固定资产净值率：该指标由固定资产净值÷固定资产原值得到，反映的是企业固定资产的新旧程度和生产能力，该指标对于工业企业生产能力的评价有着重要的意义。
资本固定化比率：(资产总额—流动资产)÷所有者权益，表示长期资产占自有资本的比重，反映公司自有资本的固定化程度。该指标值越低，表明公司自有资本用于长期资产的数额相对较少；反之，则表明公司自有资金用于长期资本的数额相对较多，公司日常经营所需资金需要靠借款筹集。
流动比率：流动资产总额÷流动负债总额。该指标主要用来反映企业偿还债务的能力。就总体而言，过高的流动比率主要反映了企业的资金没有得到充分利用，而该比率过低，则说明企业偿债的安全性较弱。
担保比率：年末未清担保余额÷所有者权益。
营业利润率：营业利润÷主营业务收入，该指标用于衡量企业主营业务收入的净获利能力。
总资产报酬率(利润总额+利息支出)÷[(期初总资产余额+期末总资产余额)÷2]，它是反映企业综合利用效果的指标，也是衡量企业利用债权人和所有者权益总额所取得盈利的重要指标。
(二)母体差异性检验。样本均值检验的实证分析。进一步分析之前，需要检验两个总体之间是否存在明显差别。样本数据中，变量的个数为6，我们采用t统计量。数据的基本统计量见表3。
从表3中可以看出，除了R3(固定资产净值率)和R10(营业利润率)以外，其他变量都在非违约和违约两个组里面99％的水平上显著不相同。其中R10在85％的水平上显著，R3在75％的水平上显著。另外，在样本数据中，变量的个数为6，我们也采用T[2]统计量进行检验。T[2]的值经计算为6210.948，自由度为(6，103)，相伴概率为0.0000，所以没有足够的理由认为原假设成立，因此，拒绝原假设，即，对于有违约预警信号和无违约预警信号的上述6个指标的总体均值存在着显著的差异。
(三)协方差检验的实证分析。利用SAS软件计算了上述的卡方统计量，得到的结果是：卡方值为418.08，自由度为21，相伴概率小于0.0001。这说明了有足够的理由拒绝两个总体之间协方差相等这个原假设。也就是说，归为违约和不违约的两类财务指标的协方差是不等的。因此，要使用线性判别，必须使用合并协方差或者使用非线性判别模型，比如利用二次判别模型。
由上面的协方差检验可以看出，违约和不违约的协方差是不相等的。因此，在运用线性判别模型时，使用合并协方差来进行建模。我们先使用后验概率的判别准则来进行贝叶斯判别。使用SAS软件，利用DISCRIM过程，输入上面筛选出来的变量，得到如下的模型参数，见表4。
广义平方距离函数的公式为：
模型的判别准确性如表5所示。
从训练样本看，违约与非违约的判别效果都比较好，从非违约到违约的误判概率为7.89％，从违约到非违约的误判概率为6.90％。总体的误判概率为7.30％。见表6。
另外，我们还用以上模型对另一个检验样本进行了检验，结果见表7。
从检验的结果看，违约与非违约的判别效果还可以，从非违约到违约的误判概率为10.39％，从违约到非违约的误判概率为30.77％。总体的误判概率为22.62％。见表8。
我们仍然利用先前逐步判别所筛选的变量进行二次判别分析，使用的先验概率为0.05和0.95，结果见表9。
总体的误判概率为0.46％，见表10。
把模型对检验样本进行检验，结果见表11。从检验效果看，与线性判别的效果基本上差不多。
(四)多元判别分析小结。从上述的实证分析，可以看出无论是线性判别还是二次判别，对样本的判别能力都得到了较好的结果。现在我们可以根据线性判别的后验概率来计算每个企业的违约强度。在违约强度的计算过程中，对于将违约企业误判为非违约企业的后验概率，我们乘以系数4，作为对该类误判的惩罚。
Logistic回归实证分析。对于违约与非违约的设置，如前面多元判别分析一样。利用SAS软件，调用LogisticC过程，应用逐步回归的方法，筛选出了回归系数显著的自变量及其参数估计。
采用最大似然估计，得到入选的自变量及其参数估计(显著水平90％)，见表12。
从上面入选的变量可以看出，5个变量中有4个变量与入选多元判别分析模型的变量相同，只有变量r9(主营收入现金率)是新选入的。
根据上面的参数，我们可以建立如下的模型：
为了判断模型拟合得是否良好，我们使用-2*最大似然估计对数统计量(-2loglikelihood)和得分统计量来进行检验，检验结果是见表13。
从检验结果看，两个统计量都显著，说明模型拟合得较好。
根据Logit函数的定义，我们可以知道，当logit(p)＞0时，p大于0.5，否则，p小于0.5。因此，可以将样本数据代入上面的模型，并计算Logit(p)的值，再根据p=0.5进行分类，当p＞0.5时，归入1(违约)，当p＜0.5，归入0(非违约)。可以得到对样本数据的判别，见表14，从中可以看出，Logistic回归对建模样本的分类能力还是很强的。
五、结论与建议
KMV模型以莫顿原理为基础，利用资本市场信息计算公司股票的市场价值及股票波动值范围，并算出违约点，以此为标准测算公司的预期违约频率(EDF)，适用于对某一个体违约风险的事前监测。本研究借鉴KMV模型，立足中国国情，以实证方法建立了贷款违约预警模型。鉴于国内资本市场尚不发达，本研究利用银行信贷信息登记系统违约等有关数据，建立由判别函数和违约强度共同构成的企业违约模型，预测违约可能性大的贷款企业。
贷款违约预警模型是一个事前的违约预警模型。建立模型时应用了多变量判别分析技术，即分别运用多元线性判别分析方法、非线性多元判别分析方法、Logistic回归方法对样本数据进行建模，分析模型对贷款违约样本的分类能力。我们把被监控的贷款企业分成两类：违约和正常，然后根据样本建立贷款企业的指标与它们各自所属类别的一个关系(函数)，通过这个关系(函数)计算出违约强度，定量考察预期违约率，达到对所有贷款企业和新的申请贷款企业进行排队和判断的目的。我们发现，在整个样本数据的判别中，Logistic回归的判别能力没有多元判别分析能力强。多元判别分析从实证的角度看，取得了较好的效果，误判率较低。同时也应注意到上述实证分析还存在一定的缺陷，如在选择样本数据时，只考虑了当年的评级数据，未考虑各年之间评级数据之间的关系，这可能会在一定程度上影响到模型的实效性。
标签：实证分析论文; 金融论文; 判别分析论文; 违约概率论文; 概率计算论文; 能力模型论文; 企业贷款论文; 模型公司论文;