KMV模型在中国互联网金融中的信用风险测算研究，本文主要内容关键词为：中国互联网论文,模型论文,信用风险论文,金融论文,KMV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。
一、引言
互联网金融是近期各大媒体上出现频率最高的名词之一，平安陆金所、阿里小贷逐渐进入了普罗大众的视野，随着支付宝推出“余额宝”的争议愈演愈烈，苏宁、腾讯、京东都开始申请民营银行渠道，让人感觉一夜之间似乎所有的电商都恨不得去做银行业务，在金融市场上分一杯羹。在这个一拥而上的风潮之中，各大银行、电商要想规避行业泡沫在大浪淘沙中生存和发展，还是离不开金融的本质，即经营风险，其中对信用风险的监控更是信贷类业务的重中之重。所不同的是互联网金融中对信用风险的测算要求的是形成高度规范化、程序化的一套体系，在这个过程中，原本已经得到广泛应用的信用风险度量(KMV)模型随之迎来了新挑战——是否能在互联网金融这一新型态下发挥作用?本文以上市公司的数据为基础，研究了在互联网背景下，利用KMV模型测算拟授信企业信用风险的可行性。
互联网金融，顾名思义是传统金融行业与互联网相结合的新兴领域。从广义上讲，具备互联网精神的金融业态统称为互联网金融。理论上任何涉及到广义金融的互联网应用，都应该是互联网金融，包括但不限于第三方支付、在线理财产品销售、信用评价审核、金融中介、金融电子商务等模式。从狭义的金融角度来看，互联网金融则应该定义在货币的信用化流通相关层面，也就是资金融通依托互联网来实现的方式方法都可以称为互联网金融[1]。
中国现阶段的互联网金融更为准确的应该被称为金融的互联网化阶段，互联网本质还是工具，其最终的核心点还是金融属性。从交易额来看，现阶段中国较大规模的电子商务公司不是阿里巴巴或淘宝网，而是中国银联、中国证券交易所(包括上海证券交易所、深圳证券交易所)和工商银行，它们在2012年的交易额分别是21.8万亿元、31万亿元和330万亿元[2]。在这样的大背景下，现阶段的互联网金融体系中信用风险管理的重要性不言而喻。
现阶段中国的互联网金融，一个突出的金融属性模式是电商供应链模式，以敦煌网和建行、金银岛与中行的合作为代表。电商企业为银行提供了便捷的信息流监管方案加上部分电商平台提供的第三方担保，使得金融机构通过数据分析可以批量进行客户分析、评估与放贷，将原来的散单业务变成了批量业务。在这个模式之中，科学的进行数据分析，特别是对拟授信企业进行信用风险分析成了关键环节。随着互联网金融的发展，未来的电商绝不再是简单的银行和金融机构的平台，而是以直接融资为主，间接融资为辅，实现点对点(P2P)的技术特征，实现真正意义上的众筹模式，真正实现资源的最优配置。目前，美国的直接融资占社会融资的比率是60％～70％，中国只有20％，未来互联网金融的发展空间巨大，并且将通过集成信用、行为分析等技术手段，最终实现建立在数据挖掘与分析上的直接线上交易[2]。
因此，无论是互联网金融的过去、现在或未来，永远离不开的是对信用风险的综合性线上评估，而且随着互联网金融的发展，对信用风险的集成性分析将越来越重要，随着历史数据的积累必然会形成自己独特的数据库与测算模式。所以，研究KMV模型这一在传统金融模式中被广泛应用的信用风险评估模型，在互联网金融这一新体系下的适用性，具有十分现实的实用性意义。
KMV模型是美国著名的风险管理公司KMV公司(已被穆迪投资管理公司收购)于1993年基于公司理财和期权理论，利用布莱克-斯科尔斯-莫顿模型(BSM，Black-Scholes-Merton Model)开发出来的一种资产组合风险管理模型[3]。该模型利用企业股权的市场价值及其波动率、企业负债的到期时间、账面价值和无风险利率等数据，以期权定价理论为基础，对企业资产的市场价值、资产价值的波动性进行估计，并据此算出企业的预期违约率(EDF，expected default frequency)[4]。
KMV模型认为，在企业负债给定的情况下，接受受信企业贷款所带来的信用风险主要是由该债务人资产的市场价值所决定。由于企业资产并没有真正在市场中进行交易，其资产的市场价值没办法直接得到[5]。基于此，KMV模型将银行的贷款问题转化从企业债务人角度来考虑其归还问题：当企业的债务到期时，若公司的债务值(设定为企业贷款的违约点)低于公司目前资产的市场价值，此时公司股权价值为公司债务与资产市场价值之间的差值；反之，当公司的资产价值低于公司债务值时，公司即使变卖全部资产也不足以偿还所有债务，此时公司的股权价值为零[6]。
在KMV模型对企业的信用风险测度中，违约概率的测算能够充分提取股票市场价格和资产负债表中所包含的公司信用变化状况[7]。企业股权的市场价值与资产的市场价值之间存在结构性关系，因此可以利用股权和股权的波动性来估计资产的价值及其波动性，进而可以得到预期违约率，即与该公司进行信用交易所面临的信用风险。因而可以利用资产负债表中反映的资本结构、股票市场反映的资产收益波动性和当前资产价值的函数对违约率进行表示。而不同企业之间的资本结构或收益波动性或资产价值往往可能存在着一些差异，因此它们计算出来的预期违约概率也会有所差异[8]。
KMV模型在国外上市公司信用风险评估中得到了广泛的应用，并且已经取得良好的效果。与同类模型比较，KMV在中国的应用主要有三大优势：不要求有效市场假设，在像我国这样的弱有效市场预测效果较好；数据获取相对容易；KMV模型对财务指标的依赖仅限于债务的账面价值，从而在一定程度上缓解了我国普遍存在会计信息失真的影响[9]。近年来，国内学者对KMV模型能否应用于我国上市公司信用风险的评估这一问题做了许多有益的探索，并得出了积极的答案。各大商业银行更是积极完善全面风险管理系统，不断引入一系列已经在西方风险管理系统成熟运用的模型，以进一步提高风险管理的科学性与准确性，其中KMV模型以其独特的优势备受青睐。但是，KMV模型是否适用于中国现阶段互联网金融中的信用风险管理，还有待进一步的验证与讨论。为了数据的真实性与可靠性，本文利用了真实的中国资本市场数据——2009年全年18支ST与NST股票作为测算研究样本，真实和完整地模拟了应用KMV模型测算拟授信对象信用风险状况的全过程，求出相应变量，并对测算结果进行检验分析，从而对KMV模型在中国互联网金融的应用作进一步探讨。
二、数据采集与已知参数的设定
为了使数据尽量真实可靠，采用了上市公司数据，按照上市公司股票价格波动范围，筛选出18只ST公司和NST公司的股票作为样本(见表1)，真实模拟测算样本公司信用状况，求解出样本公司股票的日收益率及年波动率。
根据KMV模型的计算方法，结合中国的国情，在选择配对的NST公司时，应考虑样本公司间的信息可比性，同时应最大限度地避免行业之间的差异，与公司规模干扰测算结论的可能性。鉴于以上考量，选择配对公司与收集数据时主要考虑以下六点要素：
(1)NST公司应与配对的ST公司股票在同一个证券交易所交易。
(2)NST公司应与配对的ST公司主营业务情况属于同一个或相近行业。
(3)收集国内的数据的渠道主要是相关股票行情、证券公司网站，例如，雅虎财经、大智慧、证券之星、华泰软件等。本文选取的18家样本上市公司的财务数据与市场数据，均取自证券之星网站上公布的上市公司财务数据库以及各样本上市公司的年度财务报告。
(4)样本选取区间为2009年1月1日至2009年12月31日，利用这期间的样本公司每日股票收盘价，来计算估计股票波动率。
(5)样本公司数据采集的时间跨度T为1整年，也就是说，通过违约距离公式，求解1年期的违约距离。
(6)模型计算需要无风险收益率数值，但是由于中国资本市场不健全，缺乏有效的无风险收益率数据，因此本文参考人民银行规定的一年期整存整取的存款利率2.25％，以此作为本文的无风险利率。
三、信用风险测算过程
随着巴塞尔协议的不断改革和完善，KMV模型在西方银行界已经获得了高度的认可和广泛的应用，中国的各大银行也在不断尝试和完善KMV模型在本土的应用。KMV作为信用风险评估模型，正好适应了互联网金融对金融服务的标准化、流程化程度要求较高的特点，本文分步模拟了整个风险测算的过程，对建立互联网金融信用风险管理体系的探索过程有十分现实的意义。
1.公司资产价值(
)和资产价值波动性(
)的测算[10]
KMV模型的求解公式为
其中，为的波动率；债务期限T=1(在实际计算中一般设为1年)；公司股权价值为E；负债为D；无风险利率为r。
运用Matlab语言对此方程组进行求解。求解过程所用的方法为二分法。和的测算结果见表2。
2.测算违约距离(DD)
出于计算的考虑，本文以2009年上证指数的增长率数值作为所有公司的资产增长率近似估计值。1月5日是2009年第一个交易日，当时上证指数为1880.7232点；12月31日为当年最后一个交易日，上证指数为3277.1400点，以此计算公司资产价值的预期增长率为
即可求得DD和EDF。各公司的DD和EDF见表3。
四、测算结果的检验分析
本文运用统计软件SPSS对选定样本公司数据进行处理。分别对上述计算出数值的、DD及EDF进行描述性统计、独立样本T检验、方差F检验，结果如表4和表5所示。本文需要进一步探究、DD和EDF之间的相关关系，所以分别运用Spearman相关检验方法对和DD、以及和EDF进行检验，结果如表4和表5所示。
通过检验分析可以得出，样本中与配对的NST公司相比，ST公司的显著更高；在未来一年内，样本中ST公司的DD显著小于配对的NST公司；在未来一年内，样本中ST公司的预期违约率DD显著大于与之配对的NST公司；样本中，上市公司的与该公司的DD显著相关(见表6)，且呈负相关关系；上市公司的资产价值波动率与该公司的预期违约率EDF显著相关(见表7)，且呈正相关关系。
利用表4，可以计算ST公司EDF的置信上限为0.01389148；NST公司的置信下限为0.015959929(置信度为0.05)。当EDF＞0.015959929时，企业处于财务危机区域；当EDF＜0.01389148时，企业处于财务安全区域；当0.015959929＞EDF＞0.01389148，企业处在灰色区域内，企业应进行更深度的财务分析与鉴别，才能确保其财务安全。
根据计算出来的临界值，对18家样本企业进行回判，结果表明，处于财务危机区域的样本公司为9家，其中ST公司有6家，正确判断率为66.67％；判断处于财务安全区域的公司为9家，其中NST公司有6家，正确判断率为66.67％；由于样本选取数较少，所以正确判断率不够高；增大样本选取数，更能说明EDF可以区分ST公司和NST公司[11]。
五、结束语
本文以KMV模型在信贷类互联网金融信用风险分析中的测算研究为主线，在分析KMV模型的基本思想、理论架构、模型计量检验等步骤的基础上，讨论利用KMV模型测算信用风险的过程，通过对结果的检验分析，证明了在现阶段的中国互联网金融的环境下，模型能够很好地区分ST与NST公司，并能有效计算出DD和EDF这些信用风险评估过程中的关键性数据指标，从而证明了运用KMV模型评估现阶段中国互联网金融同中的信用风险具有一定的可行性。
电商涉足金融领域开启了互联网金融这一金融的新时代，必然对传统金融行业造成一定的冲击，各大金融机构也逐渐意识到这一新兴金融服务形式的巨大潜力，纷纷推出自己的网络金融服务产品，力图抢占先机。不可否认，互联网确实帮助金融机构解决了市场中存在的部分“信息不对称”问题，但作为一种对标准化、流程化程度要求较高的服务模式，没有大体量资金、客户、渠道基础的互联网金融服务供应商将很难生存，毕竟金融行业在解决“信息不对称”问题之外，更重要的乃是“经营风险”，尤其是在高风险、高回报的信贷类业务中对信用风险的把控。放眼互联网金融的现状，互联网金融的核心仍是“金融”，而非传统的互联网套利模式，在互联网之外那些不易看到的金融运行规则及机制，才是发展互联网金融的核心要义。
将目光放长远一些，本文所做的研究是过渡性的，为将来的中国互联网金融利用KMV模型，建立一套高度规范化、流程化的信用风险评估体系梳理研究思路。KMV模型本身也存在许多局限，任何模型都是以一系列的假设为基础，比如KMV模型所假设的“资产价值收益服从正态分布”等，为模型预测的准确性带来一定的影响[12]。但是中国的金融机构可以利用互联网金融这一契机，不断提高模型在测算时的准确性，如利用互联网金融易于系统性保留大量历史数据的特点，建立详细的违约破产数据库，构建中国的违约距离与预期违约概率的映射关系[13]。借鉴KMV公司运用模型进行测算的成功经验，该公司基于十几年的违约数据库，建立了较为完善的DD和EDF的之间映射关系，大大提高了模型在测算应用中的准确性。在中国由于历史原因造成违约数据库迟迟没有建立，各银行之间没有共享客户信息，导致信用质量较差的客户在多个商业银行发生信用违约行为。因此，在中国互联网金融背景下，如何更科学地利用KMV模型，在线上批量地对企业的信用风险进行测算评估，以及如何检验或修正KMV模型的假设条件，使其更符合中国互联网金融的实际情况，是未来研究的方向所在。