我国商业银行信用风险度量研究

邹彬

摘 要：该文将KMV模型与我国国情相结合，在现有研究成果的基础上对模型加以修正，利用修正之后的模型对沪深两市24家上市公司的信用风险进行验证分析，结果表明，修正之后的KMV模型能够在上市公司违约前预测出其信用质量的急剧下降，能够清晰地观察出其信用质量的动态变化趋势，能够较好地预测出信用风险的变化。

关键词：信用风险 KMV模型 违约距离 违约概率

中图分类号：F832 文献标识码：A 文章编号：1674-098X（2014）01（b）-0001-04

Abstract： In this paper， the KMV model combined with our national situation，On the basis of existing research results on the model is modified，By using the revised model of credit risk on the 24 listing Corporation in Shanghai and Shenzhen two city validation analysis，The results show that，The modified KMV model can be in after listing Corporation before defaultforecast sharply its credit quality，Can clearly observe the dynamic changing trend of its credit quality，can well predict credit risk.

Key words：credit risk；KMV Model；distance to default；default frequency

随着金融改革的政策出台，预示着我国全面性的金融改革步伐已在各项政策中悄然加速。股票市场制度变革是整体金融改革的核心，改革必将加速我国股市的不断成熟和完善，这使得商业银行对基于股票市场的信用风险管理工具更具可行性，其中最著名的是KMV模型。

1 KMV模型基本理论

KMV模型（又称为预期违约率模型）是由KMV公司的三个创始人（Kealhoferh、McQuown、Vasicek）的第一个字母命名，该模型以莫顿的期权定价理论作为理论基础，它将公司股票价值具有期权特征的思想应用到公司信用风险的评估中。该模型把公司权益和债务看作期权，而把公司资本作为标的资产，把公司所有者权益看作看涨期权，负债看作看跌期权，如果负债到期时公司资产市场价值高于其负债，公司便会执行买权偿还债务；当公司资产市场价值小于其债务时，公司则会执行卖权选择违约。在信用分析时，主要分析买权可能违约的概率。KMV模型假设市场利率和总体经济是可以预测的，当公司资产价值低于某个临界点时违约就会发生，这个临界点就被定义为违约点，通过违约点与违约概率的映射关系来规避预知风险。

2 KMV模型修正与验证分析

2.1 样本选取

本文选取2011年沪深两市六大行业24家上市公司，其中每个行业分别选取2家被ST的上市公司以及与之匹配的2家非ST的公司作为研究样本。根据《上市规则》：最近两个会计年度的审计结果显示的净利润均为负值，每股净资产低于股票面值或连续两个会计年度亏损的上市公司将被特别处理，视为ST处理。如果公司未来一年继续亏损，公司股票将被暂停上市交易，最终可能被终止其公司股票上市交易。样本（见表1）的财务数据和市场数据来自和讯网和腾讯网数据库。

2.2 参数确定

根据我国证券市场的特殊性以及近些年我国在KMV模型研究成果，本文对KMV模型中的参数做了适当调整。

2.3 验证结果及其分析

（1）验证结果。根据上市公司的市场数据和财务数据确定出公司的股权价值、

股权价值的波动率和违约点，然后使用matlab编程联立（1）和（4）求解可以求得公司资产的市值及其波动率，从而可以根据（5）计算求得公司的违约距离，运算结果见表2。

（2）结果分析。

①模型较好的识别出了同行业之间非ST公司与ST公司信用风险的差异，从总体上也可以看出非ST公司的均值较ST公司的大，非ST公司的违约距离比ST公司高。

②违约距离是一个序数值，从理论上来说，其值越大偏离违约点就越远，违约的概率也就越小，反之违约的可能性就越大，事实上从图1也明显可以看出非ST公司的违约距离比ST公司的违约距离大，这表明违约距离对于企业的信用状况有较好的反映。

③股票价格的波动率略大于资产价值的波动率。

3 KMV模型的有效性检验

为了检测修正之后的KMV模型对信用风险预测的有效性，本文主要从2个方面去检验。一是采取通过T检验来验证非ST公司与ST公司之间违约距离差异的显著性，二是检验修正之后的KMV模型的预测能力的有效性。

3.1 显著性检验

为了检验非ST公司与ST公司两样本间违约距离差异的显著性，本文采用T检验来对两样本均值是否具有显著性差异进行推断，检验结果如表3所示。

从表3可以看出，两组样本的均差为0.9583，这表明整体而言，ST公司比非ST公司的违约距离要近很多，也就是说风险要大很多。根据自由度df=n-1=11时，查t值表，，

由于实际计算出来的t=6.8>3.106，则P<0.01，故ST公司与非ST公司的违约距离均值通过了T检验，表明两组样本违约距离均值的差异非常显著。

3.2 预测能力检验

深圳市国际企业股份有限公司是房地产行业的一家公司，于1995年10月30日在深圳证券交易所上市，总股本2.21亿股，流通股为1.19亿股。截止2011年12月31日总负债19.07亿元，2010年度、2011年度连续两年经审计的年度净利润为负数，于2012年4月20日停牌一天，自2012年4月23日起实行退市风险警示的特别处理，股票简称变更为“ST国商”。通过KMV模型方法得出的违约距离并结合理论EDF算法计算出违约概率对该公司前2年的信用状况进行分析，其信用质量变化如图1所示。

由图1可以看出该公司的违约概率在2010年初逐渐上升，在2011年中由于股票利好消息违约概率有小幅回升，但之后违约概率急剧上升，可以看出在被ST处理前的10个月预测出了ST国商信用质量的恶化。

彩虹显示器件股份有限公司是我国显示器件的龙头企业之一，公司于1996年5月在上海证券交易所上市，名称为：彩虹股份。公司总股本为7.36亿，截止2011年12月31日总负债47.16亿元，2011年度、2012年度连续两年经审计的年度净利润为负数，2013年4月1日公司股票被实行“退市风险警示”股票名称由彩虹股份变更为“ST彩虹”。通过KMV模型方法得出的违约距离并结合理论EDF算法计算出违约概率对该公司3年的信用状况进行分析，其信用质量变化如图2所示。

由图2可以看出2011年12月份违约概率急剧上升，在15个月之前很好的预测出了ST彩虹的信用质量变化。

从以上结论可以看出，通过KMV模型计算出的违约概率可以在企业出现风险前1年左右很好的预测出信用质量的变化，商业银行可以参考这种方式来监控企业的信用质量动态的变化，商业银行可以根据此方式来对信贷业务审核做出相应的决策。

4 结论及政策建议

本文研究结果表明修正之后的KMV模型对于信用风险有着很好的预测能力，违约距离可以反映出企业的信用质量，违约距离越大信用质量越高，反之则越低。违约距离可以作为银行监控上市公司贷款的预警指标，为及时发现风险从而规避或消除风险提供有利的策略参考。

但要使KMV模型在我国商业银行信用风险管理中得到广泛应用，还需要加强以下三点。

4.1 加快建立信用数据库

由于我国商业银行间不共享客户信息，这就造成同一客户的信用风险可能在不同商业银行发生，信用数据库相关数据累积较少，而KMV模型需要大量的违约数据去构建违约距离（DD）和违约概率（EDF）之间的函数映射关系。为此，我国商业银行应尽快建立和完善客户信用数据库，构建出我国违约距离和违约概率之间的函数映射关系，为广泛采用KMV模型进行信用风险分析提供数据支撑。

4.2 加强缓释技术对信用风险的作用

长期以来，人们对信用风险的研究主要在于交易对手的违约概率的大小，而违约概率仅代表违约的可能性，在实际应用中商业银行要全面的把控信用风险还应该借助信用风险缓释技术，通过信用风险度量工具与缓释技术交叉结合的方式来规避或消除风险。商业银行在面对多家企业融资时，在得出交易对手的违约概率之后，可以根据违约数据库设定一个违约概率的临界点，在违约概率合理范围之内的企业可以通过企业之间的违约概率大小和企业提供信用风险缓释技术（如：抵押、担保）综合分析来决策。通过这种方式一方面减少了商业银行的风险，另一方面还让更多企业获得了融资的机会，降低了融资的门槛。

4.3 进一步完善市场监督体制

KMV模型的输入数据来自于上市公司的年度报表以及日间动态的股权信息，只有确保了财务数据的真实性、准确性，KMV模型才能真实的反映上市公司的信用状况。因此监管部门需加大市场监督力度，完善我国上市公司的治理结构，防止公司披露虚假的财务信息，同时上市公司也必须按照规章操作，公司公布的数据必须真实、准确，只有这样KMV模型的输出数据才准确，才能发挥它动态预测信用风险的能力。

参考文献

[1] Merton，RoberC，On the pricing of Corporate Debt：The Risk structure of Interest Rstes[J].The Joumal of Finance，1974，29（2）：449-470.

[2] KMV Corporation：Credit Monitor Overview，1993.

[3] Andrew John，McQuown：A Comment on Market vs.Acc ounting-BasedMeasures of Default Risk.SANFRA NCISCO，KMV，LLC，1993.

[4] C.Michel，G.Dan and M.Robert.A Comparative Analysis of Current CreditRist Models[J].Journal of Banking and Finance，2000（24）：59-117.

[5] Oldrich Alfons Vasicek，EDF（tm） Credit Measure and Corporate Bond Pricing.2001.

[6] Matthew Kurbat，Irina Korablev.Methodology for Testing the Level of the EDF Credit Measure.2003.

[7] Jeffrey Bohn，Navneet Arora.Irina Korablev Power and LevelValidation of the EDF creditmeasure in the USMarket.KMVCorporation，2005：14.

[8] Peter Crosbie，Jeffrey Bohn，Modeling Default Risk.American Banker，2003.

[9] 鲁炜，赵恒珩，方兆本，等.KMV模型在公司价值评估中的应用[J].管理科学，2003（3）：30-33.

[10] 刘宇新，魏灿秋.EDF模型度量信用衍生工具的信用风险研究[J].四川大学学报（自然科学版），2003（4）：65-69.

[11] 李杨，刘华，余维彬.银行信贷风险管理[M].经济管理出版社，2003.

[12] 汪其昌.银行信贷信用风险分析和度量[M].上海社会科学院出版社，2005.

[13] 翟东升，张娟.KMV模型在上市公司信用风险管理中的应用[J].工业技术经济，2007（1）.

[14] 唐春阳.KMV模型在商业银行信用风险管理中的应用[J].财会研究，2006（2）.

[15] 张智梅.KMV模型的改进及对上市公司信用风险的度量[J].统计与决策，2006（18）.

[16] 周子元，杨永生.用违约距离判别信用风险：一个实证研究[J].审计与经济研究，2007（2）.

[17] 夏红芳.商业银行信用风险度量与管理研究[M].浙江大学出版社，2009.

[18] 李磊宁，张凯.KMV模型的修正及在我国上市公司信用风险度量中的应用[J].首都经济贸易大学学报，2007（4）.

由图1可以看出该公司的违约概率在2010年初逐渐上升，在2011年中由于股票利好消息违约概率有小幅回升，但之后违约概率急剧上升，可以看出在被ST处理前的10个月预测出了ST国商信用质量的恶化。

彩虹显示器件股份有限公司是我国显示器件的龙头企业之一，公司于1996年5月在上海证券交易所上市，名称为：彩虹股份。公司总股本为7.36亿，截止2011年12月31日总负债47.16亿元，2011年度、2012年度连续两年经审计的年度净利润为负数，2013年4月1日公司股票被实行“退市风险警示”股票名称由彩虹股份变更为“ST彩虹”。通过KMV模型方法得出的违约距离并结合理论EDF算法计算出违约概率对该公司3年的信用状况进行分析，其信用质量变化如图2所示。

由图2可以看出2011年12月份违约概率急剧上升，在15个月之前很好的预测出了ST彩虹的信用质量变化。

从以上结论可以看出，通过KMV模型计算出的违约概率可以在企业出现风险前1年左右很好的预测出信用质量的变化，商业银行可以参考这种方式来监控企业的信用质量动态的变化，商业银行可以根据此方式来对信贷业务审核做出相应的决策。

4 结论及政策建议

本文研究结果表明修正之后的KMV模型对于信用风险有着很好的预测能力，违约距离可以反映出企业的信用质量，违约距离越大信用质量越高，反之则越低。违约距离可以作为银行监控上市公司贷款的预警指标，为及时发现风险从而规避或消除风险提供有利的策略参考。

但要使KMV模型在我国商业银行信用风险管理中得到广泛应用，还需要加强以下三点。

4.1 加快建立信用数据库

由于我国商业银行间不共享客户信息，这就造成同一客户的信用风险可能在不同商业银行发生，信用数据库相关数据累积较少，而KMV模型需要大量的违约数据去构建违约距离（DD）和违约概率（EDF）之间的函数映射关系。为此，我国商业银行应尽快建立和完善客户信用数据库，构建出我国违约距离和违约概率之间的函数映射关系，为广泛采用KMV模型进行信用风险分析提供数据支撑。

4.2 加强缓释技术对信用风险的作用

长期以来，人们对信用风险的研究主要在于交易对手的违约概率的大小，而违约概率仅代表违约的可能性，在实际应用中商业银行要全面的把控信用风险还应该借助信用风险缓释技术，通过信用风险度量工具与缓释技术交叉结合的方式来规避或消除风险。商业银行在面对多家企业融资时，在得出交易对手的违约概率之后，可以根据违约数据库设定一个违约概率的临界点，在违约概率合理范围之内的企业可以通过企业之间的违约概率大小和企业提供信用风险缓释技术（如：抵押、担保）综合分析来决策。通过这种方式一方面减少了商业银行的风险，另一方面还让更多企业获得了融资的机会，降低了融资的门槛。

4.3 进一步完善市场监督体制

KMV模型的输入数据来自于上市公司的年度报表以及日间动态的股权信息，只有确保了财务数据的真实性、准确性，KMV模型才能真实的反映上市公司的信用状况。因此监管部门需加大市场监督力度，完善我国上市公司的治理结构，防止公司披露虚假的财务信息，同时上市公司也必须按照规章操作，公司公布的数据必须真实、准确，只有这样KMV模型的输出数据才准确，才能发挥它动态预测信用风险的能力。

参考文献

[1] Merton，RoberC，On the pricing of Corporate Debt：The Risk structure of Interest Rstes[J].The Joumal of Finance，1974，29（2）：449-470.

[2] KMV Corporation：Credit Monitor Overview，1993.

[3] Andrew John，McQuown：A Comment on Market vs.Acc ounting-BasedMeasures of Default Risk.SANFRA NCISCO，KMV，LLC，1993.

[4] C.Michel，G.Dan and M.Robert.A Comparative Analysis of Current CreditRist Models[J].Journal of Banking and Finance，2000（24）：59-117.

[5] Oldrich Alfons Vasicek，EDF（tm） Credit Measure and Corporate Bond Pricing.2001.

[6] Matthew Kurbat，Irina Korablev.Methodology for Testing the Level of the EDF Credit Measure.2003.

[7] Jeffrey Bohn，Navneet Arora.Irina Korablev Power and LevelValidation of the EDF creditmeasure in the USMarket.KMVCorporation，2005：14.

[8] Peter Crosbie，Jeffrey Bohn，Modeling Default Risk.American Banker，2003.

[9] 鲁炜，赵恒珩，方兆本，等.KMV模型在公司价值评估中的应用[J].管理科学，2003（3）：30-33.

[10] 刘宇新，魏灿秋.EDF模型度量信用衍生工具的信用风险研究[J].四川大学学报（自然科学版），2003（4）：65-69.

[11] 李杨，刘华，余维彬.银行信贷风险管理[M].经济管理出版社，2003.

[12] 汪其昌.银行信贷信用风险分析和度量[M].上海社会科学院出版社，2005.

[13] 翟东升，张娟.KMV模型在上市公司信用风险管理中的应用[J].工业技术经济，2007（1）.

[14] 唐春阳.KMV模型在商业银行信用风险管理中的应用[J].财会研究，2006（2）.

[15] 张智梅.KMV模型的改进及对上市公司信用风险的度量[J].统计与决策，2006（18）.

[16] 周子元，杨永生.用违约距离判别信用风险：一个实证研究[J].审计与经济研究，2007（2）.

[17] 夏红芳.商业银行信用风险度量与管理研究[M].浙江大学出版社，2009.

[18] 李磊宁，张凯.KMV模型的修正及在我国上市公司信用风险度量中的应用[J].首都经济贸易大学学报，2007（4）.

由图1可以看出该公司的违约概率在2010年初逐渐上升，在2011年中由于股票利好消息违约概率有小幅回升，但之后违约概率急剧上升，可以看出在被ST处理前的10个月预测出了ST国商信用质量的恶化。

彩虹显示器件股份有限公司是我国显示器件的龙头企业之一，公司于1996年5月在上海证券交易所上市，名称为：彩虹股份。公司总股本为7.36亿，截止2011年12月31日总负债47.16亿元，2011年度、2012年度连续两年经审计的年度净利润为负数，2013年4月1日公司股票被实行“退市风险警示”股票名称由彩虹股份变更为“ST彩虹”。通过KMV模型方法得出的违约距离并结合理论EDF算法计算出违约概率对该公司3年的信用状况进行分析，其信用质量变化如图2所示。

由图2可以看出2011年12月份违约概率急剧上升，在15个月之前很好的预测出了ST彩虹的信用质量变化。

从以上结论可以看出，通过KMV模型计算出的违约概率可以在企业出现风险前1年左右很好的预测出信用质量的变化，商业银行可以参考这种方式来监控企业的信用质量动态的变化，商业银行可以根据此方式来对信贷业务审核做出相应的决策。

4 结论及政策建议

本文研究结果表明修正之后的KMV模型对于信用风险有着很好的预测能力，违约距离可以反映出企业的信用质量，违约距离越大信用质量越高，反之则越低。违约距离可以作为银行监控上市公司贷款的预警指标，为及时发现风险从而规避或消除风险提供有利的策略参考。

但要使KMV模型在我国商业银行信用风险管理中得到广泛应用，还需要加强以下三点。

4.1 加快建立信用数据库

由于我国商业银行间不共享客户信息，这就造成同一客户的信用风险可能在不同商业银行发生，信用数据库相关数据累积较少，而KMV模型需要大量的违约数据去构建违约距离（DD）和违约概率（EDF）之间的函数映射关系。为此，我国商业银行应尽快建立和完善客户信用数据库，构建出我国违约距离和违约概率之间的函数映射关系，为广泛采用KMV模型进行信用风险分析提供数据支撑。

4.2 加强缓释技术对信用风险的作用

长期以来，人们对信用风险的研究主要在于交易对手的违约概率的大小，而违约概率仅代表违约的可能性，在实际应用中商业银行要全面的把控信用风险还应该借助信用风险缓释技术，通过信用风险度量工具与缓释技术交叉结合的方式来规避或消除风险。商业银行在面对多家企业融资时，在得出交易对手的违约概率之后，可以根据违约数据库设定一个违约概率的临界点，在违约概率合理范围之内的企业可以通过企业之间的违约概率大小和企业提供信用风险缓释技术（如：抵押、担保）综合分析来决策。通过这种方式一方面减少了商业银行的风险，另一方面还让更多企业获得了融资的机会，降低了融资的门槛。

4.3 进一步完善市场监督体制

KMV模型的输入数据来自于上市公司的年度报表以及日间动态的股权信息，只有确保了财务数据的真实性、准确性，KMV模型才能真实的反映上市公司的信用状况。因此监管部门需加大市场监督力度，完善我国上市公司的治理结构，防止公司披露虚假的财务信息，同时上市公司也必须按照规章操作，公司公布的数据必须真实、准确，只有这样KMV模型的输出数据才准确，才能发挥它动态预测信用风险的能力。

参考文献

[1] Merton，RoberC，On the pricing of Corporate Debt：The Risk structure of Interest Rstes[J].The Joumal of Finance，1974，29（2）：449-470.

[2] KMV Corporation：Credit Monitor Overview，1993.

[3] Andrew John，McQuown：A Comment on Market vs.Acc ounting-BasedMeasures of Default Risk.SANFRA NCISCO，KMV，LLC，1993.

[4] C.Michel，G.Dan and M.Robert.A Comparative Analysis of Current CreditRist Models[J].Journal of Banking and Finance，2000（24）：59-117.

[5] Oldrich Alfons Vasicek，EDF（tm） Credit Measure and Corporate Bond Pricing.2001.

[6] Matthew Kurbat，Irina Korablev.Methodology for Testing the Level of the EDF Credit Measure.2003.

[7] Jeffrey Bohn，Navneet Arora.Irina Korablev Power and LevelValidation of the EDF creditmeasure in the USMarket.KMVCorporation，2005：14.

[8] Peter Crosbie，Jeffrey Bohn，Modeling Default Risk.American Banker，2003.

[9] 鲁炜，赵恒珩，方兆本，等.KMV模型在公司价值评估中的应用[J].管理科学，2003（3）：30-33.

[10] 刘宇新，魏灿秋.EDF模型度量信用衍生工具的信用风险研究[J].四川大学学报（自然科学版），2003（4）：65-69.

[11] 李杨，刘华，余维彬.银行信贷风险管理[M].经济管理出版社，2003.

[12] 汪其昌.银行信贷信用风险分析和度量[M].上海社会科学院出版社，2005.

[13] 翟东升，张娟.KMV模型在上市公司信用风险管理中的应用[J].工业技术经济，2007（1）.

[14] 唐春阳.KMV模型在商业银行信用风险管理中的应用[J].财会研究，2006（2）.

[15] 张智梅.KMV模型的改进及对上市公司信用风险的度量[J].统计与决策，2006（18）.

[16] 周子元，杨永生.用违约距离判别信用风险：一个实证研究[J].审计与经济研究，2007（2）.

[17] 夏红芳.商业银行信用风险度量与管理研究[M].浙江大学出版社，2009.

[18] 李磊宁，张凯.KMV模型的修正及在我国上市公司信用风险度量中的应用[J].首都经济贸易大学学报，2007（4）.