KMV模型在我国商业银行信用风险管理中的适用性分析及实证检验

杨秀云+蒋园园+段珍珍

【摘要】本文在介绍KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型这四种国际流行的信用风险管理方法的基础上，基于定性和定量分析相结合，对这四种信用风险管理方法进行比较分析，认为KMV模型最适合我国目前的国情。以2013年45家ST公司和与之配对的45家非ST公司以及2014年20家ST公司和与之配对的20家非ST公司为样本，对样本的违约距离进行实证检验。实证结果表明KMV模型基本上能够识别上市公司的信用状况，但是也有一些企业的违约距离不符合实际情况，这也说明该模型在我国商业银行信用风险度量中的识别能力有限，究其原因可能与该模型所要求的一些假设条件在我国尚不能得到有效满足等因素有关。因此，我国商业银行在对债务企业进行信用评价时，综合利用KMV模型与债务公司的财务数据会使信用风险的度量结果更加可靠。

【关键词】KMV模型；商业银行信用风险；适用性分析

一、引言

信用风险是商业银行面临的核心风险，也是新巴塞尔协议中的新资本协议的核心内容。当经济状况出现波动时，人们的经济预期会逐渐改变，借款人的行为也会发生一定的变化，“羊群效应”和道德风险很可能随之产生，并影响到金融体系的稳定。2015年上半年末，我国商业银行的不良贷款余额达到10919亿元，不良贷款率为1.5%，较2014年年底上升0.25个百分点，多家银行的不良贷款率均突破1%。而且一些资产质量相对较好的银行，在2015年也出现了许多新的问题。这些数据反映，信用风险的存在会严重影响我国商业银行经营的安全性、流动性和盈利性。但我国对信用风险的控制，主要采用的是依据静态性财务数据的经验型信用风险管理方法，较少运用国际上常用的现代信用风险度量方法。这严重影响了我国信用风险定量研究的发展，不利于我国信用体系的完善和经济的健康发展。

西方发达国家的银行信用体系起步较早，衍生产品发展迅速，学者们和实践者对商业银行信用风险管理的研究成果积累较多。传统的信用风险管理方法主要有三类：信用评分型方法[1]、专家评级方法和评级型方法。由于信息不对称问题日益突出，导致贷款人发生逆向选择和道德风险，学者逐步将银行微观金融学、博弈论和信息经济学、委托代理、行为金融学等理论引入到对信用风险的度量和预防中，信用风险的研究逐渐走向定量化。如默顿（1974）利用布莱克—斯科尔斯期权定价原理建立了Merton模型，Fischer Black（1975）考虑到信用风险产生的衍生原因，推导出企业股票所满足的欧式期权价值。随着信用风险产生的原因日趋复杂，信用风险对经济主体的影响也迅速增大，经济学家从交叉学科理论出发，在信用风险度量中又加入了计量经济学、保险精算学、数理统计学等理论以提高信用风险度量的科学性和精确性，从而产生了许多著名的现代信用风险度量模型。KMV公司于1993年推出了一种以期权理论为基础的KMV模型。1997年，JP摩根提出了一种基于Merton期权理论的度量信用风险的新方法，这种方法又被称为Credit Metrics。同年末，瑞士信贷银行金融产品部（CSFP）推出了基于保险精算的Credit Risk+模型。麦肯锡公司考虑了宏观经济因素对信用风险的影响，根据信用组合提出了Credit Portfolio View模型。目前，KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型在商业银行信用风险管理中发挥着重要的作用。

在国内，由于我国证券市场发展时间较短，信用风险意识较为淡薄，而且缺乏大型的、连续的、完整的违约数据库和完善的信用评级体系，使得我国信用风险的定量研究与国际上的先进技术存在较大差距。国内学者的研究主要集中于以下三个方面：第一是李树杰（2006）等从理论上对国外四种先进信用风险管理方法进行探讨[2]；第二是曹道胜（2006）、陈忠阳（2009）等从不同的角度对四种信用风险管理方法进行了对比研究[3-4]；第三是梅建明，易卫民，黄世为（2013）、尹丽（2013）、段霞（2012）等利用中国的实际数据，对KMV模型进行实证检验并提出了修正建议[5-7]。

但以上研究文献表明，国内学者有关商业银行信用风险的研究主要集中于理论分析和对比分析，并没结合我国的实际情况讨论哪种模型最适合我国的国情，同时，有关的实证研究使用的样本数据普遍偏小，涵盖的行业范围有限。国外的银行信用体系较为发达，信用风险的定量研究水平比我国超前，四种现代信用风险管理方法与我国的实际发展情况存在较大差距，每一种方法都不能直接拿来使用。因此，对四种模型在我国的适用性进行比较分析就显得尤为重要。本文以此为基础，从模型的数据要求、风险驱动以及各模型的应用价值和局限性等方面，对四种模型在我国商业银行信用风险管理中的适用性进行了探讨，提出KMV模型最适合我国现阶段的国情。随后选取了2013年90家样本公司和2014年40家涵盖多区域和多行业的公司样本，对KMV模型的适用性进行了实证检验。

二、商业银行四种信用风险管理方法的适用性分析

国际上流行的现代信用风险管理方法包括Credit Metrics模型、KMV模型、Credit Risk+模型、Credit Portfolio View模型，均产生于欧美等发达国家，在信用风险管理中发挥着重要作用。但由于我国信用评级体系发展尚不完善，各个模型对数据的要求、风险驱动因素以及应用价值和局限等方面均存在明显差异，有些假设条件和参数估计与我国的实际不太相符，使得部分模型在我国运用时受到了限制。

（1）信用评级体系

Credit Metrics模型和Credit Portfolio View模型的参数估计对信用评级体系的依赖性较强，但由于我国信用评级体系起步时间较晚，发展时间较短，没有建立起大型的连续的历史违约数据库。缺乏一些大型的、权威的、独立的评级机构，信用评级体系在对公司进行信用评级时会受到一些干扰影响因素，具有一些主观性成分，导致我国提供的一些资信数据的可靠性受到影响，使得这两个模型在我国的实际应用中受到一定的局限性。

（2）数据要求

KMV模型侧重于企业自身的股票交易实时信息和财务数据，这些数据易于获取，可从上市公司的财务报表中获得，对上市企业来说，KMV模型是一种比较便捷的度量信用风险的方法，不仅可以通过股票市场的变化衡量企业信用等级的变化，也可以对未来发展进行预测，具有一定的“前瞻性”。Credit Metrics模型需要企业长期的历史违约数据， Credit Risk+模型需要估计每笔贷款的违约概率和风险暴露两个变量，Credit Portfolio View模型需要有关资信的历史数据和跨行业的宏观数据，而我国数据库的不完善影响了这三个模型的实际应用。 因此，我国现有的数据已经可以满足KMV模型对数据的要求。

（3）风险驱动因素

根据新巴塞尔协议，参照风险度量模型考虑的风险驱动因素不同，可把风险度量模型分为条件模型和无条件模型。条件模型不仅反映特定借款人的信息，而且还对国家的宏观经济环境因素的变动具有较强的敏感性；无条件模型仅仅反映了单个项目或者借款人的微观信息。KMV模型依赖企业的股票价格、资产与股票收益及其波动性等数据信息，由于企业处于国家的宏观经济大环境下，股票价格等信息会受到国家政策、行业发展、经济形势等系统风险的影响和自身经营状况的影响，所以KMV模型属于条件模型。在考虑宏观经济环境对模型中违约风险的影响时，Credit Portfolio View模型与KMV模型具有相似之处，两者都属于条件模型。而Credit Metrics模型和Credit Risk+模型中违约率的变动对宏观经济因素的变动敏感性不强，两模型中决定信用风险的只是债务人的具体信息，故这两个模型是无条件模型。

因此，从模型考虑的风险驱动因素全面性来看，特别是在社会主义市场经济条件下，KMV和Credit Portfolio View条件模型，更能客观地衡量信用风险，更适用于我国商业银行信用风险管理。

（4）各模型的应用价值与局限

KMV模型运用的上市公司股票交易实时信息，具有盯市性，可随时根据股票价格的波动更新数据，可实现对借款企业信用等级的连续测量，起到对信用资产所产生的信用风险的跟踪、预防、度量和控制。但是，该模型存在一些局限之处：首先，该模型中有些假设比较严格，长期债务没有对债务的优先偿还顺序，有无担保情况，流动性情况等进行区分，这可能使违约点与实际情况不符，造成结果的误差性；其次，关于公司资本结构在贷款期内的一成不变假设与事实不太相符；再次，关于利率在贷款期限内保持不变的假设，这不符合利率市场化的要求，导致信用风险中不含有利率风险；最后，模型假设企业的资产价值服从正态分布，在此基础上计算企业的违约概率，这与实际情况有很大的不同。

Credit Metrics模型在度量信用风险时运用了VAR方法，考虑了各个信用工具对投资组合风险的影响，实现了对违约概念的扩展，既可以应用于传统的信用资产，也能够用于核算金融衍生工具。但该模型存在以下局限：第一，认为信用等级的变化与信用质量的变化是统一的，这与实际情况不相符，因为违约率的调整是连续的，而信用等级的调整却是离散的；第二，由于该模型需要大量市场数据，在我国使用时需要用一些数据来近似替代，而这会影响到度量结果的准确性；第三，假定实际违约率与历史平均违约率相等，在很多情况下这与实际情况不符，因为许多证据表明信用等级迁移概率是跨时期相关的，并不遵循马尔科夫过程；第四，该模型在对资产回报进行估计时用的是股权回报，这会使计算结果存在一些误差。

Credit Risk+模型对投资组合的损失概率分布利用寿险精算中的理论，利用小概率极端事件来统计损失概率分布，得出了债券和贷款组合在一定情况下具有闭型解，该模型在进行信用风险测量时，灵活性很强。该模型的局限之处为，第一，没有考虑债务人具体特征和市场风险，只考虑了违约风险，认为违约风险与资本结构无关，并且该模型忽略了债务人信用等级的变化，这与实际情况不符；第二，对每组贷款进行风险暴露的计算时，采用了近似计算，这使得在计算投资组合损失方差时具有一定的误差。

Credit Portfolio View模型在对借款企业进行信用风险度量时考虑了宏观经济因素对信用等级迁移的影响，运用宏观模拟对信用风险进行分析，能够刻画出回收率的不确定性和由宏观经济因素带来的风险，可以运用到不同的国家和不同的行业。该模型的缺陷有，第一，在对信用等级迁移矩阵进行调整时，参杂了相关人员的主观意见，使得度量结果缺乏客观性；第二，由于我国市场经济发展时间尚短，信用数据库的建立时间还很短，不能收集到国家、行业等长期历史数据，这使得该模型在我国的使用受到限制。

综上考虑，在四种现代信用风险度量模型中，最适合我国目前国情的是KMV模型，因为：第一，KMV模型以期权理论和公司理财理论为基础，理论思路清晰，操作使用方便；第二，KMV模型所需要的数据资料会随着我国资本市场有效性的提高和证券市场的良好发展逐步得到满足，运用该模型的市场条件将逐渐完善，从而能够更加适合我国的实际情况，而其它三个模型所需要的市场条件在短期内我国仍不能满足。因此，KMV最能适合我国的经济状况，在未来发展中也最可能先达到该模型所要求的全部条件。

三、数据来源与变量选择

为了检验KMV模型在我国商业银行信用风险管理中的适用性，本文选取沪深两市中符合条件的部分公司进行实证检验。

1.样本选择及数据来源

本文样本选取了2013年90家沪深交易所上市公司和2014年的40家上市公司作为样本。为了便于对比分析，本文将这些上市公司按照ST和非ST的标准进行分类。非ST公司的选取标准是：与ST公司行业相同，规模相似的非ST公司，这有利于对结果进行对比分析和研究。为了使选取的样本更加合理，我们在样本的选择中剔除了一些公司：（1）财务数据不完整、主营业务不明确、未股改的公司；（2）排除了一些特殊行业，如金融保险业、房地产业、技术密集型行业等。根据我国行业分类的具体情况，除特殊行业外，本文样本基本涉及到了其他全部行业。

数据来源锐思数据库和万德数据库。此次分析分别以2013年12月31日和2014年12月31日为基准日，分别以2013年1月1日到2013年12月31日的日股票收盘价和2014年1月1日至2014年12月31日的周股票收盘价作为计算股票日收益率和股票价格波动率的基础。2013年和2014年的企业数据覆盖到了我国的26个省市自治区，占全国的比例为81.3%，具有较好的代表性。

2.变量选择及参数估计

为了保证企业债务期限和实证过程中所限定的股价期限相匹配，取债务到期期限T=1。以2013年我国一年期定期存款基准利率3%作为该年的无风险利率，以2014年平均的一年期定期利率3.25%作为该年的无风险利率。

公司的违约点DPT采用短期债务STD和长期债务LTD线性组合的方式来计算，即 ，一般情况下 取1， 的取值在0到1之间，本文取 。

上市公司的股权价值波动率用流通股票的股价波动率来衡量，为便于计算，在假设上市公司股票价格服从对数正态分布条件下，股票的日收益率 可以表示为：

（1）

其中， 表示公司第 天的股票收盘价， 代表第 日的股票收盘价， 代表股票的日相对价格。这时，公司股票的日收益率标准差 为：

（2）

其中， ， 是平均日收益率。由于每年的总交易日为250日左右，则收益率年标准差 与日标准差 之间的关系为：

（3）

所以可得出：

（4）

因此，依据收集到的样本公司全年日收盘价数据，由上述公式可以计算出样本公司股票的对数日收益率及其股权价值波动率。

样本公司股权价值等于流通股与非流通股价值之和，流通股价值等于股票价格与流通股股数的乘积，非流通股价值等于每股净收益与非流通股股数的乘积。

四、KMV模型适用性的实证检验

根据选择的样本和参数估计方法，并利用锐思数据库和万德数据库的数据，计算得到2013年ST和非ST样本组的违约距离见表1所示。

表1 2013年ST公司与非ST公司的违约距离

行业 ST公司 非ST公司

公司

名称 资产

价值 资产

波动率 DD 公司

名称 资产

价值 资产

波动率 DD

农林牧渔业 ST景谷 14.10 1.07 0.61 益生股份 20.83 1.40 0.42

新农开发 40.00 0.64 1.00 吉林森工 41.84 0.50 1.11

电力业 漳泽电力 302.96 0.11 3.16 桂冠电力 209.99 0.28 1.89

新能泰山 58.00 0.57 0.71 穗恒运A 72.42 0.36 0.97

赣能股份 59.23 1.09 0.38 金山股份 144.83 0.20 1.85

*ST祥龙 19.63 1.02 0.95 银星能源 59.14 0.32 1.75

*ST东热 18.39 2.43 0.09 福能股份 22.03 0.62 1.35

钢铁业 *ST韶钢 211.13 0.11 1.85 新钢股份 262.39 0.24 0.72

ST泰复 34.88 1.04 0.79 凌钢股份 117.03 0.38 0.48

有色金属业 *ST株冶 70.27 0.75 0.40 金瑞科技 29.13 3.33 0.24

赤峰黄金 20.24 0.29 2.01 新华龙 23.37 1.01 0.50

中钨高新 89.80 0.76 0.59 东方钽业 65.15 0.76 0.90

园城黄金 24.48 0.69 1.28 西部材料 39.46 0.58 1.11

罗平锌电 20.26 0.82 0.65 闽发铝业 14.57 0.45 1.82

化纤化工业 山东海龙 52.36 0.50 0.94 华西股份 35.97 0.73 1.05

吉林化纤 46.94 0.18 1.56 湖北金环 19.74 0.51 1.38

川化股份 35.63 0.37 1.28 双象股份 17.25 0.82 1.05

*ST河化 27.79 0.72 0.62 安纳达 18.16 0.59 1.27

*ST亚星 27.28 0.54 0.70 安利股份 16.59 1.58 0.40

*ST国发 19.09 0.61 1.15 金浦钛业 16.71 1.09 0.72

*ST能化 34.50 0.36 1.54 大庆华科 13.86 0.59 1.58

*ST国通 17.84 0.70 1.01 高盟新材 12.68 3.26 0.29

ST明科 23.98 0.64 1.02 硅宝科技 16.41 2.19 0.43

建材业 *ST华塑 10.69 1.23 0.32 太空板业 10.70 1.45 0.55

冠福家用 24.16 1.69 0.29 兔宝宝 18.88 0.93 0.97

造纸业 石岘纸业 27.93 2.20 0.43 青山纸业 45.19 0.39 1.63

ST宜纸 22.29 0.52 1.04 安妮股份 16.08 1.06 0.77

纺织服饰业 德棉股份 17.62 0.42 1.21 梦洁家纺 16.46 0.85 0.77

ST中冠A 10.43 1.39 0.69 浪莎股份 11.26 0.61 1.44

食品饮料酿酒业 新中基 45.72 0.97 0.38 东凌粮油 75.73 0.28 1.21

皇台酒业 16.80 0.51 1.63 通葡股份 14.25 1.48 0.64

家电业 厦华电子 25.31 0.96 0.73 爱仕达 28.41 0.49 1.58

汽车业 中国嘉陵 45.09 0.68 0.66 星宇股份 32.41 0.85 0.84

富奥股份 71.14 0.47 1.37 中国重汽 148.15 0.39 0.74

*ST黑豹 41.04 0.47 0.85 特力A 20.87 0.38 2.11

*ST西仪 19.78 0.89 0.98 浩物股份 18.62 1.56 0.53

医药业 *ST生化 34.47 0.89 0.89 汉森制药 27.80 0.97 0.97

天目药业 15.60 1.43 0.61 永安药业 16.34 0.81 1.16

旅游业 大东海A 12.69 1.93 0.51 西安旅游 14.47 0.69 1.27

*ST联合 22.84 1.19 0.64 北京文化 20.57 3.04 0.29

*ST九龙 43.16 0.96 0.78 峨眉山A 48.50 0.80 1.17

文教休闲业 *ST传媒 19.63 1.31 0.72 长城动漫 17.05 0.98 0.94

*ST天龙 15.19 0.49 1.66 骅威股份 9.97 0.81 1.20

其他行业 广东甘化 33.14 0.77 1.18 中国高科 37.17 1.83 0.27

宝利来 12.62 1.40 0.68 深信泰丰 17.00 0.47 1.78

2013年45家ST公司的平均违约距离为0.944，与之对应的非ST公司的平均违约距离为1.024，通过t检验可以发现两组公司的违约距离存在显著差异，即ST公司的违约距离更小，发生违约的概率更大。

以同样的方法，可以计算2014年样本组的违约距离，见表2。

表2 2014年ST公司与非ST公司违约距离

行业 ST公司 非ST公司

公司

名称 资产

价值 资产

波动率 DD 公司

名称 资产

价值 资产

波动率 DD

农林牧渔业 ST景谷 13.98 2.84 0.24 荃银高科 14.74 2.35 0.34

*ST大荒 184.92 2.88 0.30 隆平高科 176.05 2.44 0.37

纺织服饰业 *ST派神 17.88 1.63 0.51 金宇车城 10.48 3.78 0.18

*ST三毛 14.77 2.61 0.29 山东如意 17.28 3.23 0.10

有色金属业 株冶集团 100.30 0.42 1.19 新疆众和 65.21 1.93 0.17

ST金泰 17.89 3.91 0.24 精艺股份 19.32 2.84 0.25

化纤化工业 *ST霞客 23.83 2.28 0.09 德威新材 19.57 3.63 0.14

*ST海化 49.54 2.80 0.24 沧州明珠 47.09 3.70 0.22

*ST新材 47.40 5.97 0.39 四川美丰 62.54 1.80 0.42

*ST合泰 45.08 2.71 0.26 大东南 51.09 1.29 0.65

ST南化 19.91 3.18 0.14 大庆华科 19.75 3.14 0.30

建材业 华塑控股 25.72 6.52 0.12 四川双马 37.58 1.32 0.54

*ST国创 17.55 3.05 0.32 九鼎新材 21.11 2.47 0.22

汽车业 *ST东安 29.49 3.54 0.19 漳州发展 29.73 3.94 0.08

西仪股份 31.40 1.87 0.49 中通客车 51.51 1.33 0.31

机械设备业 *ST东数 22.60 2.54 0.21 万里股份 21.36 1.07 0.88

*ST锐电 192.89 1.77 0.20 平高电气 168.38 1.39 0.56

ST东力 22.93 3.91 0.18 泰胜风能 29.67 2.28 0.28

文教休闲旅游业 国旅联合 34.33 1.93 0.47 云南旅游 45.51 1.55 0.40

九龙山 81.62 0.98 0.88 宋城演艺 85.06 1.32 0.73

2014年20家ST公司的平均违约距离为0.307，与之配对的非ST公司的平均违约距离为0.356，ST公司违约概率更大，违约风险更大。

尽管在实证结果中，有个别ST公司的违约距离大于相应的非ST公司，这一方面是因为在选取与ST公司相配对的非ST公司时，只考虑了同一行业和资产规模这两个条件，而忽略了其他的一些可能影响公司违约距离的因素；另一方面是在计算过程中，计量单位为亿元，使得在对股权价值、负债、资产价值、违约点等变量进行度量时产生了一定的误差，从而对结果产生一定的影响。但这并不影响该模型对企业信用风险的总体判断。

2013年和2014年样本实证结果证明，从平均违约距离来看，2013年和2014年非ST公司的平均违约距离都比ST公司大，说明KMV模型测量出来的ST类公司的违约距离较小，违约风险较大，表明该模型识别公司信用风险的能力较强。

从样本公司违约距离的行业分布来看，（1）在三次产业之间，在2013年样本上市公司所涉及到的14个行业中，第一产业的非ST公司的平均违约距离小于ST公司，这可能与第一产业的上市公司数目偏少，选取的样本数较少有关。综合分析2013年和2014年的所有数据，可以发现第二产业和第三产业的非ST公司的平均违约距离均大于ST公司，说明KMV模型能较好地识别其信用风险。同时，第三产业的ST公司的平均违约距离低于相应的第二产业，表明第三产业的违约风险相对较高，第二产业较低，这与我国第二产业发展相对成熟有关。（2）在第二产业中，电力业的违约风险最低，这与我国的经济发展以第二产业为主，许多行业的发展依靠电力有关；其次是家电业、汽车业，由于这类产品与人们的生活密切相关，并且随着人们收入水平的提高，家电和汽车的需求收入弹性变大，使得企业的抗风险能力增加。（3）在第三产业中，医药业的违约风险较大，因为医药行业需要大量的资金和技术投入，回收期长，导致其违约风险增大。

从样本公司违约距离的区域分布来看，东部地区企业的信用状况好于中西部地区。在所有省市自治区中，信用状况最好的是广东省、浙江省和江苏省，这和当地的经济发展水平较高，企业经营效益较好，偿债能力较强有关。而信用风险最大的地区依次为新疆、江西省和湖南省，这主要是因为中西部地区的经济相对欠发达，企业在进入经济新常态后，转型升级面临瓶颈，从而进一步增加其违约风险。

综合以上分析说明，（1）KMV模型具有较强的信用风险识别能力。企业的平均违约距离越小，则相应的违约风险越大。2013年和2014年所有的样本非ST公司的平均违约距离均大于ST公司，说明非ST类公司的违约风险小于ST公司，与实际情况相符，模型识别能力较强。（2）KMV模型不仅能够识别不同类型企业的信用风险，还能识别不同行业、不同地区企业的信用风险差异，进一步证明该模型不仅适用于微观企业分析，也适用于中观层面分析。（3）该模型在我国的使用仍然存在一些缺陷。个别ST公司的违约距离大于相应的非ST公司，说明由于我国资本市场和货币市场发展缓慢，资产价值服从对数正态分布的假设在我国得不到满足，使得KMV的一些假设条件不能成立，从而导致该模型的应用受到一定的限制和影响。这就要求商业银行在运用KMV模型进行信用风险测量时要谨慎，争取辅助其它信息对公司进行综合度量，从而使信用风险度量结果更加准确，更具有可靠性和应用价值。

五、结论与政策建议

本文通过对国际上常用KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型四种信用风险管理方法的优缺点和适用性进行对比分析，认为KMV模型最适合我国的国情和金融市场环境。通过对2013年90家上市公司和2014年40家上市公司进行KMV模型实证检验，发现KMV模型具有较强的企业信用风险识别能力，KMV模型不仅能够识别不同类型企业的信用风险，还能识别不同行业、不同地区企业的信用风险差异，进一步证明该模型不仅适用于微观企业分析，也适用于中观层面分析，但该模型在我国的使用仍然存在一些缺陷。

因此，我国商业银行在进行企业信用风险度量和识别时，不仅要选择更好的、可适用的和科学的方法，同时政府还要不断完善以下几个方面，为商业银行的科学信用风险管理提供保障。首先，完善相关金融经济法律法规。政府应建立健全相关法规以保证商业银行的正常经营。树立良好的权威形象，加强自身信用建设，提高政府行为的透明性和合法性。在鼓励金融创新的同时，加强金融监管。其次，发展风险数据库技术。由于我国大型违约数据库尚未建立，信用违约数据的连续性和完整性不能得到有效满足，使得在运用KMV模型时受到一定的限制。所以，我们应更加注重信用资料的搜集，建设并维护好客户信用档案，利用现代化技术，建立并逐步完善风险基础数据库，为风险的分析和度量提供数据支持。再次，加强对证券市场的监管，保证资本市场正常运行。由于KMV模型需要一些上市公司的财务数据和股票交易信息，这就要求我们对上市公司的监管提出严格的要求，促使上市公司公开真实有效的信息，提高模型结果的参考价值。最后，加强风险管理人员素质培养。培养一支风险控制的专业化人才队伍，这批队伍应该具有长远性和专业性的职业素养，还需要对风险管理人员进行信用文化的培训，使他们增强对信用风险的敏感性和重大决策时的科学性，从而使他们在银行风险管理中发挥更大的作用。

参考文献

[1]Altman E.I. Financial Ratios， Discriminated Analysis and The Prediction of Corporate Bankrupt [J].Journal of Finance，1968， 23（9）：589一609.

[2]李树杰.商业银行信贷风险计量模型应用研究[J].金融教学与研究，2006.10.

[3]曹道胜，何明升.商业银行信用风险模型的比较及其借鉴[J].金融研究，2006.10.

[4]陈忠阳.信用风险量化管理模型发展探讨[J].国际金融研究，2009（10）：14-18.

[5]梅建明，易卫民，黄世为.基于KMV 模型的上市类融资平台公司信用风险研究[J].财政研究，2013（10）：64-67.

[6]尹丽. 基于KMV模型的中国商业银行信用风险评估[J].统计与决策，2013（06）：157-159.

[7]段霞.Z模型和KMV模型在我国适用性的对比研究一一以我国制造类上市公司为例[D].西南财经大学，2012.

KMV Model in China's Commercial Bank Credit Risk Management Analysis

and Empirical Applicability

YANG Xiuyun1，JIANG Yuanyuan1，DUAN Zhenzhen1

（1.School of Economics and Finance， Xian Jiaotong University， Xian 710061，China）

Abstract： This paper introduces four popular international credit risk management methods：the KMV model、Credit Metrics model、Credit Risk + model and Credit Portfolio View model. Based on qualitative and quantitative analysis， this paper compares these four credit risk management methods and finds out that the KMV model is the most suitable for our current situation. The sample consists of 45 ST companies and paired with 45 non-ST companies in 2013 and 20 ST companies and paired with 20 non-ST companies in 2014.We also have an empirical test to the distance to default of the sample. The empirical results show that KMV model is basically able to identify the listed company's credit situation， but there are some companies default distance is not realistic. It also shows that the model is limited in our ability to identify credit risk metrics. The reason may be related to that some assumptions of the model required in China is still not been effectively met and other factors. Therefore， China's commercial banks multipurpose use KMV model and the company's financial data will make the measure results in the credit rating of debt companies more reliable.

Key words： KMV model； Credit risk； Applicability analysis