基于Logistic模型和GARCH—KMV模型的中国上市公司信用风险测度

摘 要：为测度我国上市公司信用违约风险，首先建立Logistic回归信用评价模型，通过运行EVIEWS，对我国今年108家上市公司进行两类模式分类，这两类模式是指按照公司的经营状况分为"差"和"正常"两个小组。对每一家上市公司，考虑其经营状况的4个主要财务指标：每股收益、每股净资产、净资产收益率和每傲现金流量。仿真结果表明：Logistic回归信用评价模型对总体108个样本，判别准确率达到86.11%；

关键词：信用风险分析；Logistic回归模型；政策建议

引言

20世纪70年代以来，信用风险度量模型迅速发展，其理论基础是发端20世纪50年代的现代金融理论，包括现代资产组合理论、资本资产定价和套利定价理论及期权定价理论等。美国纽约市立大学巴鲁克学院的经济学家马克维兹于年在《金融杂志》上发表了一篇名为《资产组合的选择》的论文，在文中他首次提出了利用资产收益的标准差来度量风险的思想，同时他还指出证券的最佳投资组合应该是资产的有效边界线与具有厌恶风险特征的投资者无差异曲线之间的交点，从而提出了现代资产组合理论。该理论的提出主要是为了降低投资风险的可能性。在的理论模型中，投资者的效用函数 取决于资产组合的预期收益和波动性，分别用均值μ 和方差σ2表示，且 。投资者可以根据单个资产的均值和方差，建立最小方差模型以确定证券的收益和风险的最优组合函数。

2006年12月是我国金融业全面对外资开放的“大限”，为此金融业的对外开放将进入加速期。而国际银行业监管的统一标准一《巴塞尔新资本协议》也开始在十国集团内部正式得以实施。与1988年的旧协议相比，新协议的最大变化在于提出了内部评级法，其核心之一是商业银行必须依据监管当局认可的方法得到不同信贷资产的违约概率，也鼓励金融机构选择自己的内部模型来度量其信用风险。这一方法的提出无疑对我国商业银行信用风险管理提出了新的要求。

在这种内外形势的考验下，为了实现与国际接轨，应对来自外国金融机构的竞争，我们更是迫切需要借鉴国际上的先进技术，引入科学方法，建立以计量模型为核心的信用风险动态管理系统，使金融机构对信用风险的测量做到前瞻性以及定量化，从而实现内部风险的全面控制。

Logistic模型最早是由Martin （1977）用来预测公司的破产及违约概率.他从1970-1977

年间大约5700家美联储成员银行中界定出58家困境银行，并从25个财务指标中选取总资产净利润率等8个财务比率，用来预测公司的破产及违约概率，建立了Logistic回归模型（Logistic regression model），根据银行、投资者的风险偏好设定风险警界线，以此对分析对象进行风险定位和决策.他还将Z—Score模型，ZETA模型和Logistic模型的预测能力进行了比较，结果发现Logistic回归模型优于Z—Score模型和ZETA模型.0hlson （1980）也将Logistic模型应用于信用风险分析。

我国学者庞素琳（2006）运用Logistic模型，借助SPSS软件，以我国106家上市公司为样本，利用其中63家公司的数据建立Logistic回归信用评价模型，用来对余下43个公司的数据进行判别分析。研究结果表明，利用SPSS对模型参数进行估计，所建立的Logistic回归模型对63个训练样本的判别准确率达到100%，对43个测试样本误判了1个，因而对总体106个样本，Logistic回归模型的判别准确率达到99.06%。

二、研究设计

（一）Logistic模型构建及样本和数据选取

构建logistic回归模型：

选取我国108个上市公司，其中正常公司81家，ST公司27家，满足我国Logistic违约率模型最优桂本配比3：1；训练样本为70家公司，剩余38家公司作为测试样本，这个比例也是最佳的分界点。财务指标依然是每股收益、每股净资产、净资产收益率以及每股企业自由现金流量。运用EVIEWS软件，对训练样本进行logistic回归；

回归结果

通过EVIEWS软件对训练样本进行logistic回归分析结果，可以得到：

p= =1/（1+EXP（-（-0.671737+2.073038*EPS+0.819178*BPS-0.002401*ROE+0.965391*CF）））

代入检测样本中可以得到，判别准确率约为84.21%。对于所有108家上市公司，该回归结果的判别准确率达到了86.11%（15/108）。

结论与展望

在Logistic模型中，收集我国108家上市公司的财务数据，考虑上市公司经营状况的4个主要财务指标：每股收益、每股净资产、净资产收益率、每股现金流量，通过运行EVIEWS软件，利用其中70家公司的数据建立Logistic回归信用评价模型，用来对余下38个公司的数据进行判别分析。研究结果表明，利用EVIEWS对模型参数进行估计，所建立的Logistic回归模型对38个测试样本的判别准确率达到84.21%，对70个训练样本误判了9个，因而对总体108个样本，Logistic回归模型的判别准确率达到86.11%。事实上我们做了两次分析，第一次样本量较少，最终得到的判别准确率并不是很高，我们组分析其中的原因，首先可能是因为样本量比较少，其次，在财务数据的选择方面应该添加更多的财务指标进行筛选，这样可以把更显著的财务指标添加到模型中并剔除解释力不足的指标，我们的logistic模型将会更加准确地对上市公司的信用风险做一个分析和评估。第二次我们擴大了样本量，判别准确率有了提升，由此可以看出，一定程度上扩大样本量将会有助于我们模型的估计准确率的改进，当然，我们的改进工作还不止于此，接下来可以对财务指标进行调整，找到更加与模型更加契合的财务指标。

作者简介：

徐闯（1993-），男，民族：汉，籍贯（精确到市）：湖北省武汉市，当前职务：在读研究生，当前职称：学生，学历：硕士研究生，研究方向：金融学。