原创《基于KMV模型上市公司违约点选择》：此文是一篇上市公司论文范文,为你的毕业论文写作提供有价值的参考。
作者简介：贾利,武汉大学,经济和管理学院,固定收益证券.
摘 要：对我国上市公司数据进行混合模型回归得到KMV模型违约点,并和KMV公司提出的经验违约点公式以及流动负债加75%长期负债的违约点进行对比,运用KMV模型评价*ST公司和正常公司的信用风险,并检验模型识别上市公司信用风险的能力.结果表明,利用混合面板回归得到违约点的KMV模型能够更好的识别信用风险差异.
关键词：KMV模型；信用风险；违约点；违约距离
一、引言
KMV模型是以期权定价理论为基础,基于股票市场信息的信用风险度量方法.模型认为当公司资产价值处于负债总额和流动负债间的某一点时,公司才会违约.KMV公司根据大量违约事件的实证分析,发现违约发生最频繁的临界点处于公司价值大约等于流动负债加50%长期负债的时候.由于KMV违约点的设置是根据美国公司具体情况得到的经验违约点,而中美存在较大差异,为此我国有必要对违约点和违约距离重新确定.但由于历史违约数据严重缺乏,目前尚不能通过统计分析找出我国上市公司的违约点,因此确定适合我国实际情况的违约点进而提高模型的预测能力就成了研究重点.
国内学者关于KMV违约点的选择进行了一些研究,但主要是对违约点公式中长期负债权重的简单修正.例如,张玲等（2004）将违约点公式中长期负债的权重设置为0、0.5和0.75,计算违约点进行对 析,实证结果表明长期负债权重等于0时,模型具有最强的分辨能力,而在0.5和0.75的权重下,模型具有相近的分辨能力.彭莉（2007）通过t检验和Wilcoxon检验认为我国违约点长期负债权重取0.75更为合适.李磊宁,张凯（2007）将长期负债的权重定义在[0,1]之间,分别计算出违约距离并进行差异显著性检验,结果表明我国上市公司违约点长期负债的权重为0.1.近年来,部分学者采用多种方法,基于我国上市公司数据确定违约点中流动负债和长期负债的权重.彭伟（2012）以上市中小企业中2008-2011年间所有被实施ST的公司的总资产、流动负债和长期负债进行多元线性回归,得到违约点等于1.11流动负债+0.65长期负债.内学者关于如何根据我国实际情况确定合适的违约点公式仍旧存在争议,这也为进一步研究提供了空间.
三、实证研究
本文将采用三种违约点进行对 析,考察不同违约点取值对违约距离度量信用风险能力的影响.1.违约点等于流动负债+0.5长期负债；2.违约点等于流动负债+0.75长期负债；3.建立混合面板模型,确定违约点和流动负债、长期负债的线性关系.
(一)数据采集
《上市规则》规定,连续两个会计年度亏损的上市公司将被特别处理,因此ST公司比一般正常公司信用风险大.本文选择9家2013年从正常变为*ST的公司,并选择和之匹配的9家正常公司进行实证研究.匹配原则是两家公司属于同一行业并在同一证券交易所上市.
(二)实证过程
1.股票波动率的计算
本文采用历史波动率法计算18支股票的年波动率.从国泰安数据库获取18支股票2011-2013年的日收益率,利用Excel中的STDEV函数计算股票日波动率σN,再根据日波动率计算股票年波动率：σE等于σNN,其中N表示一年的交易天数.以往的研究为了方便多数采用固定的交易天数,例如250天、244天等.为了减小误差,本文采用国泰安公布的年交易天数分别计算18支股票的年波动率.
2.违约点的计算
对2011-2013年间18家上市公司的总资产、流动负债、长期负债进行多元回归,建立面板模型,估计违约点线性方程.各样本的流动负债、长期负债分别来自各公司2011-2013年的年报,数据来源自巨潮资讯网.回归结果显示,R2等于0.75,流动负债和长期负债的系数分别在1%和5%的水平下显著,说明模型整体检验效果较好,违约点的回归方程如下：DP1等于1.46SL+0.97LL,其中,SL表示流动负债,LL表示长期负债.短期负债的系数大于1,并且长期负债的系数大于0.5,这些都大于KMV公司提出的违约点计算公式的系数,也说明生搬硬套KMV模型的违约点计算公式可能并不适合我国的现实情况.接下来,采用学术界使用较多的两种违约点计算方式：DP2等于SL+0.5LL,DP3等于SL+0.75LL,分别就三种违约点进行KMV模型的计算、检验,比较违约点计算方式的选择对我国上市公司信用风险度量的影响.
3.股票市值的计算
股票市场价值由股票发行总股数和年收盘价的乘积表示.
4.资产市场价值及波动率的计算
假设贷款企业资产价值符合标准正态分布,且资产市场价值增长率为零.联立（2）（3）（4）,利用Eviews6.0编程,进行迭代即可求出资产市场价值和波动率.
5.违约距离的计算
根据（6）式计算样本公司的违约距离.
(三)实证结果分析
利用Eviews6.0,对上市公司2011-2013年的违约距离进行独立样本均值差异显著性检验.t检验的结果如下所示：
DP2等于流动负债+0.5长期负债以及DP3等于流动负债+0.75长期负债,在小样本条件下,对2011-2013年*ST公司和配对正常公司违约距离的t检验并不显著.DP1是对样本内所有上市公司在样本期间进行面板回归,得到违约距离和流动负债、长期负债的线性关系.从检验结果可知,在ST的前两年（2011年）,虽然*ST公司违约距离的均值小于正常公司,但这一差异并不显著.而在ST的前一年（2013年）及ST当年（2013年）,*ST公司违约距离的均值分别在5%和10%的水平下显著小于正常公司.
四、结论
本文讨论了三种不同违约点取值对违约距离识别上市公司信用风险能力的影响.结果发现,违约点的选取会对检验结果产生显著影响,上市公司违约距离的变化能够比较好的反映公司信用状况,但是这一效果很大程度上取决于违约点的选择.本文认为基于我国上市公司数据进行混合面板回归得到违约点的KMV模型能够更好的评价上市公司的信用风险.（作者单位：武汉大学经济和管理学院）
参考文献：
[1]张玲,杨贞柿,陈收.KMV模型在上市公司信用风险评价中的应用研究[J].系统工程,2004,1：84～89
[2]彭莉.基于KMV模型的商业银行信用风险度量研究[D].长沙：中南大学,2007
[3]李磊宁,张凯.我国上市公司违约点选择问题研究——基于KMV模型[J].广西金融研究,2007,10：42～45
[4]彭伟.基于KMV模型的上市中小企业信贷风险研究[J].南方金融,2012,3：23～30
上市公司论文参考资料：
结论：基于KMV模型上市公司违约点选择为关于本文可作为相关专业上市公司论文写作研究的大学硕士与本科毕业论文上市与不上市的区别论文开题报告范文和职称论文参考文献资料。
