上市公司信用风险测度评价——基于KMV与Logit模型的实证研究

2023-02-24

一、研究背景

随着经济的发展, 资本市场也日益发展壮大, 金融的经济地位也与日俱增, 资本市场已然成为企业募集资金的场所, 投资者也可以在资本市场进行操作来获得回报, 所以企业的财务状况常常受到管理当局、投资者等利益相关者的密切关注, 但随着经济全球化和大数据时代的到来, 市场竞争也越来越残酷, 不少企业发展举步维艰, 就可能会陷入到财务危机中, 然而企业发生财务危机也不是毫无征兆的, 是一个渐渐地过程, 而且是可以预测的, 正确预测企业的财务风险, 对保护投资者和债权人利益, 对公司管理层面预防危机和改善治理, 对政府监管, 更好对市场监督和管理资本市场, 都有重要的意义。

二、文献回顾

中国证券市场近些年才发展起来, 而国外比较成熟, 国内学者对财务困境预测研究还处在研究初始阶段, 大多学者也是沿用国外的研究模式。

邹鑫, 李莉莉, 房琳 (2014) , 用29家上市公司的数据作为样本, 研究其信用风险, 使用了KMV模型与Logit模型展开了研究, 从总体效果来看, KMV模型的预测精度不高于Logit模型的预测精度。

孙森, 王玲 (2014) , 将KMV模型与Logit回归模型相结合, 对在沪市随机选取的68家上市制造业的连约风险进行了实证分析, 最终得出模型判定率较高的结论。

蒋彧, 高瑜 (2015) , 对KMV模型参数的估计与设定方法进行修正。随后运用修正后的KMV模型, 对2014年2月中国2008家上市公司的信用风险进行评估, 并对模型识别和预测信用风险的能力进行检验。最终得出:修正后的KMV模型具有良好的上市公司信用风险识别能力;在特定的评估时长下, 模型具有较强的信用风险预测能力。

杨秀云, 蒋园园, 段珍珍 (2016) , 基于定性和定量分析相结合, 对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, 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。

李晟, 张宇航 (2016) , 选取了2010—2015年间我国16家上市商业银行作为样本, 运用KMV模型计算出每个商业银行的违约距离, 随后通过面板数据对于影响违约距离的主要因素进行了回归分析。结果表明, 国有银行相对于非国有银行而言其信用风险相对较低, 而商业银行的总不良贷款率、贷存比以及资产规模对于商业银行的信用风险有着较为显著的影响。

三、实证方案

(一) KMV模型的样本选取

因我国破产机制不完善, 所以以ST公司来代表财务困境公司, 本文选取截至2017年12月31日为止, 45只特别处理股票作为违约样本组和行业一致的45只正常股票作为非违约配对样本组进行研究。

所需指标主要有:以对数收益法计算的以日为周期的年化波动率、流通股股数、非流通股股数、每股净资产、2017.12.31股票收盘价、短期负债、长期负债。

(二) KMV模型分析

违约点设置为=短期负债+1/2长期负债

股权市场价值=流通股股数*股票收盘价+非流通股股数*每股净资产

通过MATLAB计算资产价值、资产价值波动率和违约距离。得到了90家上市公司的违约距离, 我们将ST组和非ST组的违约距离对比可以发现, ST组的违约距离明显小于其同行业相近资产规模的非ST组的违约距离。在上述45对公司中有36对判断正确, 准确率高达80%, 说明KMV模型能够较好的判断出违约组公司和非违约组公司。上述违约组的平均违约距离为3.681022, 非违约组的平均违约距离为45.60495771, 两者表现出极大差异。现实中ST公司由于经营状况不好, 业绩下滑, 很可能出现资不抵债信用违约情况, 实证结果和实际情况符合。

(三) 违约距离的T检验

样本相关系数P (sig) =0.959>0.05证明ST组和非ST组之间无相关关系。

成对样本检验P=0.157>0.05, 证明两组之间存在显著差异, 进而证明KMV模型有较好的信用风险识别能力。

(四) Logistic模型的样本选取

选用KMV模型的90家上市公司为研究对象。其中包含45家违约企业和45家非违约企业。选取了X1资产负债率、X2流动比率、X3速动比率、X4销售毛利率、X5普通股权益总额 (亿元) 、X6股价波动率 (年化) 、X7净利润/营业总收入、X8总资产报酬率ROA、X9流动负债合计 (亿元) 、X10非流动负债合计 (亿元) 、X11现金比率、X12经营活动产生的现金流量净额/负债合计、X13长期债务与营运资金比率、X14货币资金/短期债务、X15应收账款周转率、X16营运资本周转率、X17经营活动净收益/利润总额、X18经营活动产生的现金流量净额/营业利润、X19现金营运指数、X20总资产周转率、X21应付账款周转率、X22存货周转率、X23经营活动产生的现金流量净额/营业收入、X24每股现金流量净额 (元) 、X25归属母公司股东的权益 (相对年初增长率) 、X26净利润 (同比增长率) 、X27营业收入 (同比增长率) 、X28前十大股东持股比例合计、X29第一流通股东持股比例、X30每股净资产BPS (元) 、X31第一大股东持股比例。

(五) 样本进行Mann-whitneyU检验

采用两独立样本的Mann-whitneyU检验来检验样本来自的两独立总体的均值和分布有无显著差异。SPSS将自动计算Mann-whitneyU统计量, 在0.05的显著性水平下, 若p<0.05, 则拒绝原假设:认为该指标对ST公司和非ST公司具有显著区分能力, 结果其中变量X9, X10, X11, X14, X15, X16, X19, X22, X24, X26, X27, X29没有通过显著性差异检验, 即这12个变量对ST公司和非ST公司并没有显著区分能力, 故而可以从基础指标中剔除。因X12、X17缺失值较多, 故也剔除。

(六) 引入违约距离的Logistic信用违约模型

因变量较多, 而指标之间存在相关性而对模型稳健性产生不好影响, 在不能盲目删减指标的情况下, 用因子分析法对变量就行降维, 浓缩成几个互不相关的因子。最后提取出7个主因子, 总方差解释率为72.19%, 总体效果较好。

为了更好地观察变量因子, 根据因子载荷较大的数值分布对得到的7个共同因子命名。

共同因子 (F1) 在流动比率、速动比率上因子载荷较大, 将因子1命名为短期偿债能力。

共同因子 (F2) 在资产负债率、普通股权益总额、每股净资产上因子载荷较大, 将因子2命名为权益因子。

共同因子 (F3) 在违约距离上因子载荷较大, 因此将因子3命名为违约距离。

共同因子 (F4) 在净利润/营业总收入、经营活动产生的现金流量净额/营业收入上因子载荷较大, 因此将因子4命名收益结构因子。

共同因子 (F5) 在股价波动率、总资产报酬率、归属于母公司股东的权益上因子载荷较大, 因此将因子5命名为权益波动因子。

共同因子 (F6) 在经营活动产生的现金流量净额/负债、经营活动产生的现金流量净额/营业利润上因子载荷较大, 因此将因子6命名为经营现金流。

共同因子 (F7) 在总资产周转率、应付账款周转率上因子载荷较大, 因此将因子7, 命名为经营周转因子。

基于上述7个共同因子的Logistic模型采用Enter进行logistic回归, 回归结果:

最后得到的预测精度为85.6%。

四、结论

通过对上述实证分析的总结, 能够得出以下四条结论:

一、上市公司的财务状况的变动能够通过违约距离比较客观地体现。

二、本文的均值差异主要是通过两个M-W的独立样本来检验的, 结果表明余下18个指标在0.05的显著性水平下完成了检验, 即表明其能够明显区分出财务异常公司和财务正常公司。

三、违约距离除了能够客观体现上市公司的财务变动情况, 另一方面, 对模型的辨别能力也具有一定程度的提升促进作用。上述结果也能够验证违约距离的加入显著提升了辨别精度。

四、相对精准的Logistic模型可以通过因子分析得到的7个共同因子而建立。如本文通过该途径所建立的Logistic模型能够85.6%的精准度总体预测财务困境公司。

摘要：以我国沪深A股上市公司作为研究对象, 提取2017年的90家上市公司为样本, 在模型上进行了两个阶段扩展, 最先根据我国的情况对KMV模型进行调整, 运用KMV模型计算样本的违约距离DD, 初步判断该指标对st公司和非st公司的区分能力;然后将违约距离DD当作一个变量与其他筛选后变量引入logistic模型中构成的logistic模型。实证显示, 纳入违约距离DD后, logistic模型对ST和非ST公司的判别准确度相较于单独的违约距离DD提高了很多。

关键词：KMV模型,信用风险,logistic模型