|
|
|
|
|
|
ST上市公司
|
22
|
8
|
0
|
|
非ST上市公司
|
10
|
19
|
1
|
从表4-12可以看出，ST上市公司的违约距离在，，的频率分别为：73%、27%和0%，而非ST上市公司在这三个区间的违约频率分别为：33%、64%和3%。在这个区间，公司很有可能发生违约，因此我们假设当违约距离DD大于2.5时金融论文，认为上市公司不存在违约风险。反之，存在违约风险。30家ST上市公司，其中有8家被判为无违约风险。30家非ST上市公司中10家被判为有违约风险。模型对ST上市公司和非ST上市公司的准确率分别为73.3%、66.7%。
进一步，我们将ST上市公司和非ST上市公司的违约概率EDF也分为三个区间： ， ， 。在这三个区间上对上市公司进行统计得到如表4-13所示。
表4-13 30家ST上市公司和30家非ST上市公司的违约概率统计
|
|
|
|
|
|
ST上市公司
|
11
|
7
|
12
|
|
非ST上市公司
|
24
|
5
|
1
|
从表4-13可以看出，ST公司的违约概率在，，这三个区间出现的频率分别为：37%、23%和40%，而非ST公司的违约概率在这三个区间出现的频率分别为：80%、17%和3%。非ST公司的违约概率大部分都集中在这个较小的区间上，ST公司的违约概率的分割不够明显，虽然在这个区间出现的频率多点。
如果我们假定违约概率的分界点为0.01，那么对于30家ST上市公司，将有11家上市公司被判为非违约，误判概率为37%。对于30家非ST上市公司，将有6家被判为违约，误判概率为20%。对于ST上市公司和非ST上市公司其模型的准确率分别为：63%、80%论文格式范文。虽然用违约概率来衡量违约风险对于非ST上市公司是较好的，准确率较高，但对于ST公司，理论违约概率并未能表现出显著的差异。说明违约概率对于现实的信用状况反映能力还是有限的。
四、 违约概率与信用评级
本文对企业信用评级的划分标准参考如表4-14[5]。信用评级等级统计结果如表4-15所示。
由表4-15可以看出，Logistic回归模型对ST公司的评级结果相对于非ST公司来说较好，达到了100%，非ST公司的评级结果准确率达到了76.7%。KMV违约模型对于非ST公司的评级结果相对于ST公司来说较好，准确率达到了100%，ST公司的评级结果准确率只有3%。由前两节的实证结果我们知道，Logistic回归模型对ST公司和非ST公司的判别准确率分别为96.7%和90%，KMV违约模型用违约概率来区分ST公司和非ST公司的判别准确率为63%和80%。与各自对ST公司和非ST公司的信用评级等级结果相一致。
表4-14 信用级别划分标准TDP值表
|
信用级别
|
理论违约率TDP值
|
|
AAA
|
TDP﹤0.0002
|
|
AA
|
0.0002≤TDP﹤0.0005
|
|
A
|
0.0005≤TDP﹤0.001
|
|
BBB
|
0.001≤TDP﹤0.01
|
|
BB
|
0.01≤TDP﹤0.03
|
|
B
|
0.03≤TDP﹤0.05
|
|
C
|
0.05≤TDP﹤0.08
|
|
D
|
0.08≤TDP
|
表4-15信用评级等级统计结果
|
等级
|
Logistic回归模型
|
KMV违约模型
|
|
ST公司
|
非ST公司
|
ST公司
|
非ST公司
|
|
AAA
|
0
|
10
|
0
|
1
|
|
AA
|
0
|
1
|
1
|
1
|
|
A
|
0
|
1
|
1
|
5
|
|
BBB
|
0
|
6
|
8
|
17
|
|
BB
|
0
|
4
|
13
|
6
|
|
B
|
0
|
0
|
6
|
0
|
|
C
|
0
|
1
|
0
|
0
|
|
D
|
30
|
7
|
1
|
0
|
对同一家上市公司，Logistic回归模型和KMV模型对其的信用等级相差很大金融论文，特别是ST公司。这是因为，Logistic回归模型是基于财务指标的，而KMV模型主要是基于股票价格信息的，对于上市公司的信用等级大都较高。因此，两者的判别等级相差大是合乎理论的。虽然判别等级不一样，但它们整体表达的意思是一致的。但整体来说，Logistic回归模型对上市公司信用资质的评价要高于KMV模型。
五、结论
在构建的21个指标体系中，偿债能力、营运能力和盈利能力指标三者的恶化是上市公司陷入信用危机的主要原因。因此提高上市公司的经营管理水平和获利能力是避免公司陷入信用危机的关键。Logistic回归模型取得了93.3％的预测准确率。而对于KMV违约模型，用违约距离衡量违约风险时，模型的预测准确率为73.3%和66.7%。用相对应的违约概率来衡量时，模型的判别精度为63%和80%。说明了Logistic回归模型比KMV模型更适用于中国上市公司信用风险的度量，但第Ⅱ类错误明显偏高。
虽然本文在对信用风险评估模型进行研究时，也做了进一步的改进，但还存在着很多的问题，以期进一步的研究。
参考文献:
[1]柏艺益.Logistic模型在评价上市公司信用风险中的应用研究[J].时代经贸(中旬刊),2008(S6):148-149.
[2]陈晓,陈治鸿.中国上市公司的财务困境预测[J].中国会计与财务研究,2000,(9):55-72.
[3]董颖颖,薛锋,关伟.KMV模型在中国证券市场的适用性分析及其改进[J].生产力研究,2004(8):116-117.
[4]李磊宁,张凯.KMV模型的修正及在中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):44-48.
[5]鲁炜,赵恒珩,方兆北等.KMV模型在上市公司价值评估中的应用[J].管理科学,2003(3):30-33.
[6]翟东升,张娟,曹运发.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):126-134.
[7]Madalla G.S. Limited Dependent and QualitativeVariables in Econometric[M].The Third Edition. Cambridge: Cambridge University Press,1983.
[8]M.D.Earky.Warning of bank failure:a logit regressionapproach[J].Journal of Banking and Finance.1977:249-276.
2/2 首页 上一页 1 2 |
