(三)样本选取
本文选取某国有商业银行在沪､深股市235家的贷款客户为样本,由于贷款不良率数据来源的限制,故本文计算样本以2000年12月31日为基准点,期限为一年的违约距离,并与2001年末的样本贷款不良率建立函数关系｡
三､实证结果及分析
(一)实证结果
1.数据处理结果
本文运用Excel软件对原始数据进行处理,并运用Matlab软件对模型中的二元非线性方程组求解,处理结果如下:(处理过程与Matlab求解程序略,依股票代码列举前30个样本相关数据｡)
2.回归分析
本文运用Eviews软件对资产不良率(自变量:Y)和违约距离(因变量:DD)进行回归分析,所得结果如下:
(1)回归的相关参数为:
R-squared0.058349
F-statistic14.62371
Prob(F-statistic) 0.000168
(2)回归方程可表示为:Y=66.98%-20.19%×DD
(二)实证结果分析
1.使用不良率替代其违约率的方法可行｡回归方程F检验､C值和DD值的t检验在99%置信水平显著｡R平方的检验不显著的主要原因是因变量Y资产不良率取值的离散程度不高(Y=0.00%样本为153个,占样本总数的64%,Y=100.00%的样本为29个,占样本总数的12%,Y的标准差达到35.35%),因此,参数选取合适且回归方程总体显著｡
2.由于违约距离(DD)=f(E,σE,r,τ),且不良率Y=g(DD),在本文中影响不良率的因素有:E,σE,r和τ等,E和σE取值由上市公司的经营状况决定｡因此,影响本文的不良率因素是上市公司的经营成果和财务状况｡
3.通过样本回归方程,我们可以得知,违约距离与不良率呈负相关关系,违约距离每下降一个单位,贷款不良率上升20.19%｡资本市场瞬息万变,上市公司的经营成果和财务状况会即时反映在股价上,我们可以随时根据更新的违约距离来计量出上市公司的信用风险｡
四、结论
1.本文尝试使用上市公司在某国有商业银行贷款不良率替代其违约率,并根据我国资本市场的特点,选取KMV模型的相关参数,建立贷款不良率与违约率的函数关系｡用贷款不良率替代违约率后,KMV模型中数据获取更容易,方法简便,比较适合在我国进行推广和应用｡实证表明,贷款不良率与违约距离的函数关系显著｡因此,在KMV模型中使用上市公司贷款不良率替代其违约率计量信用风险是可行的｡
2.由于KMV模型基于资本市场的有效性建立了违约率与违约率的映射关系,具有前瞻性和客观性｡随着我国股票市场规模的不断扩大,机构投资者不断增多,我国市场的有效性将得到进一步增强｡因此,经改进后的KMV模型可以为债权人､投资者和监管者提供及时､可靠的信用风险计量工具,是我国的信用风险由静态管理转化为动态管理的一种可行的选择｡
3.在KMV模型中,股本价值是通过上市公司每日的股票市场价格来计算的,然而我国金融机构的大部分贷款对象是非上市公司｡因此,如何计算非上市公司的股本价值进而计算其违约距离和贷款不良率需进一步做深入地研究｡
参考文献:
[1] John.B.Caouettee ， Edward I Altman ，Paul Narayanan. Managing Credit Risk --The Next Great Financial Challenge[M].New
York: John Wiley & Sons Inc, 1998:139-153.
[2]Black F， Scholes M.The pricing of options and corporate liabilities [J].Journal of Political Economy,1973,(8):637-659.
[3] Merton R. On the pricing of corporate debt: the risk structure of interest rates [J].Journal of Finance,1974,(28):449-470.
[3] Didier Cossin， Hugues Pirotte.Advanced Credit Risk Analysis [M].New York: John Wiley &Sons， 1td.2001:9-33.
[4] 张玲,张佳林.信用风险评估方法发展趋势[J].预测,2000,(4):72-75.
[5] 王琼,陈金贤.信用风险定价方法与模型研究[J].现代财经-天津财经学院学报,2002,22(4):14-16.
[6] 薛锋,关伟,乔卓.上市公司信用风险度量的一种新方法——KMV[J].西北工业大学学报:社会科学版,2003,23(3):38-41.
