论文部分内容阅读
经过近20年的发展，中国商业银行的信用风险控制能力得到了极大的提升，各大银行也已经基本建立了企业信用风险识别体系，但和国外成熟的银行业相比较，中国商业银行仍存在很多缺陷，例如信用风险的识别主要还是依赖专家系统等定性分析，缺少严格的定量分析。
本文选取中国A股市场138个企业数据为样本，实证检验了KMV模型与Leland-Toft模型在识别中国上市企业信用风险方面的能力。KMV模型属于外生违约边界模型，LT模型属于内生违约边界模型，本文比较分析了这两个信用风险结构模型，研究哪个模型更能符合中国的现状。本文构造了ST公司和配对非ST公司两个样本，将模型关于这两个样本分别进行实证研究，为了提高模型的识别能力，本文对模型中主要参数股权价值波动率σE进行了修正，采用了极差波动率作为代理变量。极差波动率既可以反映交易日内大量信息，又对微观结构产生的噪声具有鲁棒性(Robustness)，而且极差波动率作为代理变量也是无偏的。因此本文采用极差波动率代替传统的波动率计算方法。
在识别ST公司和非ST公司时，KMV模型与LT模型均表现出不错的识别能力，不论是均值t检验还是中值Wilcoxon检验，两个模型都在5％显著性水平下显著。但是，两个模型计算得到的理论EDF却存在很大的差异，造成这种差异的原因主要在于KMV模型的理论预期违约概率与实际违约概率不符，无法正确反映ST公司的违约状况，同时可能是因为LT模型某些参数的设定不符合中国市场的现状造成的。
为了能够更加清楚的看到两个模型识别能力的差异，本文创新性的采用了医学领域较为成熟的ROC曲线进行检验，通过构造基于Logistic的ROC模型，本文计算出KMV模型的ROC曲线下面积为0.6152，LT模型的ROC曲线下面积为0.8230，再结合ROC曲线的形状，本文认为LT模型的识别能力要明显高于KMV模型。