基于KMV模型的信用风险度量实证研究

KMV模型对我国房地产上市公司信用风险度量的实证研究论文导读:：本文基于2010年中国加大对房地产行业调控的现状和中国房地产上市公司独有的特点，运用修正后的KMV模型，选取沪深两市27家房地产上市公司的数据进行实证研究，根据实证结果，判别修正后的KMV模型适用性并分析违约距离的合理控制范围。

论文关键词：KMV模型，信用风险，违约距离1．引言2010年来，国家针对房地产的政策不断出台，致使房地产公司发展面临诸多风险。

2010年11月份，银监会抽取60家大型房地产公司调研的结果表明：负债率整体上升，资金链趋紧金融论文，信用风险已成为房地产公司监管层心头之患。

本文采用修正的KMV模型，以求更适合我国房地产上司公司的特点，更加有效的对数据进行实证研究，分析公司在信用风险管理中应将违约距离控制在哪一个范围cssci 期刊目录。

2．KMV模型的基本原理KMV模型是根据Merton将有关期权定价理论运用于风险贷款和证券投资而开发出的一种实用高效的分析模型，用以衡量公司的信用风险。

KMV模型又称预期违约率模型（expected default frequency，EDF模型），该模型将企业负债看作是买入一份欧式看涨期权，即企业所有者持有一份以公司债务面值为执行价格，以公司资产市场价值为标的欧式看涨期权。

如果负债到期时企业资产市场价值V高于其债务D，公司偿还债务，企业股东权益的价值为偿还债务后的剩余金融论文，即V-D；而当企业资产市场价值小于其债务时，企业则无法偿还贷款，选择违约，股东权益变得毫无价值，股权所有者将会选择放弃公司的所有权。

KMV模型评价公司信用风险的基本思路是以违约距离DD表示公司资产市场价值期望值距离违约点D (Default Point)的远近，距离越远，公司发生违约的可能性越小，反之越大。

违约点D通常处于流动负债与总负债面值之间的某一点；违约距离常以资产市场价值标准差的倍数表示。

该模型基于公司违约数据库，根据公司的违约距离确定公司的预期违约概率cssci期刊目录。

基于KMV模型我国上市公司信用风险测度实证分析基于KMV模型我国上市公司信用风险测度实证分析近年来，随着我国资本市场的不断发展，上市公司的信用风险成为了重要的研究方向。

有效测度上市公司的信用风险对于金融机构和投资者具有重要意义。

本文基于KMV模型，通过对我国上市公司的实证分析，探讨了其在信用风险测度中的应用和不足之处。

首先，我们回顾了KMV模型的基本原理。

KMV模型是一种流行的结构性模型，通过衡量公司的资本结构、资产负债率、波动率等关键因素来估计公司的违约概率。

其基本公式为违约距离（Distance to Default，DD）= ln(资产价值/债务价值) / 标准差。

通过计算违约距离，我们可以得到上市公司的违约概率，并进一步测度其信用风险。

接着，我们利用KMV模型进行了我国上市公司信用风险的实证分析。

我们选取了2018年度财务数据作为样本，计算了一批在上交所和深交所上市的公司的违约距离。

我们发现，根据KMV模型计算的违约距离，大部分公司的违约概率较低，说明其信用风险相对较小。

然而，仍有少数公司的违约概率较高，这些公司是上市公司信用风险值得关注的对象。

此外，我们还发现，在行业之间存在一定的信用风险差异，一些行业的上市公司信用风险较高。

接下来，我们分析了KMV模型在我国上市公司信用风险测度中的不足之处。

首先，KMV模型基于违约距离的测度方法对数据的敏感性较高，数据质量的问题可能会导致结果的误差。

其次，模型没有考虑到宏观经济环境的变化对公司违约概率的影响，这可能限制了模型的准确性和适用性。

此外，模型的参数估计也具有一定的主观性，不同的参数估计可能会导致不同的信用风险测度结果。

最后，我们提出了一些建议来改进KMV模型在我国上市公司信用风险测度中的应用。

首先，我们应该加强对财务数据的核查和质量管理，确保数据的准确性和可靠性。

其次，我们可以结合宏观经济因素，如利率、失业率等，来进一步完善模型，以更好地反映公司的信用风险。

基于KMV模型的商业银⾏信⽤风险度量及管理研究1 导⾔（论⽂中不能出现截图）1.1 研究背景及意义在新巴塞尔协议的背景下，商业银⾏所⾯临的风险可明确分类为：信⽤风险、市场风险、操作风险、流动性风险、清算风险、法律风险和信誉风险等七种类型。

McKinney（麦肯锡）公司以国际银⾏业为例进⾏的研究表明，以银⾏实际的风险资本配置为参照，信⽤风险占银⾏总体风险暴露的60％，⽽市场风险和操作风险仅各占20％。

因此，在商业银⾏所⾯临的众多风险中，信⽤风险占有特殊的地位，且信⽤风险已经成为国际上许多商业银⾏破产的主要原因。

对于我国商业银⾏来说，企业贷款是其主要业务，银⾏⼤部分的⾦融资产为企业贷款，因此贷款的信⽤风险是商业银⾏信⽤风险的最主要组成部分。

截⾄2014年底，商业银⾏的不良贷款余额为5921亿元，不良贷款率1％，⽐年初增加993亿元；2014年我国银⾏业⾦融机构不良贷款率达1.64%，较2013年提⾼了0.15%；商业银⾏2014年末不良贷款率1.29%，提⾼了0.29%，2014年商业银⾏不良贷款率创2009年来新⾼,2013年和2014年我国商业银⾏不良贷款率也不断上升。

以上数据都表明我国商业银⾏的信⽤风险形势还相当严峻。

信⽤风险问题俨然成为阻碍我国⾦融业的持续发展的重要原因。

因此，研究信⽤风险的特点，收集信⽤相关数据，建⽴度量信⽤风险的信⽤风险模型，定量分析信⽤风险数据，以及如何将信⽤风险管理措施运⽤到各项业务当中，已经是商业银⾏提⾼经营管理⽔平，降低信⽤风险的最基础、最迫切的要求。

本论⽂的选题就是在这样的前提和背景下进⾏的。

在西⽅发达国家，其商业银⾏的信⽤风险管理⽐较成熟，在实践和理论上都已形成相应的体系，表现出⼀种从定性到定量、从简单到复杂、从个别资产信⽤风险评级到资产组合信⽤风险评级的趋势。

信⽤风险度量的⽅法和模型也不断推陈出新。

相较⽽⾔，我国的商业银⾏信⽤风险管理系统体系尚不健全，信⽤评级⽔平较低，对信⽤风险的分析任然处于传统的⽐例分析以及专家经验判断阶段，远不能有效满⾜商业银⾏对贷款安全性的度量要求。

基于KMV模型的中小上市公司信用风险实证研究为了解决中小企业的融资难问题，商业银行在向企业提供贷款时面临对企业的信用风险进行考察的问题。

本文在上海证券交易所中小板选取了7家在2013年之前曾经被特别处理的制造业公司作为研究样本。

利用KMV模型将这7家样本公司违约前后的违约距离进行对比，实证结果表明KMV模型能够动态地对中小上市企业的信贷风险进行度量和判别。

标签：KMV模型中小上市公司违约距离信用风险一、引言随着改革开放的不断深化，中小企业逐渐成为我国经济发展一股重要力量。

然而中小企业在发展的过程中普遍面临着融资难问题。

目前我国绝大多数企业的融资都是靠商业银行贷款进行间接融资。

由于中小企业资产规模有限、技术水平不成熟等原因，中小企业信用缺失现象严重。

目前商业银行为了预防违约风险，都不愿意向中小企业放贷。

因此如何对贷款的中小企业进行信用风险分析和管理是商业银行所面临的的一大问题。

对于信用风险的评价，我们不再局限于传统的仅仅对企业的财务报表进行分析，而是采用更高级的信用风险计量模型来分析。

本文的信用风险计量模型选用KMV模型。

然而目前国内绝大多数的基于KMV模型的信用风险研究都是对比ST公司和非ST公司的违约距离（或概率）。

彭伟（2012）从沪深两市中选取资产规模近似的111家ST公司和非ST公司作为研究对象，利用改进后的KMV模型求出它们在2008～2011年的平均违约距离，认为KMV模型能很好地对上市中小企业的信贷风险进行度量和判别；陈晓红（2008）在沪深证券交易所选取了满足条件的79家中小上市公司，其中有20家ST或者*ST公司，对比二者2004～2006年的的平均违约距离，认为运用经过提高股权价值波动率精度的KMV模型对我国中小上市公司有很强的识别信用风险状况的能力；张玲（2004）以1999～2002年30家ST公司和30家配对的非ST公司为研究样本，结果表明运用参数调整后的KMV模型能够在整体上识别ST公司和非ST公司的显著性差异。

基于KMV模型的信用风险度量实证研究信用风险度量是银行和金融机构日常业务中必不可少的一项工作，它能够帮助机构有效地衡量和管理借款人的信用风险，降低可能的损失。

KMV模型是一种经典的信用风险度量模型，它被广泛应用于金融机构的信用风险管理中。

本文将对基于KMV模型的信用风险度量进行实证研究，旨在探究KMV模型在实际应用中的有效性和适用性。

首先，我们需要简要介绍KMV模型的基本原理。

KMV模型的核心思想是建立一个反映借款人违约概率的准确度量模型，通过衡量借款人违约的概率来评估其信用风险水平。

KMV模型通常采用随机过程的方法，假设借款人的资产价格服从一定的随机演化规律，基于借款人资产价格的变动，利用概率论和统计模型进行信用风险度量计算。

在实证研究中，我们可以选择一家银行作为研究对象，收集该银行的信用风险数据以及相关的财务数据。

然后，基于KMV模型中的信用风险度量公式，计算出每个借款人的预期违约概率，并将结果与实际违约情况进行比较。

通过计算预测准确度指标，如准确率、召回率、F1-Score等，可以评估KMV模型的预测能力和信用风险度量的准确性。

此外，我们还可以通过引入其他因素来改进KMV模型的预测能力。

例如，可以将宏观经济因素、行业周期等因素纳入模型，以更全面地考虑借款人的信用风险。

同时，可以采用机器学习算法来优化KMV模型的预测结果，如支持向量机、随机森林等。

通过与传统的评级模型进行比较，可以评估不同模型在信用风险度量上的差异和优劣。

最后，我们可以利用实证研究的结果，对KMV模型的应用进行优化和改进。

比如，可以根据具体情况调整模型中的参数，以提高模型的适应性和准确性。

可以采用动态追踪方法对借款人的信用风险进行监测，及时调整信用风险度量结果。

此外，还可以将KMV模型与其他风险度量模型进行组合使用，以综合评估借款人的信用风险水平。

综上所述，基于KMV模型的信用风险度量实证研究可以为金融机构提供有力的决策支持和风险管理手段。

基于KMV模型的我国上市银行信用风险器量探究摘要：信贷风险一直被视为银行业务中最主要的风险之一，由此引发的信用风险在银行业中具有重要的地位。

为了有效地器量我国上市银行的信用风险，本文基于KMV模型进行探究。

通过对大量的财务数据进行分析，本探究构建了一套综合的信用风险评估框架，以提供我国上市银行在信用风险管理方面的参考和指导。

关键词：KMV模型；信用风险；我国上市银行；器量探究Ⅰ.引言随着金融市场的进步和金融产品的多元化，银行业的信用风险日益成为一种不行轻忽的风险。

近年来，尤其是全球金融危机的发生，更加凸显了银行业信用风险的重要性。

对于我国上市银行而言，如何准确器量信用风险，提高风险管理水平成为亟待解决的问题。

Ⅱ.相关理论及文献综述在信用风险器量方面，探究者们提出了多种模型和方法，其中KMV模型作为一种较为经典的信用风险器量方法备受关注。

KMV模型将信用违约概率与信用损失相关联，通过对违约概率的预估来器量信用风险。

此外，国内外学者在信用风险器量领域也进行了大量的探究。

Ⅲ.数据来源及样本选择本探究选取了我国数家上市银行作为探究对象，并收集了这些银行的财务数据进行分析。

同时，依据中国金融监管部门发布的数据，选择了一些重点指标作为信用风险器量的参考。

Ⅳ.探究方法及模型构建本探究基于KMV模型，构建了一套适应我国上市银行的信用风险器量模型。

起首，选取了一系列的财务指标，如净资产收益率、资本丰富率、不良贷款率等，作为影响信用风险的因素。

然后，通过对这些指标逐一进行分析，建立了一套较为详尽的评估指标体系。

最后，以违约概率为核心，结合这些指标构建了信用风险器量模型。

Ⅴ.实证结果及分析通过对样本数据进行实证分析，我们发现，本探究构建的信用风险器量模型在器量我国上市银行的信用风险方面具有较高的准确性和可靠性。

同时，通过对实证结果的分析，我们也得出了一些关于我国上市银行信用风险管理的结论。

Ⅵ.风险管理建议依据本探究的实证结果，对我国上市银行的信用风险管理提出了一些详尽的建议。

基于KMV模型的信用风险度量研究邓伟摘要：本文以制造业上市企业为例，选取了ST企业和非ST企业共30家作为样本数据进行KMV模型实证分析，结果显示该模型能够很好地度量了ST企业和非ST企业的信用风险水平，ST企业和非ST企业的违约距离和预期违约概率差异较为显著，符合现实情况。

其中，ST企业的违约距离的均值为-0.485854721，非ST企业的违约距离的均值为1.276797514;ST企业的违约概率波动幅度较大，违约概率最小值为0.205345554，最大值为0.999423641，而非ST企业的违约概率波动较小，违约概率最小值为0.015326951，最大值为0.210425864。

关键词：KMV模型;信用风险度量;预期违约概率;制造业上市公司一、KMV模型的理论基础Merton（1974）提出了KMV模型对债券交易、贷款利息定价等风险资产进行测量，随后国外很多学者进行了相关的实务应用研究，并在此基础上不断对信用度量模式进行优化及扩展。

KMV模型是基于期权定价理论发展起来的，它将公司股权价值类比为看涨期权，根据观测到的股权价值的市场价值波动和资产收益率波动来推导出公司的违约距离，再利用违约数据库，将违约距离映射到相对应的违约概率，即测算出公司的预期违约概率。

假设一家公司的资产价值为V，股权价值为E，并且假定这家公司仅发行一种零息债券，债务期限是一年，债券面值为D。

当债务期限到期，公司的资产价格会出现相应的波动，资产的市场价值可能提高，也有可能大幅降低。

当公司资产的市场价值小于公司债务价值，公司净资产为负值，那么公司没有能力履行还债义务，公司将出现逾期行为，债务人发生损失。

当公司资产的市场价值大于公司债务价值时，公司具备能力償还到期债务，不会发生逾期事件。

二、KMV模型的计算步骤（一）资产价值及其波动率的推导公司股票代表了对公司所有权的持有凭证，对应着公司股权的份额，当公司净资产为正时，也即公司资产能够覆盖负债，公司的股权价值E则等于V-D。

基于KMV模型的信用风险度量实证研究摘要：KMV公司发展的信用监控模型(Cridit Monitor Model)，也称为KMV模型，该方法运用期权定价思想，通过可观测的公司股市价值来推测公司资产价值以及资产收益率的波动性等，据此估计公司的违约概率。

KMV方法的基本思想是，债务人的资产价值变动是驱动信用风险产生的本质因素，所以只要确定了债务人资产价值变动所遵循的规律和模型，就可以实现估计违约率的目的。

关键词：KMV 信用风险违约距离 EDF一、引言财务上习惯于把风险分为市场风险、信用风险、流动性风险、经营风险等。

就狭义而言，信用风险指债务人无法偿还债务所引起的损失，即违约风险（Default Risk）；就广义来说，信用风险指所有会造成信用等级的变动而引起债权减损的事件。

信用风险除了债务人无法依当初约定的契约履行其债务清偿的义务外，还包括了当信用评级等级改变时债权资产价值变动产生的风险。

因此，衡量信用风险对债权资产价值的影响就是要了解在信用风险存在之下，债权资产价值的可能分配情形，包括债权的期望价值与价值变动量。

股票市场可以视为一个评价上市公司信用风险的巨大机制，关于宏观经济状况，行业及公司的信息会以很快的速度传递到或大或小的投资者及投资分析人员,因此股价会在整个交易日内不断地变化波动。

基于股票市场的信用风险度量的著名是KMV公司的预期违约理论模型，KMV 公司从预期违约频率的度量起家现在扩展到组合管理领域。

KMV公司发展的信用监控模型运用期权定价思想，通过可观测的公司股市价值来推测公司资产价值以及资产收益率的波动性等，据此估计公司的违约概率。

KMV方法的基本思想是，债务人的资产价值变动是驱动信用风险产生的本质因素，所以只要确定了债务人资产价值变动所遵循的规律和模型，就可以实现估计违约率的目的。

KMV方法最适用于上市公司，首先由股票市场公开的数据和信息来确定公司权益的价值，再据此确定公司资产的价值，进而估计违约率。

Economic ResearchＫＭＶ模型的我国商业银行信用风险度量及其防范研究17由于上图中所显示的ST 公司所具有的违约距离大体上低于非ST 公司所具有的违约距离，因此可知KMV 模型对于ST 公司和非ST 公司在信用风险的差别的识别方面效果较好，即ST 公司所具有的信用风险普遍高于非ST 公司，这与经验观察是一致的。

四、结论在本文的研究中，在沪深两市中选取 30 只上市公司股票,运用 KMV 模型对我国境内的商业银行所面临的信用风险大小水平进行实证分析，定量地得出违约距离，该违约距离是一个反映在我国的交易所上市的公司信用质量实情的较好指标。

随着经济体制改革步伐的逐渐稳步推进，KMV 模型将在中国证券市场具有更成熟的使用条件。

（3）总负债D本文选取各样本公司2013年年报中所披露的负债总面值作为上市公司的账面负债价值D，可通过计算得出。

（4）股权价值波动率本文运用历史波动率法这一方法来进行估计，以得出未来一年这一时间段内上市公司所拥有的 股权的合计市场价值所具有的 波动率。

计算公式如下：其中， 表示第i 天股票的日收盘价， 表示股票的日收益率，n 表示全年交易日天数， 为日收益率的平均值， 为收益率的日波动率，为年收益率波动率。

2.样本选取和数据搜集本文选取 15 家 ST 公司，然后再选取与之相配对的1 5家非 ST 公司一共合计30家公司作为实证研究样本，涉及化学制品、化工新材、金属材料等一共 15 个行业，采用样本公司 2013 年全年的股票市场交易数据以及经过审计的年报数据进行实证计算。

3.实证计算根据KMV 模型的原理，运用Matlab 软件中的fsolve 函数，通过迭代求解得出各样本上市公司的违约距离，并作出折线图如下所示：图 样本公司违约距离4.实证结果分析李磊宁，张凯．ＫＭＶ模型的修正及在我国上市公司信用风险［Ｊ］．首都经　济贸易大学学报，２００７（４）：４４—４８．陈福生．基于　ＫＭＶ　模型的我国上市公司信用风险工业技术经济．　２００８，２７：１５３－１５６．［５］Ｐｅｔｅｒ　Ｃｒｏｓｂｉｅ，　Ｊｅｆｆ　Ｂｏｈｎ．　Ｍｏｄｅｌｉｎｇ　Ｄｅｆａｕｌｔ　Ｒｉｓｋ．　Ｍｏｏｄｙ’ｓ ＫＭＶ ＫＭＶ模型在上市公司信用风险度量中的应用财会通讯， ２００９（１５）：８－１０．ＫＭＶ模型的我国商业银行信贷风险度量和管暨南大学，２０１１．作者单位山西财经大学 山西省太原市 030006＞＞＞。

２０１９－２０２１年我国上市银行信用风险度量研究基于ＫＭＶ模型瞿山川(对外经济贸易大学ꎬ北京㊀１０００２９)摘㊀要:近年来ꎬ中国面临着 供给冲击 需求收缩 预期转弱 的三重压力ꎬ这将进一步加大商业银行的信用风险ꎮ信用风险的产生会增加交易成本㊁降低投资者投资意愿ꎬ从而影响经济的发展ꎮ公司通常会采用信用风险度量方法及时预测信用违约情况ꎬ以提高商业银行的风险控制能力ꎬ保证信用交易的正常运行ꎮ而ＫＭＶ模型具有良好的风险预测能力ꎬ可以为银行违约风险监管提供参考ꎮ关键词:ＫＭＶ模型ꎻ信用风险ꎻ上市银行中图分类号:Ｆ８３０.４㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀文章编号:１６７１－６７２８(２０２２)１８－００８３－０４㊀㊀随着经济增速放缓ꎬ银行增量市场减小ꎬ存量竞争激烈ꎬ银行面临净息差收窄㊁信用风险持续暴露等经营压力ꎬ净利润增速也处于低位ꎮ银行作为间接融资体系下的主要融资渠道也因此遭受了巨大冲击ꎮ因此ꎬ及时评估影响和风险并采取良好的风控措施ꎬ是银行业赢得这场金融风暴的关键ꎮ信用风险是商业银行面临的首要风险ꎮ银行业能否抵御新冠疫情对产业链与居民生活的冲击ꎬ其风险抵御能力是否会受到影响ꎬ其信用风险状况是否仍然可控ꎮ以上问题的顺利解决ꎬ在后疫情时期各地疫情持续反复的大环境下十分重要ꎮ因此ꎬ研究银行业在疫情暴发前后的信用风险变化ꎬ能使商业银行未来在应对类似突发事件时及时采取相应风控措施ꎬ有针对性地加强信用风险管理ꎬ这对银行业的未来健康㊁持续发展具有重要意义ꎮ在相关定性分析中ꎬ钟震ꎬ郭立探讨了新冠肺炎疫情对中小银行的影响及对策ꎮ陆岷峰分析了疫情危机与信用风险叠加背景下中小商业银行的防范对策ꎮ在运用ＫＭＶ模型对企业进行信用风险的研究中ꎬ王灏威ꎬ许嘉文利用ＫＭＶ模型对新冠疫情前后上市房地产企业信用风险进行了研究并指出疫情使中小房地产企业违约概率显著增加ꎮ余钊研究了疫情对信托行业的信用风险的影响并分析疫情影响信托业信用风险的原因ꎬ分析得出有９２.８６％的信托公司的信用风险在疫情发生后上升ꎮ综合上述文献可以看出ꎬ利用ＫＭＶ模型分析疫情对整个银行业信用风险影响的相关研究较少ꎮ基于此ꎬ文章将采用ＫＭＶ模型对银行业在疫情前后所面临的信用风险进行实证分析ꎬ为银行业在后疫情时期如何进一步加强信用风险管理提供量化基础ꎮ一㊁理论模型ＫＭＶ模型将企业的股权看作一种看涨期权ꎬ执行价格是企业的负债ꎬ标的物为企业资产价值ꎮ当企业的资产价值小于负债时ꎬ企业将选择违约ꎬ否则不违约ꎮ根据Ｂｌａｃｋ－Ｓｃｈｏｌｅｓ－Ｍｅｒｔｏｎ期权定价模型ꎬ企业资产价值和股权价值的关系为:Ｅ＝ＶＮ(ｄ１)－Ｄｅ－ｒ(Ｔ－ｔ)Ｎ(ｄ２)其中ꎬ企业的股权价值波动率与资产价值波动率的关系为:ｄ１＝ｌｎ(Ｖ/Ｄ)＋(ｒ＋σ２ｖ/２)(Ｔ－ｔ)σｖＴ－ｔｄ２＝ｄ１－σｖＴ－ｔìîíïïïï股权价值波动率(σＥ)和公司资产价值波动率(σｖ)之间的关系式为:σＥσｖ＝ＶＥ Ｎ(ｄ１)式中ꎬＤ为负债的账面价值ꎬＴ为到期时间ꎬｔ为现在时间ꎬｒ为无风险利率ꎬＶ为资产市场价值ꎮσｖ为资产价值波动率ꎬＥ为股权市场价值ꎬσＥ为企业股权市场价值波动率ꎮＫＭＶ模型假设公司的资产价值３８作者简介:瞿山川(２００１—㊀)ꎬ男ꎬ汉族ꎬ四川成都人ꎮ主要研究方向:保险学ꎮ服从正态分布ꎬＮ(ｄ)为标准累积正态分布函数ꎬ由股权市场价值Ｅ及其波动率σＥ以及负债账面价值Ｄꎬ利用ＢＳＭ期权定价模型求出公司资产市场价值Ｖ及其波动率σｖꎮ违约距离是企业的资产价值在风险期限内由当前水平降至违约点的相对距离ꎬ可表示为:ＤＤ＝Ｅ(Ｖ)－ＤＰＥ(Ｖ)σｖ其中ꎬＥ(Ｖ)是预期资产价值ꎬＤＰ是公司的违约点ꎮ二㊁实证分析(一)样本选择根据ＫＭＶ模型的计算原理及特点ꎬ研究对象数据应满足有较高公开性和时效性的特征ꎮ因此文章从ｃｈｏｉｃｅ金融终端选取１８家于２０１９年１月１日前上市的商业银行为样本ꎬ包括中国银行㊁农业银行㊁工商银行㊁建设银行㊁交通银行共５家国有控股银行ꎬ中信银行㊁光大银行㊁招商银行㊁浦发银行㊁民生银行㊁华夏银行㊁平安银行㊁兴业银行共８家全国性股份制银行ꎬ北京银行㊁江苏银行㊁上海银行㊁宁波银行㊁南京银行共５家２０２１年资产规模１.５万亿元以上的城市商业银行ꎮ文章以其２０１９－２０２１年相关财务数据为基础ꎬ结合ＫＭＶ模型对上市商业银行进行信用风险研究ꎬ详见表１ꎮ表１㊀样本银行股票代码及财务数据统计表股票代码名称股票代码名称ＳＨ.６０１９８８/０３９８８.ＨＫ中国银行ＳＨ.６０００１６/０１９８８.ＨＫ民生银行ＳＨ.６０１２８８/０１２８８.ＨＫ农业银行ＳＨ.６０００１５华夏银行ＳＨ.６０１３９８/０１３９８.ＨＫ工商银行ＳＺ.０００００１平安银行ＳＨ.６０１９３９/００９３９.ＨＫ建设银行ＳＨ.６０１１６６兴业银行ＳＨ.６０１３２８/０３３２８.ＨＫ交通银行ＳＨ.６０１１６９北京银行ＳＨ.６０１９９８/００９９８.ＨＫ中信银行ＳＨ.６００９１９江苏银行ＳＨ.６０１８１８/０６８１８.ＨＫ光大银行ＳＨ.６０１２２９上海银行ＳＨ.６０００３６/０３９６８.ＨＫ招商银行ＳＺ.００２１４２宁波银行ＳＨ.６０００００浦发银行ＳＨ.６０１００９南京银行(二)参数设定违约点值(ＤＰ):ＤＰ为商业银行短期负债与长期负债一半的和ꎮ无风险利率ｒ:选取中国银行２０１９－２０２１年公布的一年期整存整取基准利率ꎬ即ｒ＝１.５％ꎮ时间范围Ｔ:设定为２０１９－２０２１年ꎮ负债面值Ｄ:根据上市银行２０１９－２０２１年财务报表中的负债总额分别进行估计ꎬ债务期限设定为一年ꎮ股权价值＝流通股数ˑ日收盘价＋非流通股数(限售股)ˑ每股净资产(公司若两地(Ａ＋Ｈ)上市ꎬ则两者相加)ꎮ(三)计算过程１.计算股权价值波动率σＥ假定股票价格服从标准正态分布ꎬ则股票日对数收益率为:μｉ＝ｌｎ(Ｓｉ＋１Ｓｉ)其中ꎬＳｉ为第ｉ天的收盘价ꎬμｉ为第ｉ天的收益率ꎬ股票日收益率的波动率通过计算日均标准差得到:σｎ＝１ｎ－１ðｎｉ＝１(μｉ－Ｅ(μ))２其中Ｅ(μ)＝１ｎðｎｉ＝１μｉ将股票价格数据代入上述公式ꎬ并根据当年实际股票交易日获取Ｎ的数据可得出日收益波动率ꎮ日收益波动率与年收益波动率关系为:σＥ＝σｎˑＮ２.计算资产价值和资产价值波动率通过Ｂ－Ｓ－Ｍ模型得到样本银行２０１９－２０２１年年的资产价值和资产价值波动率ꎬＭａｔｌａｂ计算结果详见表２ꎮ表２㊀２０１９－２０２１年年样本银行股权价值与股权波动率ꎬ资产价值与资产价值波动率名称２０１９年２０２０年２０２１年Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率南京银行０.２４７３２３０.０１４０３２０.２６４１０３０.０１４９５６０.３１８５６６０.０１７４３江苏银行０.１９０３４０.００８０５０.２２６１３４０.００８３１４０.２８８２１５０.０１００８９北京银行０.１５６０８０.００７７１９０.１７９７３９０.００６７１０.０９８２０１０.００３２７５上海银行０.１８６９６４０.０１１７６６０.１８６１９４０.００８９８７０.１５１５４４０.００６２４５宁波银行０.２８６６６９０.０３３４５０.３６７５２９０.０４５７７４０.３７５８１０.０４５３１４华夏银行０.１６６１５６０.００７７６９０.１８７１２３０.００６８６３０.１２１６９９０.００３９４９光大银行０.２２３００１０.０１０９６５０.２９４９６６０.０１１８４３０.１９７００６０.００６１６１民生银行０.１５２１３１０.００６５５３０.１８６４４３０.００６３１０.１４１２４９０.００３５８中信银行０.２０２６４８０.００９０２９０.２２８８７１０.００７５１５０.１４８８１６０.００４１２１平安银行０.３１５００９０.０２５８５３０.３４３２４０.０２９１８７０.３９１０６９０.０２６２８１浦发银行０.２０４６０１０.０１１２２５０.２１９１２０.００８３２４０.１７７９７５０.００５８６５兴业银行０.２５０９０５０.０１５１４７０.２７４１７３０.０１５８３６０.３４５７１４０.０１７１７６招商银行０.２４８７０２０.０３１１５１０.３０８７５５０.０４０４０６０.３４０１８０.０４５７７１交通银行０.１６６９８８０.００７３８４０.２０２６６５０.００６４７８０.１５０２３７０.００４７７８中国银行０.１３８９６９０.００６８１４０.１６２４３８０.００６３５４０.０９２９７０.００３２７９４８续表名称２０１９年２０２０年２０２１年Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率农业银行０.１３５２７９０.００７４５３０.１５３２３８０.００６８１７０.１０２３１８０.００４０４１建设银行０.１７３５２２０.０１１９３０.２４９１７７０.０１３７０８０.１８７２２８０.００８８７２工商银行０.１５８５３７０.０１１４６８０.１９６３３７０.０１１０１４０.１４１７２３０.００６９９㊀㊀３.计算违约距离与ＥＤＦ在此模型下ꎬ决定公司预期违约概率的是违约距离ＤＤꎮ违约距离与企业违约的可能性呈负相关关系ꎬ即当违约距离减小ꎬ违约概率就相对越高ꎮ２０１９－２０２１年样本银行数据详见表３ꎮ表３㊀２０１９－２０２１年样本银行的违约距离与ＥＤＦ类型名称２０１９年２０２０年２０２１年违约距离ＥＤＦ违约距离ＥＤＦ违约距离ＥＤＦ城市商业银行南京银行３.０２７０.００１２３４２.８３３０.００２３０６２.３１７０.０１０２４３江苏银行３.４５６０.０００２７４２.６７１０.００３７７８２.０２３０.０２１５１７北京银行４.５４６０.０００００３３.３９５０.０００３４３５.７２３０.００００００上海银行４.１４５０.００００１７３.７７０.００００８２４.２７８０.０００００９宁波银行３.０８９０.００１００５２.４２７０.００７６２２２.３６１０.００９１１１股份制商业银行华夏银行４.１６４０.００００１６３.２２３０.０００６３５４.５１４０.０００００３光大银行３.１７４０.０００７５３２.１６４０.０１５２１８２.７０.００３４７２民生银行４.３６６０.０００００６３.０５０.００１１４５２.９６５０.００１５１１中信银行３.３３５０.０００４２６２.４２４０.００７６７１３.１５４０.０００８０５平安银行２.６３６０.００４１９０２.４３６０.００７４２５２.００９０.０２２２７５浦发银行３.６１５０.０００１５０２.８１７０.００２４２４３.１２７０.０００８８４兴业银行３.０４８０.００１１５２２.７４８０.００３０００２.０５２０.０２０１０４招商银行３.５９６０.０００１６１２.９１３０.００１７９１２.６５１０.００４００８国有控股商业银行交通银行４.０３２０.００００２８２.６７６０.００３７２７３.５９４０.０００１６３中国银行５.０８７０.００００００３.８７１０.００００５４６.３１０.００００００农业银行５.４７６０.００００００４.４０７０.０００００５６.１８１０.００００００建设银行４.５８３０.０００００２２.９７１０.００１４８３３.７１８０.０００１００工商银行５.０８５０.００００００３.７９８０.００００７３５.００１０.００００００(四)结果分析８家样本银行在２０１９年疫情暴发前的资产价值波动率ꎬ如图１所示ꎬ平均为０.０１３２１ꎬ２０２０年疫情暴发期为０.０１４１９ꎬ２０２１年后疫情时期为０.０１２４０ꎮ２０１９－２０２１年ꎬ样本银行资产价值波动率先上升后下降的趋势一定程度表明疫情的发生对银行业的资产端有一定的影响ꎮ其中零售业务占比较大的宁波银行㊁招商银行在疫情暴发的２０２０年波动幅度最大ꎮ这可能是由于零售类消费类贷款和以批发零售㊁住宿餐饮㊁旅游为代表的对公贷款不良率抬升明显所致ꎮ图１㊀２０１９－２０２１年样本银行资产价值波动率情况通过计算违约距离(如图２所示)可以发现ꎬ疫情暴发前样本银行的平均违约距离为３.９１５ꎬ疫情暴发时期的平均违约率为３.０３３ꎬ后疫情时期为３.５９３ꎮ该数据普遍高于巴曙松ꎬ蒋峰针对我国所有上市Ａ股企业提出的违约预警线２.２的水平ꎬ一方面说明我国商业银行整体风险可控ꎻ另一方面说明疫情的暴发显著降低了银行的违约距离ꎬ加剧了信用风险ꎮ但随着新冠疫情于２０２１年得到缓和ꎬ各行各业有序复工复产ꎬ后疫情时期银行业整体违约距离有所降低ꎬ信用风险控制水平得到提升ꎮ这可能是由于前期行业拨备计提力度较大ꎬ风险抵补充足ꎬ使得上市银行具备良好的风险承受能力所致ꎮ图２㊀２０１９－２０２１年样本银行违约距离变化情况通过计算ＥＤＦ(图３)可以发现ꎬ样本银行的违约距离与期望违约率成反比关系ꎮ绝大部分样本银行在疫情暴发时期的期望违约率均有一定程度的上升ꎬ其中国有控股商业银行由于其资本更为充足ꎬ在样本银行中的表现最为稳健ꎮ图３㊀２０１９－２０２１年样本银行ＥＤＦ变动情况三㊁疫情对银行信贷风险的影响(一)信贷资产质量下滑由于新冠疫情导致的停工停产负面影响波及面广ꎬ既极大冲击了制造业产业链上下游ꎬ也显著降低了餐饮㊁旅游㊁交运等行业的经济效益ꎬ对小微企业的经营能力和盈利能力产生了明显的负面冲击ꎮ因此ꎬ商业银行的信贷投放及资产驱动型负债规模与匹配５８受到影响ꎬ导致信用风险和流动性风险在一定程度上有所增加ꎮ此外ꎬ由于新冠疫情后商业银行不断加大金融信贷支持力度ꎬ多措并举提升普惠金融服务质效ꎻ同时企业信用风险存在滞后性ꎬ疫情对企业的偿付能力影响存在时滞ꎬ因此疫情防控期间的大量增量贷款的潜在风险也不容忽视ꎮ根据样本银行历年年报可知ꎬ过半数以上的样本银行不良贷款率在２０２０年呈现出较明显的上升趋势ꎬ如图４所示ꎮ图４㊀２０１９－２０２１年样本银行不良贷款率情况(二)未来投资偏好将趋向保守２０２０年ꎬ在旧挑战(全球经济减速)和新冲击(疫情全球蔓延㊁油价暴跌和外围证券市场暴跌)的共同夹击之下ꎬ２０２０年一季度ＧＤＰ增速创改革开放以来的新低ꎮ新冠疫情的出现将长期影响企业和居民部门的心理预期ꎬ未来宏观经济下行压力也将压制投资者的风险偏好ꎬ观望情绪加重ꎬ将最终影响金融服务有效需求和供给ꎬ从而对银行信用风险产生一定的负面影响ꎮ(三)银行盈利指标下降总资产收益率(ＲＯＡ)和净资产收益率(ＲＯＥ)方面ꎬ受利率下行与拨备增提的影响ꎬ大部分上市银行的ＲＯＡ与ＲＯＥ指标均有所下行ꎮ净息差方面ꎬ受存款成本刚性㊁贷款基础利率(ＬＰＲ)下行和金融普惠背景下利率优惠等因素影响ꎬ股份制与国有银行将面临较大的净息差收窄压力ꎮ近年来ꎬ商业银行持续加大减费让利的力度ꎬＬＰＲ也经历多次下调ꎬ银行贷款利率呈现持续下行态势ꎬ而负债端成本仍较高ꎬ在多重因素影响下银行净息差普遍收窄ꎮ银保监会披露的数据也显示出净息差收窄的趋势ꎬ商业银行２０２１年末净息差为２.０８％ꎬ较２０２０年末下降０.０２个百分点ꎮ盈利指标的下降将直接影响银行业的资产与拨备情况ꎬ一定程度上加剧信用风险ꎮ四㊁疫情反复背景下银行业信用风险防范对策(一)宏观层面财政政策方面ꎬ中央银行应实行宽松的货币政策ꎬ适时调低法定存款准备率ꎬ既要扶持小微企业发展ꎬ稳定市场信心ꎬ也要保证商业银行拥有充足的资金与超额准备ꎮ监管方面ꎬ相关部门需加强信贷部门流动性监管ꎬ利用压力测试评估信贷资产恶化程度并督促银行完善流动性风险预警机制ꎬ防止包商银行破产事件再次重现ꎮ此外ꎬ相关部门应建立逆周期动态调节机制和差异化管理机制ꎬ在经济下行时期有序调降拨备覆盖率ꎬ提高贷款风险容忍度ꎬ缓解银行存款压力ꎮ(二)微观层面业务流程方面ꎬ商业银行应当加强服务流程线上化建设ꎬ既提升金融服务便捷性与可得性ꎬ也具有良好的可追溯性ꎬ易于后续对风险资产开展数据分析ꎮ业务结构方面ꎬ商业银行应当拓展中间业务收入规模ꎬ构筑第二增长曲线以实现轻资本及内生增长的目标ꎬ在保证收益的同时从根本上减少信用风险ꎮ资本补充渠道方面ꎬ商业银行应采用多元化方式如发行二级资本债㊁永续债与非公开定向增发方式补充核心资本ꎬ提高资本充足率ꎬ有效应对权益端的冲击ꎮ此外ꎬ还应当合理利用衍生金融工具化解银行的不良资产ꎮ风控方面ꎬ商业银行应当加大金融科技投入ꎬ依托大数据和模型进行风险评估从而实现科技赋能银行风控管理ꎬ利用大数据等技术手段改进风险监测体系ꎬ实现降本增效ꎬ达到对困难企业和个人的精准识别与贷后的精确追踪与管理ꎬ遏制可能出现的不良现象ꎮ五㊁结语综上所述ꎬ商业银行应做好中长期资本规划ꎬ密切持续关注资产质量变迁ꎬ积极应对和化解在中长期可能面临的不良压力ꎮ参考文献:[１]钟震ꎬ郭立.新冠肺炎疫情对中小银行的影响及对策研究[Ｊ].武汉金融ꎬ２０２０(３):３７－４１ꎬ５９.[２]陆岷峰.中小商业银行:疫情危机㊁信用风险叠加与防范对策[Ｊ].华北金融ꎬ２０２０(６):６９－７７.６８。

基于KMV模型对我国房地产上市公司的信用风险测度KMV模型是一种用于测度信用风险的模型，可以用于评估我国房地产上市公司的信用风险。

本文将基于KMV模型对我国房地产上市公司的信用风险进行测度。

我们需要了解KMV模型的基本原理。

KMV模型是基于距离到违约（Distance to Default，DTD）的理论开发的。

DTD是指债务人违约的概率与其个体特征之间的距离，即债务人偿还能力与最低偿还要求之间的偏离程度。

KMV模型通过测量债务人表现的预期损失来评估其违约概率。

在应用KMV模型进行信用风险测度时，需要估计两个关键参数：债务人资产价值和资产价值波动率。

对于我国房地产上市公司来说，债务人的主要资产通常是其房地产项目。

我们可以通过评估房地产项目的价值来估计债务人的资产价值。

这可以通过对房地产项目进行市场估值或基于收益法进行估计。

资产价值波动率可以通过历史数据或市场波动率进行估计。

在确定债务人的违约边界时，可以考虑多种因素。

债务人的市场份额和行业地位反映了其偿还能力。

财务指标如偿债能力、盈利能力和现金流量情况也是评估债务人偿还能力的重要参考。

外部因素如宏观经济环境和政策环境也对债务人的违约概率产生影响。

基于以上参数和指标，我们可以利用KMV模型计算出每个房地产上市公司的违约概率。

根据违约概率的高低，可以将公司划分为不同的信用风险等级，以便投资者和金融机构进行风险管理和决策。

需要注意的是，KMV模型只能提供对违约概率的估计，而不能直接测度违约损失的大小。

在进行信用风险测度时，还需考虑到其他风险因素，如违约损失率和违约的冲击。

模型的输入参数和估计方法也需要根据具体情况进行合理选择和调整。

基于KMV模型对我国房地产上市公司的信用风险进行测度需要估计债务人资产价值和资产价值波动率，并综合考虑市场地位、财务指标和外部因素来确定违约边界和计算违约概率。

这将帮助投资者和金融机构更好地理解和管理房地产上市公司的信用风险。

——以北京市地方政府债券为例邓殷洁 胡丹云 中央财经大学摘要：我国已正式允许地方政府自主发债，由于地方政府财政收入存在不确定性以及我国地方政府存在的特殊的地方政策会随领导人变动而改变的现象，我国地方政府债券在一定程度上存在着信用风险。

本文尝试从违约概率的角度来说明信用风险的大小，简单阐述了KMV模型测度地方政府债券信用风险的基本思想，并运用北京市财政收入数据进行实证分析，得出了北京市地方政府债券不同发债规模下的违约概率以及使违约率低于临界值的安全发债规模，说明北京市地方政府债券的信用风险目前是极小的，但会随着发债规模的增长呈急剧增长趋势，仍需关注未来地方政府债券可能会快速增加的信用风险。

关键词：地方政府债券；信用风险；KMV模型；发债规模中图分类号：F830.5 文献识别码：A 文章编号：1001-828X(2015)024-000476-03一、研究意义（一）我国地方政府债券发展历程及前景2014年8月31日新《预算法》经人大常务委员会表决通过，至此正式确立了我国地方政府直接发行债券的法律依据。

自2015年1月1日起，经国务院批准，省、自治区、直辖市政府可以适度举措债务，按照举债资金用途可将地方政府债券分为地方政府一般债券和地方政府专项债券，其中地方政府一般债券主要由一般公共预算收入偿还，地方政府专项债券主要由项目对应的政府性基金及专项收入偿还，鉴于本文所用的KMV模型主要考虑地方政府财政收入对地方政府债券信用风险的影响，故本文地方政府债券的范畴仅限于地方政府一般债券。

根据2015年的预算安排，国务院批准地方政府发行一般债券5000亿元用于弥补财政赤字，虽然地方政府一般债券的发行量相比国债而言仍然很小，但是可以预见的是，在地方政府存在巨大融资缺口和2015年即将到期的巨额债务的背景下，未来我国地方政府债券的发行必将常态化。

（二）我国地方政府债券存在潜在的信用风险通常意义上信用风险是指借款人因各种原因未能及时、足额偿还债务而违约的可能性(本文中所指的信用风险大致等于违约风险)，通常度量债券信用风险最直观的指标就是违约概率，所以本文主要尝试从违约概率的角度来度量地方政府债券的信用风险。

KMV模型在我国商业银行信用风险管理中的适用性分析及实证检验KMV模型是一种用于衡量和管理商业银行信用风险的模型，在我国商业银行的信用风险管理中具有重要的适用性。

本文将对KMV模型在我国商业银行信用风险管理中的适用性进行分析，并通过实证检验来验证KMV模型的有效性。

首先，KMV模型适用于我国商业银行信用风险管理的原因在于其基于市场价值的方法。

传统的风险管理方法主要基于财务报表数据和历史数据，而市场价值方法则更加前瞻性和实时性。

在我国商业银行信用风险管理中，市场环境和经济情况的变化较为频繁，因此需要一个能够及时反映这些变化的模型。

KMV模型能够通过市场数据和风险指标来测度信用风险，对于及时把握商业银行信用风险具有重要意义。

其次，KMV模型适用性之一在于其对风险事件的概率分布进行建模。

KMV模型通过对损失的概率分布进行建模，能够准确衡量风险事件发生的概率，从而评估出信用风险的水平。

在我国商业银行信用风险管理中，恶意拖欠、违约等信用风险事件的发生具有一定的不确定性，而KMV模型能够较好地处理这些不确定性，并在模型中进行量化。

因此，KMV模型能够对我国商业银行信用风险进行准确度量和风险管理。

第三，KMV模型适用性之二在于其将宏观经济因素纳入模型中。

KMV模型将借款方的违约概率与宏观经济因素相联系，考虑了经济周期对信用风险的影响。

在我国商业银行信用风险管理中，宏观经济因素对于信用风险的变化具有重要影响，如经济增长速度、利率水平、货币政策等。

KMV模型能够通过捕捉这些宏观经济因素的变动，来评估和管理商业银行信用风险。

最后，本文通过实证检验来验证KMV模型在我国商业银行信用风险管理中的有效性。

通过选择几家重点商业银行，采集其信用风险数据及市场数据，并运用KMV模型来对其信用风险进行评估和管理。

实证结果显示，KMV模型能够较为准确地评估商业银行的信用风险水平，为商业银行提供有效的风险管理工具。

同时，实证结果也表明，KMV模型能够帮助商业银行定制个性化的信用风险管理策略，提高风险管理的精准度和效益。