商业银行信用风险度量研究——基于LOGISTIC与KM(4)

银行信用风险度量理论资料

润越多，公司盈利能力越强，但是如果短期内公司净利润变化不大，那么在利润一定的情况下，公司权益资本越充足，越有能力保证将资金按期偿还给债权人；资产短期负债率越小，违约可能性越小，说明流动负债占总资产的比例越小，公司短期内发生违约的概率越小：筹资活动净流入现金与负债比率越大，违约可能性越小，说明如果公司通过权益融资方式获得了大量资金’，则公司出现资不抵债的可能性就减小了，如果公司能通过借新债还旧债的方式融入新的资金，在短期内能暂时克服资金短缺的困难，但长期靠这种方式获取资金则难以为继，一旦资金链断裂，则公司就有破产的危险。

作者在运用ＬＯＧＩＳＴＩＣ模型分析信用风险的过程中发现三个问

题。一是利用ＬＯＧＩＳＴＩＣ模型只有在每年公司公布年报以后才能依据财务数据发现公司的风险变化情况。而且公布的年报中财务数据的准确程度将直接影响研究者对风险的判断。二是虽然有模型对指标进行筛选，但在应用统计方法前，仍然需要研究者事先对大量的财务指标进行选择，不同研究者的主观判断不同，得出的结论也不一样。三是模型运用某一时点或特定的时间区间数据进行分析，随着宏观经济环境的变化，在本期得出的较好的模型和回归系数不一定适合对下一期的信用风险进行识别和预测，所以研究人员常把回归模型当作解释某一时点风险因素的工具。

Ｉ（Ｍｖ模型是一种动态量化信用风险的模型，其敏感度更高，可以

根据上市公司股票交易的实时数据，计算出违约概率值，能更快的发现公司的风险变化。ＫＭＶ模型是根据公司资产价值和资产价值波动率来计算公司的违约距离和违约概率，能度量公司信用风险的准确值。它不用对财务指标进行主观选择，没有缺乏客观一致性的问题，因此作者希望运用ＫＭＶ模型来弥补ＬＯＧＩＳＴＩＣ的缺陷。

实证结果证明，用ＫＭＶ模型能够将Ｌｏｇｉｓｔｉｃ模型中误判的公司

归入适当的风险级别，判别准确率较高，在一定程度上能弥补Ｌｏｇｉｓｔｉｃ模型的不足，这两种方法的结合运用能够帮助银行提高甄别高风险和低风险客户的准确程度。尽管ＫＭＶ模型没有ＬＯＧＩＳＴＩＣ模型的三个问题，但它对风险衡量