徐宁

[摘 要]金融市场的快速发展增加企业的融资渠道，同时，投资者对企业信用风险也格外关注。国外成熟市场中，投资者常用KMV模型度量公司的信用风险。本文尝试用KMV模型分析我国部分企业的信用风险。研究表明，样本公司的违约距离服从正态分布;违约点计算中，长期负债的比重越小，模型预测精确度越高。

[关键词]KMV模型;信用风险

[中图分类号]F224 [文献标识码]A

1 引言

随着金融自由化加深，投资者对企业信用风险关注程度逐渐提高。目前对信用风险问题的研究，前沿的研究模型有：KMV 模型、Credit Metrics模型、Credit Risk+模型、Credit Port folio View模型等。其中，KMV模型应用广泛。国内学者对我国上市公司的信用风险进行了研究，但主要侧重于对KMV模型适用性以及对违约点在固定情况下的讨论。其结果表明违约点值等于流动负债时，模型对上市公司信用风险有最强的分辨能力。

本文研究有三个特色：第一，研究对象不同。本文以具有创新特点的互联网金融类上市公司作为研究对象，利用KMV模型研究其信用风险问题。第二，研究方法不同。而本文采取了多样本差异性Jonckheere-Terpstra检验，从而使对互联网金融公司信用风险的研究更为深入。第三，对期权执行价格（违约点）的认识不同。现有文献认为KMV模型中的期权执行价格（违约点）固定点，而本文发现违约点更应是一个有效区间。

2 KMV模型建立及参数的设定

为测量企业的信用风险，本文借鉴KMV模型，并根据现有文献，设定相应的参数。

2.1 KMV模型和违约距离

2.1.1 固定行权价格下的KMV模型和违约距离。KMV模型假设所有公司最终会清算，将公司股权看作是以公司资产价值为标的的看涨期权，公司的负债作为该看涨期权的执行价格。公司清算时，当资产未来市场价值低于所需清偿的负债面值时，公司将会发生违约。当公司的资产价值高于公司的负债，公司所有者将选择不违约，这就相当于执行了看涨期权。

根据上述分析，由Black-Scholes的看涨期权定价公式可得到公司资产价值和股权价值的关系式为：

E=VN（d1）-De-rt N（d2）（1）

其中E是公司股权市值，V是公司资产价值，D是公司负债的违约点，r，t分别为无风险利率和债务期限。（1）式中

对（1）式求导，得：

再根据伊藤引理得：

联立式（1）和式（3） ，可求得V和的值。

公司资产未来市场价值的均值到违约点之间的距离称为违约距离DD。记为：

由于缺乏我国历史违约数据，本文直接用DD度量上市公司的信用风险大小。

2.1.2 考虑多个期权执行价格下的KMV模型及违约距离。由于公司举债有长期短期，本文中，对长期负债分别赋以25%、50%和75%三个权重，以寻找行权价格的设定规律，并测量这三种不同情况下的违约距离。

2.2 参数的设定

我们用公式（4）测量企业的信用风险，在数据处理时，令t=1，r=0.03;对上市公司股权价值定义为：股权价值=流通股收盘价格*流通股股本数+每股净资产*非流通股股本数。对股权价值波动率计算办法是对股权价值取对数，利用Eviews进行GARCH（1，1）回归，从而得到。本文对样本企业的违约点分别设定为0.25、0.5和0.75三种水平，并利用多样本差异性非参数檢验Jonckheere-Terpstra方法来检验违约点设立的优劣。

3 样本选择和信用风险测量和检验

互联网金融公司发展势头迅猛，遇到的信用风险问题也比较严重，因此，本文选择互联网金融公司为研究对象。

3.1 样本选择和数据采集

本文选取主营业务符合互联网金融特点的14家上市公司进行分析。选取14家互联网金融企业2014年第一季度至2017年第二季度共14个季度的数据。选取每个交易日收盘股价、流通股股数和非流通股股数等数据，通过计算得到日股权价值，再利用GARCH模型进行回归，最后利用回归得到的模型重新预测，得到上市公司股票的日波动率，进而根据波动率的性质，得到年波动率，从而计算得到资产价值波动率和违约距离。

本文用Matlab编程实现对式（1）和式（3）的数值计算，得到V和的数值解，进而得到违约距离DD，并以违约距离作为衡量信用风险的依据。

3.2 实证结果与分析

3.2.1 最佳违约点的确定。本文分别计算长期负债所占权重分别为0.25、0.5、0.75时，对应的违约点的数值，从而得到相应的违约距离。之后进行多样本差异性非参数检验（具体数据可向作者索取）。

结果表明，在三个不同水平的长期负债权重下，样本企业的违约距离都存在显著性差异。当长期负债权重为0.25时，企业间违约距离在2%的水平上存在显著性差异;当长期负债权重为0.5时，企业的违约距离在3%的水平上存在显著性差异;而当长期负债权重为0.75时，企业的违约距离也在5%的水平上存在显著性差异。

由此可认为：对于互联网上市公司而言，违约点实质上可能不是一个点，而是一个有效区间。根据本文测算，其有效区间为（0.25，0.75）。

3.2.2 互联网金融公司违约距离的分布检验

根据上文的结果，本文进一步讨论互联网金融公司的违约距离的分布。经计算，互联网金融公司违约距离的偏度为0.88，峰度为-0.545，均不等于0，但差异不大。近似于正态分布。再进行K-S正态分布检验，检验结果表明互联网金融公司的违约距离服从正态分布。

4 研究结论

本文用KMV模型研究互联网金融企业信用风险问题。分析表明，我国互联网金融公司的违约距离服从正态分布，其长期负债在违约点中的比重实质上是一个有效区间，长期负债在违约点中的比重越小，则违约点计算的精确度越高。

[参考文献]

[1] 马雨生.我国上市公司信用风险度量实证研究[D].华东师范大学，2008.

[2] 孙小丽、彭龙，KMV 模型在中国互联网金融中的信用风险测算研究[J].北京邮电大学学报（社会科学版），2013（06）.

[3] 孙小琰，沈悦，罗璐琦.基于KMV模型的我国上市公司价值评估实证研究[J].管理工程学报，2008（01）.

[4] 王念，王海军，赵立昌.互联网金融的概念、基础与模式之辨——基于中国的实践[J].南方金融，2014（04）.

[5] 谢邦昌.我国上市公司信用风险度量模型的选择[J].经济学动态，2008（05）.

[6] 杨成炎，周佳.股票期权可变行权价格模型的探索[J].会计之友，2012（07）.

[7] 张玲，杨贞柿，陈收. KMV模型在上市公司信用风险评价中的应用研究[J].系统工程，2004（22）.

[8] 张泽京，陈晓红，王傅强.基于KMV 模型的我国中小上市公司信用风险研究[J].财经研究，2007（11）.