郭晓旭 王永茂

摘 要：本文主要研究KMV模型的改进问题，使其能够更准确有效地预测软件和信息技术服务业上市公司的违约风险。对违约点重新设定，采用动态粒子群算法，对权重和学习因子做线性变化策略，将其转化为求解標记*ST、ST和未被标记公司之间违约距离差距的最大值问题，来找到违约点的最优系数组合，实现对上市公司的信用风险度量与评估。

关键词：信用风险度量;KMV模型;动态粒子群算法;权重因子

0 引言

随着信息产业价值的突显，软件和信息技术服务业作为新兴产业迎来了蓬勃发展。国家先后出台的一系列政策，给予了这个行业较为全面的政策支持。企业想要更好地生存和发展需要引入大量资金，但由于我国存在着社会信用体系不够完善，公司信息不够透明等问题，银行和金融机构不能准确地评估公司信用情况，造成了软件和信息技术服务业公司融资难的困境。因此，需要建立信用风险度量模型对软件和信息技术服务业的上市公司进行信用风险评估。

1 预备知识

1.1 KMV模型参数估计

2 实证分析

2.1 传统KMV模型

本文选取软件和信息技术服务业截至2019年6月30日在A股、创业板、中小板各个板块单独上市的193家上市公司作为研究样本。按照股票代码排序，序号为1～193。其中，有8家上市公司被中国监证会标记为*ST，有2家上市公司被标记为ST。

借助MATLAB，求解传统KMV模型违约点系数组合为（1，0.5）时的193家上市公司的预期违约距离。发现编号为77、172和173的上市公司预期违约距离分别为-184、-2449和-1070，与其他值相差过大，于是作为异常值将其剔除。……