KMV模型在我国商业银行信用风险度量中的具体应用

报告中没有对流动负债和长期负债进行单独列报，因此我们根据两家银行的2011年6月到2013年6月的合并资产负债表中，并结合财务报告附注对两家银行的负债进行了分析：出于谨慎原则，我们把银行的到期期限一年以上的存款、长期债务（已发债务证券、应付债券）、递延所得税负债作为长期负债，其他负债均划分为流动负债。具体数值如下表所示：

3.无风险利率的确定。本文中使用的无风险利率是人民银行公布的一年期定期整存整取的存款利率。近两年，一年期定期整存整取的存款利率如下：

4.股权价值年波动率的计算。我们在计算股权价值波动率的时候，采用一年的每日股票收盘价来计算其收益率的日波动然后再转化成年波动率。我们队波动率采用了滚动计算的方式，例如我们计算2011年6月31日的年波动率采用的是2010年6月到2011年6月的数据，计算2011年12月31日的年波动率时则采用2011年1月到12月的数据，后期的计算则以此类推。具体计算公式在第二部分已经介绍，在此则直接列出计算结果：

5.资产价值（VA）和资产价值波动率（σA）的计算。根据第二部分所述，这两个参数的计算涉及到解非线性方程组的问题，本文通过编写Matlab程序求解。求解结果如下所示：

6.违约距离（DD）与违约概率（EDF）的计算。根据上述理论中提到的计算公式可以求得：

7.实证结果剖析

我们首先来比较两家银行的DD值，为了得到更加直观的比较结果，我们将表11画图分析如下：

从上图我们可以看出，总体上工商银行的违约距离明显大于南京银行。根据KMV模型，资产规模大和业绩相对好的公司，其违约距离大，发生违约的可能性小。图1验证了工商银行业绩好，违约距离大，违约概率小这一事实。其次可以看出二者的违约距离在2012年以后变化趋势相同，其中2013年中期几乎同步下降，查阅当期资料可以发现，2013年中期货币市场出现“闹钱荒”现象。6月20日，上海银行间隔夜拆放利率大幅飙升至13.44%，隔夜拆借利率最高达到30%，7天质押式回购利率最高成交于28%。整个金融市场出现短暂资金断流，随着银行间市场资金面的越发紧张，机构相互间的违约风险有可能暴露，这是影响违约距离的重要原因。

从EDF值的比较来看，首先工商银行的预期违约概率低，且在样本时间范围内比较稳定，说明工商银行具有良好的信用且信用状况稳定。而南京银行的EDF值相对高且波动较大。从图2看到2013.6.30南京银行的EDF上升，从中期财务报表并未看出该银行经营方面的问题，故我们认为，货币市场紧张是造成南京银行这类中小商业银行EDF值明显上升的原因。

从DD和EDF的映射关系可以反映出我们关于违约距离与预期违约率之间的标准正态分布假设。DD值越大，EDF越小，这符合理论和常识的要求，此外违约距离一旦大于三个标准差则违约概率几乎为零。此外，我们还可以看出工商银行和南京银行的违约距离中有67%的时候位于2到3之间，不管是超级大银行还是中小股份制商业银行都反映出了都是很低的违约率，这说明我国目前银行的资产状况良好，信用状况稳定。但是形成这样的结果的原因可能并不完全是因为我国银行的良好运营，也可能得益于诸多制度因素，比如不完全的利率市场化以及垄断经营等。

综合上述的论述，我们认为KMV模型能够较好的对我国商业银行的信用风险进行度量，能够反映银行间的相对信用状况。由于我国的历史违约数据库的缺乏，使得KMV模型在我国的实际运用中也存在一定的缺陷，即根据违约距离和预期违约率之间的标准正态分布假设计算出的EDF偏小，可能会低估我国银行的违约风险，从而造成信用风险管理的缺失。

五、结论

本文以KMV模型为基础，计算了工商银行和南京银行的违约距离和预期违约率，并对两个银行的信用风险做了比较分析。同时，参考关于信用风险影响因素的实证文章，有作者以公司财务指标为研究对象，从企业资产规模、盈利水平（每股收益）、发展能力（净资产增长率）、偿债能力（流动比率）、稳定性（股价波动率）和营运能力（总资产周转率）六个因素与企业信用风险的关系进行定量了分析，结果是企业的资产规模和流动比率是影响企业信用风险的主要因素。企业规模越大，流动比率越大，违约距离越大，企业信用风险就越小。而在两种影响因素中，又以企业规模的影响力最大。这与本文结论不谋而合。

总体来说，KMV模型在实证中表现了很好的实用性，违约距离DD在能够较好反映上市银行面临的信用风险，但是理论EDF反映银行信用状况的效果不是很理想，我们认为可能的原因有：1.我国证券市场价值投资少，投机炒作多，股票价值没有真实反映上市公司真实经营状况，降低了KMV模型在我国应用的准确性。2.历史违约数据库的缺乏，导致缺失违约距离DD和预期违约概率EDF之间的更为准确的映射关系。3.计算中的大量假设条件不一定符合现实，如资产价值符合正态分布，还有就是美国经验方法不一定适合我国，如DPT的计算。

参考文献：

[1]欧阳秀子.我国商业银行信用风险度量模型的实证研究-基于KMV模型的实证分析[J].金融与经济，2009，（4）：73-75.

[2]刘利文.KMV模型在我国商业银行信贷风险管理中的应用研究[J].商业经济，2010，（5）：40-43.

[3]陈晓红.基于KMV模型的我国中小上市公司信用风险研究[J].数理统计与管理，2008，（1）：164-174.

[4]中国工商银行股份有限公司2011年—2013年半年报、年报.

[5]南京银行股份有限公司2011年—2013年半年报、年报.

[6]陈浩.我国上市公司信用风险度量及其影响因素的实证研究[J].金融教育研究，2012，（1）：33-34.

[7]彭大衡.银行信用风险演变的KMV模型分析-以五家中小商业银行为例[J].经济数学，2009，（3）：66-67

作者简介：姜慧华（1989- ），女，浙江江山人，助教，研究方向：创业管理、服务创新

推荐访问:商业银行 在我国 度量 模型 信用风险