论文部分内容阅读
信用风险是商业银行面临的最主要的风险,对银行持续稳健经营有着至关重要的影响。自20世纪90年代以来,金融自由化和金融创新蓬勃发展,信用衍生工具被广泛的采用,这就使得商业银行面临的信用风险更加严峻,如何对信用风险在精确度量的基础上进行有效的管理是商业银行面临的极具挑战性的课题。通过对我国信用风险度量和管理的现状进行分析可以发现,当前我国信用风险度量的手段还比较落后,偏重采用定性和简单定量的方法,由此导致信用风险管理基础薄弱,商业银行普遍面临着较大的信用风险。针对这一现状本文对国际上应用广泛的信用风险度量模型进行了梳理,并结合我国现阶段的实际情况对模型在我国的适用性进行了分析。通过分析各个模型的适用范围、数据要求、预测准度和稳定性本文发现Logistic回归模型在输入数据和前提假设方面都比较适合我国现阶段的实际情况因此本文最终选用了Logistic回归方法来建立信用风险度量模型,并对模型的效果进行实证检验。在利用Logistic回归方法建立信用风险度量时,由于缺乏理论指导专家学者多依据自己的主观判断来选择模型的输入指标,往往造成在指标选取时出现指标冗余或者遗漏一些重要指标的情况,针对这一问题本文利用信息熵原理提出了一种客观选择Logistic模型输入参数的方法。本文在实证部分以我国全部上市公司作为研究对象摒弃了以往研究中惯用的配对方法,在此基础上利用信息熵理论对财务指标的信用风险预测能力进行了客观测定,并选取预测能力最强的前11个指标作为输入变量,构建了基于Logistic回归的信用风险度量模型,并对模型的效果进行了实证检验。研究结果表明,每股净资产、营业毛利率等11个绝对财务指标和相对财务指标对公司是否违约有较强的预测能力；基于Logistic回归建立的信用风险预测模型比较稳定,而且有较高的预测准度,总体判断准确率分别达到90.7%和86.4%,因此可利用该模型来评估和预测信用风险。另外为检验本文所采用方法建立的信用风险度量模型相对与传统方法所建立的信用风险度量模型是否有所改进,本文利用逐步判别法建立Fisher判别模型,并对采用两种方法建立的信用风险度量模型的预测结果进行了全面对比,通过对比可以发现无论从总体预测正确率还是两个模型犯两类错误的概率上来看,用本文所采用的方法建立的信用风险度量模型都全面优于采用传统方法建立的Fisher多元判别模型。