论文部分内容阅读
近年来,我国债券市场总量不断扩大,到2018年年末,我国债市总余额为86万亿元,债券融资成为企业的重要融资渠道。但2018年以来,随着金融监管和政府监管的同步趋严,企业的经营融资都出现了一定的困难,多方面压力下出现了打破刚性兑付以来最大的债券集中违约潮,新增违约主体43家,且其中包括了许多大中型的民企上市公司。而上市公司通常规模巨大,利益相关者众多,违约之后造成的损失和连锁反应通常难以估量,因此,防控由于中大型上市公司违约可能引发的范围性、系统性风险,应当成为目前打好防范化解重大风险攻坚战的重要工作之一。而要想有效防控在债券违约逐步走向常态化背景下的信用风险问题,就必须建立起一套动态有效的风险监测体系从而提高评级机构提前识别违约风险的能力。现有的信用风险度量方法中,KMV模型的独特之处在于仅需要利用资本市场的动态数据而不直接依赖于信用历史数据,因此,研究KMV模型在我国的证券市场的适用性,对于帮助建立健全完善的本土评级体系具有重要的价值。本文围绕2018年新增的15家实质性违约的A股上市公司的信用状况,同时在A股上市公司中随机选取了 15家“ST”公司和15家主体评级为“AAA”的公司作为对照,利用KMV模型对三组上市公司的信用风险进行实证研究,通过对三组样本的预期违约概率计算、分析和对比,研究KMV模型评估A股上市公司信用风险的适用性。另外,本文引入了经粒子群算法优化过的PSO-KMV模型,用PSO-KMV模型对三组上市公司进行了相同的处理,横向比较了 KMV模型下和PSO-KMV模型下三组上市公司的违约距离和预期违约概率。作为补充,本文还对高杠杆的房地产企业进行了针对性的信用风险评估。本文研究发现,KMV模型能够识别出实质性违约组、ST组、AAA组的信用风险差异,三组上市公司样本的违约距离顺序增大,预期违约概率顺序降低;粒子群算法优化后的PSO-KMV模型对上市公司的违约风险比KMV模型更敏感,因此能够明显提高信用风险预测的精度,特别是对于实质性违约组的违约预测准确度很高;KMV模型下,5家主体评级均为AAA且规模较大的房地产企业表现十分一致,预期违约概率均接近1,说明房地产行业的高杠杆蕴含了很高的违约风险。