基于Logistic模型和GARCH—KMV模型的中國上市公司信用風險測度

摘 要：為測度我國上市公司信用違約風險，首先建立Logistic回歸信用評價模型，通過運行EVIEWS，對我國今年108家上市公司進行兩類模式分類，這兩類模式是指按照公司的經營狀況分為"差"和"正常"兩個小組。對每一家上市公司，考慮其經營狀況的4個主要財務指標：每股收益、每股凈資產、凈資產收益率和每傲現金流量。仿真結果表明：Logistic回歸信用評價模型對總體108個樣本，判別準確率達到86.11%；

關鍵詞：信用風險分析；Logistic回歸模型；政策建議

引言

20世紀70年代以來，信用風險度量模型迅速發展，其理論基礎是發端20世紀50年代的現代金融理論，包括現代資產組合理論、資本資產定價和套利定價理論及期權定價理論等。美國紐約市立大學巴魯克學院的經濟學家馬克維茲于年在《金融雜志》上發表了一篇名為《資產組合的選擇》的論文，在文中他首次提出了利用資產收益的標準差來度量風險的思想，同時他還指出證券的最佳投資組合應該是資產的有效邊界線與具有厭惡風險特征的投資者無差異曲線之間的交點，從而提出了現代資產組合理論。該理論的提出主要是為了降低投資風險的可能性。在的理論模型中，投資者的效用函數 取決于資產組合的預期收益和波動性，分別用均值μ 和方差σ2表示，且 。投資者可以根據單個資產的均值和方差，建立最小方差模型以確定證券的收益和風險的最優組合函數。

2006年12月是我國金融業全面對外資開放的“大限”，為此金融業的對外開放將進入加速期。而國際銀行業監管的統一標準一《巴塞爾新資本協議》也開始在十國集團內部正式得以實施。與1988年的舊協議相比，新協議的最大變化在于提出了內部評級法，其核心之一是商業銀行必須依據監管當局認可的方法得到不同信貸資產的違約概率，也鼓勵金融機構選擇自己的內部模型來度量其信用風險。這一方法的提出無疑對我國商業銀行信用風險管理提出了新的要求。

在這種內外形勢的考驗下，為了實現與國際接軌，應對來自外國金融機構的競爭，我們更是迫切需要借鑒國際上的先進技術，引入科學方法，建立以計量模型為核心的信用風險動態管理系統，使金融機構對信用風險的測量做到前瞻性以及定量化，從而實現內部風險的全面控制。

Logistic模型最早是由Martin （1977）用來預測公司的破產及違約概率.他從1970-1977

年間大約5700家美聯儲成員銀行中界定出58家困境銀行，并從25個財務指標中選取總資產凈利潤率等8個財務比率，用來預測公司的破產及違約概率，建立了Logistic回歸模型（Logistic regression model），根據銀行、投資者的風險偏好設定風險警界線，以此對分析對象進行風險定位和決策.他還將Z—Score模型，ZETA模型和Logistic模型的預測能力進行了比較，結果發現Logistic回歸模型優于Z—Score模型和ZETA模型.0hlson （1980）也將Logistic模型應用于信用風險分析。

我國學者龐素琳（2006）運用Logistic模型，借助SPSS軟件，以我國106家上市公司為樣本，利用其中63家公司的數據建立Logistic回歸信用評價模型，用來對余下43個公司的數據進行判別分析。研究結果表明，利用SPSS對模型參數進行估計，所建立的Logistic回歸模型對63個訓練樣本的判別準確率達到100%，對43個測試樣本誤判了1個，因而對總體106個樣本，Logistic回歸模型的判別準確率達到99.06%。

二、研究設計

（一）Logistic模型構建及樣本和數據選取

構建logistic回歸模型：

選取我國108個上市公司，其中正常公司81家，ST公司27家，滿足我國Logistic違約率模型最優桂本配比3：1；訓練樣本為70家公司，剩余38家公司作為測試樣本，這個比例也是最佳的分界點。財務指標依然是每股收益、每股凈資產、凈資產收益率以及每股企業自由現金流量。運用EVIEWS軟件，對訓練樣本進行logistic回歸；

回歸結果

通過EVIEWS軟件對訓練樣本進行logistic回歸分析結果，可以得到：

p= =1/（1+EXP（-（-0.671737+2.073038*EPS+0.819178*BPS-0.002401*ROE+0.965391*CF）））

代入檢測樣本中可以得到，判別準確率約為84.21%。對于所有108家上市公司，該回歸結果的判別準確率達到了86.11%（15/108）。

結論與展望

在Logistic模型中，收集我國108家上市公司的財務數據，考慮上市公司經營狀況的4個主要財務指標：每股收益、每股凈資產、凈資產收益率、每股現金流量，通過運行EVIEWS軟件，利用其中70家公司的數據建立Logistic回歸信用評價模型，用來對余下38個公司的數據進行判別分析。研究結果表明，利用EVIEWS對模型參數進行估計，所建立的Logistic回歸模型對38個測試樣本的判別準確率達到84.21%，對70個訓練樣本誤判了9個，因而對總體108個樣本，Logistic回歸模型的判別準確率達到86.11%。事實上我們做了兩次分析，第一次樣本量較少，最終得到的判別準確率并不是很高，我們組分析其中的原因，首先可能是因為樣本量比較少，其次，在財務數據的選擇方面應該添加更多的財務指標進行篩選，這樣可以把更顯著的財務指標添加到模型中并剔除解釋力不足的指標，我們的logistic模型將會更加準確地對上市公司的信用風險做一個分析和評估。第二次我們擴大了樣本量，判別準確率有了提升，由此可以看出，一定程度上擴大樣本量將會有助于我們模型的估計準確率的改進，當然，我們的改進工作還不止于此，接下來可以對財務指標進行調整，找到更加與模型更加契合的財務指標。

作者簡介：

徐闖（1993-），男，民族：漢，籍貫（精確到市）：湖北省武漢市，當前職務：在讀研究生，當前職稱：學生，學歷：碩士研究生，研究方向：金融學。