学位论文 > 优秀研究生学位论文题录展示

我国ST上市公司信用风险预警模型-基于Logistic回归模型的实证研究

作　者: 闫晨辉
导　师: 陈屹力
学　校: 西南财经大学
专　业: 信用管理
关键词: 信用风险上市公司信用风险预警模型主成分分析 Logistic回归模型
分类号: F832.4
类　型: 硕士论文
年　份: 2013年
下　载: 166次
引　用: 0次
阅　读: 论文下载

内容摘要

市场经济是以信用作为交易基础的。伴随经济的全球化,信用高度社会化,信用关系或债权债务关系已成为一种基本的经济关系。随着经济社会的日益发展,信用交易的规模也日益庞大,伴随信用交易的信用风险也已经渗透到了经济活动中的方方面面。自2007年8月开始席卷美国、欧盟和日本等世界主要经济体的“次贷危机”,即源自于信用风险。美国此次“次贷危机”是由次级住房抵押贷款的借款人出现大量违约从而引起信贷市场的信用危机、以这些次级贷款为基础资产来发行的有价证券出现大面积缩水导致资本市场的次级债务危机而引致的,可以说正是由于信用风险的涨幅造成了美国金融系统的动荡,进而导致了美国“次贷危机”的大规模爆发及其在全球范围内的迅速蔓延。作为美国“次贷危机”延续与深化的欧洲主权国家债务危机,起始于2009年问题凸显的希腊国家主权债务,在半年时间内,三大国际评级机构相继下调其主权信贷等级,使其变为“垃圾级”,这直接导致了国际投资者对其国债的大范围抛售,欧洲主权债务危机由此爆发。随后葡萄牙、西班牙、爱尔兰等国家的主权信用等级也被国际评级机构相继下调,其国债的债券收益率出现了大幅上升,促成了欧洲主权国家债务危机在欧元区的全面爆发。欧洲主权国家危机对作为世界最大经济体之一的欧元区产生了最直接的影响,也使得全球经济复苏面临着巨大的风险。而欧洲主权国家债务危机的直接原因则是由于政府部门和私人部门长期的过度负债,进而引起违约风险即信用风险。美国的“次贷危机”及欧洲主权国家债务危机,使得人们对信用风险有了深刻的体会与认识。可以说信用风险不仅可以造成像“次贷危机”与欧洲主权国家债务危机大范围的严重影响,在它所存在的各个领域都有着广泛而重要的影响。经过资本市场20多年的发展,我国已经拥有了一批在国民经济中发挥中坚力量的上市公司,截止2012年12月,我国沪深市场总市值达到230357.62亿元,占2012年国内生产总值(GDP)的44.36%,沪深上市公司已达到2494家,中国上市公司的规模得到了很大程度上的发展壮大。我国的上市公司,作为我国国民经济的中坚力量,在推动国民经济的发展中发挥着举足轻重的作用。伴随着上市公司在国民经济中影响力和带动力的不断上升,股市晴雨表的功能也得到了进一步的体现。上市公司在我国国民经济中具有无可替代的地位,对国民经济的发展具有重要的影响。在我国的信贷市场上,上市公司是我国商业银行的主要授信对象；在我国的资本市场上,它们既是我国股票市场最主要的融资主体,也是我国债券市场重要融资主体。上市公司作为各自在行业领域内具有比较雄厚的实力及较强的盈利能力的企业,他们无疑是我国商业银行重要的信贷对象。2012年我国公司债券融资规模达到2598.33亿元,相比2011年增加了11307.13亿元。作为信用债券的一种重要形式,大规模的公司债券必然隐含着很大的信用风险。2012年,随着我国信用债券市场的大规模扩容,信用债券风险事件也不断发生,鞍钢中期票据、山东海龙短期融资债券、江西赛维短期融资债券、新中基短期融资债券及超日债券等信用债券先后出现信用风险,在这五家发生信用风险的公司中有四家是上市公司。目前我国上市公司的信用风险不仅表现在信用债券市场中的违约事件上,在我国的宏观货币环境中也得到了反映。截至2012年末,中国M2余额达到97.42万亿元,位居世界第一,接近全球货币供应总量的四分之一,是美国的1.5倍,比整个欧元区的货币供应量要多22.17万亿元。从世界主要经济体来看,当M2与GDP的比值在200%的水平时,往往会诱发危机的出现。处于隐含严重信用危机的宏观环境中,上市公司作为我国信贷市场中重要的资金借贷方、资本市场上的主要融资主体,无疑也蕴含着严重的信用风险与危机。信用风险是作为信用中介的商业银行在其经营管理过程中所面临的首要风险。在日益激烈的市场竞争及日益动荡的宏观环境中,商业银行只有致力于提高对信用风险的控制力度,不断完善其信用风险管理及控制流程,才有获得生存并日益壮大的机会与能力。上市公司作为资本市场上重要的融资主体,其信用风险一旦发生波及范围会更为广泛、更为深刻。因此,无论是对商业银行的经营管理,还是对资本市场中的投资者,上市公司的信用风险状况都有着重要的影响。信用风险的发生不是一朝一夕的,而是有一个逐渐的变化过程,我们可以通过加强对信用风险的管理来控制信用风险的发生。但是要做好信用风险的管理工作,作为其前提的信用风险度量及预测就成为我们首先关注和需要解决的问题。本文通过对各类信用风险度量预警模型的介绍及比较分析,从中选择出适合我国目前上市公司发展现状的信用风险度量预警模型,并进行了实证研究。该信用风险预警模型的构建具有实际意义,不仅能为商业银行管理上市公司的信用风险提供可靠的参考内容,也可以为我国资本市场上的投资者提供借鉴信息。本论文首先介绍了有关信用风险的理论知识,具体从信用风险的内涵、分类及其所具有的特征三个方面进行阐述；然后概述了我国上市公司信用风险现状,分别从信贷市场中信用风险对商业银行的影响、资本市场上投资者所面临的信用风险这两个方面,详细说明了我国上市公司信用风险影响的广泛性及严重性,并进一步分析了商业银行与资本市场投资者了解并分析研究其所面临的信用风险的必要性；其次对目前国内外有关信用风险预警的研究文献进行综述。在现有文献中,对信用风险预警模型的研究大部分集中在实证分析上,即通过选取实际的样本数据来检验现有的信用风险预警模型准确性并判断其适用性,或者通过使用新的数据重新构建信用风险预警模型,并对模型的具体参数进行修正,进而使用得到的信用风险预警模型来预测所面临的信用风险状况,进一步得出信用风险预警模型的预测准确率及其适用范围。再次详细介绍了信用风险预警模型的发展历程及已被人们所广泛使用的具体预警模型。自20世纪60年代起,信用风险预警模型在整体上可以划分为传统的信用评分风险预警模型、以现代金融理论及信息理论为基础的现代信用风险预警模型以及基于人工智能技术的神经网络预警模型这三大类。在大多数传统的信用评分风险预警模型中,其假设前提比较严苛,而现代的信用风险预警模型虽然理论基础扎实但是对数据的要求很严格,而神经网络模型则具有“黑盒性”,这些特点都限制了相应模型的使用。通过比较分析,最后得出Logistic回归模型由于不要求变量服从正态分布及变量间具有同协方差,这些更适合实际情况。相对于其他信用风险预警模型,Logistic回归模型在变量的选择、模型的构建以及数据的采集等方面都更符合我国的实际情况,并且已经得到了广泛的运用,其准确度亦得到了有效的验证,整体来说具有较高的预测准确度和稳定性,故该模型适合用来构建针对我国上市公司的信用风险预警模型。最后一部分即利用SPSS软件、使用Logistic回归模型针对我国上市公司2006-2011年的财务数据构建具体的信用风险预警模型。在实证分析部分,本文以我国沪深A股2009-2012年间新增的ST公司作为信用风险样本(剔除其中因非财务因素被ST的情况),按照3：1的比例,遵循行业相同、规模相近的原则逐年选择不存在信用风险的配对样本,使用研究样本t-1年、t-2年和t-3年的财务数据构建了3个不同时期的信用风险预警模型。考虑到数据的可得性及容易度量的特点,本文只选取了财务指标,从反映上市公司经营状况的七大方面,选取了54个财务指标作为初始变量。为了得到在ST公司与非ST公司之间有显著性差异的财务指标变量,针对所选取的财务指标变量及数据,首先使用Kolmogorov-Smirnov检验法进行非参数检验,推断出财务指标的样本总体是否服从正态分布,进一步对服从正态分布的财务指标使用T检验得到具有显著性差异的指标变量：对样本总体不服从正态分布的财务指标使用Mann-Whitney U检验来判别在ST与非ST公司之间有显著性差异的财务指标变量。由于所选变量比较多且存在较强的相关性,因此在本文中使用因子分子中的主成分分析法对其进行降维处理,从而得到少量不相关且更直观的主成分因子。在选择主成分因子时,按照方差累计率高于75%且特征值大于1的原则,确定具体的主成分因子,并通过因子载荷矩阵对主成分因子做经济含义的解释。最后使用向后逐步剔除法来确定最后进入信用风险预警模型中的主成分因子,得到基于Logistic回归的信用风险预警模型。最终我们得到了t-1年、t-2年和t-3年三个不同时期的信用风险预警模型,在使用这三个模型对研究样本进行检验时,得到以下结论：t-1年信用风险预警模型正确预测的非ST公司概率为97.1%,对ST公司的正确预测概率为95.1%,整体的预测准确率为96.6%；t-2年信用风险预警模型对非ST公司的正确预测率为93.4%,对ST公司的准确预测率为52.2%,整体的预测准确率为83.3%；t-3年Logistic信用风险预警模型对非ST公司的预测准确率为99.5%,准确度高,但对ST公司正确的预测率偏低,整体的预测准确率为74.8%。从中可以得出,距离风险事件发生的时间越近,信用风险预警模型对风险事件的预测准确率也越高。整体来说,本文所建立的信用风险预警模型对非ST公司的预测准确率比较高,对ST公司的预测准确率随着时间的前推而不断降低。

全文目录

摘要  4-9
ABSTRACT  9-14
1. 绪论  14-19
  1.1 研究背景和意义  14-16
    1.1.1 研究背景  14-16
    1.1.2 研究意义  16
  1.2 研究思路与研究方法  16-19
    1.2.1 研究思路  16-18
    1.2.2 研究方法及特点  18-19
2. 信用风险概述  19-27
  2.1 信用风险的内涵、分类及特点  19-22
    2.1.1 信用风险内涵的界定  19
    2.1.2 信用风险的分类  19-20
    2.1.3 信用风险的特点  20-22
  2.2 我国上市公司信用风险的现状分析  22-24
    2.2.1 我国上市公司的发展现状  22-23
    2.2.2 我国上市公司信用风险的现状  23-24
  2.3 我国上市公司信用风险的研究意义  24-27
    2.3.1 对商业银行的意义  24-25
    2.3.2 对资本市场投资者的意义  25-27
3. 文献综述  27-33
  3.1 国外研究综述  27-28
  3.2 国内研究综述  28-33
4. 信用风险预警模型介绍  33-43
  4.1 传统信用风险预警方法  33-37
    4.1.1 定性分析方法  33-34
    4.1.2 定量分析方法  34-37
  4.2 现代信用风险预警模型  37-41
    4.2.1 结构化预警模型——KMV模型  37-38
    4.2.2 信用风险组合预警模型  38-41
  4.3 神经网络预警模型  41-43
5. 我国ST上市公司信用风险预警模型的实证研究  43-59
  5.1 研究样本的选取  43-45
    5.1.1 ST公司的选取  43-45
    5.1.2 非ST公司的选取  45
  5.2 研究期间的选取  45
  5.3 研究指标的选取  45-51
    5.3.1 初始指标的选取  46-48
    5.3.2 指标的显著性检验  48-51
  5.4 主成分因子的提取  51-55
    5.4.1 主成分分析法  51-52
    5.4.2 主成分因子的提取  52-55
  5.5 预警模型的构建与检验  55-59
    5.5.1 Logistic回归模型的构建  56-57
    5.5.2 预警模型的检验分析  57-59
6. 研究结论与不足之处  59-61
参考文献  61-65
后记  65-66
致谢  66-67
攻读硕士学位期闾发表论文  67

我国ST上市公司信用风险预警模型-基于Logistic回归模型的实证研究

内容摘要

全文目录

相似论文