论文部分内容阅读
商业银行的健康发展对国家经济繁荣有着重要影响。商业银行面临的风险有信用风险、市场风险、操作风险、流动性风险、主权风险、声誉风险、法律风险以及战略风险八大类。其中信用风险是商业银行面临的最主要风险，因此信用风险的度量对于商业银行有着重要意义。信用风险的度量模型有专家判断法、信用评分法、神经网络分析法以及现代违约概率模型等，本文主要比较分析LOGIT模型和KMV模型。本文首先选取2008年1月至12月被特别处理的公司以及与之对应的财务状况良好的公司作为LOGIT模型的样本，并选取了能够体现公司盈利能力、营运能力、资本结构、偿债能力、成长能力和现金流量的28个指标，运用逐步回归方法对指标进行筛选并建立LOGIT模型，最后将该模型运用于2009年样本公司的财务数据进行预测，结果发现该模型能够提前一年较好的预测出公司的违约情况。在分析KMV模型时，本文通过GARCH-M模型计算出企业股权价值波动率，并运用上市公司资本市场数据得出样本公司的股权价值和违约点，从而计算出KMV模型中样本公司的资产价值和资产价值波动率，最后得出KMV模型的判别结果。本文还分析了除财务因素外，借款人和主要股东的品行、会计的计量方法以及关联交易等非财务比率因素可能对企业违约造成的影响。本文通过分析LOGIT模型与KMV模型的预测结果，对LOGIT和KMV模型对我国商业银行的适用性做出比较，提出我国商业银行应以LOGIT模型作为判别模型，以KMV模型作为追踪模型，将LOGIT模型与KMV模型相结合来判断贷款企业的信用风险水平。最后本文还提出了提高信用风险度量模型在我国适用性的建议。