《KMV模型在我国房地产上市公司的信用风险度量研究毕业设计论文.doc》由会员分享，可在线阅读，更多相关《KMV模型在我国房地产上市公司的信用风险度量研究毕业设计论文.doc（47页珍藏版）》请在三一文库上搜索。
1、毕业设计(论文)KMV模型在我国房地产上市公司的信用风险度量研究学 院 经济管理学院 年 级 2008级 专 业 金融学（投资与理财方向） 学 号 毕业论文(设计)诚信承诺书题目KMV模型在我国房地产上市公司的信用风险度量研究学生姓名学号专业金融（投资与理财方向）班级学生承诺我承诺在毕业论文(设计)活动中，遵守学校有关规定，恪守学术规范，本人毕业论文(设计)内容除特别注明和引用外，均为本人观点，不存在剽窃、抄袭他人学术成果，伪造、篡改实验数据的情况，如果有违规行为和论文抄袭率达到30%以上，我愿意承担一切责任，接受学校的处理。 学生(签名)： 年 月 日查询毕业设计（论文）抄袭结果： % 指导
2、教师承诺我承诺在毕业论文(设计)活动中，遵守学校有关规定，恪守学术规范，经过本人核查，该生毕业论文(设计)内容除特别注明和引用外，均为本人观点，不存在剽窃、抄袭他人学术成果，伪造、篡改实验数据的现象。 指导教师(签名)： 年 月 日摘 要本文基于2010年以来我国加大对房地产市场的调控以及我国房地产市场独有的现状，结合KMV模型，分别选取中国沪深两市中25余家ST或ST以及非ST的上市公司股票市场数据和全年的财务数据为样本进行配对比较的实证研究，通过对三类上市公司违约距离与理论违约概率的结果计算和分析,以及均值检验后，得出研究结果表明，KMV模型对我国的信用风险度量是具有适用性的。之后，又对违
3、约距离进行了多元回归分析，分析结果表明上市公司的股权价值波动率的变化对企业违约距离的影响是最大的。关键词：房地产上市公司；KMV模型；信用风险；实证研究目 录毕业论文(设计)诚信承诺书I第一章 绪论11.1、选题背景11.2、本文的研究意义11.3、研究现状1第二章 房地产信用风险的概念32.1、信用风险的概念32.2、房地产信用风险的概念3第三章 KMV模型的构建43.1、 KMV模型的简单介绍43.2.1、计算股权价值及其波动率43.2.2、选择违约点53.2.3、计算违约距离和预期违约率5第四章 我国房地产上市公司信用状况的实证分析64.1、KMV模型适用性分析64.2、上市公司选择与模
4、型假设64.2.1、上市公司的选择64.2.2、模型的参数设计74.3、数据计算过程及结果84.3.1、上市公司股权价值计算结果84.3.2、股权价值波动率计算结果94.3.3、违约距离以及预期违约率计算结果94.3.4、违约距离分析及模型的有效性验证12结 论14附 录16致 谢21参考文献22第1章 绪论1.1、选题背景在07年的夏天，从美国爆发了一场“次级债务”的巨大信贷风险危机，全球主要经济体皆受到此次危机的不断冲击。美国本国经济市场也开始走向另外一个极端，充裕的资金似乎在一夜之间消失殆尽，美国经济面临通货膨胀、房地产市场萎缩、信贷紧缩等一系列问题。这场新型的金融风险危机从住房市场蔓延
5、到信贷市场和资本市场，从金融领域扩展到经济领域，并通过投资渠道和资本渠道从美国波及到全球范围。08年开始，美联储在短短8天连续降息125个基点；3月18日美联储又降息 75个基点，使联邦基金利率下调至2.25%，这个经济高度自由的国家也不得不采取措施来挽救濒临崩溃的市场。1.2、本文的研究意义虽然次贷危机随着时间的推移，对全球经济的影响在逐渐减弱，各国经济也在渐渐复苏，但由于我国近几年房地产等固定资产投资规模过大，增长速度也过快，并且开发商有意无意地将项目开发中的巨大风险转嫁给商业银行，导致了房地产行业资产负债率过高，低资本或无资本的扩张等问题。尤其是近几年，我国加强了对房地产行业的调控，房地
6、产稳步健康发展对我国金融市场以及金融改革有着重要深远意义。1.3、研究现状近十年来，我国有大量的学者学习和研究国外一些比较先进的金融模型，在KMV模型方面的研究也是越来越多，越来越精确。在国外，KMV模型的研究主要分成两个部分，一是对其有效性的验证，另一个是学者对其有效性的评价。那么在国内，我们对KMV模型的研究是从对它本身模型理论基础和模型框架的介绍与分析，这就是非常基础的研究开始。后来，我国对该模型的研究也被主要分成了两个部分，一即是不修正KMV模型，直接用国内的样本数据进行验证；另一个部分就是在修正模型的基础上，再用国内的样本数据进行验证，以探求在我国的具体适用性。近年来，还有国内部分学
7、者将KMV模型计算出的违约距离融入财务困境预警模型，以提高模型的预测能力。我国近几年房地产等固定资产投资规模过大，增长速度也过快，且具有将项目开发中的巨大风险转嫁给商业银行的特点，导致房地产行业资产负债率过高，低资本或无资本的扩张等问题。尤其是自2010年以来国家加大了对房地产行业的调控力度，近两年房地产市场增速明显的下滑，房地产金融市场的健康稳定发展对我国经济发展具有重要的实际意义。自1998年后，国内有大量文献对KMV模型进行了介绍以及探讨，并且取得成果。从整体上看，文献主要集中于KMV模型在国内的有效性的实证研究与修正KMV模型的参数以提高在我国的适用性，大多结论表明KMV模型或改良后K
8、MV模型能甄别出上市公司的信用风险，是度量信用风险的有效手段。整体上，国内的论文在实证方法等方面上存在以下几点的共性： （1）在有效性实证方法上，国内的学者普遍采用通过KMV模型计算出违约距离是否能在统计显著上区分ST公司与非ST公司来验证KMV模型的有效性；（2）在计算公司股权价值上，由于我国资本市场存在非流通股的问题，大部分学者采用每股净资产来为非流通股定价，也有部分学者通过对非流通股协议转让价格与每股净资产数据进行回归分析得到修正非流通股的价格；（3）在无风险利率选取上，国内学者都采用同时期内银行的一年定期存款利率作为无风险利率；（4）在样本选取方面，大部分文献普遍采用大范围跨行业采集样
9、本来验证KMV模型在我国的适用性。但值得注意的事是，虽然我国有大量的研究文献表明KMV模型在我国具有适用性，但是这还只是停留在实证研究阶段，还并没有将其运用到实际工作中。因此，如何提高KMV模型的实用性，特别是适合我国资本市场的信用风险度量模型，将是未来重要研究的领域。 第二章 房地产信用风险的概念2.1、信用风险的概念信用风险，又称为违约风险，是指在交易过程中交易的一方未能按照契约履行义务而造成另一方经济上的损失，即受信人不能按时照约定履行还本付息的义务，而使授信人的实际收益与预期收益发生偏离的可能性。2.2、房地产信用风险的概念房地产信用风险是指房地产公司在向银行申请资金的筹集、融通和清算
10、等金融活动过程中，因为各种之前无法预测即一些不确定因素的影响，房地产公司无法按期还本付息，导致银行的实际收益与预期收益发生偏差，因此而承受经济损失的可能性。第3章 KMV模型的构建3.1、 KMV模型的简单介绍KMV模型是美国旧金山市KMV公司于1997年建立的用来估计借款企业违约概率的方法，以默顿 和Black-Scholes期权定价理论为基础，第一次把公司的债务结构等同于一种期限为T年，到期还本付息的零息债券。在债券到期日，债务人必须还本付息地购回公司的资产。债务人可以把持有的股权看做买入的欧式看涨期权，标的资产的价格是公司的资产市场价值，标的资产的执行价格为公司的债务面值，该看涨期权的期
11、限为债务的期限。由期权定价理论中得出，一份欧式看涨期权在其到期日，若执行价格高于标的资产的价格，则该期权的价值等于执行价格与标的资产价格的差；若执行价格低于标的资产的价格，那么该期权的价值则为零，即公司的债务面值高于公司资产的价值，这时公司所有的资产都不够用来偿还债务，那么债务人可以选择违约。3.2、 KMV模型的计算步骤和公式3.2.1、计算股权价值及其波动率利用Black-Scholes期权定价公式，根据企业资产的市场价值、资产价值的波动性、到期时间、无风险借贷利率及Merton, Robert C. On the pricing of corporate debt: the risk s
12、tructure of interest rates J. Journal of Finance, 1974, (29): 449470.负债的账面价值估计出企业股权的市场价值及其波动性。 首先推导公式计算出公司的股权价值E和波动率：，其中郭敏、商业银行信用风险度量模型简介及思考、上海金融、2007年第2期E是公司的股权市场价值；V代表公司资产市场价值；F代表公司债务面值；r代表无风险收益率；t代表债务偿还期限；N(d) 是标准累积正态分布函数；3.2.2、选择违约点根据公司的负债计算出公司的违约实施点 (default exercise point，DP=流动负债+0.5*长期负债)，计算借
13、款人的违约距离。 3.2.3、计算违约距离和预期违约率根据企业的违约距离与预期违约率(EDF) 之间的对应关系，求出企业的预期违约率。 第四章 我国房地产上市公司信用状况的实证分析4.1、KMV模型适用性分析KMV模型假设证券市场只有两种产品，一是股票，二是债券，而在我国也主要是这两种。从KMV模型本身出发研究的话，其具有几个优势：1、在KMV模型计算中，我们输入的数据是股票交易市场和公司财务报表中得来的，中国证券市场发展历史虽然并不是很长，但是经过20年的发展，我国的股权交易公开制度业已成型，这为KMV模型在我国资本市场的运用奠定了坚实基础。另外，此模型所依赖的财务指标仅仅只是公司债务的面值
14、，这样还可以避免受到会计信息失真的影响。2、根据KMV模型的计算公司可以看出，该模型要求的数据是动态的，我们可以每天从股票市场和债券市场得到最新交易数据和公司财务数据，这样能够保证数据的时效性，并且及时得到目标公司的信用变化和预期违约率。3、KMV模型不依赖历史数据来估计预期违约率，而是一种具有前瞻性的工具，它是根据每日的股票价格来计算得出的预期违约概率，股票价格又在一定程度上反映了投资者对该公司未来信用状况的预期发展趋势。4.2、上市公司选择与模型假设4.2.1、上市公司的选择本文总共选取25家房地产上市公司，其中15家是非ST公司，10家是ST或者*ST公司，此次研究所输入的数据均来自国泰
15、君安数据库2011年和2012年的股票公开交易数据以及公司的年度财务报表。4.2.2、模型的参数设计1、股权价值和股权价值波动率股权价值=流通股股数*年平均收盘价+（总股本-流通股股数）*每股净资范祚军、KMV模型在公司信用风险测量中的应用、统计与决策、 2008年第19期产KMV模型中的股权价值波动率是指未来一年股票收益的标准差。该标准差可以通过股票价格的历史数据估算得到。本文中我使用的是股票价格的年标准差代替股权价值波动率,首先，我要计算出股票价格的日标准差 ，而KMV模型中假设是符合设上市公司的股票价格服从对数正态分布，其对数收益表示为：的计算方式就是将每只股票一年中相邻几天复权后的股票
16、价格进行平方求和，继而计算得出；=*,T代表股票在一年中的交易天数，本文的股票交易天数选取的是每只个股一年的平均交易天数，即T=250天。2、违约点DP由于在此模型中，违约点是处于流动负债与债务面值总额的某一点，所以本文的违约点设置分为三种，DP1=流动负债，DP2=流动负债+0.5*长期负债，DP3=流动负债+0.75*长期负债。数据均来自上市公司的年度财务报表。张玲、杨贞柿、陈收、KMV模型在上市公司信用风险评价中的应用研究、系统工程、2004年第22期3、债务面值、债务期限和无风险利率本文中将公司的债务面值选择确定为公司资产负债表中总负债账面价值；债务期限选择1年；无风险利率确定为中国人
17、民银行公布的一年期定期整存整取的存款利率。4.3、数据计算过程及结果4.3.1、上市公司股权价值计算结果根据收集整理的上市公司数据，首先计算出股权价值E(V)：表1房地产上市公司2011年和12年的股权价值股票名称股票代码11年E(V)12年E(V)万科A0000029866033.3779604712.033招商地产0000243061440.1512998547.343银基发展000511433059.7152442298.3267合肥城建002208191439.6328190236.363金地集团6003832924366.6242445915.204中江地产600053311282.
18、2944270095.9184保利地产6000486953968.7788194417.571广宇发展000537363001.0648305064.9162宝安地产000040212773.9833191131.0478荣安地产000517291473.4869339580.7894莱茵置业000558283599.5344245653.7118光华控股000546109030.7309102144.2848天伦置业000711105656.616116973.1368绿景控股000502112953.0855104472.2509ST珠江000505134569.3001119211.76
19、61ST北生600556101118.7086102065.0868ST华联600617184033.6941320264.9464ST澄海600634112671.831660520.122ST汇丽B 9009395967.55797*ST国商000056368120.06230259.6884*ST兴业600603115422.646787783.4969*ST园城600766175818.5695229383.5388*ST国兴000838108599.82110590.81674.3.2、股权价值波动率计算结果股权价值波动率=*，在Excel中分别根据公式计算得出，数据表放在附录供查询
20、。4.3.3、违约距离以及预期违约率计算结果由于已经算出股权价值和股权价值波动率，所以根据参数估计时给出的计算公式计算，就能得出非ST和ST或者*ST公司的违约距离，进而得出它们的预期违约概率EDF（2011年计算得出的数据省略，放在附录供查询）。表2 2012年DP1违约点的违约距离和预期违约概率股票代码DP1违约距离N(DD)EDF000002200724.160.7118662750.7234068260.23827379400002454214.280.7214530760.7246439270.23531540005111324.350.8180370290.7300794030.2
21、066680220022081789.941.0699341220.7297815250.14232448160038355845.311.6062489040.7296356850.0541096166000531812.761.6626440280.7341768140.048191856600048136451.752.2863224520.7326147970.0111177010005371525.052.4778391180.7362832730.0066090370000401453.484.0251152840.7369094410.2382737940005063038.30
22、.8394165370.7387240030.23531540005177695.530.7416814030.7394599670.2066680220005583724.970.7950144420.7469793720.05302063000546141.880.8562691190.7568698460.04313015000711135.550.7024042280.7587864450.0412135500050279.990.7103683130.7612621160.03873788000505790.300.5929922360.7617262060.276593176005
23、5691.280.5966933310.76468460.2753560760061760.060.6130531550.7933319780.269920660063455.490.6121523730.8576755190.2702184790093938.090.6117115320.9458903840.27036432000056175.760.6254947830.9518081440.2658231960060380.560.6207404580.9888822990.2673852600766439.720.6319287210.9933909630.2637167300083
24、8866.430.6338463260.9999715260.26309056表32012年DP2违约点的违约距离和预期违约概率股票代码DP2违约距离N(DD)EDF0000022145504.66092E-060.5000018590.49999814100002460502.211.65283E-050.5000065940.4999934060005111732.4950.0005772020.500230270.499769730022082215.3350.0004513990.5001800820.49981991860038366260.181.5092E-050.5000060
25、210.4999939796000532076.770.0004815170.5001920970.499807903600048164015.86.09697E-060.5000024320.4999975680005371571.360.0006363910.5002538830.4997461170000401472.7750.000678990.5002708780.4997291220005063544.3850.0002821360.5001125560.4998874440005178073.030.0001238690.5000494170.499950583000558402
26、6.470.0002483570.500099080.49990092000546150.4450.0066469470.5026517290.497348271000711277.750.003600360.5014363330.49856366700050281.8850.0122122490.5048718610.495128139000505993.4750.0010065680.5004015620.49959843860055691.280.0109553020.5043704460.49562955460061760.060.0166500170.5066420890.49335
27、791160063455.490.0180212650.5071890550.49281094590093938.6050.025903380.5103327980.4896672020000561076.5750.0009288720.5003705660.499629434600603213.180.0046908720.501871380.49812862600766444.080.0022518470.5008983560.4991016440008381080.930.0009251290.5003690730.499630927表4 2012年DP3违约点的违约距离和预期违约概率股
28、票代码DP3违约距离N(DD)EDF0000022214634.51543E-060.5000018010.49999819900002463646.181.57119E-050.5000062680.4999937320005111936.5680.0005163780.5002060050.4997939950022082428.0330.0004118560.5001643070.49983569360038371467.611.39924E-050.5000055820.4999944186000532208.7750.000452740.5001806170.499819383600
29、048177797.85.62437E-060.5000022440.4999977560005371594.5150.000627150.5002501970.4997498030000401482.4230.0006745720.5002691150.4997308850005063797.4280.0002633360.5001050560.4998949440005178261.780.0001210390.5000482880.4999517120005584177.220.0002393940.5000955040.499904496000546154.72750.00646297
30、50.5025783360.497421664000711348.850.0028665620.5011435910.49885640900050282.83250.0120725560.5048161360.4951838640005051095.0630.000913190.500364310.4996356960055691.280.0109553020.5043704460.49562955460061760.060.0166500170.5066420890.49335791160063455.490.0180212650.5071890550.49281094590093938.8
31、6250.0257317470.5102643490.4897356510000561526.9830.0006548860.5002612620.499738738600603279.490.0035779460.5014273910.498572609600766446.260.0022408460.5008939680.4991060320008381188.180.0008416230.5003357590.4996642414.3.4、违约距离分析及模型的有效性验证 图1 表5 T-检验t-检验: 双样本等方差假设变量 1变量 2平均0.6388811.649775方差4.16E-0
32、70.009904观测值33合并方差0.004952假设平均差2Df4T Stat5.346582P(T=t) 单尾3.97E-07T 单尾临界2.131847P(T=t) 双尾7.94E-07T 双尾临界2.776445从图1可以看出，非ST公司的违约距离明显大于ST公司，也就是说房地产上市公司中ST公司的违约概率是大于非ST公司的。从数据分析计算结果中可以看出，虽然违约点的选择不同，但是得出的模型结论也是一致的。另外，从表中的T检验数据看到T统计量是大于单尾和双尾临界值的，表示拒绝原假设非ST公司的违约概率是大于ST公司的。而且P值过小，这个假设是小概率发生的，也表示拒绝原假设。从以上图表
33、数据可以得出结论，KMV模型在我国上市公司计算违约概率方面是适用的。4.4、多元回归本文使用上市公司的股权价值、股权价值波动率和债务面值，来进行对违约距离的敏感性分析，这样就能检测出这三个变量对上市公司违约距离的敏感性影响的大小有何不同。此分析使用的样本数据为2011年数据（见附录），违约点的选取是等于流动负债加上长期负债的一半。运用SPSS进行多元回归分析，得出结果如下：Y为对数违约距离；股权价值；债务面值；为股权价值波动率。从以上结果可知，文章中样本公司的违约距离与股权价值波动率、债务面值呈显著负相关，与股权价值呈显著正相关其中，股权价值波动率对违约距离的影响最大，股权价值波动率每增加1，
34、上市公司的违约距离将减小0.51%。结 论本文的研究对象是25个房地产上市公司，且分成了两大类别，一是非ST公司和ST或者*ST公司。首先，如预期当中一样，在收集和查找数据方面都很顺利，因为KMV模型中所要求的数据，比如公司的股票交易价格、流通股股数、总股本、流动负债、长期负债、和总负债等数据均容易得到。将这些原始数据进行整理计算后得出的上市公司违约距离和预期违约概率可以看出，非ST的公司信用风险是小于ST公司的。但是有一个缺点就是，该模型的计算是在假定公司的资产市场价值符合对数收益和服从正态分布的，因此得出的结论多少与现实存在差异。在实证研究部分，本文做了T-检验并且得出结果，该数据结果也验
35、证了模型的基本假设，即上市公司违约距离越大，则它的预期违约概率越小。在本文25个房地产上市公司中，非ST公司的预期违约概率明显小于ST和*ST公司。但是，虽然该模型能够较准确地计算出公司的预期违约率，但也不能反映出真实的信用违约率。在使用该模型的时候还需要丰富真实的历史违约数据作为参考，因此对于我国来说，真正使用该模型为市场服务，那么我国建立历史违约数据库就是非常必要的了。另外，本文通过多元回归分析后，发现上市公司股权价值波动率变化对违约距离的影响最大，也就是说，在股票交易市场中，股票价格波动越大的公司，它的违约距离也会相应变小，而违约概率则相应变大。但是本文发现在2012年发生了将限售股转为
36、流通股的房地产上市公司，他们的违约距离与ST等公司是差不多的，这也说明KMV模型在股权分置时是没有效果的。KMV模型更看重的是对于违约率的预测，继而忽视了公司信用等级的变化。还有一点就是，当前我们国内使用KMV模型进行研究的过程当中，参数估计没有一个统一的标准和结论。例如，在计算股权价值波动率的时候，我们使用的股票交易天数，有些使用的是平均一只股票的年交易天数250天，有时候使用的又是每只个股年实际交易天数等。不同研究的时候选择不同的类似指标进行研究，这些类似指标就会影响KMV模型的研究结果。总之，从数据结果来分析，我国房地产上市公司的信用度目前还是比较良好的。但是，我们的商业银行和监管部门也
37、要密切关注其发展，做好预防措施。KMV模型本身具有很多优势，它所要求的数据变量比较少，从要求的数据中可以看出这些数据都是具有前瞻性的，而且并不需要在有效市场下进行研究。考虑其本身优势，这几年在我国也有大量的学者对其进行了运用和研究，甚至也有根据我国市场的实际情况对该模型进行了修正，使其更精确地得出研究结论。但是对于该模型的研究也仅仅停留在理论阶段，希望未来在各方市场的共同努力下，我国能将这些非常优秀的模型理论运用到我国实际的日常操作过程当中。附 录2011年各房地产上市公司原始数据表股票名称股票代码流通股股数年平均收盘价总股本每股净资产万科A0000021097678.38 8.98 1099
38、521.02 4.82招商地产00002482569.46 24.40 171730.05 11.74银基发展000511115482.24 3.75 115483.20 1.37合肥城建00220831664.24 6.01 32010.00 3.29金地集团600383447150.86 6.54 447150.86 4.04中江地产60005343354.08 7.18 43354.08 1.8006保利地产600048701187.50 9.82 713799.44 5.4161广宇发展00053751271.20 7.08 51271.76 1.73宝安地产00004046413.3
39、5 4.56 46959.34 2.068中润资源00050628041.48 8.65 77418.15 1.52荣安地产00051715475.17 6.65 106130.75 2.08莱茵置业00055862827.13 4.51 63026.92 1.2472光华控股00054614623.81 7.33 16950.65 0.79天伦置业00071110726.56 9.85 10726.56 3.37绿景控股00050218332.91 6.15 18481.96 1.38ST珠江00050542542.03 3.16 42674.54 1.03ST北生60055624449.8
40、2 4.23 39479.37 -0.1533ST华联60061715154.72 12.18 16719.48 -0.352ST澄海6006348720.73 12.92 8720.73 1.52ST汇丽B 9009398800.00 0.37 18150.00 0.29*ST国商00005622056.08 16.69 22090.12 0.12*ST兴业60060319464.19 5.93 19464.19 -1.49*ST园城60076616768.55 10.49 17116.55 -0.24*ST国兴00083818099.97 6.00 18099.97 1.75212011年
41、各房地产上市公司财务数据以及三违约点计算结果 股票名称股票代码流动负债长期负债债务面值DP2DP3万科A000002200724.1627651.74228375.9214550.03221462.965招商地产00002439681.3515708.1555389.547535.42551462.4625银基发展0005111172.7775.21922.971210.371229.17合肥城建0022081662.15643.692305.841983.9952144.9175金地集团60038348980.3415377.9464358.2856669.3160513.795中江地产60
42、00531519.51458.021977.541748.521863.025保利地产60004898585.9454364.21152950.16125768.045139359.0975广宇发展0005371429.79187.621617.41523.61570.505宝安地产00004088121.5902.5891.75897.125中润资源0005063872845.444717.444294.724506.08荣安地产0005176959.4610568015.467487.467751.46莱茵置业0005582725.03887.53612.533168.783390.655光华控股000546230.6417.57248.21239.425243.8175天伦置业000711145.51305.5451.01298.26374.635绿景控股000502180.023.79183.81181.915