Logistic模型和KMV模型在中國上市公司信用風險度量中的比較研究

1、Logistic模型和KMV模型在中國上市公司信用風險度量中的比較研究論文導讀:：本文從違約概率衡量上市公司信用風險的角度和信用評級的角度來看，基于因子分析的Logistic回歸模型和KMV模型都能反映上市公司的信用風險狀況，但基于因子分析的Logistic回歸模型的評級結(jié)果比KMV模型較準確。論文關(guān)鍵詞：信用風險，KMV模型，Logistic回歸模型，因子分析，信用評級 一、引 言隨著金融全球化趨勢的加快和金融市場的波動性加劇，企業(yè)破產(chǎn)和重組事件的發(fā)生頻率也越來越高，各國金融行業(yè)受到了前所未有的信用風險的挑戰(zhàn)。而上市公司是中國證券市場的基礎(chǔ)，公司質(zhì)量的高低、行為的規(guī)范與否及其財務狀

2、況的好壞將直接影響到中國證券市場的發(fā)展和投資者的利益，影響市場的興衰。二、數(shù)據(jù)來源本文選取上市公司中的績差股與績優(yōu)股為研究樣本，績差股選取截止2005年12月31日滬深兩市被ST的上市公司中的30家為樣本和績優(yōu)股選取大盤藍籌股中的30家上市公司作為配對樣本，共60家上市公司，這60家上市公司全部為A股（研究的股票交易數(shù)據(jù)和年報財務數(shù)據(jù)以及相關(guān)的其他信息來自大智慧和中國金融wind數(shù)據(jù)庫）。三、模型的構(gòu)建及結(jié)論分析針對Logistic回歸模型和KMV模型存在的問題，在本文中也做了部分的改進，進而對中國上市公司進行信用風險度量，以期待能找到適合中國實際情況的信用風險度量模型。3.1、Logisti

3、c回歸模型對Logistic回歸模型的構(gòu)建，首先要慎重選擇參數(shù)。誤選參數(shù)會導致模型的誤判。3.1.1 、Logistic回歸模型的參數(shù)選擇本文選擇了能反映上市公司的贏利性，償債能力，營運能力、現(xiàn)金流量等方面特性的21個財務指標。我們利用SPSS13.0統(tǒng)計軟件作為因子分析的工具金融論文，其具體步驟如下：（1）提取60家樣本公司2005會計年度報告的指標數(shù)據(jù)，利用SPSS13.0現(xiàn)將21個指標進行無量綱標準化；（2）利用因子分析計算相關(guān)系數(shù)矩陣的KMO值及Barlett檢驗值，分析顯示KMO值及Barlett檢驗值符合檢驗要求；（3）計算特征值、貢獻率、共同度，提取特征值大于0.8的9個因子為主

4、要因子，累計貢獻率達到81.687%2。其中第一個主因子的方差貢獻率為26.992%，第二個主因子的方差貢獻率為14.646%，第三個主因子的方差貢獻率為8.298%，后邊的幾個主因子的貢獻率依次降低。（4）建立因子載荷矩陣、因子得分系數(shù)矩陣，求得9個主因子的因子得分。在運用SPSS13.0對財務指標進行因子分析時，我們采用的是主成分分析方法，求旋轉(zhuǎn)后的因子載荷矩陣選擇最大方差旋轉(zhuǎn)法。結(jié)果分析如下：（a）KMO和球形Bartlett檢驗經(jīng)KMO和Bartlett檢驗表明：Bartlett球度檢驗的值為838.034，概率，即假設(shè)被拒絕，也就是說，可以認為相關(guān)系數(shù)矩陣與單位矩陣有顯著差異。同時K

5、MO值為0.636，根據(jù)KMO度量標準3可知，原變量適合進行因子分析。（b）因子分析的總方差解釋因子分析總方差列表中顯示前9個主成分的特征值大于0.8，但他們的累積貢獻率達到了81.687%，在特征根大于1的情況下，有7個主要因子，他們的累積貢獻率達到了73.64%，模型的解釋力度相對較低。并由各個成分特征值的碎石圖可知，保留前7個主要因子就可以概括絕大部分的信息，但這7個累積貢獻率低于80%。（c）因子分析的共同度從因子分析的共同度表中的第二列顯示初始共同度，全部為1；第三列是提取特征根的共同度，本文中是在指定特征根大于0.8的條件下的共同度，可以看到，總資產(chǎn)同比增長率和銷售凈利率的共同度較

6、低（低于80%）金融論文，這幾個變量的信息丟失較為嚴重。 但大部分的共同度都在0.7以上，且大部分大于0.8，說明這9個公因子能夠較好地反映原各指標變量的大部分信息。3.1.2、Logistic回歸模型的構(gòu)建我們把這9個主因子都引入到Logistic回歸模型中，進行多元回歸分析。利用SPSS13.0統(tǒng)計分析軟件的BinaryLogistic回歸程序包進行回歸，得到的結(jié)果如表4-7，4-8所示論文格式范文。從回歸的第一步Cox & Snell 為0.639，Nagelkerke為0.851，大于0.8，說明該模型的擬合效果較好4。從表4-7可以得到，模型的整體準確判別率為93.3%，模型對上市公司的違約判別率還是較好的。從表4-8可以看出，9個主因子的顯著性水平都較高，第9個主因子的顯著性最大，為0.755，相對來說第2、4及5個主因子顯著性水平較低。表4-7 輸出結(jié)果表4-8