企业信用风险度量文献综述和参考文献
下面以时间为序,简要回顾国内外业界在探索企业信用风险度量方法的方面相关的研究成果。
1、信用评分法
信用评分法,其实是利用一系列影响企业信用风险的宏观和微观因素,结合相应的统计方法和回归模型对企业的信用水平进行综合评分或对其信用风险概率进行计算的方法。其主要类型包括一元判别法、多元判别法、logistics回归法、以及人工智能法等等。
(1)一元判别法
一元判别法使用的代表人物是Beaver,他在1966年使用5种财务指标对158家公司进行了研究，发现在5种财务指标当中,现金流量与总负债之比、负债比率这两个财务指标对于企业信用风险主体的优劣有较高的识别度，而且他还发现利用判别法进行预测,若所用数据期限越接近预测期限,其准确度越高。此外，在将有关信用主体的市场信息加入模型后,Beaver发现市场收益率指标相对于财务指标而言,其对信用风险的度量准确度稍差。
(2)多元判别法
多元判别法(Multivariate Discrimination Analysis,MDA)是美国纽约大学商学院教授Altaian于1968年率先提出的信用风险评价方法。该模型以流动资产/总资产、留存收益/总资产、息税前收益/总资产、股权市值/负债帐面价值、销售收入/总资产作为判断企业处信用风险大小的变量建立判别函数。随后,国内外许多学者对该模型进行了改进，如Altman、Haldeman和Narayanan提出的Zeta模型，该模型的预测变量将5个提升到了 7个,显著提高了模型的预测准确度。2004年国内学者胡刚在Zeta模型的基础上结合Fisher判别法,对Z模型进行了修正,其模型的预测准确率为90.2%。总而言之,这些模型利用企业破产前一年的财务数据进行预测都取得了较好的预测效果。
(3)logistics模型
现实中大多经济现象是非线性的。为克服线性多元判别法的不足,非线性逻辑回归法被引入到对企业信用风险的预测中论文网。0hlson利用企业资产规模、资本结构资产报酬率和短期流动性等指标,结合logistics模型成功预测了样本组之间企业破产概率,正确率达到了92%；乔占稳结合信息熵原理,利用logistics模型对样本上市公司的财务指标进行预测,总体判断准确率达到了90.7%；韩艳艳和王波选取2009年我国股市68家公司的相关数据进行了实证研究,并建立了logisticis回归模型,总体正确率达到了85%。
(4)人工智能方法
常用的人工智能方法有专家系统和神经网络方法。Varetto认为采用专家系统方法较多元判别法,不仅更具有解释性的变量,而且模型整体的预测精度也有所提高。我国学者章忠志等人利用神经网络模型对28家样本进行实证分析,结果发现神经网络模型的预测正确率达到90%以上；于鸣燕将神经网络模型运用于信用风险评估的实验,结果显示该模型取得了较好的效果。
2、现代非传统信用风险度量方法
随着计算机技术的发展和世界市场的拓展,运用高级数量经济方法管理风险,已成为一种趋势，大量信用风险度量模型不断涌现。
(1)KMV模型
KMV模型是在BSM模型基础上展开的, 1993年KMV公司的创办者运用改进的期权定价模型计算违约距离,分析评估企业的信用风险，随后，Longstaff和Schwarz对此作了进一步的发展。较其他现代信用风险度量模型,KMV模型更加贴近我国的实际,因此KMV模型已被我国学者广泛采用,马若微将KMV模型运用于中国上市公司,结果表明效果较好,并且预测成功率高于其他传统信用风险度量模型；陈晓红、张泽京和王傅强以我国中小企业为研究对象,利用KMV模型进行了研究，结果发现KMV模型对我国中小上市公司的信用风险有很好的识别效果,并认为股权分置改革是造成中小企业信用风险变大的原因。
上一篇：我国对外投资文献综述和参考文献
下一篇：环境保护税文献综述和参考文献