上市公司最优违约系数的不确定性DE-KMV测算模型

摘要

为了使KMV模型在度量过程中，更好地反应市场的真实情况，并考虑投资人面对不确定金融市场因素的不同态度，本文引入差分进化算法(Differential Evolution Algorithm)和Knight不确定下的期权定价方法对基本KMV模型进行改进，提出了一种基于差分进化算法测算KMV模型的最优违约点系数和投资人态度系数的不确定性DE-KMV模型。该模型利用差分进化算法的自治性、动态性和多样性等特性，能启发式进化搜索找到KMV模型的最优违约点系数，同时，面对不确定性金融环境下，在KNV模型中加入Knight因子，用以调节人们对当前市场行情所持的主观风险态度和承担能力，使模型更接近于实际情况，达到准确评估上市公司的违约概率，从而提高银行评估人员的信用风险管理水平。为了验证测算模型的有效性，首先，本文收集了2008年到2012年近5年ST上市公司的相关数据集，分析近年来中国经济发展环境对上市公司违约风险影响的趋势，厘清人们对当前金融市场环境好坏的基本态势。其次，利用不确定性DE-KVM模型对ST上市公司的违约情况进行测算，在自定义不同违约概率阶段水平下，利用差分进化算法的寻优能力找出满足最小适应度的违约系数，并分析差分进化算法优化KMV模型的收敛速度和鲁棒性，同时，对最优违约默认点系数进行分位数回归统计检验，描述短期债务的系数和长期债务系数在不同分位点的置信区和显著性，了解公司最佳默认点的不同尺度，得到了最优的中国上市公司默认违约点系数和投资人态度系数。最后，为了进一步验证模型的测算精度，将DE-KMV模型与QR-KMV模型和KMV模型进行了比较，其上市公司违约系数的测算值平均提高了近17%，这就证明了本文模型具有较好的拟合优度和测算性能。最重要的是还得到的中国上市公司最佳默认点，这可以帮助银行评估人员在考虑违约点系数时更加接近于实际情况，从而提高银行的风险管理绩效和能力。另外，在估计违约概率时，需要大量的历史数据，然后在中国仍缺乏一个大型完备的上市公司数据库，这导致在默认情况下预测的局限性。因此，本文提出了未来的研究方向。首先，应努力通过使用差分进化算法来制定违约预测模型。其次，从风险管理的角度来看，要想方设法制定一系列有效的管理制度，以避免信用管理的缺失。最后，努力完善上市公司信用数据库，为将来风险评估作出决策。