我国商业银行信用风险违约概率判别及预测模型研究

摘要

随着金融市场的迅速发展，各国的金融监管机构对风险的管理和监控也逐步加强，信用风险因其重要性及影响深远，成为风险管理的重中之重。特别是对于商业银行来说，能否有效管理和控制信用风险会对其盈利水平和稳健能力产生决定性的影响。因此，从2004年新资本协议出台到2010年巴塞尔协议Ⅲ的问世，负责监控发达国家银行业风险的巴塞尔委员会在不断总结风险管理经验的基础上，为国际银行的信用风险管理提出意见的同时，也加强了对商业银行的风险控制的要求，设定了更高的标准。在巴塞尔新资本协议中涉及了关于商业银行信用风险管理的关键内容即内部评级法，其主要内容就是测算借款人的违约概率。
　　近年来，我国商业银行也加强了对信用风险的管理和监控，大力推进内部评级体系建设，信用风险管理水平明显提高，但国内大部分商业银行，特别是中小商业银行距新资本协议以及巴塞尔协议Ⅲ的要求和国际银行业的先进水平仍有一段距离。国外的先进银行对信用风险管理的研究已经有很长一段时间的历史，并积累了研究数据，因此信用风险管理的模型能够不断推陈出新并得以应用。我国商业银行应当结合我国的经济环境与金融发展程度，借鉴与吸收国外银行先进的信用风险管理经验与思想，研究与开发能够适用于我国的优秀的信用风险违约概率判别及预测模型。
　　本文从描述信用风险的特征和违约的概念入手，对信用风险度量方法进行综述。为了清晰地展现信用风险度量方法发展的历程以及各种方法的特点，将信用风险度量方法分为古典方法、传统方法和现代方法。本文的实证分析，是以在我国证券市场2011年和2012年被披露发生ST的公司作为违约公司的样本，以随机抽取非ST的上市公司作为非违约公司的样本，并将样本分为训练集和测试集，并通过财务指标组间的均值检验和相关性检验的筛选，选取8个财务指标（资产负债率、资本积累率、总资产增长率、财务杠杆系数、营业收入现金比率、营业利润率、应收账款周转率、固定资产周转率）作为建立信用风险度量模型的自变量，然后分别建立Bayes判别模型、Logisitic模型以及BP神经网络模型，对样本公司的信用违约进行判别和预测。从实证结果来看，Bayes判别模型在对上市公司信用违约的判别和预测时效果相对不太理想，Logisitic回归模型和神经网络模型更胜一筹，其中，Logisitic回归模型，对上市公司信用违约的预测性比神经网络模型更高，从而认为Logisitic回归模型是这三者之中最优的信用风险违约概率计量模型。
　　最后，针对我国商业银行信用风险管理存在的信用风险管理技术相对落后、不具备信用数据库、缺乏成熟的信用评级机构等问题，提出建立先进的适合我国商业银行的信用风险模型、建立和完善商业银行信用数据库、以及建立具有专业素质的第三方信用评级机构等建议。

目录

声明

摘要

第一章 前言

1．1 选题背景

1．2 研究的目的和意义

1．3 国内外相关领域研究综述

1．4 研究方法、研究思路及主要创新点

第二章 信用风险管理理论

2．1 信用风险的概念

2．2 信用风险的主要特征

2．3 巴塞尔新资本协议关于信用风险管理的主要内容

2．4 违约的界定标准

第三章 信用风险度量方法综述

3．1 古典的信用风险度量方法

3．2 传统信用风险度量方法

3．3 现代信用风险度量方法

第四章 主要信用风险判别方法的实证分析

4．1 样本数据的选取

4．2 指标筛选

4．3 模型的实证检验

4．4 实证模型的分析与比较

第五章 结论与政策建议

5．1 结论

5．2 政策建议

参考文献

致谢

攻读专业硕士学位期间发表的论文

附录1 沪深48家2011及2012年度被ST的上市公司样本名单

附录2 沪深144家2011及2012年度未被ST的上市公司样本名单