违约风险监测（共8篇）
违约风险监测 篇1
20世纪90年代以来, 全球经济发展证明:事先被认为没有多少风险的房地产抵押贷款, 却在房地产市场剧烈变动后, 发生了群体性违约风险, 从而对银行信贷质量、金融稳定乃至经济增长造成严重冲击。对银行管理层而言, 迫切地需要一个房地产行业抵押贷款违约风险的预警工具, 以便能够对正在形成中的群体性违约概率发出警报, 及时做出战略性选择。
笔者在整合信息经济学和实物期权理论的基础上, 结合房地产行业和房地产抵押贷款的内在特征, 通过一个知识-信息描述树提出了房地产行业抵押贷款风险监测指标结构, 用以监测房地产行业抵押贷款违约风险的动态变化。
一、不确定性、实物期权和违约风险理论
银行在房地产行业的房地产抵押贷款配置决策是基于现有风险信息的最终行动。具体讲, 一个最终行动, 就是在不确定性情况下, 银行基于现有的已掌握或没有掌握的信用风险评估信息优化房地产抵押贷款配置决策。如果信息是完备的, 房地产信贷市场就可以通过价格 (利率) 或通过数量 (信贷限制) 来出清。但是, 经济学家已经证明信息是不完备的。信息不完备有两种基本情况:一是信息不对称, 如借款人拥有贷款人不拥有的信息;二是信息不充分, 如借贷款双方在签订贷款合约时都面临着“不可预见和不可描述的不确定性”。大部分从信息经济学角度研究房地产抵押贷款风险的文献重点研究了信息不对称形成的风险, 信息不充分引起房地产抵押贷款的风险在总体上被忽视了。我们把房地产抵押贷款运行中因“不可预见和不可描述的不确定性”而导致的违约、进而给银行带来的损失, 称之为测不准风险。
不确定性越大或越是缺少关于未来的信息, 实物期权的价值就越大。债务人在获得房地产抵押贷款后, 从自身利益最大化出发可能还款也可能不还款, 也就是拥有选择权。这种选择权就是一种实物期权。在高度不确定和波动的市场中, 债务人也包括债权人可以通过选择获得意外的利好, 并且可以控制不利情况带来的损失。实物期权给出了一种当未来的发展可能跟事先预期情况不同时的估值方法。
实物期权理论给出了一个解释房地产抵押贷款违约风险产生的富有洞见的权益理论:债务人违约的主要原因是房地产权益的变化。具体讲, 当用于抵押的房地产资产价值小于贷款的价值时, 借款人就会违约。与认为违约和违约风险产生于借款人无力支付住房贷款的支付理论相比, 权益理论有着简洁有力的理论逻辑, 因而为处理影响违约行为的许多变量提供了一种简便的、精确的、一致的方法框架, 而且权益理论往往能够比支付能力理论更好地解释实际的违约行为及其变化。当然, 权益理论并非对支付能力理论的否定, 两者之间并没有内在冲突。在实践中, 银行在确认借款人资格时, 一般会同时考察房地产权益和借款人的支付能力及声誉, 认为负权益和支付能力缺乏都会导致违约。
简言之, 信息经济学强调的信息不充分或未来的不确定构成了实物期权的核心, 而实物期权给出了评估不确定性价值的方法和解释房地产抵押贷款违约的新的洞见。
二、房地产行业抵押贷款群体违约概率风险监测指标结构
根据上述的理论, 我们可以用一个知识-信息描述树给出房地产行业抵押贷款风险监测指标结构。
问题描述树包括节点和边两部分。节点是描述房地产行业抵押贷款违约风险变动的信息单元, 这种信息单元按照层次关系依次为顶层的目标、关键变量的结构和反映关键变量结构的数值, 数值是描述实际问题的基本信息单元。问题描述树中间的边表示父节点与子节点之间的隶属关系。这种隶属关系为知识化数学模型生成过程中的信息快速搜索与推理创造了条件。
在知识-信息描述树的顶层, 是关于房地产行业抵押贷款违约监测的目标信息;中间层是关于未来可能出现的房地产行业抵押贷款违约风险状态的结构信息, 由驱动房地产行业抵押贷款违约风险状态变化的主要变量指标构成;底层是描述房地产行业抵押贷款违约风险状态的数据信息。通过底层的数据信息可以得到指标结构的信息, 从指标结构的信息可以推导出目标信息。
房地产行业抵押贷款风险监测的指标结构主要包括:贷款价值比、房价-收入比、租售比、抵押空置率和房地产抵押贷款余额比等五个主要指标, 其中, 贷款价值比处于“树根”的位置, 是监测房地产行业抵押贷款群体性违约风险的最为关键的指标。这是因为:
首先, 贷款价值比是上述理论的直接体现。为了更好地理解这一点, 我们用实物期权的术语描述把债务人在贷款后可能的选择行为。给定理性人和“有限责任”两个假定, 假设某公司用一宗价值600万的房产作为抵押向银行贷款500万元。当抵押房产价值大于500万元, 假设仍为600万元, 则债务人就会选择还本付息。但是一旦抵押房产价值下跌至500万元以下, 例如450万元, 借款人就会选择不还款而放弃赎回用于抵押的房产。可见, 债务人是否违约的选择, 取决于抵押房地产资产的市场价值波动与抵押贷款规模的变动, 即贷款抵押比 (贷款/房地产价值) 。因此, 如果银行将贷款价值比维持在一个风险可控的临界值水平, 则足以控制借款人违约的风险。
其次, 贷款价值比的变动能够集中地体现其他指标变动的信息。房地产抵押贷款组合余额 (房地产抵押贷款占全部贷款余额的比重) 、房地产行业抵押贷款扩张系数 (报告期房地产行业抵押贷款规模相对基期房地产行业抵押贷款规模的增长系数) 和房地产行业风险集中系数 (房地产抵押贷款增加额占比与全部行业平均贷款增加额占比的对照) 会影响房地产抵押贷款规模的变动, 导致贷款价值比的分子变动;房价收入比 (房价和居民收入之比) 、购租比 (即购房价格和租房租金的比值) 和抵押空置率 (即抵押商品房空置量与3年抵押商品房竣工量的比值) 会影响抵押房地产价值 (假设房地产价格与价值一致) , 即使贷款价值比的分母发生变化。反过来, 贷款价值比的变化集中地反映了这些指标变动的信息。
需要强调, 本文使用贷款价值比指标监测的重点不是个别债务人的违约行为概率, 而是要把单个房地产抵押贷款的贷款价值比加总成房地产行业层面的贷款价值比, 进而判断在房地产行业层面上债务人群体性违约的概率和违约。此外, 监测房地产行业抵押贷款违约风险的出发点和目的:银行能够在获得关于房地产行业不确定性的新信息的基础上, 建立并实施战略选择期权, 即在扩大、收缩、出售还是继续持有抵押房地产贷款业务之间进行选择, 从而提高房地产信贷资源的价值性和安全性。
三、美国经济中的止赎危机:理性违约的经验事实
现在我们主要根据美国2007年次级抵押贷款危机爆发前后的相关描述性数据, 给出典型的理性违约的经验事实。美国商业银行的住房抵押贷款的违约率从2006年2季度开始持续上升, 到2009年9月已上升到10%。违约率上升进一步演化为银行面临的止赎危机。2008年, 美国有5.7%的借贷者申请止赎, 即贷款者选择把房子留给银行而不再继续归还贷款, 到2010年, 这一比例已经上升到11.5%。截至2010年10月, 全美共有420万笔的贷款正在面临着止赎的 (Foreclosure) 风险, 银行业可能因此面临着1万亿美元的损失。
美国商业银行面临的房地产行业群体性违约行为的主要原因是因为房地产市场价格大幅下跌导致行业层面的贷款价值上升。美国住房价格指数 (H P I) 和美国CASE-SHILLER房价指数分别从2005三季度、2006年中期开始了持续下跌的态势。到2008年末, 美国房地产市场价格大降下滑。美国约六分之一的房屋所有者发现其房屋价值已经贬值到没有贷款金额大了, 所要清还的债务甚至比房屋现有的价值还要高, 这时, 虽然还能够还得起贷款, 但一些人开始选择战略性违约止赎, 也就是出现了群体性违约。
美国房地产市场价格变动与购租比、房价收入比和空置率等指标变动之间有着显而易见的相关性。美国总体的住房价格在1997年到2006年的高峰期间上涨了85%, 同时, 住房价格与房租比值 (购租比) 、住房价格与个人收入比值 (房价收入比) 也同样急剧上扬。当住房价格冲高回落后, 购租比和房价收入比等数据也下降了。
四、结论和进一步研究的问题
将信息分析、实物期权理论结合起来我们能够更好地解释房地产行业抵押贷款群体性违约的原因, 提出一个以贷款价值比为核心的房地产行业抵押贷款违约风险监测指标框架, 而且, 由贷款价值比变化传递的房地产抵押贷款违约风险状态信息的价值, 最终体现在银行战略选择决策的制订和改善上。无论在理论上还是在实践中, 通过比较名或初始的贷款价值比和或当前的贷款价值比 (即贷款额变动率/房价变动率) 的差幅, 能够有效率地监测行业水平的违约风险状态。
判断贷款价值比的关键是如何确定房地产价格。由于影响房地产价格的因素非常复杂, 显然, 如何给出精确的数值解, 正是本文需要进一步研究的极具挑战性的问题。
债市违约 被夸大的风险 篇2
从市场的反应看，债市的这笔首单违约，甚至被很多人寄予厚望。债市违约“0”的突破，将给资本市场带来怎样的影响？
在“超日债”违约之前，已经多次有债券行走在违约的边缘，但政府经常在最后一刻出手进行救助。正是由于银行、政府的隐性担保泛滥，中国的债券市场扭曲了风险收益的正当关系，甚至有人认为有政府的兜底，债市违约在中国将是“很难发生的事件”。
国务院发展研究中心金融研究所政策研究室主任陈道富告诉《英才》记者，有效的市场，就是需要允许市场上出现违约、破产等一系列风险事件，通过市场对这些风险事件的消化，逐步确立中央政府、地方政府的权利边界以及银行的救助边界，最终通过法律的修改，使三者的权限在这些风险事件中得到具体划分。
超日债的违约事件，终于打破了这一市场沉寂的冰面。但这也令不少观察者开始担心，债券市场会因此产生蝴蝶效应，大规模的违约潮将在今年兑付高峰期如约而至，甚至引起系统性风险。
一位不愿具名的债券分析师告诉《英才》记者，既然政府放弃了兜底的惯常做法，影子银行又面临着政府的控制，债市违约事件将随超日债违约开始蔓延，后超日时代的违约事件将会随着兑付期的到来，如雨后春笋般频繁出现。
但摩根大通首席中国经济学家朱海斌则告诉《英才》记者，这一风险明显被夸大了，超日债违约的影响有限。超日公司的违约风险在市场上并非新闻，而且整个行业最近经营环境普遍恶化。但这一事件不至于影响投资者对整个宏观经济的信心。债券市场的投资者主要是金融机构，个人投资者比例很低，所以其造成的社会影响比较小。
“需要强调的是，个体违约事件的发生，绝不等同于系统性风险的发生。在目前各种权衡下，打破刚性兑付问题下的道德风险和市场扭曲行为更是当务之急。”朱海斌表示。
原央行副行长吴晓灵也在不久前称，只要稳定住银行系统就行，而且我们的银行系统目前还没有需要过于担心的风险，我国的金融体系将能够保持稳定。
其实，在一个成熟的债券市场，违约和违约机制是市场正常运行的一部分。“零违约”削弱了债券市场的风险定价功能，也鼓励了无风险套利的行为并造成市场道德风险。要知道，2007—2011年美国企业债市场发生了400多例违约，但这并无碍美国的债券市场在全球独领风骚。
数据显示，截至2012年末，美国债券市场存量达到38.14万亿美元，约相当于美国股票市值的1.2倍，占美国GDP的比重为243.20%。反观中国，截至2012年9月底，债券存量25.2万亿人民币，虽然超过沪深市值21.3万亿的规模，但是占GDP比重仅有一半。同时，中国金融市场直接融资的比例仍然远远低于其他国家，债券市场与股票市场的总和远低于银行信贷。
“超日债的违约是往正确方向迈出的第一步，有利于健全市场纪律，最终形成风险和收益相匹配的定价机制。”朱海斌说。
企业负债的违约风险测度 篇3
违约风险 (Default Risk) 又称信用风险 (Credit Risk) , 是指交易对手未能履行约定契约中的义务而造成经济损失的风险, 即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性。违约风险是金融风险的主要类型, 它通常针对债券而言。违约风险越高, 投资者则要求发行人为高风险支付更多利率。因此, 通过考察利息率 (贴现率) 的高低可以表示公司负债违约风险的高低[1,2]。
公司债券和股票对于公司的收益的分享是不同的[3]。假定一家公司共有两种融资方式:债券和股票。债券持有者因借钱给公司, 所以对财产索取具有优先权。假如公司破产, 债券所有者可以索取公司的剩余价值, 一般剩余价值往往会小于本金。例如债券持有者借给公司1亿元, 公司的剩余价值只有4 500万元, 那么, 债券所有者只能在借出的100元中拿回45元。股票所有者则不能拿到任何剩余资产, 股票持有者所持股票一文不值。只有当公司业绩上升时, 股票持有者的收益才会丰厚;当公司业绩不景气时, 股权持有者的收益也不好。可以看出, 股权持有者的收益比债券持有者的收益变化幅度大。不过, 股权持有者担负有限责任, 这一规则使得股权持有者的最大损失不会超过股票投资价值。因此, 股权的收益好像拥有以公司资产为标的资产的看涨期权[4,5]。
2 鞅及测度变换
随机过程{xn, n≥0}称为关于{yn, n≥0}的下鞅, 如果对于n≥0, xn是{y0, y1, …, yn}的函数, E[xn+]<∞, 并且:E[xn+1|y0, y1, …, yn]≥xn, x+n=max{0, xn}。
随机过程{xn, n≥0}称为关于{yn, n≥0}的上鞅, 如果对于n≥0, xn是{y0, y1, …, yn}的函数, E[xn-]<∞, 并且:E[xn+1|y0, y1, …, yn]≤xn。x-n=max{0, -xn}。
随机过程{xn, n≥0}称为关于{yn, n≥0}的鞅, 则E[xn+1|y0, y1, …, yn]≤xn。
从定义可以看出, 如果一个随机变量的时间序列没有表现出任何的趋势性, 就可以称之为鞅;如果随机变量序列趋向上升, 则称之为下鞅;反之, 若该过程趋向减小, 则称之为上鞅。实际上鞅是一种用条件数学期望定义的随机运动形式, 或者说具有某种可以用条件数学期望来进行特征描述的随机过程。鞅是用条件数学期望表达的随机过程, 因此, 鞅的数学期望形式基于相应的概率测度, 一旦概率测度 (或者分布) 发生变化, 那么原来的鞅随机过程就可能不是鞅了。同时, 也可以通过测度变换, 把任意的随机过程转化为鞅。这样, 可以在计算中采用比较容易计算的概率测度, 如果需要也可以转化为原来的概率测度, 这为计算数学期望提供了巨大的方便。
戈萨诺夫 (Girsanov) 定理在随机基{Ω, P, F}上定义随机过程:其中:βt是Ft-可测的随机过
戈萨诺夫定理说明给定维纳过程wt, 把它的概率分布d P乘以拉登-尼克迪姆导数 (Radon-Nikodym derivative) ξt, 就可以获得一个新的维纳过程wt′和相应的概率分布Q, 这两个过程相差一个Ft-可测的漂移项βtdt。
3 企业违约风险
根据以上对公司资产、股票、债券的叙述, 提出如下假设:
(1) 允许卖空股票, 没有交易费用、税收和保证金, 证券高度可分, 交易连续。
(2) 公司债券、股票没有红利支付。
(3) 无风险利率r为常数, 并且对所有到期日都相同, 投资者可以此利率无限制地存款或贷款。
(4) 不存在无风险套利机会。
(5) 信息结构由布朗运动产生。
(6) 企业资产Vt, 企业股票St, 企业负债Dt, 则Vt=St+Dt。
假设企业资产符合几何布朗运动, 则d Vt=μVtdt+σVtdw, wt是标准一维布朗运动, 令Y=ln Vt, 则
由伊藤公式, 则:
把无风险证券作为标准化证券:
使用伊藤定理:因为股票资产具有风险, 所以漂移项 (μ-r) 不为0, 并且具有 (μ-r) >0, 是下鞅, 根据戈萨诺夫定理, 把St转换为鞅。
定义Ft-适应的随机过程:, 并且满足诺维科夫条件则:
根据风险中性定理, St′是等价鞅测度下的鞅, 因此漂移项为零, 即
任一或有权益标准化后为Q鞅, 由前面分析可知,
由于wt′为一维标准布朗运动, 根据一维标准布朗运动的性质, 增量wT′-wt′服从均值为0, 方差为T-t的标准正态分布, 即:
Vt=St+Dt, Dt=Vt-St=Vt-[VtN (d1) +DTe-r (T-t) N (d2) ], 由贴现公式:
4 数值模拟
假设一个公司, 现在资产为120万元, 资产由股票和债券组成。假定债券在5年内到期, 到期面值为100万元, 不支付任何利息。假设股票在今后5年内也无任何红利;无风险利率6%, 公司资产的波动率为每年25%。利用上述公式进行计算, 可得股票价值为51.45万元, 风险债券价值为68.55万元, 风险债务的利息率为7.55%, 可以看出股票价值加上债券价值等于公司的总资产, 即120万元。风险债券的利息率是7.55%, 这一利率高于无风险利率 (6%) 1.55%, 采用这个利率得到5年期面值100万元的无息债券的现值为68.55万元。
通过改变输入变量, 可以得出风险债券的利息率的变化情况, 例如将债券的面值从100万元增加为200万元, 在保持其他已知变量不变的基础上, 可以得到债券的贴现率从7.55%增长到13.36%。如果将公司资产波动率从25%提高到35%, 在其他已知条件不变的情况下, 风险债券的利息率从7.55%增长到9.42%。
可以看出, 当参数发生变化时, 风险债券的贴现率会随着参数变化的情况进行变化, 但贴现率较大时, 则反映出较高的违约率。
摘要：信用风险对于银行、债券发行者和投资者来说是一种非常重要的决策影响因素。本文根据企业资产中债权和股权之间的相互关系, 认为股权价值是基于公司资产价格的期权费用, 根据戈萨诺夫定理, 利用风险资产贴现价格是在特定的概率测度下的鞅, 得到了衡量企业负债违约风险的计算公式。
关键词：企业负债,违约风险,鞅,测度变换
参考文献
[1]刘志强, 金朝蒿.认股权证的等价鞅测度定价模型与数值方法[J].经济数学, 2004, 21 (2) :136-140.
[2]朱丹.附有回售条款的可转换债券的鞅定价[J].湖南师范大学自然科学学报, 2005, 28 (4) :23-26.
[3]邹杰涛, 于海滨, 吴润衡, 韩立杰.或有要求权在公司负债定价中的应用[J].数学的实践与认识, 2007, 37 (17) :36-41.
[4]Merton R.On the Pricing of Corporate Debt:The Risk Structure of Inter-est Rates[J].Journal of Finance.1974, 29 (2) :449-470.
违约风险监测 篇4
交叉持股,母子公司,公司间的信贷担保,等等形成公司间纽带关系的形式都可能产生相依违约,其中一方违约风险的变动,势必引起市场对这些相关公司违约风险的重新评估。如果金融市场上多家公司都存在上述情况,由此引起的连锁反应可能使这种企业的悲剧殃及整个金融系统或产生其它更严重的后果。交叉持股这种现代企业制度已在工商企业广为应用,在沪深股市上已有237例,而且会继续增多。它是引起相依违约的存在形式之一。虽然这种制度有它的优点,但是一旦某家公司发生违约,持有该股份的其它公司的违约风险势必会受到相应影响,由此产生的违约风险变化,急需引起人们的注意。
国内主要有朱世武(2005)、李健伦(2005)等,应用国外相依违约研究领域普遍使用的copula函数研究违约相依性。而用此方法来研究考虑相依违约的违约风险度量,国内只有朱珊珊(2005)进行了copula度量相依违约在KMV、CreditRisk+、CreditMetrics、CreditPortfolio View模型中的改进并实现了简单模拟示例。 本文用Frank copula函数和混合违约风险度量模型相结合,在考虑相依违约的违约风险度量方面进行探索性研究,并应用于我国的交叉持股上市公司。
2 考虑相依违约的混合违约风险度量模型
违约风险度量理论模型有结构化模型和简约化模型。主要的研究有Duffie和Lando(2001), Giesecke(2004), Guo,Jarrow和Zeng(2005),他们通过等价的路径,放宽了完全信息的假设,将结构化模型和简约化模型联系起来[1,2,3,4,5]。
我国金融市场还不完善,信息不完全的混合违约风险度量模型放宽了完全信息的假设,它的应用环境和我国股市的现实状况更接近。Giesecke(2004)建立的混合模型,考虑了资产价值信息和违约边界信息都是不完全的情况,在美国企业的实证结果表明,它结合了结构化和简约化模型的优点,能更快速反应出违约风险的变化[3]。
目前对于相依违约的研究主要运用copula函数,它避免了传统线性相关系数不能描述经济实体之间非线性相依结构的缺陷,能捕捉变量间非线性的相关关系,并具有更好的鲁棒性和兼容性[6,7]。常用的copula主要有椭球copula族和阿基米德copula族, 文献[7]表明阿基米德copula族和金融市场之间相关性的变化特性更加相符,文献[8]对阿基米德copula族中的三种copula(Clayton copula、Gumbel copula、Frank copula)进行了比较,结果显示Frank copula能更好拟合中国证券指数之间的相关性。综上分析,本文选择Frank copula和Giesecke(2004)的违约资产与边界信息均不完全的混合模型相结合,构建改进的信用风险度量模型。
将模型具体化到资产和违约阈值。假设一个公司的市场总价值为Z,它服从于漂移为无风险利率r和波动率为σ>0的几何布朗运动。即Zt=Z0eVt,初始值Z0>0。这里Vt=mt+σWt是一个漂移为
其中,Φ是标准正态分布函数。并且,对于所有的x<0,相对于资产过程V的违约阈值假设服从分布函数G(x)=ex,它的概率密度函数是g(x)=ex.
在资产和违约边界的信息不完全的情况下,投资者只能观察到违约。得出公司i的时间t<T期限为ε的边界条件违约概率为:
其中,Gt代表在时间t能被识别的事件的集合或在时间t时可得到的信息,
式中,
现假设有相依违约的公司数n=2(n>2的情况可依此类推),它的条件联合分布的违约概率,用Frank copula表示为
其中, C为Frank copula, 为
式中,α为相关参数,u1、u2表示随机变量。
3 模型在交叉持股上市公司中的应用
以上基于copula的相依违约混合违约风险度量模型并不限定具体的相依违约形式,属于普遍意义上的度量模型,它可以应用于任何可能发生相依违约的经济实体的违约风险度量。例如,存在担保,交易等关系的公司,都可以此为工具。本文将其应用于交叉持股上市公司,并对度量结果进行分析。
3.1 样本选择和处理
本文在交叉持股上市公司中选择样本时设置的条件为:
①选择持有其他公司20%以上股份的企业作为样本。
②样本不包括同时持有20%以上其他公司股票的企业。
③因为公司间是互相作用的,所以样本仅包括被一家公司持有20%以上股票的企业。
④样本不包括在研究期间持股比例大幅变化的公司。
⑤为了比较模型是否受持股比例的影响,本文挑选了几家只对一家公司持股,且持股比例不到1%的企业作为对照组,进行相同的研究。
根据以上条件,适合的企业和对照组一起,共有8家公司作为本文的研究对象,并用2002年1月4日至2002年12月31日的数据作为样本,对2003年1月2日至2006年1月6日三年内公司的违约风险进行度量。(原始样本数据来自Wind资讯)各公司的名字和代码及持股比例如表1所示。
3.2 参数计算
本文将公司股票看作关于违约前公司价值的欧式看涨期权。期权的成交价X(t)等于短期债务(t≤1年)。期权的期限为1年。用Black-Scholes公式将股票价格S(t),公司价值V(t)及公司价值波动率σ联系起来。并由
这里,Δ(t,ω)是在t时刻和ω状态下期权的delta。通过以上两条等式,就可得到相应的公司价值V(t)和公司价值波动率σ.
本文用t时刻一年期国债收益率作为一年的无风险利率r.
ε为t时刻到到期日的时间。其他参数,V,m,γ,δ,β均可由以上参数,根据式(3)中参数的计算公式推算得到。
Frank copula函数中的参数α可以用标准极大似然估计法估计得到。
本文设计的标准极大似然估计法操作步骤如下:
①将交叉持股的两家公司的各自边际违约率根据式(2)求出;
②通过matlab生成30个随机数,按这些随机数抽取30个边际违约率作为样本观测值,转化为均匀分布变量,代入式(5);
③似然函数为:
④用极大似然估计法估计出α的极大似然估计值。
本文通过Matlab 6.5和Excel,运算获得以上参数。
4 结果及分析
4.1 未考虑和考虑相依违约的违约风险度量
依据上述方法,将样本数值代入式(2),用Matlab计算各公司未考虑相依违约的违约概率如图1所示。依据上述方法,将样本数值代入式(4),用Matlab计算各公司考虑相依违约的违约概率。为了比较,将各公司未考虑和考虑相依违约的违约概率都显示在图1中。
为了考察各公司违约风险的变化,本文将2003年1月2日至2006年1月6日各公司的违约概率进一步处理,用其平均增长速度来表示违约风险在三年内每年的平均增长变化程度,用增量表示三年内违约风险增长的绝对数,剔除特殊点,进行计算。同时为了便于比较,将各公司未考虑和考虑相依违约的违约风险的平均增长速度和增量进行排序的结果放在一起,如表2所示,在表2中未考虑违约风险的情况用I表示,考虑相依违约的情况用II表示。
各公司在相同期限内,同一时点上进行未考虑相依违约的违约风险度量时,如表2所示,百联的平均增长速度和增量均为最小,新大陆的平均增长速度和增量均为最大,同时图1显示,新大陆的增长速度和增量集中发生在第一年,即2003年。
考虑相依违约的违约风险度量时,如表2所示,新大陆的违约概率随预测期限的延长,平均增长速度最慢,且违约概率的增量也最小。此时,三九医药的平均增长速度为最大,三九医药、百联的增量为最大。
将两种不同的违约风险度量结果放到一起比较,从图2发现,在最初一年左右的时间里,百联、三九医药、G白云山的考虑相依违约的违约概率均近似为0,明显低于未考虑相依违约时的违约概率。但过了最初的一年后,即2004年和2005年,用考虑相依违约的违约风险度量所得结果的平均增长速度却大大超过未考虑相依违约的违约风险度量结果,增量也略有提高,如表2所示,百联的提高了0.1641, 三九医药的提高了0.0936, G白云山的提高了0.0796。只有新大陆的用考虑相依违约的违约风险度量比未考虑相依违约的违约风险度量结果的平均增长速度大大下降, 减少了60.7585, 增量也有大幅下降, 减少了0.3203。
4.2 公司间相依违约变化时的 违约风险度量比较
由于本文使用的是Frank copula中表示相依结构的α的变化范围是(-∞,+∞),相依性的变化不易于直接表示,肯德尔τ相关系数可由copula唯一决定,并不影响非线性相关的表达[7]。
copula和肯德尔τ之间的转换关系式为:
根据式(8)改变肯德尔τ值来改变copula中的α,计算肯德尔τ分别等于0.902,0.816,0.666,0.307,0.011,-0.307,-0.666,-0.816,-0.902时各公司的考虑相依违约的违约概率。本文运用Matlab计算出不同肯德尔τ下的违约概率,计算结果如图2、图3、图4、图5所示,其平均增长速度和增量随肯德尔τ如表3所示。
当肯德尔τ为正时,从表3看出,随着τ从0.01逐渐向0.90增大的过程中,各公司违约概率的平均增长速度也在快速的上升。虽然三家公司的违约概率增量最终都达到1,但是从白云山违约概率增量的变化中看到,增量也在随着τ的增加在小幅上升。
以上是从整体上来看,但是还可从图2、图3、图4、图5中发现,并不是全程都是上述的这种情况,而是各曲线会相交。相交前,肯德尔τ越大,曲线反而越平缓,位置反而越低。相交后,情况恰恰相反,肯德尔τ越大,曲线反而越陡,位置反而越高,当肯德尔τ为负时,从表3中数据看出,随着τ从-0.31逐步向-0.90变化的过程中,各公司违约概率的平均增长速度在下降。各公司违约概率增量也在随着τ绝对值的增加在小幅下降。
和正相依的情况类似,从图2、图3、图4、图5还可发现,各曲线相交前,肯德尔τ的绝对值越大,曲线反而越陡,位置反而越高。相交后,情况恰恰相反,肯德尔τ的绝对值越大,曲线反而平缓,位置反而越低。
将表3中数据比较,不难发现肯德尔τ为正的情况下不论是违约概率的平均增长速度,还是增量,都要比肯德尔τ为负的情况下大。即正的相依违约下的违约风险大于负的相依违约,并且从不违约到违约的变化速度也是正的相依违约大于负相依违约的。
和前面分析的情况类似,还可从图2、图3、图4、图5中发现,各曲线相交前,肯德尔τ为正的情况下的曲线位置低于肯德尔τ为负的情况。相交后,情况恰恰相反,肯德尔τ为正的情况下的曲线位置要高于肯德尔τ为负的情况。而且,还可以发现,肯德尔τ为正时是凹曲线,曲线的斜率是逐渐增大,即从不违约到违约的变化速度是越来越大。肯德尔τ为负时是凸曲线,所以曲线的斜率是逐渐减小,即从不违约到违约的变化速度是越来越小。
4.3 分析
大多数预测模型通过指出它们正确地预测最近的公司违约及破产来向人们表示它的有效性[9]。但是中国上市公司目前尚没有一家因破产而退市,而且公司还会继续的营运下去,所以按破产的标准很难对结果进行分析。所以本文将综合Z计分模型,公司的公告信息等,对计算结果进行分析。
本文不是用Z计分模型用来预测,不存在经验模型预测性差的缺陷,而是用2003年1月至2006年1月已发生的数据,代入Z计分模型,以此作为一个参照,并结合公司公告的信息,从多方面分析前面基于copula的相依违约混合违约风险度量模型计算的结果。
通过各公司的年报及“Wind资讯”提供的数据,计算它们各年的Z得分如图6所示。
①对未考虑和考虑相依违约的违约风险度量的比较分析
未考虑和考虑相依违约的情况下,见表2,后者中考虑相依违约的违占风险度量的结果表明,并不像前者中所示新大陆是四家公司中违约风险最大的,恰恰相反,是最小的,并且它和其他几家公司的结果很不相同,即从最初几个月开始,违约风险约等于0。后者中新大陆最初就显示的违约风险,和前者及Z模型的结果是一致的,这一点从它第一年几次业绩预警公告中也有体现。后者和前者不同的是它并不显示新大陆的违约风险最大,而是三九医药最大,新大陆最小。后者的这一结果和Z计分模型基本相符。从图6可知,最终结果是三九医药的Z得分最低,新大陆的Z得分最高,虽然在观察期新大陆的Z得分有很大的下降,但是仍然是所有公司中最高的。所以后者中第三年末新大陆违约概率最小,三九医药违约概率最大的计算结果更能反映出公司违约风险的实际情况。
这两家公司的公告显示结果也和以上分析一致。根据三九医药公司发布的2003年度报告,截至2003年12月31日,公司控股股东及其他关联方占用公司资金余额为28.524亿元,此时公司的净资产只有29.093亿元,占用资金接近净资产总额。以上各种公布的信息都显示出,三九医药的违约风险很高。与之相比,新大陆公司只在2003年三季度经营状况及财务状况的初步测算中预计2003年1～9月份的净利润及扣除非经常性损益后的净利润均比2002年同期下降50%以上,此后的公告基本上无负面消息。因此,新大陆的违约风险明显比处在违约边缘的三九医药要小。考虑相依违约下的结果显示正反映出此状况,第三年末, 该公司的违约概率为0.6797, 三九医药为1, 不像未考虑相依违约时显示第一年时新大陆的违约率就会达到1, 三九医药反而低于新大陆, 在第三年末才是0.9064。
以上两种分析均显示,比起未考虑相依违约的情形,显然考虑相依违约时的结果更反映实际违约风险。
按照Altman标准,从图6看出,百联集团,三九药业,还有白云山的Z得分都在1.81之下,所以它们存在很大的违约风险。
因此,考虑相依违约的模型对违约风险变化的反应比未考虑相依违约时更加敏感。
②公司间相依违约变化对违约风险度量的影响分析
从以上公司间相依违约变化时的违约风险度量计算结果可得,若存在正的相依违约性时,当超过一定期限,违约风险将随相依性的变大而增加,并且从不违约到违约的变化速度也会随之加快。当存在负的相依违约性时,结果相反,若超过一定期限,违约风险将随相依性的变大而减小,并且从不违约到违约的变化速度也会随之变缓。若超过一定期限时,正的相依违约比负的相依违约下的违约风险大,并且从不违约到违约的变化速度也更快。而在一定期限内,结果和上面的相反。所以正的相依违约是否会比负的相依违约下的违约概率大,从不违约到违约变化的速度更快,还要看是否超过某一个时点。而这个时点的确定则有赖于各公司具体的违约风险状况。
以上结果和传统的风险分散理念相符合。关于在一定期限内出现相反的结果,也很符合其他类似文献的结论。造成企业违约相依性的正负相关,可能是两者企业所在行业,或其他原因引起的。从表4中不难发现,行业越相近的公司,它们的相依违约也呈现出较大的正相依。而像新大陆和G华银所在行业差距较大,就显示负的相依违约。从行业差异引起的相依违约差异的角度分析违约风险的情况,当一家公司拥有相同行业的公司的股票时,正像文献[9]所述,这种相关性较强的交叉持股可能会给企业的经营带来一定的稳定性,所以短期内,这种情况可能会使违约风险降低,但是从长远来看,这种相依性强的公司,会加剧违约风险,因为引起一家企业的违约风险加强的原因,可能正是另一家企业也正面临的难题,所以,会起到加剧的作用。而像新大陆和G华银所在行业差距较大的,一旦其中一家企业遇到违约危机,另一家企业由于所在行业完全不同,可能还在正常发展,此时就可以削弱另一家企业的违约风险。
5 结论
本文选择Frank copula函数和结合结构化和简约化模型的特点,放宽了完全信息假设的混合违约风险度量模型并进行修改,构建了基于copula的混合违约风险度量模型。该模型属于普遍意义上的违约风险度量模型,它可以应用于任何可能发生相依违约的经济实体的违约风险度量。该模型在交叉持股上市公司的应用研究中得出:①使用基于copula的混合违约风险度量模型比未考虑相依违约的违约风险度量模型所获的结果更能反映公司实际的违约风险状况,对违约风险变化反应更加敏感;②若超过一定期限,当存在正的相依违约性时,违约风险将随相依性的变大而增加,并且从不违约到违约的变化速度也会随之加快;当存在负的相依违约性时,情况则相反;正的相依违约比负的相依违约下的违约风险大,并且从不违约到违约的变化速度也更快。如果在一定期限内,则结果相反。
摘要：公司间各种纽带关系形成的相依违约会影响相关公司的违约风险。本文选择适合中国股市的copula函数,构建基于copula的相依违约混合违约风险度量模型。将其应用于交叉持股上市公司,进行考虑相依违约的违约风险度量。并比较未考虑和考虑相依违约两种情况下的违约风险度量结果,以及分析公司间相依违约差异给违约风险度量结果带来的影响。
关键词：相依违约,违约风险,copula,交叉持股
参考文献
[1]Duffie D,Lando D.Term structures of creditspreads with incomplete accounting information[J].Econometrica,2001,69(3):633~664.
[2]Cetin U,Jarrow R,Protter P,Yildirim Y.Modelingcredit risk with partial information[J].The Annalsof Applied Probability,2004,14:1167~1178.
[3]Giesecke K,Goldberg L.Forecasting default in theface of uncertainty[J].Journal of Derivatives,2004,12:11~25.
[4]Giesecke K,Goldberg L.Sequential defaults andincomplete information[J].Journal of Risk,2004,7:1~26.
[5]Kay G.Correlated default with incomplete informa-tion[J].Journal of Banking and Finance,2004,7:15212~1545.
[6]Nelsen R B.An introduction to copulas[M].NewYork:Springer-Verlag,1999.
[7]Frees E W,Valdez E A.Understanding relation-ships using copulas[J].North American ActuarialJournal,1998,2(1):1~25.
[8]单国莉,陈东峰.一种确定最优copula的方法及应用[J].山东大学学报(理学版),2005,40(4):66~76.
发电商合同违约风险的评估及规避 篇5
风险评估和规避是电力市场环境下的重要工作。目前的研究大多针对单纯工程风险[1,2,3]或者金融风险[4],实际情况是工程风险和金融风险常常同时存在或者相互影响[5,6,7],发电商合同违约风险即属于此类情况。缺额发电容量的存在使得发电商无法正常履行与零售商签订的合同,在没有其他规避措施时,发电商必须去实时市场购电以平衡缺额电量,此时发电商需同时面临缺额发电容量和实时市场价格波动的风险,即交织的工程风险和金融风险。
文献[6]研究了同时考虑工程风险和金融风险时,如何实现零售商收入效用函数的期望最大。文献[7]分析了澳大利亚电力市场机组故障出现在批发市场尖峰电价时,发电商面临的最大损失,但仅是粗略分析,缺乏对2个不确定性事件同时出现造成后果的定量化评价。因此,本文提出了工程风险和金融风险的综合评估方法及联合规避策略,重点针对发电商合同违约风险开展研究,采用预留备用容量的方法实现风险的规避,定量评估不同备用容量比例下的风险规避效果。
1 损失函数的定义及分布
1.1 损失函数的定义
定义缺额发电容量X为期望发电容量和实际发电容量的差值。定义净缺额发电容量为Y,即
式中:kr为备用容量,当kr=0时,有Y=X;X,Y,kr均以额定容量为基值标幺化。
未考虑缺额发电容量X时的获利函数为:
式中:G0,分别为未考虑X时的总获利、合同部分获利和实时部分获利;kf和ks分别为合同部分和实时部分占额定容量的比例;tf和ts分别为合同部分和实时部分对应的发电持续时间;s为额定容量;cosφ为发电机组功率因数;P,f,c分别为实时电价、合同电价及成本电价,P为随机变量。
考虑缺额发电容量X,则部分合同不能履行,要去实时市场购电平衡。此时获利函数为:
式中:G1,分别为考虑X情况下的总获利、合同部分获利和实时部分获利,
TY为净缺额发电容量持续时间,为随机变量。
考虑X前后,实时部分获利不变,有
将式(3)～式(5)联立,得到:
令GY=(c-P)sYTYcosφ,即为缺额发电容量造成的获利函数。对应的损失函数LY为:
1.2 缺额发电容量X和净缺额发电容量Y的分布
1)缺额发电容量X的分布
根据X的实际统计结果,可以假设X服从改进型指数分布,其在零点处有离散的概率值:
当X>0时,其概率密度函数为:
式中:θ>0。
对应的分布函数为:
X的分布函数仅在x=0处存在间断点,符合混合型随机变量分布函数的特点,且X的分布与参数p0和θ有关。
2)净缺额发电容量Y的分布
根据上文可知,当备用容量为kr时,Y在零点处有离散概率值:
当Y>0时,其概率密度函数为:
Y的分布函数为:
可见,Y为混合型随机变量,当X的分布确定时,Y的分布仅与参数kr有关。
1.3 实时电价的分布
过去常采用正态分布描述电价,但是实际电价分布具有不对称和厚尾特性,正态分布描述存在局限。极值理论是一种研究随机变量尾部分布的理论[8]。文献[9,10,11]分别以实际电力市场为例,验证了极值理论拟合实时电价尾部具有较好的效果。
选择基于广义帕累托分布(GPD)的极值理论描述实时电价。三参数形式GPD模型[12]为:
式中:ξ为形状参数;β为标尺参数;u为位置参数。
超额分布函数F[u](q)定义如下:
式中:为P的右端点，且。
F[u](q)表示当P超过阈值u时,超出部分最大为q的概率,其与普通分布函数的关系为:
根据Pickands-Balkema-de Haan定理有:
当u较大时,近似有:
用历史仿真法得到F(u),计算公式为:
式中:n为样本数;nu为大于阈值u的样本个数。
用最大似然估计法得到GPD模型的参数和,得到当p>u时的分布函数为:
将式(14)代入式(20)，当时，得到：
当时，有
1.4 净缺额发电容量Y持续时间的分布
为简化起见,仅考虑单位小时Y带来的风险,令TY=1 h。
1.5 损失函数的分布
损失函数L如式(7)定义,L的分布函数为:
式中:Ω为(P-c)sYTYcosφ<l的积分区域;被积函数f(y,p)为Y和P的联合概率密度。
当Y和P相互独立时,有
P为连续型随机变量,而Y为混合型随机变量,两者的乘积应该为混合型随机变量。可以采用蒙特卡洛抽样法得到L的近似分布。
2 综合风险指标及联合规避策略
2.1 综合风险指标
工程风险常用指标为损失的期望,金融风险常用指标包括波动率、下方波动率、风险价值(VaR)、条件风险价值(CVaR)等。在第1节损失模型的基础上,给出3种工程及金融综合风险指标。
1)以损失的期望作为风险指标,有
2)以VaR(一定置信水平下的最大损失)作为风险指标,有
3)以CVaR(一定置信水平下的超额损失期望)作为风险指标,有
比较3种指标可知:①3种指标都包含净缺额发电容量Y和实时电价P这2个随机变量,兼具工程风险和金融风险的特点。②采用第1种指标容易忽略风险。③由于Y的分布使得低置信水平下的VaR容易呈现零值,采用后2种指标时,应适当选择较高置信水平(95%以上)的VaR和CVaR。
2.2 联合规避策略
在缺额发电容量X相同的情况下,可增加备用容量kr来降低净缺额发电容量Y,进而规避风险:
1)计算不同备用容量kr下的综合风险指标R。
2)计算风险规避量:
3)根据经济理论中机会成本的定义,预留备用容量会带来机会成本,反映为该部分容量用于电能交易的获利。假设kr可以用于电能交易的合同部分,机会成本为:
式中:Tr为备用容量持续时间。
4)通过比较不同kr下的ΔR与Coppc作出决策。
3 算例仿真
以加拿大Alberta省电力市场为研究算例。选择2001年10月—2004年5月的冬季高峰期(11:00—20:00)实时电价数据为原始数据,时间范围包括24个月(2001年10月一2002年5月,2002年10月—2003年5月,2003年10月—2004年5月),实时电价统计结果[11]如下:样本数为7 290,均值为80.62加元、(MW·h),标准差为79.55加元/(MW·h),偏度系数为4.264 3,峰度系数为30.154 4,电价最小值9.81加元/(MW·h),电价最大值为1 000加元/(MW·h)。
某发电商所有机组总额定容量为3 GVA,功率因数为0.85。根据1.2节模拟X分布。根据1.3节对电价尾部进行拟合,选择F(u)=0.9,根据文献[11],有u=145.73,ξ=0.137 743,β=102.386 2。采用蒙特卡洛抽样方法计算风险指标。重复实验1 000次,将各风险指标的1 000次实验结果取平均值,作为最终的风险指标。
风险随X的分布参数p0及θ的变化规律分别如图1和图2所示。图1中:θ=0.1,p0在0～1取值,间隔为0.05;图2中,p0=0.7,θ在0.05～0.15间取值,间隔为0.005。
由图1和图2可知,不论采用哪种风险指标,风险值都随p0的增大而降低,随θ的增大而增大。p0越靠近1,|Δr/Δp0|越大;3种风险指标值都近似与θ存在线性关系。
选择p0=0.7,θ=0.1研究风险随kr的变化规律,kr在0～0.1间取值。结果见图3。
由图3可知,同样的X,随着kr的增加,Y减小,综合风险随之减少,说明预留kr能够实现发电商合同违约风险的规避;另一方面,当kr给定时,选择不同的风险指标,风险值差别很大。图3中r2和r3在同一数量级(万加元),相比之下ri非常小,不足后两者的1/10。说明高置信水平下的VaR和CVaR作为风险指标更合适,而以损失期望作为风险指标容易忽略风险。
将3种风险规避量与预留kr单日机会成本相比较,结果见图4。由图4可知,随着kr的增大,风险规避量增加,同时Coppc也增加。决策者可以根据自身的风险态度,选择合适的kr。本例中,当kr在0～0.1间取值时,不论选择哪一种风险指标,Coppc均大于风险规避量,说明采用预留kr的方法规避发电商合同违约风险是可行的,但经济性稍差。
4 结语
本文提出了综合衡量工程风险和金融风险的方法及模型,实现了风险的联合定量化评估,为各种风险规避措施的制订和效果评价提供了依据。采用预留备用容量能够改变净缺额发电容量的分布,从而实现发电商合同违约风险的规避,定量评估了不同备用容量下的风险规避效果。但是,采用预留备用容量的经济性稍差,可以尝试从金融角度规避风险。
参考文献
[1]薛禹胜,刘强,DONG Zhaoyang,等.关于暂态稳定不确定性分析的评述[J].电力系统自动化,2007,31(14):1-6. XUE Yusheng,LIU Qiang,DONG Zhaoyang,et al.A review of non-deterministic analysis for power system transient stability [J].Automation of Electric Power Systems,2007,31(14): 1-6.
[2]赵珊珊,周子冠,张东霞,等.大区互联电网动态稳定风险评估指标及应用[J].电网技术,2009,33(2):68-72. ZHAO Shanshan,ZHOU Ziguan,ZHANG Dongxia,et al. Risk assessment index of dynamic stability for large-scale interconnected grids and its application[J].Power System Technology,2009,33(2):68-72.
[3]赵珊珊,仲悟之,张东霞,等.暂态电压稳定风险评估方法及应用[J].电力系统自动化,2009,33(19):1-5. ??ZHAO Shanshan,ZHONG Wuzhi,ZHANG Dongxia,et al. Risk assessing method of transient voltage instability and its application[J].Automation of Electric Power Systems,2009, 33(19):1-5.
[4]周浩,张富强.采用VaR历史模拟方法计算电力市场短期金融风险[J].电力系统自动化,2004,28(3):14 18. ZHOU Hao,ZHANG Fuqiang.Calculation of short-term financial risk in electricity market by VaR historical simulation method[J].Automation of Electric Power Systems,2004, 28(3):14-18.
[5]周浩,文福拴,张富强,等.电力市场风险管理[M].杭州:浙江大学出版社,2006.
[6]OUM Y,OREN S,DENG Shijie.Hedging quantity risks with standard power options in a competitive wholesale electricity market[J].Naval Research Logistics,2006,53(7):697-712.
[7]TANG P,CALLAN A.Contract optimisation and market operation a generator' s perspective[C]// Proceedings of CIGRE International Symposium,October 27-31,2009,Guilin, China.
[8]de HAAN L,FERREIRA A.Extreme value theory:an introduction[M].New York,NY,USA:Springer,2006: 302-379.
[9]NE BYSTR(O|¨)M H.Extreme value theory and extremely large electricity price changes[J].International Review of Economics & Finance,2005,14(1):41-55.
[10]KLUPPELBERG C,MEYER BRANDIS T,SCHMIDT A. Electricity spot price modeling with a view towards extreme spike risk[J].Quantitative Finance,2010,10(9):963-974.
[11]ZHANG Wei.Extreme value theory analysis of Alberta power price[D].Calgary,Canada:University of Calgary,2005.
违约风险监测 篇6
一、根据项目合同体系的完整性、规范性程度, 分析项目是否存在易违约的环节
BOT融资项目结构复杂、关联主体多, 相互间的权利义务关系要通过各种协议加以确定。这些协议的数量有时多达几十个甚至上百个, 每个协议都是保障项目整体安全的基石。依据项目进程和相互关系, BOT项目通常会形成以下12种合同文件:
1. 特许经营合同。
该合同由项目投资人与所在地政府签署, 该协议直接表明融资项目已由地方政府许可, 双方的权利义务约定已具强制性, 融资与经营具有合法性, 因而是BOT融资模式的核心文件之一。
2. 项目融资顾问服务合同书。
项目融资顾问是项目融资的设计者和组织者, 融资顾问的专业水准与服务尽责程度一定意义上决定了融资项目的成败。因而, 一份内容详尽、责权利明确、互利双赢的顾问服务合同对保障整个融资项目的顺利推进极为关键。
3. 投资合同。
该合同是项目发起人与项目公司签订的协议。该协议规定项目发起人在一定期限内对项目公司提供资金投入, 同时享有相应的收益权。
4. 担保合同。
完工担保协议、借贷担保协议均属此类具有履约担保性质的合同。
5. 贷款协议。
该协议是作为借款人的项目公司与贷款人之间就借贷中的权利与义务关系达成一致而订立的协议, 也是项目融资过程中的核心法律文件之一。
6. 租赁合同。
该类协议是出租人将租赁物交付给承租人使用、收益, 承租人支付租金的合同。在BOT模式中, 对工程机械设备、仓储设施等的租赁十分常见。
7. 预期收益抵押合同。
该合同将项目产品长期销售合同中的硬货币收益权转让, 或将项目所有产品的收益权抵押给一个抵押权人。这种合同的目的是使贷款人获得收益权的抵押利益, 从而保证贷款人在借款人违约时享有项目现金收益上的优先权。
8. 先期购买合同。
这是项目公司与贷款人参股的金融公司或者直接与贷款人签订的协议。该协议规定, 后者同意向项目公司预先支付其购买项目产品的款项, 项目公司利用该款项进行项目建设。此类协议包括了通常使用的“生产支付协议”。
9. 工程建设合同。
这是指发包方 (建设单位) 和承包方 (施工人) 为完成商定的施工工程, 而明确相互权利、义务的协议, 是BOT模式中极为重要的一类合同。
1 0. 经营管理合同。
这是项目公司与相应主体就项目经营管理事务所签署的长期合同。
1 1. 供货合同。
该合同由项目发起人与项目设备、能源及原材料供应商所签订。合同往往会赋予发起人购买中享有延期付款的权利, 并保障其在材料和能源方面可以获取长期低价供应, 从而为项目投资者融资提供便利。
1 2. 提货或付款合同。
其包括“无论提货与否均需付款”合同和“提货与付款”合同。前一种合同规定, 无论项目公司能否交货, 项目产品的购买人都必须承担支付约定数额贷款的义务。后一种合同规定只有在特定条件下购买人才有付款的义务。其中, 当产品是某种设施时, “无论提货与否均需付款协议”可以形成“设施使用协议”。
上述合同都是围绕项目融资的实施而产生, 合同之间相互制约、互为补充, 共同构成了项目融资的合同文件体系。某一合同文件或条款的缺乏, 意味着对相关利益双方都缺乏刚性的法律约束, 任一方都可能随时违约, 这不仅容易导致连环违约, 形成“三角债”, 也将严重影响整体项目的建设与运营, 因而对合同本身的风险评估和预防是必要的。
项目违约风险的审计, 首先可从整体上考察项目的合同体系是否完整、齐全, 项目立项、招标、投标、谈判、履约每一阶段的每一环节是否均有相应协议予以保障。审计中, 审计机构应要求被审计单位如实提供全部合同文件, 并就合同文件体系内某一文件是否缺乏以及每一文件的形式完备性、内容规范性程度予以审计, 从中识别违约的隐患所在。
二、从项目主合同的合规性、合理性与执行的硬性约束程度上判断项目违约的可能性大小
特许经营与融资借贷直接关乎项目的启动与是否能够推进、完成, 由此所形成的合同是BOT项目合同体系的主合同。此类合同一旦失败将牵一发而动全身。这是因为, 在BOT融资项目中, 政府特许协议的谈判与达成是BOT项目启动的发端, 其内容涵盖从建设、运营到移交等各个环节及由此形成的各阶段中项目双方的权利义务关系。随后产生的融资借贷、工程承包、运营管理、工程保险、担保等诸合同均以此为基础, 为实现特许经营的内容而服务。
特许经营合同的取得是项目开发的基础, 没有政府的特许经营, 投资人的投资热情无法激发, 投资权益无法有效保障。同样, 项目公司的对外融资借贷是项目资金流得以保障的来源, 资金到位是否顺畅直接影响项目每一阶段的顺利实施。所以, 无论是地方政府的违约还是公司、银行方面的违约, 违约的原因无论是合同设计的缺陷还是执行中的不得已而为之, 都会给项目造成损害。
合同条款的缺失、语义不明或合法性不足以及权利与义务失衡是合同违约的常见诱发因素。主合同文本的违约审计中, 审计人员应围绕主合同的内容要素是否完整、清晰、具体, 合同每一要素是否合法合规, 权利义务配置是否公平合理等对主合同进行审查。这包括标的名称是否规范, 数量和质量的表述是否正确, 价款和酬金是否明确合理, 合同履行的期限、地点和方式是否明确合理, 违反合同的违约责任是否明确并具有可执行性。
审计中, 在仔细审查全部条款以及形式要件的同时, 还可从以下三个角度判别违约的可能性大小:第一, 合同是否明确规定了项目各方的义务权利。第二, 合同履行中的每一关键时间、地点节点是否在合同文本中具体、明确, 且考虑到了季节气候干扰、国家宏观调控政策、居民反对等因素。第三, 合同是否预见了违约的发生, 是否明确规定了违约的后果及补救方法, 解决争议的方式与地点是否明显有利于某一方。
三、根据审计“从合同”关键条款的合理性、明确与否, 判断项目在工期、质量等方面违约的可能性
尽管特许经营合同及贷款融资合同是BOT合同中的主合同, 直接关系到BOT项目的成败, 但项目中的工程承包合同、运营管理合同、保险合同、担保合同等从合同对保障BOT项目如期实施也具有重要作用, 因而不可忽视对每份从合同违约风险的审查。
不过, 由于从合同数量、内容较多以及审计时限的制约, 实践中审计人员往往不能对从合同的所有内容悉数审核。鉴于此, 审计人员可以针对违约的易发领域和重点环节, 重点对各类合同的关键条款逐一进行审计、评估。譬如, 在项目公司的建筑工程合同审查中, 对于固定价格条款, 应审查双方是否另在专用条款中约定了合同价款包括的风险费用与风险范围以及风险范围之外的合同价款如何调整;对于可调价格条款, 应审查合同双方是否在专用条款内约定了合同价款的调整方法;对于成本加酬金条款, 是否在本条款之外约定了成本构成和酬金的计算方法。就司法实践看, 因价款问题违约的诉讼案较多, 价款计算及支付条款在每类合同中均应予以认真审核, 发现隐患的应及时要求合同双方修正。
在从合同的审计中, 对担保合同应予“特别关照”。担保是防止违约和违约责任解决的重要方式, 一方面, 担保合同本身如果不合法或存在重大法律瑕疵, 就会一定程度上免除担保人的责任, 另一方面, 违约成本的降低也易诱发项目债务人的违约冲动。因此, 担保合同的审计必不可少。BOT项目融资中的担保主要包括项目完工担保和以“无论提货与否均需付款协议”与“提货与付款协议”为基础的项目担保。对于这些担保合同, 可从以下内容进行审查:担保成立的条件是否具体、合法;担保人和借款人以及贷款人之间的法律关系是否明确;信用担保效用的条款是否合理;担保责任的追究在法律上、实践上是否可行。
四、从项目合同生成过程评判违约风险的可能性
BOT项目的资金需求量极大, 区域经济的拉动作用明显, 对该类项目的启动、建成和运营, 政府十分积极。与此同时, 因为长期投资回报率较高, 投资商往往对该类项目也十分关注。由此造成项目从可行性论证之始至合同体系达成的全部过程, 都存在人为不当干预的可能性。合同正常缔结之外的这些非正常因素, 恰是容易致使政府违约或投资商违约的“隐形炸弹”。根据审计实践, 一个按照完全规范化操作的BOT项目所引发的违约其实并不多见, 审计人员可以从BOT项目合同的生成过程是否规范、合法中识别其违约的可能性大小。
1. 在项目的可行性论证和评审确认中是否有人为不当干预。
审计人员应审查项目的可行性结论是否有足够理由;做出结论的人员是否有相应资质, 是否具有一定权威, 与相关单位或领导是否具有关联关系;可行性论证中是否有商业贿赂、越权干预行为;可行性的确认是否经过了评审, 评审是否存在非正常因素等。
2.
特许经营的磋商谈判是否正常, 是否引入了竞争机制。
3. 项目投资商对本项目的介入是否具有正当理由。
应审查投资商的履约能力、企业信誉、资信情况、业务范围是否与本融资项目要求的主体资格一致。投资商是否具有此类项目的承接经验, 本融资项目是否是投资企业的主业;企业现有的资源和融资计划是否能够满足BOT项目的需要;本类融资项目是否已在投资商的经营战略规划内。
4. 融资项目的招标、评标、议标是否公正。
招投标工作是否实行了公开招标、公平竞争、公正评标, 全程是否有专门监督机构参与。
审计人员在审计中不仅应要求项目单位提供合同书缔结过程中的相关材料, 还应通过调查问卷、个别谈话、实地核查等方式对合同的缔结过程是否存在不正常因素予以审查。
摘要：BOT融资项目的违约具有多方的损害性, 违约风险的合同审计是违约风险识别的有效方式之一。合同审计可从项目合同体系的完整性、规范性程度, 项目主合同的合规性、合理性与可执行的刚性程度, 项目从合同关键条款的合理性、明确性以及合同的生成过程上对风险的有无及大小做出判别。
关键词：BOT融资模式,合同审计,合同违约
参考文献
我国银行供应链金融违约风险评估 篇7
目前研究供应链金融违约风险的文献并不多, 国外文献将供应链的风险解释为供应链的“脆弱性”。Pater (2001) 将脆弱性分为外部和内部两种, 外部脆弱性是企业内部供应链缺乏敏捷性造成的, 外部脆弱性受资源和运输的复杂性、需求和预测的不确定性两因素影响[1]。熊熊等 (2009) 研究了在供应链金融模式下的违约风险评价, 分析了Logistic回归在供应链金融中的适用性, 提出了考虑主体评级和债项评级的违约风险评价体系[2], 张颍和马玉林 (2010) 在研究企业违约概率模型时, 利用因子分析对众多指标数据进行了处理, 结果表明因子分析有助于模型的建立[3]。
基于以上分析, 本文将依据供应链融资模式违约风险成因构建评估指标, 然后从供应链整体的角度出发运用因子分析和Logistic回归分析中小企业的违约概率, 最后结合违约风险衡量结果研究模型的适应性。
1 供应链金融违约风险概念
金融供应链违约风险是指融资企业不履约的风险, 胡越飞认为由于供应链融资的核心价值之一是解决供应链中小成员的融资困境, 因此中小企业所固有的高风险问题不仅无法避免, 而且正是供应链融资这一新兴的风险管理技术所着力应对的[4]。
2 供应链金融违约风险评估指标构建
供应链金融中企业发生违约的原因是多方面的, 按照影响因素可以分为外生原因和内生原因, 外生原因主要是指自然灾害、经济危机、市场的不确定性等, 而内生原因则是供应链金融内在的不确定性[5]。供应链融资业务中融资企业违约风险需要考虑中小企业自身情况、核心企业的信用、供应链整体运营情况以及质物稳定性情况。
(1) 中小企业自身的违约风险。中小企业自身经营状况存在很大的不确定性, 最终导致贷款无法偿还, 形成违约风险。所以在供应链融资业务中仍然需要考察中小企业综合情况。
(2) 核心企业违约风险。供应链金融主要针对围绕核心企业上小游企业提供融资, 倘若核心企业出现问题会影响整条供应链的稳定, 导致供应链的上下游企业出现危机。
(3) 供应链整体运作情况。供应链金融违约风险与供应链整体运营情况有密切关系, 如果交易不真实以及企业合作密切程度不高, 就有可能让银行面临违约风险。
(4) 融资项下资产情况。这也是银行考察的重点, 若受信人违约, 融资项资产可以保证银行弥补损失, 因此质物的稳定性对于银行来说至关重要。
传统贷款模式中, 对融资企业的违约风险主要评估自身的资质, 主要是针对财务指标进行分析, 主要包括四个方面盈利能力 (X1营业利润率、X2总资产收益率、X3净资产收益率) ;偿债能力 (X4资产负债率、X5流动比率、X6速动比率、X7经营现金流比率、X8销售现金流比率) ;运营能力 (X9总资产周转率、X10应收账款周转天数、X11存货周转天数) ;发展潜力 (X12营业收入增长率、X13净利润增长率) 。
在供应链融资模式中, 银行需要综合考虑中小企业的违约风险, 因此根据上文分析评价指标一共选取18个。包括四个方面中小企业资质 (X1自身资质) ;核心企业资质 (X2信用状况、X3行业影响力、X4营业利润率、X5总资产收益率、X6净资产收益率、X7资产负债率、X8流动比率、X9速动比率、X10经营现金流比率、X11销售现金流比率、X12总资产周转率、X13应收账款周转天数、X14存货周转天数、X15营业收入增长率、X16净利润增长率) ;供应链情况 (X17合作密切程度) ;融资下资产 (X18质物稳定性) 。
3 供应链金融违约风险评估模型
作为违约风险计量的重要组成部分, 违约概率模型一直是理论界和金融界的研究热点。国外学者ohlson (1980) 利用假设条件比较宽松的Logit分析来建立预测模型, 结果表明4项财务资料对评估破产概率具有统计显著性, 判别正确率也高达92%以上, 石晓军 (2009) 在《商业银行违约风险管理研究》一书中运用Logistc模型对违约率的确定和样本的选择做了深入研究[6]。
Logistic回归分主要优点主要有以下几个方面:第一, 数据要求低;第二, 该模型是一种非线性的概率模型, 这样就可以保证了概率值取在有意义的区间;第三, 稳定性高。
4 实证分析
本文选取汽车行业进行研究, 汽车制造商生产出汽车后, 经销商在其采购的过程中可以采用供应链金融预付款模式。为了合理地分析经销商的违约风险本文主要分两部分进行, 第一部分, 主要利用logistic回归得出传统贷款模式下违约风险的模型, 因为此模型主要是针对的财务数据得出, 因此可以该模型来综合分析汽车制造商的财务的情况, 为下文分析提供支持;第二部分主要分析供应链融资模式下的中小企业违约率的评估, 得出违约风险模型。另外本文涉及到的上市企业财务数据主要来自2011年企业年报。
4.1 数据选取
第一部分研究logistic回归在评估上市企业违约风险, 本文主要选取的数据来自上市企业。依据深圳交易所公布的信息, 其中信息披露考评为D和ST类型公司都为高风险企业, 其他的企业为低风险企业。共选取61家各行业上市公司数据为样本, 其中风险较高客户有14家, 低风险客户44家。
第二部分研究供应链融资违约风险, 本部分样本主要选择国内上市的汽车制造厂商, 一共选取18家汽车厂商, 共选取40家不同品牌的代理经销商。利用供应链金融风险评估指标选取相对应的数据, 其他涉及中小企业及供应链情况的数据, 主要通过打分方法来分析。本文的评分指标为5级 (很好:5分;好:4分;一般:3分;差:2分;很差:1分) 。利用Logistc回归模型分析违约率首先需要确定各经销商在供应链融资中风险高低, 本部分通过以下三步进行: (1) 核心企业资质又分为核心企业信用状况、行业影响力、该年度财务状况三部分, 为了合理考虑该年度财务状况, 利用第一部分构建的违约风险模型来评估, 得到财务情况较差的8家企业和10家财务状况很好的企业。为了确定这三部分打分的权重, 采用了层次分析法, 最终得到权重为40%、20%、40%。 (2) 按照深发展银行公布的供应链金融评级表, 本文将风险评估指标体系中的中小企业自身资质、核心企业资质、供应链整体运作情况、质物稳定性分别给予20%、40%、20%、20%的权重。 (3) 最后用Logistic回归模型进一步评估违约率, 因变量选取评估出来融资企业违约风险的高低 (高风险企业数值为0, 低风险企业数值为1) , 其他数据选取供应链金融风险评价指标中对应的数值。
4.2 Logistic回归分析
评价指标体系中, 由于指标数量比较多, 有可能某些数据具有共线性的问题, 而Logistic模型无法解决共线性的问题, 因此, 利用因子分析来对数据进行初步的处理, 利用SPSS软件对数据降维, 另外为了消除不同量级指标可能对方差影响, 因此将数据进行标准化。
(1) 上市企业的违约率。通过上文选取的数据, 利用SPSS软件对数据进行标准化和因子分析, 结果如下:通过分析可以得出前4个共因子累计方差贡献率达到77.199%, 基本反映了大部分原变量信息, 分别将这几个共因子命名为。
本文采用SPSS软件和backward wald的回归方法, 依据wald统计量判断剔除变量, 最后直到对数似然比不再变化为止。另外, 之前学者研究Logistic违约率的分界点主要采用0.5, 根据石晓军的研究表明0.647比较适合我国国情[6], 因此本文的临界点选择为0.65。
经过1步回归, 最终选出共因子, 并且这4个因子具有显著性, 能够较好反映企业的违约风险。由Logistic模型的定义可得出回归概率模型方程:
P值的结果越接近1, 表示该企业的信用程度越好。在违约概率临界点为0.65时, 该模型判断的准确率为90.2%, 对风险较大企业违约率的判断准确率为82.4%, 较小企业的违约率的判断准确率93.4%, 这表明模型的总体预测效果较好。
(2) 供应链金融违约风险。根据本章上一节构建的违约风险模型, 结合前文研究供应链金融违约风险的数据处理步骤, 综合评分得出高风险客户8家, 低风险客户32家, 然后在利用SPSS软件分析。
通过分析可以看出前6个共因子累计方差贡献率达到79.855%, 基本反映了大部分原变量信息, 分别将这几个共因子命名为。用公司守信指标做为因变量, 将6个共因子做为解释变量代入logistic模型, 利用上文的方法做实证分析。
通过表1得出, 经过5步回归, 最终选出共因子, 并且这两个因子具有显著性, 能够较好反映企业的违约风险。根据供应链融资业务的特点, 可以覆盖供应链融资情况的大多信息。由Logistic模型的定义可得出回归概率模型方程:
P为供应链融资模式下中小企业的守约率, 由表4-8得出在违约概率临界点为0.65时, 该模型判断的准确率为92.5%, 对风险较大企业违约率的判断准确率为87.5%, 风险较小企业的违约率的判断准确率93.8%。这表明logistic回归模型能较好的评估的供应链金融下的违约率。
5 结语
通过上述分析可以得出以下结论: (1) logistic模型不仅可以较好评估一般融资模式下企业的违约率, 而且还可以准确地判断供应链融资下中小企业的违约率, 这说明本文中的评价体系和模型较好的反映了供应链金融下的违约风险; (2) 供应链金融模式下的违约概率模型不仅准确性高, 并且该融资模式可以提高中小企业的授信额度。
为了银行可以合理评估违约风险, 根据本文的研究结果, 提出一下几点建议: (1) 为了更好地应用违约风险评估模型, 银行需要建立完整的供应链金融数据库, 大量真实的数据可以对让模型的准确性提高; (2) 银行要根据自己具体业务的特点, 及时的调整违约风险评估指标, 使之更符合现实情况。
参考文献
[1]Prater E, Biehi M, Smith M A.International supplychain agility, tradeoffs between flexibility anduncertainty[J].International Journal of Operations andProduction Management, 2001, 21 (5/6) .
[2]熊熊, 马佳, 赵文杰.供应链金融模式下的违约风险评价[J].南开管理评论, 2009 (4) .
[3]张颖, 马玉林.基于因子分析的Logistic违约概率模型[J].桂林理工大学学报, 2010, 30 (1) .
[4]胡跃飞.供应链金融—极富潜力的全新领域[J].中国金融, 2007 (22) .
[5]樊新民, 王千红.试析金融供应链中融资企业违约风险的成因[J].财会月刊, 2010 (9) .
违约风险监测 篇8
一、违约风险在商业银行信用风险管理中的重要性
美国次贷危机的爆发又一次向全球敲响了信用风险管理的警钟, 信用风险的度量技术和管理方法成为理论界和实务界关注的焦点。在商业银行信用风险管理中, 违约风险是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。违约风险是计算贷款预期损失、贷款定价以及信贷组合管理的基础, 因此, 如何准确、有效地计算违约风险对商业银行信用风险管理十分重要。
近年来, 西方商业银行尤其是那些先进银行充分利用现代数理统计发展的最新研究成果, 在客户违约风险计量上探索出了很多方法, 取得了很大的成就。纵观违约风险计量的实践发展, 其呈现出以下特征和趋势:从序数违约概率转向基数违约概率, 违约概率的测度日臻具体化;从只考虑借款人自身的微观经济特征转向同时考虑宏观经济因素的影响;从基于历史数据的静态测度转向以预测为主的动态测度;从单一技术转向多元技术, 度量日趋科学化和精确化。在中国, 银行业内部评级仅仅处于起步阶段, 时间短且不规范, 其中关于违约数据库的基础设施建设几乎空白, 贷款企业信用评级更多地是用于客户的选择及风险的预警, 尚未向更深层次的风险量化管理方向发展。以下介绍KMV模型在信用风险管理中的具体运用。
二、KMV模型评估违约风险的原理
KMV模型建立在期权定价理论之上, 其出发点是基于这样的假设:公司的任何信息都可以在股票价格及其波动中得到体现, 当公司股票的市场价值因波动而使预期的价值低于一定水平 (违约触发点) 以下时, 公司就会对它的债务违约。该模型把持有的债权看作一个无风险的债权减去一个看跌期权, 以此为基础计算出违约距离 (Distance-to-Default, DD) , 并结合上市公司数据估计出经验违约概率。KMV模型认为, 公司信用风险主要决定于以下因素。
(1) 资产价值, 即公司资产的市值。该市值相当于公司资产未来所产生的现金流按照适当的贴现率贴现的现值。该指标反映了一定经济环境与行业状况下对公司的经营前景的预期。
(2) 资产风险, 即公司资产价值的不确定性。该指标反映了公司的经营风险以及行业风险水平。
(3) 杠杆比例, 即债务账面价值与公司资产市值的比例。
结合以上几个因素, KMV模型提出了一个综合的违约风险度量指标——违约距离。违约距离的定义如下:
其中, E (V) 表示企业资产的期望价值;δv是资产的波动率;DP是指违约触发点 (Default Point) , 表示的是当企业的资产价值降到这个水平以下时, 违约就发生了。
可以看出, DD实际上衡量的是资产的市场价值与违约点DP之间的距离相对于未来资产收益的标准差的倍数。它将影响违约风险的几个因素结合起来, 是度量违约风险的一个标准化指标, 可以用于不同公司之间的比较, 反映公司信用的好坏。DD值越大, 说明公司资产价值距离违约点越远, 违约的可能性越小, 该公司的信用状况就越好;DD值越小, 说明公司资产价值距离违约点越近, 偿还到期债务的可能性越小, 信用状况越差。因此KMV公司把违约距离DD作为评价公司违约风险的一个重要指标。本文也将DD作为指标来考察KMV模型对我国上市公司违约风险的评价效率。
三、KMV模型在国内外的运用现状
在违约风险计量领域, KMV模型是美国KMV公司于1997年建立的用来估计借款企业违约概率的方法。其在Merton模型的基础上发展而来, 是西方最具代表性的信用风险结构式模型之一。模型最突出的特点就是将公司的股票价格作为信用风险评估的参数之一。股价是市场对企业价值的评价, 包含了投资者对公司价值的预期。KMV模型的提出引起了业界和学者的广泛关注, 大量的实证研究层出不穷。Crosbie和Bohn详细介绍了KMV模型的计算原理与方法, 并以KMV公司内部数据说明了模型具有较好的预测能力。Vassalou和Xing采用KMV模型对美国的上市公司的违约可能性进行估计, 并考察了违约风险对公司股价的影响, 发现公司的违约风险是资产定价中一个不可忽视的因素。Tudela和Young以英国上市公司为样本说明了KMV模型估计方法, 指出KMV模型估计的违约概率包含了丰富的有效信息, 并具有较好的预测能力。Duffie和Wang的研究表明, KMV模型在时间序列上估计出来的违约概率具有较好的预测能力。
国内学者对于KMV模型的研究也十分踊跃。程鹏和吴冲锋将上市公司划分为绩优股、绩差股和高科技股对KMV模型进行实证研究, 结果表明KMV模型比财务数据所提供的信息更加有效和及时, 同时模型也需要进一步的改进。易丹辉和吴建明采用分行业进行实证分析, 结果表明KMV模型估计上市公司的违约风险是可行的。石晓军、李秉祥等的实证研究也都得到了类似的结论。以上研究为KMV模型在我国的应用提供了丰富的证据和建议, 但是仍然存在一些不足:一方面, 国内关于KMV模型的实证研究的样本规模较小, 实证结果说服力不强;另一方面, 对于KMV模型在时间序列上的预测能力没有深入的探讨。次贷危机的教训告诉我们, 数量模型的适用条件和预测能力是不可忽视的重要因素, 要想通过模型得到合理的结论和政策建议, 模型的估计结果必须具备可靠性和有效性。
四、KMV模型在我国违约风险评估中应注意的问题
KMV是运用现代期权定价理论建立起来的违约预测模型, 是对传统信用风险度量方法的一次重要革命。由于该模型所获取的数据来自股票市场的资料, 而非企业的历史数据, 因而更能反映企业当前的信用状况, 具有前瞻性, 其预测能力更强和准确。根据我们运用KMV模型我国上市公司2005年至2007年的平均违约距离的估算, 对KMV模型的输入参数进行了详细的讨论, 并对模型的估计结果进行了检验, 得到了以下主要结论:首先, KMV模型估计出的违约距离DD对于我国上市公司的违约风险具有较好的区分和判别能力, ST公司的违约距离显著低于非ST公司的违约距离, 且违约距离的估计对不同的违约出发点都是稳健的。不同的DD临界值所导致的模型的错误率是不一样的, 实践中选取精确的DD临界值是比较困难的, 但是可以通过DD值的大小对不同公司的违约风险进行比较。对于商业银行这种稳健型的金融机构可以选择较低的DD临界值作为公司信用风险评价的标准。另外, 从统计学的角度来看, KMV模型预测的准确率 (AR) 也达到了较高的水平, 用KMV模型估计的违约距离作为上市公司违约风险的预警指标是比较有效的。