度量模型（共10篇）
度量模型 篇1
1 并购溢价的理论依据
并购溢价是指并购中并购企业支付的高于目标企业内在价值的部分。西方学者Copeland和Weston研究发现:在善意并购中,并购公司通常向目标企业股东支付20%的溢价;而在敌意收购中,则要支付30%的溢价。
2008年9月3日,可口可乐启动欲收购汇源。汇源果汁发布公告称,荷银将代表可口可乐公司全资附属公司以约179.2亿港元收购汇源果汁集团有限公司股本中的全部已发行股份及全部未行使可换股债券,可口可乐提出的每股现金作价为12.2港元,该报价是汇源集团9月2日香港市场收盘价4.14港元的近三倍。并购企业为什么会向目标企业股东支付市场溢价呢?一般有三种理论可以解释:
1.1 价值增值分配论
企业并购可以通过对并购双方资产的重组和整合产生协同效应,获得价值增值。增值部分(协同价值)是利用并购双方的资源共同创造的。并购活动完成后,并购企业取得了企业控制权,并取得了相应的收益分配权。因此,企业并购后将预期增量收益拿出一部分作为市场溢价支付给目标企业股东也就理所当然了。
1.2 诱饵论
为了诱使目标企业股东尽快放弃企业控制权,并购企业通常以高于市价的出价作为诱饵,促使目标企业股东尽快脱手其手中持有的股份。近年来愈演愈烈的并购大战,使竞争激烈的并购市场逐步脱离了其本身应有的经济意义。
1.3 控制权溢价论
如果并购企业通过收购目标企业的股份而取得对目标企业的相对控制权,就必须为此支付溢价。这是因为:由于企业控制权的杠杆效应,并购企业只要取得目标企业的相对控股地位,就可以控制目标企业100%的资产:可以控制其资源配置、决定其政策、操纵其股票;可以优化其财务结构,改变其经营方式等。因此,控制权本身具有相当的无形价值,购买控股权就必须支付溢价。美国估值公司的评估专家博特.苏博达在其来华讲座中曾指出:“股票市场的股票价格,是指少量的股票在持有者之间转手交易的价格。每一次股票交易大约只占该公司全部股票的1%或更少,我们把这个称为少数股权交易,或少数股权的股票价格。要收购有控制权的股票,必须付出高于平常少量股权交易中每股的价格,这种现象在美国是经常发生的。我们买东西买多了可以享受价格优惠,唯独买股票买多了反而要多收你的钱,因为你有了控制权。”
众所周知,企业并购的主要动机在于获得协同效应和相关的战略益处。虽然并购方获得了交易的控制权,但价格高于市价的主要推动因素是协同效应而不是控制权。更清楚地说,虽然并购方不可能对缺乏控制权的并购感兴趣,但是,溢价产生的根本原因是协同效应。
2 并购价值创造原理
假设并购方企业为A,目标方企业为B,并购后的联合企业为AB,对它们进行价值评估,评估出的价值分别为:VA、VB、VAB,企业A收购企业B所需支付的价格为P。并购者判断并购是否可行,首先必须满足两个条件:
条件(1)是判断并购是否可行的基础,只有条件(1)满足了,并购才有实施的必要。但仅满足它也不行,还必须符合条件(2),并购才能最终产生效益。否则将会遭到失败。
2.1 VAB>VA+VB
并购后,联合企业的价值应大于并购前并购双方独立经营的价值,即并购产生的协同效应要大于零,这是并购可行与否的基础条件,否则并购没有丝毫的意义可言。VAB与VA+VB的差距越大,并购对双方越加有利,实施交易的可能性就越大。
2.2 VAB-(VA+VB)>P-VB。VAB-(VA+VB)
为并购所产生的协同价值,P-VB是购买价格相对于目标企业内在价值来说的溢价部分。此条件可表述为:协同价值>并购溢价。一般情况下,P-VB>0,即购买价格要大于目标企业内在价值,否则目标企业不会同意出售企业,而且,并购者要支付的溢价可能很高才会和目标方达成协议。但是,并购溢价不能高于并购所带来的协同价值。
3 基于贴现现金流法的并购溢价度量模型
如果一项并购所产生的目标公司的协同效应增长率为gs,假设这个比率固定不变,若并购公司并购前每股内在价值为PA,相应的股票数量为QA,目标公司的每股内在价值为PB,相应的股票数量为QB,两公司合并后的内在价值为PAB,换股比率为λ,并购所产生的协同价值按照两公司的持股比例分摊,ks为加权平均成本,则目标公司的最大并购溢价可以表示为:
在(3)式中第一项是并购后第一年产生的协同效应总价值,是两公司并购前后内在价值的差额,用D表示;第二项是两公司和并购目标公司的持股比例,用RB表示;K为加权资本成本用作折现率。对于协同效应的增长率,选择按照这一比率增长m年后,以同样的速度递减直至协同效应消失为止,假设这个消失年限为n,则目标公司的最大并购溢价可以表示为:
如果目标公司的协同效应按照gs的速度无限期的增长下去,则目标公司的最大并购溢价度量模型可以简化为:
该模型最大的贡献在于能精确量化并购企业对目标企业出价的最大值。知道了并购企业可以支付的最高价格,就可以避免过度支付问题,从而避免并购失败。
4 结束语
准确量化并购溢价,可以为目标公司科学合理的定价提供依据。Robert、Kersten以及Thomas在《你是否为一项并购付出得太多?》(1999)认为:一般而言,一家公司能出得起的价格跟另一家公司是不同的,而且和要价也经常是不同的。最终,成功收购一家公司的关键是弄清楚你可以支付的最高价格,而后遵守这个上限,一分也不要多付。否则,只会给并购方自己带来负担甚至是损失。
摘要：企图通过并购方式增加财富的公司很多,但真正成功者寥寥。并购能否成功取决于多种因素,而并购的定价是否恰当、并购公司向目标公司支付的并购溢价的多少,往往起着十分重要的作用。如何量化并购溢价一直是并购理论和实务的一个重要问题。基于现金流贴现法(DCF)的并购溢价度量模型能准确量化并购溢价。
关键词：并购,并购溢价,协同价值
参考文献
[1][美]马克.赛罗沃.协同效应的陷阱:公司在购并中如何避免功亏一篑[M].杨炯,译.上海:上海远东出版社,2000.
[2][美]高根(Ganghan.P.A).兼并、收购与公司重组[M].朱宝宪,吴亚君,译.北京:机械工业出版社,2004,10.
[3][美]阿维纳十.迪克西特,罗伯特.平迪克.不确定条件下的投资[M].朱勇,黄立虎等,译.北京:中国人民大学出版社,2002.
[4]Frank C.Evans,David M.Bishop:Valuation for M&A:Building Value inPrivate Companies[J].John&Sons,Inc,2001.
[5]秦喜杰,陈洪.成功并购:目标企业选择论[M].北京:经济管理出版社,2004.
[6]施嘉岳.兼并与收购(《哈佛商业评论》精粹译丛)[M].北京:中国人民大学出版社,2004.
度量模型 篇2
但我认为：“量小非君子，无度不丈夫。”
度量，是计量单位，量的是人之品格，度量的是人之心性；度量，是哲学语言，是一定事物保持自己质的数量界限，超过界限，将引起质变。由此观之，度量是良人之品质，是善人之美德。
成物者，必有度。你或许见过一条小溪因旱涝而干涸或泛滥，但你绝不曾见磅礴的大海枯竭或泛滥。你尝试过把一勺盐加入一杯水中，的确很咸，但你手鞠一掌盐撒入湖中，湖水的`味道依然未变。一条溪与一片海的差别，一杯水与一条湖的距离，就是双方度量的不同引起的。正是因为有了度量，一滴水能融入一条溪，一条溪能融汇入一条河，一条河能冲入一片海。
为人者，必有度。若无度量，如何能待人接物，谈笑风生？若无度量，怎能高洁自身立于天地之间？若无度量，岂非因鸡毛蒜皮而悲悲切切？我仿佛看到历史洪荒中裹挟的终于沁凉的背影，我凝望着公瑾那悲愤交加的目光，我聆听着他声嘶力竭的怒吼――“既生瑜，何生亮”，最后，我漠然地看着他倒于马下的身体，他的身体是凉的，我的心也凉了。我为他的胆小怯懦而心寒，为他的小肚鸡肠，嫉贤妒能而心寒。如果周瑜能将孔明的成就当成追赶的目标，如果周瑜能将心胸放宽广，能有度量，那今天史册上记载的周瑜，必定不是小肚鸡肠，为人叹息，而是智勇双全，为人敬仰。
成大事者，必有度量。有度量的人，会接纳他人不足，会宽容他人过失；有度量的人，会虚心求教，会有所成就。度量，是蔺相如为人谦让的与世无争，是廉颇负荆请罪的知错就改，是刘备三顾茅庐的虚心求贤……
天空能容忍暴雨的洗刷，是因为每每在雨后都能收获一道彩虹。
我们若想收获成功，便要忍常人不能忍，经常人经不住的苦，要有度量，有坚韧，才能踏上成功的便，采摘胜利的过失，享受人生的喜悦。
君子之操守，需持度。
量小非君子，无度不丈夫。
度量模型 篇3
【关键词】GARCH模型 VaR 行业指数 市场风险
一、引言
证券市场的风险来自于证券价格的波动，如何准确地刻画证券市场的风险成为各投资者所关注的焦点。20世纪50年代以前，风险的度量主要集中在主观的判断上。自1952年Markowitz提出了证券组合投资的均值-方差模型以来，标志着现代证券投资理论的开始。该理论以期望收益率度量投资收益，以收益率方差衡量风险。而用期望收益率来度量投资收益逐渐被后来的研究者所接受，但以收益率的方差来作为计量风险的指标，则受到越来越多的质疑。主要有：方差计量风险要求证券市场是有效的，投资者的信息是对称的；证券的投资收益率要服从正态分布；投资者具有二项式的效用函数等。但根据Farma（1963）、Turuer与Weigel（1990）等的研究发现上述的假设前提难以得到满足。因此为了克服方差计量风险的不足，Markowitz提出了下方风险的概念，即实现的收益率低于期望的收益率的风险，并用半方差来计量风险，但由于半方差统计量计算的复杂性超出了概念上的适用性，因此在实际计量风险时，难以得到广泛的应用。
VaR是1993年国际性民间研究机构30人小组在《衍生产品的实践和规则》研究报告中提出的用于计量市场风险的模型。该模型提出以后，在巴塞尔银行监管委员会和国际证券委员会的推动下得到了广泛的应用。模型按照随机变量的特征，通过随机变量的概率分布来刻画风险，它是指在某一给定的置信水平下，资产组合在未来特定的一段时间内可能遭受的最大损失。要准确地度量VaR与资产收益的概率分布及波动性有关，国内外大量的研究表明，资产收益具有波动的聚集性和分布的尖峰厚尾性。因此针对资产收益的这一特性，采用GARCH模型来刻画波动的聚集性，用t分布和广义误差分布（GED）来拟合收益率的厚尾特征。为此，文章从资产收益的波动性与分布出发，建立了VaR-GARCH模型，利用该模型来研究深市行业指数的市场风险度量问题。
二、理论阐述
1、VaR模型
由此可见在标准的GARCH模型中将收益率yt假设为正态分布。但实际上收益率分布通常呈现有偏、尖峰和厚尾现象，因此通常的正态性假设难以得到满足。基于这一点考虑，为了更准确地描述深市各行业的市场风险状况，在此分别引入了能较好反映收益率分布尖峰、厚尾特性的t分布和广义误差分布（Generalized Error Distribution，GED）来代替正态分布假设。
三、数据描述及参数估计
1、数据的选取
为了贯彻中国证监会《上市公司行业分类指引》，反映各行业股票价格综合走势，深圳证券交易所决定从2001年7月2日起开始编制行业分类指数。因此研究所选取的数据期间为从2001年7月2日至2007年4月17日，每一行业指数的收盘日数据个数为1398个。数据来自于深圳市国泰安信息技术有限公司及同花顺股票分析软件。把行业指数收益率序列rt定义为rt=100×ln（Pt /Pt-1），Pt为第t日指数的收盘价格。
2、数据的分析
（1）数据的统计描述。对行业指数收益率进行统计上的分析得出，除农林和传播收益率分布具有左偏外，其他行业收益率均具有右偏特性，其中偏度最大的是金融指数收益率，最小的为综企指数收益率。所有收益率分布的峰度均大于3，又JB正态性检验统计量远大于临界值5.992，从而拒绝了收益率正态分布的原假设。由此可以得出深市各行业指数收益率的分布具有尖峰厚尾的特性。
（2）平稳性及异方差检验。如果一个时间序列有单位根，则该时间序列为随机游走，而随机游走是非平稳时间序列的特例。因此为了建立ARCH模型，首先要对行业指数收益率序列进行平稳性检验，其结果表明ADF统计量在1%的显著性水平下，深市行业指数收益率序列都拒绝随机游走的假设，也就是说这些收益率序列都为平稳的时间序列。为了分析收益率序列是否具有显著的异方差特性，采用ARCH-LM检验来进行测试。检验结果表明，拉格朗日乘数的P值均小于临界值1％。由此可以得出，可在1％的显著性水平下拒绝了原假设，收益率序列存在着很显著的ARCH效应。
3、模型的建立及检验
（1）GARCH模型的参数估计。采用此模型来刻画收益率的时变方差，分别对收益率在3种不同分布的假设下建立模型。由AIC准则，采用GARCH（1，1）模型，以极大似然估计法（MLE）来估计模型的参数。结果表明行业指数收益率在3种不同分布的假设下建立的GARCH模型的参数都是显著的，具有较大的极大似然函数值也反映了它们具有较好的精确度。
（2）VaR的计算。由以上建立的GARCH（1，1）模型，可以计算出在3种不同分布下的时变条件方差。并根据3种不同分布假设下分别在95％和99％置信水平下计算出下分位数，其中t分布和GED分布的下分位数通过Matlab的数值积分程序得到。为了计算上的方便，在此把初始值V0标准化为1。通过式（2）来计算VaR。
（3）VaR模型的检验。为了检验VaR模型在计量市场风险的有效性，需要检验模型的测量结果对实际损失的覆盖程度，在此采用失败频率检验法。该检验方法假定计算VaR的置信度为c，样本实际考察的天数为T，样本中投资组合损失值大于VaR的天数总和为N，失败率为P（N/T）。零假设为P=P?鄢，其中P?鄢=1-c，这样对VaR模型准确性的评估转化为检验失败的频率P是否显著异于P?鄢。假设VaR估计具有时间独立性，失败出现的天数可以看作为一系列独立的贝努里试验。基于以上的分析和假定下，Kupiec对零假设提出了极大似然比检验：LR=2ln[（1-N/T）T-M（N/T）N]-2ln(1-P?鄢）Ｔ-Ｎ（P?鄢）N] （10）
在零假设成立的条件下，统计量LR~x2（1）。
根据Kupiec极大似然比统计量，分别在置信水平为95％和99％的情况下，对各行业VaR估计进行检验，从检验结果可以得出在收益率分布为GED的假定下，模型在置信水平分别为95％和99％的情况下，都通过了Kupiec极大似然比检验。而在t分布的假定下，VaR模型都难以准确地反映各行业的市场风险，表现出失败率难以通过检验。在正态分布假定下，各行业在95％的置信水平下都可以采用VaR模型来度量市场风险，但在99％的置信水平下模型的度量准确性则明显下降，这也进一步说明了收益率分布的厚尾现象。从失败率与左尾概率的比较看，收益率在正态分布与GED的假定下，VaR模型都倾向于低估了风险，但相对而言GED更能真实地反映收益率的分布特性，而在t分布的假定下，模型则严重的高估了风险，以至于难以通过极大似然比检验。
四、结论
针对时间序列具有的波动聚集、尖峰厚尾等特性，为了能较准确地刻画深市行业的市场风险。文章通过收益率序列在3种不同分布的假定下，建立了VaR-GARCH来度量深市行业的市场风险。以Kupiec极大似然比来检验在不同分布假定下所建立模型的有效性。检验结果表明，虽然t分布和GED都能较好地描述收益率的尖峰厚尾特性，但是基于GED假定下建立的VaR-GARCH模型则能较准确地度量深市各行业的市场风险，而基于t分布的风险度量模型则严重高估了市场风险。
（注：本文为仰恩大学科研基金资助项目，项目编号：YEU2007A004）
【参考文献】
[1]Artzner P、Delbaen F、Eber J：Coherent measures of risk analysis[J]，Financial Analysis Journal，1999A（1）.
[2]Jorion P.：Value at Risk[M]，2nd Edition, New York：McGraw2Hill，2001.
[3]Engle R.：Autoregressive conditional heteroscedasticity with estimates of the variance of UK inflation[J]，Econometrica，1982（50）.
[4]Bollerslev T.：Generalized autoregressive conditional het eroscedasticity[J]，Journal of Econometrics，1986（31）.
[5]王美今、王华：基于GARCH-t的上海股票市场险值分析[J]，数量经济技术经济研究，2002（3）.
[6]郭晓亭：基于GARCH模型的中国证券投资资金市场风险实证研究[J]，国际金融研究，2005（10）.
现代信用风险度量方法与模型述评 篇4
一、现代信用风险度量方法与模型分析与评价
20世纪80年代以来, 受债务危机的影响, 各国银行普遍重视对信用风险的管理和防范, 新一代金融工程专家利用工程化的思维和数学建模技术, 在传统信用风险度量的基础上提出了一系列成功的信用风险量化模型。
1. 神经网络分析法。
近年来, 神经网络技术在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性。神经网络是从神经心理学和认识科学研究成果出发, 应用数学方法发展起来的一种并行分布模式处理系统, 具有高度并行计算能力、自学能力和容错能力。神经网络的结构由一个输入层、若干个中间隐含层和一个输出层组成。神经网络分析法通过不断学习, 能够从未知模式的大量的复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难, 它是一种自然的非线性建模过程, 毋需分清存在何种非线性关系, 给建模与分析带来极大的方便。该方法用于企业财务状况研究时, 一方面利用其映射能力, 另一方面主要利用其泛化能力, 即在经过一定数量的带噪声的样本的训练之后, 网络可以抽取样本所隐含的特征关系, 并对新情况下的数据进行内插和外推以推断其属性。
神经网络分析方法应用于信用风险评估的优点在于其无严格的假设限制, 且具有处理非线性问题的能力。它能有效解决非正态分布、非线性的信用评估问题, 其结果介于0与1之间, 在信用风险的衡量下, 即为违约概率。神经网络法的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构, 需要人为地去调试, 非常耗费人力与时间, 因此使该模型的应用受到了限制。Altman (1995) 在对神经网络法和判别分析法的比较研究中得出结论认为, 神经网络分析方法在信用风险识别和预测中的应用, 并没有实质性的优于线性判别模型。
2. 衍生工具信用风险的度量方法。
20世纪80年代以来, 作为一种有效的避险工具, 衍生工具因其在金融、投资、套期保值和利率行为中的巨大作用而获得了飞速的发展。然而, 这些旨在规避市场风险应运而生的衍生工具又蕴藏着新的信用风险。研究者相继提出许多其他方法来度量衍生工具的信用风险, 不过主要集中在期权和互换两类衍生工具上, 最具代表性的有下列三种:一是风险敞口等值法, 这种方法是以估测信用风险敞口价值为目标, 考虑了衍生工具的内在价值和时间价值, 并以特殊方法处理的风险系数建立了一系列REE计算模型;二是模拟法, 这种计算机集约型的统计方法采用蒙特卡罗模拟过程, 模拟影响衍生工具价值的关键随机变量的可能路径, 以及交易过程中各时间点或到期时的衍生工具价值, 最终经过反复计算得出一个均值;三是敏感度分析法, 衍生工具交易者通常采用衍生工具价值模型中的一些比较系数来衡量和管理头寸及交易策略的风险, 敏感度分析法就是利用这些比较值通过方案分析或应用风险系数来估测衍生工具价值。
衍生工具信用风险模型的优点是具有较强的严谨性, 该模型力图以数量化的、严谨的逻辑识别信用风险。从缺点和不足来看, 衍生工具信用风险模型的严密的前提假设 (当一个变量发生改变, 则原有的结论需要全部推翻重新进行论证) 限制了它的使用范围。而且, 从大量的实证研究结果来看, 衍生工具信用风险模型没有得到足够的支持。例如, Duffie (1999) 发现简约模型无法解释观测到的不同信用等级横截面之间的信用差期限结构。衍生工具信用风险模型虽然是最新的科学化方法, 但其要发挥作用, 还必须与金融风险管理的理念和主观判断结合起来。
3. 集中风险的评估系统。
前述方法绝大多数是度量单项贷款或投资项目的信用风险, 而很少注重信用集中风险的评估。信用集中风险是所有单一项目信用风险的总和。金融市场的全球化和风险的多样化使人们越来越认识到“不能把鸡蛋放在一个篮子里”的重要性。金融机构和投资者们采用贷款组合、投资组合来达到分散和化解风险的目的。1997年, J.P摩根推出的“信用计量法”和瑞士信贷金融产品的“信用风险法”, 均可以用来评估信用风险敞口亏损分布以及计算用以弥补风险所需的资本。“信用计量法”是以风险值为核心的动态量化风险管理系统, 它集计算机技术、计量经济学、统计学和管理工程系统知识于一体, 从证券组合、贷款组合的角度, 全方位衡量信用风险。该方法应用的范围比较广, 诸如证券、贷款、信用证、贷款承诺、衍生工具、应收账款等领域的信用风险都可用此方法进行估测。“信用计量法”依据与动态信用事件 (信用等级的变迁, 违约等) 相关的基本风险来估测集中信用风险的风险值。集中信用风险值是指在未来一定时间内, 因信用事件引起证券或贷款组合资产价值的潜在变化量。风险管理者依据这一风险值调整头寸和决策以防范损失。“信用风险法”是在信用评级框架下, 计算每一级别或分数下的平均违约率及违约波动, 并将这些因素与风险敞口综合考虑, 从而算出亏损分布与所需资本预测数。
集中风险的评估系统的目的是综合地反映评价对象的风险, 更接近于风险分析的本源目的, 但过多的变量因素又使其陷入浩繁的考察与计量之中, 过于繁密的信息造成“噪音”过大, 这又使结论容易发生偏离。
二、信用风险度量方法与模型的发展趋势与改进方向
1. 信用风险度量方法与模型的发展趋势。
从目前国际金融与财务学界的主流观点来看, 信用风险度量方法与模型的未来发展趋势主要包括以下几个方面: (1) 对信用风险的度量从过去的定性分析转化为定量分析; (2) 从指标化形式向模型化形式的转化, 或二者的结合; (3) 信用风险度量模型涵盖的因素和条件越来越全面。从对单个角度的分析向组合角度进行分析、从账面价值转向市场价值、变量从离散向连续扩展、从单个对象的微观特征扩散到经济环境、从单一的风险度量模式向多样化的和个性化的风险度量模式的转化; (4) 在理论上, 信用风险度量方法与模型开始大量运用现代金融理论的最新研究成果, 比如期权定价理论、资本资产定价理论、资产组合理论等, 并且汲取相关领域的最新研究成果, 比如经济计量学方法、保险精算方法、最优化理论、仿真技术等; (5) 信用风险度量方法与模型越来越需要现代计算机的大容量信息处理技术和网络化技术。
2. 信用风险度量方法与模型在我国的适用性及其改进方向。
对于我国当前的经济与社会发展现实, 现有的信用风险度量方法和模型仍存在是否适用的问题。总体而言, 信用风险度量方法与模型在我国的适用性有如下几个特点: (1) 我国的市场经济环境还不完善, 相关数据缺乏, 而现有的信用风险度量模型大都需要大样本数据, 这使得其在我国适用性不强; (2) 我国企业的违约行为及其原因与西方发达国家有很大的不同。在西方发达国家, 企业违约最主要的原因是企业偿债能力不足造成的, 而我国企业违约的情形复杂, 不仅仅有偿债能力不足的原因, 也有可能是企业道德风险等多方面的原因。
角的度量教案 篇5
《数学课程标准》中强调：“不仅要重视知识的传授，也要突出技能的形成和训练。”“画角”是本单元的最后一个内容，是一节技能训练课。针对本节课的这一特点，在教学设计中主要突出以下两点：
1.为学生创造自主学习的空间，重视讨论和交流。
引导学生观察、动手操作，给学生充足的时间进行讨论、交流是本教学设计的指导思想。通过用三角尺画角的开放性讨论，让学生独立思考，自主经历画角的过程，掌握相关的数学知识和技能。
2.注重实践操作，突出学生的主体地位。
在学生的心灵深处都有一种根深蒂固的需要，就是希望自己是一个发明者、研究者。画图一直是学生的一个障碍点，画角更是非常困难。所以在本节课的教学中，突出“动手操作，自主探究，合作交流”的学习方法，给学生提供充分的探究、交流的时间和空间，引导学生在探究的过程中做到动眼观察，动手操作，认真思考。让学生亲身经历知识的形成过程，培养学生独立获取知识的能力以及认真操作的良好学习习惯。
课前准备
教师准备 PPT课件
学生准备 量角器、直尺、三角尺
教学过程
⊙复习旧知，导入新课
1.判断下面哪些图形是角。
2.比较、估算角的大小。
(课件出示两个大小不同的角)
(1)组织学生比较这两个角的大小。
(2)组织学生估算这两个角的度数。
3.引入课题。
师：同学们在估算这两个角的度数时，估算结果都不相同，如果能像量线段那样，用一种具体工具去量角，就能很方便地知道一个角的度数了，这节课我们将继续学习角的度量。
[板书课题：角的度量(二)]
设计意图：通过比较、估算两个角的大小引出问题，激发了学生的求知欲，从而引导学生明确用一个具体工具去度量角的度数的必要性。
⊙探究新知
1.认识量角器。
(1)请同学们拿出量角器，仔细观察，你发现了什么?
(2)学生观察后汇报。
①量角器是一个半圆，被平均分成了180份，其中的1份所对的角就是1°的角。
②量角器上有内、外两圈刻度：内圈刻度从右往左按逆时针方向表示，外圈刻度从左往右按顺时针方向表示。
③量角器上这个小圆点叫作量角器的中心点。中心点两边各有一条零刻度线，两条零刻度线组成的角是180°。
(教师根据学生的汇报，运用课件逐一向学生介绍中心点、外圈刻度、内圈刻度、零刻度线)
(3)在量角器上找一找外圈刻度的45°、85°、165°和内圈刻度的30°、60°、150°的刻度线。
(学生找刻度线，教师巡视指导，共性问题全班指导)
2.找角、读角。
(1)自主探究，小组交流。
师：了解了量角器，看一看，你能在量角器上找出50°和140°的角吗?
(学生找角、读数，教师注意引导学生分辨何时看内圈刻度，何时看外圈刻度)
(2)组织学生交流：如何找到50°和140°的角?
3.讨论度量角的方法。
论软件质量工程的度量与模型 篇6
关键词：软件质量,成熟度,缺陷,度量,模型
1 什么是软件质量
质量是个多维的概念,质量的“维”包括:感兴趣的实体、对实体的观念和实体的质量属性。按大众化的观点,质量是一个无形的特征:可以讨论,可以感觉和评判,但不能称、也不能量。大众观点的误解和含糊无助于产业界的质量改进工作。专业观点认为,质量能够而且应该被定义、测量、监控、管理和改进。
对于软件,最狭义的产品质量就是产品中没有“bug”,这个定义通常以两种方式表达:缺陷率、可靠性。为了提高整体顾客满意程度以及针对各种质量属性的满意度,一定要将质量属性考虑进软件的规划和设计中。软件质量的另一种观点是关于过程质量对最终产品质量的观点。从顾客需求到软件产品的交付,开发过程是复杂的,而且经常涉及一系列的阶段,每个阶段又有反馈路径。每一阶段都为中间用户生产中间交付物,每个中间交付物有某种影响最终质量产品的质量属性。
为了在开发期间改进质量,我们需要开发过程模型,并且在此过程中需要选择和部署具体的方法和途径,确保开发过程受控于满足产品质量目标的度量和模型。
2 过程成熟度框架和质量标准
评估一个机构或项目过程成熟度的框架,包括SEI和软件生产力研究公司(SPR)的过程成熟度评估方法、Malcolm Baldrige制度和评估过程以及ISO 9000认证过程。SEI和SPR方法是针对软件过程的,后两个框架实际上应用于所有产业的质量过程和质量管理标准。
2.1 SEI过程能力成熟度模型(CMM)
卡耐基-梅隆大学的SEI为软件开发工作建立了一个过程成熟度框架,框架包括过程成熟度的5个级别:初始级、可重复级、已定义级、已管理级、优化级。SEI成熟度评估框架已经在软件产业的政府代理和公司中使用。评估方法依靠一个有85个条目回答“是”或“否”的问卷,对每个问题,指出了与这个问题相联系的SEI成熟度级别。
软件度量和模型的普遍使用是第四级成熟度的关键特征,而对第五级而言,缺陷预防是关键。在软件机构中已经对许多项目进行了SEI成熟度评估,这一模型也被美国国防部用作合同软件的评价载体。
2.2 SPR评估
在SEI成熟度模型建立的同时,软件生产力研究公司开发了SPR评估方法。SEI和SPR方法之间有很大程度的相似,也有一些本质的不同。SEI的问题重点在软件机构的结构和软件过程,SPR的问题则包括战略性的共同问题以及影响质量、生产力和用户满意度的策略性的项目问题。SPR问卷的总问题数大约是400个。此外,SPR问题是链接式的多重选择问题,回答用5级尺度(优秀、好、中等、及格、查),而SEI方法是用二分尺度(是、否),SPR方法的整体过程评估也用同样的五级尺度表示。SPR开发了一个自动化软件工具,用于评估以及资源规划和质量预测。
正在使用的具体开发过程、这个过程的成熟度等级和公司的质量管理体系是影响软件项目质量的重要因素。
3 软件质量度量
软件度量分为3类:产品度量、过程度量和项目度量。软件质量度量是软件度量的一个子集,重点在产品、过程和项目的质量方面。一般来说,软件度量同过程度量和产品度量的联系要比与项目度量的联系更密切。
软件质量度量可进一步划分为最终产品质量度量和中间产品质量度量。软件质量工程的本质在于研究中间度量、项目特征和最终产品质量之间的关系,并在这些发现的基础上,策划过程质量和产品质量的改进。此外,还应从整个软件生命周期的角度看待质量,应当将维护过程质量等级的测量作为另一类软件质量度量包括到度量里来。
3.1 产品质量度量
通常用软件中的“bug”个数或软件在遇到“崩溃”之前可运行多长时间来测量内在产品质量。在操作式定义中,这两个度量是:缺陷密度和平均无失效时间。平均无失效时间度量经常被用于空中交通管制、航空电子学、武器系统等对安全要求非常高的系统上,缺陷密度在商业软件系统中使用得较多。缺陷密度和平均无失效时间是内在产品质量的两个关键度量。相应地,存在两种主要的软件可靠性增长模型-失效间隔时间模型、缺陷计数(缺陷率)模型。
3.2 过程中质量度量
和最终产品质量度量相比,过程中质量度量的定义不够正式,软件开发人员中的实践方法也千变万化。一方面,过程质量度量只是为某些机构跟踪正式机器测试期间出现的缺陷;另一方面,有一些建立了良好软件度量程序的软件机构,其软件度量程序覆盖了开发周期每个阶段的各种参数。
当软件还在测试之中时,每KLOC(或其他分母)的缺陷数就是质量的一个良好指示器。它对于监控在同一个开发机构内的统一产品的后续发布版本特别有用。
3.3 软件维护的度量
在软件维护阶段,按时间区间的缺陷出现数和按时间区间的顾客问题召唤数都是事实度量。事实度量虽然重要,但不反映软件维护的质量。在维护阶段可以做的事是尽可能快地、以优秀的修补质量修补这些缺陷。下列度量很重要:①修补积累和积累管理指数;②修补响应时间;③逾期修补百分数田;④修补质量。
4 软件可靠性模型
在把软件产品提供给顾客的时候,可以使用软件可靠性模型对它的可靠性和潜伏缺陷数进行估计。可以将可靠性模型粗略地分成两类:静态模型和动态模型。静态模型使用项目或程序模块的属性来估计软件中的缺陷数。动态模型通常是基于统计分布的,使用当前开发的缺陷模式来估计最终产品的可靠性。
软件质量估计的静态模型的一般形式:y=f(x1,x2,…,xk)+e其中,因变量y是缺陷率或缺陷数,自变量xi是产品、项目或开发该产品过程的属性,e是误差项(因为模型不能完全解释因变量的行为)。公式中自变量的系数是基于以往产品的数据估计出来的。对于当前产品或项目,自变量的值是测量出来的,然后插到公式中,推导出因变量的估计值-产品缺陷率或缺陷数。
静态模型的参数的系数是基于许多以往项目估计出来的,动态模型的参数是基于从感兴趣产品至今所收集来的多重数据点估计出来的。如果分析的单位是在产品级而且目的是估计产品级可靠性,静态模型要比动态模型差些。动态软件可靠性模型又可进一步分为两类:用于整个开发过程建模的和用于后期正式测试阶段建模的。前者以Rayleigh模型为代表,后者以指数模型和其他可靠性增长模型为代表。动态模型的共同之处是它们都被表示为开发中的时间或其逻辑等价物(例如开发阶段)的函数。
5 可靠性增长模型
Rayleigh模型对整个开发过程中缺陷模式进行建模。与Rayleigh模型相比,可靠性增长模型通常是根据正式测试得到的数据建模。通常是在软件提交给顾客使用之前和开发工作完成前,用软件可靠性模型进行可靠性预测。它们同样可用于为现场失效模式或缺陷出现模式建模,并为维护计划提供有价值的输入。
指数模型是软件可靠性增长模式的基本形式之一。软件可靠性建模已经成为软件工程中最活跃的领域之一,在各种专业报刊和软件学术会议中提出了多种模型,每一种模型都有它的假设、适用性和局限性,大部分模型都没有在实用环境中用真正的数据检验过,实际使用的更少。
可靠性建模是用精确的统计术语来概括的复杂现实的一种尝试。因为正被建模的物理过程(软件失效现象)很难精确统计,在建模过程中必须无歧义地陈诉基本假设。在应用中,基本假设符合时,模型可以运行的好一些,反之亦然。假设越合理,模型就越好。一般说来,失效间隔时间模型的假设要相对更严一点。此外,收集失效间隔时间数据的费用更高,并且要求数据的精确度要更高。
6 质量管理模型
开发工作完成时,评估软件产品质量、预测缺陷数、或者估计发现到下一个失效的平均时间是重要的。更为重要的是在软件开发过程中对软件质量的管理和监督。虽然一些模型可用于可靠性评估和质量管理两个方面,但这些模型如何用于质量管理和如何用于可靠性评估是不同的。一方面,质量管理模型必须能够提供早期警报信号或者改进信号,这样就可以及时地计划和执行相应的行动。另一方面,与预测模型相比,质量管理模型在一定程度上不够精密、不够数学化。因此,将可靠性模型用于质量管理,而不是作为预测性工具的时候,需要不同的关注点。
对于一个开发机构来说,如果想使所使用的质量管理模型发挥作用,它就必须覆盖早期开发阶段。可靠性增长模型是基于当开发工作实际完成时的系统测量数据的,对过程中质量管理不像对可靠性评估那样有用,但在跟踪当前状态和决定何时结束对具体预定质量目标的系统测试方面,可靠性增长模型对质量管理是有用的。
6.1 Rayleigh模型框架
对质量管理来说,Rayleigh模型是一种好的整体模型。Rayleigh模型涉及到缺陷预防和与前期项目相关的早期缺陷排除等内容。在这个模型的基础上,如果降低错误的注入率,那么Rayleigh曲线下的面积就将变小,导致较小的预测现场缺陷率。同样,如果在开发过程中的前期排除的缺陷较多,那么在后期测试和维护阶段的缺陷率就会较低。这两个方案的目的都是为了减少最后测试阶段的缺陷数量,进而导致较少的应用现场缺陷。
比质量预测更为重要的是Rayleigh框架可用作质量改进策略的基础-尤其是与缺陷预防和早期缺陷排除相关的两个原则(即前面提到的两个假设),这两个原则是开发质量改进策略的主要方向。
Rayleigh模型给出了双向质量改进策略。简略地说,目的就是要把Rayleigh曲线的最高点移到左端,同时尽可能地降低这个最高点。最终目标是获得最低曲线所代表的缺陷注入/排除模式。不管机构的缺陷排除模式是否符合Rayleigh曲线,都可以实现这种策略。如果不符合Rayleigh曲线,可以采用离散的、基于阶段的缺陷模型。必不可少的是要制定一个基于阶段的缺陷排除目标,以反映与基线相比的较早的缺陷排除模式,然后按照活动计划来完成这个目标。
6.2 PTR子模型
如果现存的参数模型同缺陷模式不相符合,就必须开发专门的模型用于评估过程中的质量。在大规模软件开发过程中,现有可靠性模型不能应对的一个共同实际问题是连续集成问题。要对一系列准备好了的程序模块加以集成,并且这种集成发生在整个开发周期直到系统测试开始。无参数PTR子模型是为测试跟踪开发的。在许多开发机构中可以通过某种问题跟踪报告(PTR)对测试缺陷加以跟踪,PTR子模型是整体缺陷排除模型的一部分。
预期的整体PTR率可从历史数据估计出来。随时间变化的集成代码可以在当前的实现计划中获得。代码集成后的PTR表面模式依赖于测试活动和驱动器构造进度。PTR模型是一个无参数模型,目的是使得可以在过程中质量管理的实际测试缺陷出现曲线和理想/预期曲线之间进行比较。
6.3可靠性增长模型
可靠性增长模型对开发后期阶段的质量管理也有一定的用处,可以使用从以前产品或者同一产品的以前发布版本开发的模型来跟踪当前产品的测试缺陷。当把可靠性增长模型作为一个质量管理工具时,好处之一就是当获得第一个数据点时,马上就可以对之进行比较。可靠性模型在质量管理的使用比可靠性预测方面更为自由。可靠性模型对质量管理的典型用途就是根据所给可靠性目标、或者是要达到的某个具体缺陷水平确定测试结束日期。如果从当前数据推导出的模型指出没有达到希望的质量,那么我们就要进行更多测试,直到可靠性达到期望的目标为止。
在开发的后期阶段基于可靠性模型来管理开发质量,不应该把这个模型作为单独的模型使用。软件开发质量管理系统应该尽可能地关注早期阶段,如果观察到一些负面指标,就必须尽可能地采取相关行动。
7 结束语
软件产业是我国产业革命的先锋及高新技术产业的重要组成部分,它作为实现国民经济和社会信息化的先导产业而占据了主要位置。然而,我国软件产业的现状并不乐观,软件企业普遍存在“软件危机”,如质量不能为用户接受,工期超时,费用难以控制等问题。软件质量是软件企业的生命。
在软件乃至其他产业中,质量的实际操作式定义由两级组成:内在产品质量、顾客满意度。顾客满意度是质量的最终确认。产品质量和顾客满意度构成了质量的全面含义。事实上,全面质量管理(TQM)区别于传统质量工程只关注产品质量的根本点在于:TQM是旨在通过将质量与顾客满意度结合达到长期的商业成功。除产品的满意度,还必须分析顾客对公司的满意度。在这个现代质量时代,提高顾客满意度是商业成功的底线。
参考文献
[1]严圣武,张大庆,王建昌.质量控制[M].北京:万象出版社,1998.
[2]何新贵,王伟.软件能力成熟度模型[M].北京:清华大学出版社, 2000.
[3]ISO/IEC JTCl/SC7/WG6,ISO/IEC 9126-1:Information Technology Software Quality Characteristics and Metrics-Part I Quality Model [S].
度量模型 篇7
企业并购指的是企业之间的合并或兼并, 国际上通常称为M ergersand A cquisitions, 简称M&A。并购作为市场经济高度发展的产物和企业经营的有效手段, 在西方市场经济比较发达的国家已有一百多年的历史。西方国家把企业并购的主要目的归纳为:通过实现规模效应以降低成本;通过扩大市场份额以增加效益;实现多元化经营, 迅速进入新领域。
随着我国改革开放的深入和市场经济的逐步建立, 企业并购也已成为我国社会主义市场经济中较为鲜明的主题。从中国的并购现状可以看出, 我国企业并购目的除了以上三点外还有买壳上市、调整经济结构、希望大型国企做大做强等等。所以, 企业并购作为一项实现企业战略、促进企业资源优化配置的方法在中国经济发展中发挥着积极作用。
企业并购可以有效降低企业进入新行业的门槛, 获得目标企业的核心技术、销售网络、管理、品牌和人力资源等特殊资产, 实现企业低成本、低风险的扩张和多元化经营, 提高市场占有率和行业集中度, 实现规模经济战略。但同时也要认识到, 只要是投资活动就必然存在风险。并购过程中, 由于信息的不对称性、外部环境的不确定性、经营管理活动的复杂性和企业自身能力的有限性而导致存在有许多并购风险。常见的并购风险主要有经营风险、财务风险、法律风险、人事风险、文化风险、市场风险等。其中, 财务风险在企业并购风险中处于非常重要的地位。
企业并购的财务风险是指由于并购定价、融资、支付等各项财务决策所引起的企业财务状况恶化或财务成果损失的不确定性, 是并购价值预期与价值实现严重负偏离而导致的企业财务困境和财务危机, 是各种并购风险在价值量上的综合反映, 是贯穿企业并购全过程的不确定性因素对预期价值产生的负面作用和影响, 是企业并购成功与否的重要影响因素。
二、企业并购财务风险分类
企业并购的完整过程包括目标企业的选择、目标企业价值的评估、出价方式的确定、收购资金的筹措、收购后的整合和债务的偿还等等, 上述各个环节中都可能会产生财务风险。根据并购前的准备阶段、并购进行阶段和并购完成后的整合阶段把财务风险归纳为三类:目标企业价值评估风险、融资风险和整合风险。
所谓目标企业价值评估风险是指在并购过程中, 由于对目标企业价值的评估而导致并购企业财务状况出现损失的可能性。具体而言, 如果在并购中付出太高的价格, 就会影响并购方未来的收益, 甚至会使企业日后背上沉重的成本负担, 从而使企业在债务、经营成本以及利润方面带来很大的压力, 这就产生了并购企业的估价风险。目标企业的价值评估是并购交易的精髓, 目标企业的估价取决于并购企业对目标企业未来收益的大小和时间预期, 导致目标企业价值评估风险的因素主要包括:第一, 财务报表风险。财务报表是企业价值评估的重要依据, 并购企业正是以目标企业财务报表反映的信息为基础来获得目标企业的经营状况。如果目标企业的财务报表本身不够真实或者经过粉饰美化, 那么计算出来的目标企业的价值就没有太大的参考价值。第二, 利润预测风险。目标企业以前年度的财务数据对了解该企业的经营状况有很重要的借鉴作用, 但是, 并购企业真正关注的是目标企业的未来收益能力, 并以此为主来对目标企业进行价值评估。一旦并购企业过高估计目标企业的发展前景、盈利能力, 就会产生付价过高的风险, 从而使企业蒙受损失。第三, 贴现系数风险。通过预测企业未来价值增值的方法来评估企业价值, 贴现率的估计就是一个关键问题, 而这种估计由于存在很强的主观性, 往往会造成结果的不正确。
并购的融资风险主要是指并购企业能否按时足额筹集到资金以保证并购的顺利进行。如何利用企业内部和外部的资金渠道, 在短期内筹集到所需的资金是关系到并购活动能否成功的关键。融资风险是由许多种要素组成的综合系统, 从风险评估的角度来讲, 主要有:第一, 资本结构合理性风险。资本结构是指企业全部资本中各种资本的构成及其比例关系, 企业资本结构是否合理是影响融资风险的一个主要因素, 对企业的资本成本和预期收益有直接影响。第二, 融资成本风险。融资规模不同将导致融资总额不同, 从而使融资成本失去可比性, 企业应尽量选择使企业资本成本最低, 企业价值最大的融资方案。第三, 财务杠杆比率风险。在融资过程中, 往往要同时安排自有资金和借入资金, 二者比例不同, 所带来的风险程度也不尽相同。
并购的整合风险是指由于对目标企业和新企业的实际经营存在主观估计的问题, 就不可避免地会导致实际上达不到预期盈利目标, 从而产生了绩效预测风险。在整合期间, 财务风险的形成是各种因素综合作用的结果。根据其表现形式可分为:第一, 企业财务组织机制风险。是指并购企业在整合期内由于相关的企业财务机构设置、财务职能、财务管理制度、财务组织更新、财务协力效应等因素的影响, 使并购企业实现的财务收益与预期财务收益发生背离, 因而有遭受损失的可能性。第二, 资本运营风险。并购完成后企业在进行资产经营过程中, 要对企业的资产、成本、财务运作、负债、盈利等财务职能按照协同效益最大化的原则实施财务整合和科学监控, 以实现企业的并购目的。但由于宏观环境和具体环境的不可确定性, 以及企业内部财务行为的管理失误, 而使企业并购后未能实现预期的并购目的, 会导致财务风险和财务危机。第三, 盈利能力风险。实施并购后企业资本是否能实现保值增值、能否带来预期的投资回报是并购企业最为关心的问题。企业并购后的盈利能力风险, 不仅关系到企业的持续生存问题, 同时也关系到管理者和其他股东的未来收益与债权人长期债权的风险程度。
三、企业并购财务风险度量模型建立
针对并购中存在的财务风险, 可以运用故障树法和流程图分析法得出财务风险度量的层次结构 (如图1所示) 。
以上制定的指标体系中, 并购财务风险分为X、Y、Z三个一级指标体系, 每个一级指标下又分为三个二级指标。各个指标值的确定需要采用德尔菲法通过专家进行评估。由于指标具有模糊特点难以进行准确量化, 因此需采用模糊数学方法进行建模。
运用模糊分析的方法, 采用隶属度的概念把风险分为五个评分等级, 分别为5 (高风险) 、4 (较高风险) 、3 (一般风险) 、2 (较低风险) 、1 (低风险) 。然后采用百分数的方法给每一个指标赋值。如有10个专家评估, 认为该项目高风险的有1人, 则该项目高风险评定指标数为1/10, 等于0.1。根据模糊决策方法, 建立企业并购财务风险等级评价模型:
其中B为评估风险最终得数, R为风险等级评估矩阵, A为权重矩阵。
根据上图标示:R=[X, Y, Z]T, A=[ax, ay, az], ax, ay, az分别为X, Y, Z的权重, 且ax+ay+az=1。
一级指标模型构建:
AX, A y, A z分别为X, Y, Z下二级指标的权重矩阵, AX=[ax1, ax2, ax3], A y=[ay1, ay2, ay3], A Z=[aZ1, aZ2, aZ3]。
四、企业并购财务风险度量模型应用
为了具体说明企业并购中这一财务风险模糊综合评价模型的运用, 本文采用虚拟案例的形式, 对一拟进行企业并购行为运用该评价指标体系进行财务风险分析。表1为某家电企业并购中财务指标设置以及分析过程。
假定有20位专家对该次并购活动财务风险进行评估, 根据德尔菲法确定指标和权重数据。根据模型可知:
X1=[2/20, 5/20, 5/20, 6/20, 2/20]·[5, 4, 3, 2, 1]T=2.95
X2=[8/20, 5/20, 2/20, 3/20, 2/20]·[5, 4, 3, 2, 1]T=3.7
X3=[5/20, 5/20, 3/20, 4/20, 3/20]·[5, 4, 3, 2, 1]T=3.25
Y1=[3/20, 3/20, 5/20, 4/20, 5/20]·[5, 4, 3, 2, 1]T=2.75
Y2=[2/20, 3/20, 6/20, 3/20, 6/20]·[5, 4, 3, 2, 1]T=2.6
Y3=[4/20, 3/20, 3/20, 5/20, 5/20]·[5, 4, 3, 2, 1]T=2.8
Z1=[3/20, 3/20, 5/20, 5/20, 4/20]·[5, 4, 3, 2, 1]T=2.8
Z2=[2/20, 2/20, 8/20, 5/20, 3/20]·[5, 4, 3, 2, 1]T=2.75
Z3=[3/20, 2/20, 5/20, 6/20, 4/20]·[5, 4, 3, 2, 1]T=2.7
AX=[ax1, ax2, ax3]=[0.25, 0.35, 0.4],
Ay=[ay1, ay2, ay3]=[0.45, 0.25, 0.3],
AX=[ay1, ay2, ay3]=[0.35, 0.35, 0.3]。
由式 (2) 、 (3) 、 (4) 得:
X=AX·[X1, X2, X3]T=[0.25, 0.35, 0.4]·[2.95, 3.7, 3.25]T=0.7375+1.295+1.3=3.3325
Y=AY·[Y1, Y2, Y3]T=[0.45, 0.25, 0.3]·[2.75, 2.6, 2.8]T=1.2375+0.65+0.84=2.7275
Z=AZ·[Z1, Z2, Z3]T=[0.35, 0.35, 0.3]·[2.8, 2.75, 2.7]T=0.98+0.9625+0.81=2.7525
R=[X, Y, Z]T=[3.3325, 2.7275, 2.7572]T, A=[ax, ay, az]=[0.4, 0.3, 0.3]
由式 (1) 得:
B=A·R=[0.4, 0.3, 0.3]·[3.3325, 2.7275, 2.7572]T=1.333+0.81825+0.82716≈2.98
通过度量模型可以得出结论, 该家电企业并购财务风险等级为2.98, 属于一般风险。通过二级评判指标向量进一步深入分析可知:该次并购活动, 融资风险和整合风险属于一般风险, 目标企业定价风险高于一般风险为3.33。导致目标定价风险偏高的主要因素是利润预测和贴现系数的选择。同时, 虽然融资风险整体一般, 但是从分析过程可以看出决定其大小的指标中资本结构的合理性风险较其它两项风险明显偏大。综合以上分析结果, 企业可以有针对性地在此次并购中产生风险较大的利润预测、贴现系数选择和资本结构合理性确定三方面, 采取有效对策规避风险。
参考文献
[1]朱宝宪:《公司并购与重组》, 清华大学出版社2006年版。
[2]饶有玲:《经管财金建模方法及应用》, 清华大学出版社2005年版。
度量模型 篇8
1. GARCH类模型
在广义自回归条件异方差模型简称GARCH模型中, 同时考虑条件均值和条件方差两个设定。
在标准化的GARCH (p, q) 模型中:
为了保证GARCH过程的平稳性, 要求 。
通常, 运用最广泛的是GARCH (1, 1) 模型, 能够描述许多金融时间序列的条件异方差问题:
在金融应用中, 人们通常认为金融资产的收益应当与其风险成正比, 即风险越大, 预期收益越高, 所以将条件方差 (标准差) 作为外生变量或前定变量引入到均值方程中, 得到:
被称为GARCH-M模型
在现实中, 金融时间序列的波动通常呈现出一种非对称性特征, EGARCH和PARCH模型可以反映这种非对称效应。EGARCH (1, 1) 模型的条件方差变为:
这样, 非对称效应就是指数形式而非二次型的, 所以条件方差预测值一定是非负的。杠杆效应的存在能够通过 的假设得到检验。只要 , 冲击的影响就存在非对称性。
PARCH (1, 1) 模型的条件方差方程形式为:
其中, , 参数 用来捕捉非对称效应, 只要 , 非对称效应就会出现;标准差的幂参数δ用来评价冲击对条件方差的影响幅度。
2. Va R值的风险度量分析
鉴于金融资产波动的非对称性, 资产持有者的多头头寸和空头头寸具有明显不同的Va R值, 需要分别考虑左右尾部情况。
采用的多头头寸的Va R值为:
而空头头寸的Va R值为:
其中α为给定的显著性水平, 分别为模型中rt的条件均值和条件方差的向前1步预测值, 分别为εt分布的左尾和右尾α分位数。
二、实证分析
1. 样本数据的选取及说明
从五种外汇汇率的相关性 (见表2-1) 可知外汇资产持有者可通过构造合适的资产组合达到有效降低汇率风险的目的。
由于外汇汇率序列常常用一种特殊的单位根过程——随机游动模型描述, 所以对原数据进行对数处理, 生成各汇率数据的对数序列。
2. GARCH类模型的选择与估计
在IGARCH (1, 1) 、IGARCH-M (1, 1) 、GARCH (1, 1) 、GARCH-M (1, 1) 、EGARCH (1, 1) 、EGARCH-M (1, 1) 、PARCH (1, 1) 、PARCH-M (1, 1) 等备选模型中, 同时兼顾模型参数的显著性、修正后的R2、对数自然值、AIC值、SC值优选适合五种序列的模型, 结果如表2-2。
运用Eviews5.0软件分析上述优选模型, 在三种不同分布假设下对相应的汇率对数序列进行拟合分析, 如下表所示:
注:D.F.为t-分布的自由度, γ为g-分布的尾部参数, 括号内为Z统计量 (下同)
从上表中各模型的估计结果来看, 各模型的参数均在5%的显著性水平下显著, 所以各模型的拟合效果较好。进一步对各模型的残差分别做异方差效应的LM检验, 发现条件异方差现象均得到有效消除, 所以上述各模型均能够较好地反映相应外汇汇率对数序列的异方差现象, 进而准确地估计其波动特性。
3. Va R值的估计结果
接下来运用Va R计算方法对汇率的风险价值进行分析。首先运用Eviews5.0求取公式 (2.2.1) (2.2.2) 确定的优选模型的条件均值和条件方差的向前1步预测值 , 并计算各汇率对数序列的Va R上下限。所选样本区间内实际损失超过Va R上限的为多头失败天数, 超过Va R下限的为空头失败天数, 并分别求出失败率。下表为不同模型、不同置信水平下的结算结果。
比较不同分布下的同种模型的Va R值和失败率, 尽管其大小有差异, 但是趋势相同, 现象相同。对于美元/人民币汇率、港币/人民币汇率来说, 其风险主要来自于多头市场, 空头头寸几乎都落在区间之内, 因此, 投资者如选择美元和港币作为投资对象时, 应当特别注意其升值带来的风险。相反的, 英镑和日元的汇率风险更多的反映在空头市场, 多头市场大多比较稳定, 投资者要关注其货币的贬值。欧元汇率无论是空头头寸还是多头头寸, 失败率都很高, 说明有其波动较大, 并且波动因素不在我们的控制和预期之内, 投资者应当谨慎选择。
参考文献
[1]王德全:外汇风险度量研究——基于GARCH类模型及VaR方法, 南方金融, 2009 (08)
[2]韦艳华张世英:多元Copula-GARCH模型及其在金融风险分析上的应用, 数理统计与管理, 2007, (03)
度量模型 篇9
一、文献综述
1、GARCH模型
自从Engle(1982)提出ARCH模型分析时间序列的异方差性以后,T·Bollerslev(1986)又提出了GARCH模型。GARCH模型是在ARCH模型基础上对方差的表现形式进行了直接的线性扩展,弥补了在优先样本下ARCH模型阶数过大所带来的计算效率和精度上的不足。
为了衡量收益率波动的非对称性,Glosten、Jagannathan与Runkel(1989)提出了GJR模型,在条件方差方程中加入负冲击的杠杆效应,但仍采用正态分布假设。
Nelson(1991)提出了EGARCH模型。Engle等(1993)利用信息反应曲线分析比较了各种模型的杠杆效应,认为GJR模型最好地刻画了收益率的杠杆效应。
Glosten、Jagannathan与Runkel(1993)分析比较了各种GARCH-M模型,指出不同的模型设定会导致条件方差对收益率产生正或负的不同影响。
2、Va R
G30集团在研究衍生品种的基础上,于1993年发表了标题为《衍生产品的实践和规则》的报告,提出了度量市场风险的Va R(Value at Risk:风险价值)。
J.P.Morgan推出Risk Metrics风险控制模型,主要用于计算Va R。
Philippe Jorion(1996)详细地介绍了Va R的定义、一般计算方法,并总结了各种计算Va R方法的特点。通过实证分析,对比正态分布和t分布下的静态模型计算Va R值的区别。
二、理论依据
1、GARCH模型原理
一般的GARCH模型可以表示为:
其中,xt是1×(k+1)维外生变量向量,γ是(k+1)×1维系数向量。式(1)给出的均值方程式是一个带有误差项的外生变量函数。由于σt2是以前面信息为基础的一期向前预测方差,所以被称作条件方差,式(1)也被称作条件方差方程,包含3个组成部分:常数项α0:用均值方程的扰动项平方的滞后来度量从前期得到的波动性的信息。u2t-1(ARCH项),上一起的预测方差σ2t-1(GARCH项)。
2、Va R模型原理及估计方法
Va R方法的核心在于描述金融时间序列的统计分布或概率密度函数。通常我们以价格或指数的对数收益率序列为描述对象。若使用价格、指数序列,则我们描述该金融时间序列的统计分布过程中就会受到一定的限制,因为价格或指数的取值范围为[0,+∞]。另外,对数收益率Rt的取值范围位于整个实数域,且多期对数收益率是单期对数收益率的和。
考虑一个证券组合,假定P0为证券组合的初始价值,R是持有期内的投资回报率,在期末证券组合的价值为:P=P0(1+R)。
假定回报率R的期望和波动性(通常用标准差来描述)分别为μ和σ。若在某一置信水平α下,证券组合的最低价值为P*=P0(1+R*),则根据Va R的定义,证券组合偏离均值的非预期损失为Va R,公式为:
因此,计算Va R就相当于在一定置信水平下计算最小的P*或最低回报率R*。由于证券组合未来的日回报率为随机过程,假定未来日回报率的概率密度函数为f(p),则对于一定置信水平α下的证券组合Va R为P*,其中
3、Va R估计的方差—协方差法
方差一协方差方法是基于对数收益服从正态分布的假设,在此基础上用历史数据来度量均值、标准差、相关系数等主要参数的方法。
本文利用GARCH(1,1)模型中的条件方差σt2来测度股票市场的Va R,根据J.P Morgan银行的Risk Metrics模型,建立方差σt2与风险损失的关系,Va R=-Pt-1Zασt。Pt-1为资产t-1时刻的价格,Zα为置信度为α对应分布函数的临界值。
三、实证分析
1、数据选取
本文选取的研究对象:沪深300指数开盘价,样本区间为2011年4月1日至2014年1月10日;美国标准普尔500指数开盘价,样本区间为2013年8月19日至2016年8月18日。鉴于两地股市开盘日期的不一致,因此,将样本区间调整为两地共同开盘日的日收盘价,调整后样本个数同为712。
数据来源于大智慧行情软件,使用软件为Eviews7.1及Excel2010。
2、描述性统计
由时序图可以看出,两组时间序列显然都为非平稳序列。对日开盘价取对数收益率Rt,其表达式为:Rt=ln Pt-ln Pt-1。Pt为指数当日开盘价,Pt-1为指数前一日开盘价。
(1)沪深300和标普500的偏度均与0有一定差异,拒绝均值为0的原假设,不符合正态分布的特征。
(2)标准正太分布的峰度K应为3,沪深300(K=7.557889>3)和标普500(K=6.173763>3)收益率曲线的分布凸起程度大于标准正态分布,说明存在较为明显的“尖峰厚尾”形态。
(3)沪深300收益率的JB统计量为718.82,标普500收益率的JB统计量为302.5816,两者均大于5%的显著性水平上的临界值5.99,所以可以拒绝其收益分布正态的假设,并初步认定其收益分布呈现“厚尾”特征。
3、序列的单位根检验
观察收益率序列的图形。
检验结果显示两个序列均是平稳的。
4、检验ARCH效应
观察沪深300和标普500收益率的自相关图,可以看出无自相关性,因此直接将两者对常数回归得到残差序列。观察残差平方的自相关图,分别对两序列进行LM检验。
沪深300指数和标普500指数日收益率残差序列具有集群效应,大波动集后接连大波动集,小波动集后连着小波动集。沪深300ARCH效应检验P值为0.0138,标普500ARCH效应检验P值为0.0000,均不能拒绝不存在ARCH效应的原假设。
5、估计模型参数
对两组日收益率进行检验后,可以看出序列呈平稳性、自相关性不显著、残差序列存在ARCH效应。因此,可以对序列模拟GARCH模型。为了判断均值方程中是否加入风险度量项,对两组数据分别进行了含M项的GARCH模型的拟合。拟合后沪深300指数、标普500的GARCH项系数均显著,因此保留M项。各估计系数满足非负性,在10%的水平下显著。
6、检验残差的自相关性和正态性
通过观察残差的自相关图和残差平方的自相关图,我们可以认为两组指数GARCH模型的残差序列、残差平方序列均不存在自相关性。由正态分布检验可以看出两组残差序列均不具有正态性。
可以看到,两组指数GARCH模型残差均不存在ARCH效应,拟合出的GARCH方程组都已很好的消除了条件异方差效应。因此,上述模型能够较好的反映沪深300指数和标普500指数的收益率序列异方差现象。
所得GARCH(1,1)模型方程如下:
沪深300指数
标普500指数
四、Va R计算
所用Va R公式如下:Va R=-Pt-1Zασt。通过前面的分析,我们知道收益率的分布明显不符合正太分布,因此,我们假设其服从GED分布。
设期初时刻的W值为1,采用GARCH标准差的均值计算,时间间隔为一天。即计算一天期的Va R值,同时用GARCH标准差的最大值和最小值计算Va R极大值和极小值。
(注:*“-”表示损失。)
五、结论
本文通过对沪深300和标普500收益率序列的GARCH模型模拟,建立Va R风险评估模型,可以得到以下几点结论。
第一、沪深300和标普500收益率密度分布不是正态分布,而是具有明显的“尖峰厚尾”的特征。这可能是因为投资者对市场的预期和风险偏好不同,导致对收益率的预期也不一样,并且投资者对于信息的反应具有滞后性。
第二、通过建立不同的GARCH模型可以发现,不论是美股市场还是大陆市场,负向冲击对市场的影响要大于正向的冲击,在实际中表现为利空使股市下跌的幅度大于利好使股市上涨的幅度。在TARCH和EGARCH模型中,标普500杠杆项的系数均大于沪深300杠杆项系数,这说明美国金融市场对信息反馈的非对称效应更强,投资者对坏的信息反映会更加敏感。换言之,美国金融市场相对于中国金融市场,在对股市波动性的反映操作上更为成熟灵敏。
第三、从Va R估计结果来看,标普500的Va R值始终小于沪深300的Va R值,这说明中国内地股市风险要高于美国股市。
摘要：国内外预测股指股票市场风险基本采用对波动性估计具有精度、准确度和可信度较高的GARCH模型族。本文用沪深300和标普500两组指数构建GARCH(1,1)模型,计算两组指数的Va R值。将GARCH(1,1)模型同相应EGARCH、TARCH模型进行比较,并结合所计算出的Va R值,揭示两地金融资本市场的差异。
关键词：GARCH模型,风险度量,VaR
参考文献
[1]胡利琴:金融时间序列分析实验教程[M].武汉大学出版社,2012.
[2]张穹宇:基于GARCH-VAR模型的股票市场风险度量研究[J].东方企业文化·财会金融,2013(9).
[3]谢军军:Va R风险度量方法在股票市场的应用研究[D].华中科技大学,2006.
度量模型 篇10
TNC (Trusted Network Connect) 作为TCG (Trusted computing Group) 组织的可信网络连接小组开发的终端安全认证标准, 其安全策略的施加包括完整性和认证性两个方面。在目前的研究中, 更多的将关注点放在可信的认证及认证协议的设计方面。虽然文献[3]和[4]在TNC组织提出的完整性度量模型架构[5]的完整性度量方面进行了一定的研究, 但是如何有效地通过对终端的完整性度量在策略库中选择合适的策略仍然欠缺一个有效的解决途径。
本文在对TNC规范研究的基础上, 通过对现有基于特征策略匹配的研究, 将本体学应用于完整性度量策略匹配中, 将完整性度量参数以及策略库中的策略进行最小粒度划分, 从原子语义上进行匹配, 从而达到提高匹配效率, 实现策略自适应选择。
2. 基于本体的完整性度量策略匹配模型设计
在TNC体系架构[3][5]下, 对终端的完整性度量是从硬件和软件及当前运行状态三方面综合度量, 因此评估策略也应从这三个方面综合分析, 使其最大程度满足各个方面的需求。
2.1 本体的概念建模
在本文提出策略匹配模型中, 以策略匹配的本体描述为前提, 通过将完整性度量及策略库中的策略本体化为最小粒度, 根据一定的匹配算法进行策略的选择。在TNC可信完整性度量模型中, 结合可信完整性度量特定的业务要求, 可将对象本体划分为参考度量、运行状态度量、日志三个顶层抽象类, 然后在每一类下根据业务增加子类。构建本体关系如图1所示。
在对终端进行完整性度量过程中, 可以将概念间的关系分为几种。归属关系 (A managed by B) :在网络资源中, 最多的就是归属关系, 指的是某种设备类型是归属到哪一设备类型管理, 比如edition归属到software, IML归属为PTS, 与之相对应的是管理关系 (A mange B) 。包含关系 (A is part of B) :运行状态度量里包含硬件度量、固件度量、软件度量、应用程序设置度量以及用户服务度量。继承关系 (A inherit B) :类software继承了类设备, 设备是一般化的描述, software是更细化的描述, 类software具备了上一层的属性和方法, 同时也具备了自己的属性和方法。承载关系 (A complement by B) :A借由B来实现其功能。软件的度量借由下一步更细化的参数来实现其完整性度量。位置关系 (A located-in B) :在类L:IML中, CL=φ, 说明类IML为叶子。
以上对象本体是最基本的完整性度量参数本体, 根据实际需要还可以抽象出更多的对象本体, 并且对象本体又可以由多个子对象本体构成。
2.2 完整性度量匹配模型的设计
本模型利用Jena来实现语义查询[6]。语义网标准的核心是作为通用数据结构的RDF, Jena将RDF作为其核心的接口。该模型框架分为三层:表示层、业务逻辑层、数据层, 如图2。
表示层:提供面向完整性度量的接口。虽然在模型中通过对策略和完整性度量的本体化来实现最终的策略分发授权, 但在表示层面向整体系统屏蔽了本体, 仅提供一个接口来实现完整性的度量和策略的调用。
业务逻辑层包括五个部分, 分别为访问授权组件、可信度控制组件、完整性参数描述组件、本体维护组件、查询组件。本体的创建、更新、维护是该系统的基石。完整性参数描述组件对终端接入可信网络的相关完整性度量参数进行描述。可信度控制组件在用户请求接入可信网络时, 在可信度数据库中提取该用户的历史可信度, 将其综合可信度作为新一次接入的可信度评判依据。
数据层本体库以本体的形式存放相关完整性度量的知识;策略描述库存储有关访问控制策略的实例文件, 也就相当于传统访问控制模型中的知识库;可信度数据库存放的是请求接入可信网络的终端的历史可信度, 用FTL (A) 表示。若, 则表示终端A是第一次请求接入可信网。
完整性度量匹配模型流程为:终端请求接入可信网络, 首先, 将终端完整性度量的概念层次转化为本体概念层次, 对一系列完整性度量参数进行本体化。接着, 根据决策判定引擎进行策略分析推理, 根据本体库中提供的相关完整性度量参数, 与策略库中的策略进行匹配, 确定终端访问可信网络应遵循的访问策略, 通过访问授权组件实现策略的分发授权。
3. 基于免疫的本体匹配算法
在终端接入可信网络时, 每一个终端所提供的完整性度量参数不同, 系统必须实时的根据具体情况在策略库中选择不同的访问控制策略。定义免疫系统中的抗原和抗体对应目标问题和求解, 其中抗原对应目标函数, 抗体对应问题的解。
首先计算每个抗体之间以及抗体与抗原之间的亲和力, 将与抗原有高亲和力的抗体加入记忆细胞集合并取代与其相似度最大的老记忆细胞。在这里, 抗体与抗原之间的亲和力与他们之间的距离相关, 采用Euclidean距离和Manhattan距离[10]来计算。该计算公式表述为:
其中抗体的坐标用
根据抗体的亲和力, 选择与抗原亲和力高同时与其它抗体亲和力低的抗体进行克隆。通过抗体间交换信息形成新的抗体集合, 计算所有抗体对应解得目标值, 最终抗体与抗原的最高亲和力就作为问题的近似最优解。假设有L个完整性度量参数, 可引入Nt种安全策略, 匹配基本模型如下:
其中, xij是一个布尔量, 表示是否根据参数i选择第j种安全策略, bij是概率值。
对于完整性度量策略匹配, 其选择匹配策略概率为
其中, (1α, 2α, …, iα≥0) 为可调节参数, 其值由相似度的重要性决定。在该模型算法中, 对接入可信网络的不同的终端完整性度量值分别与策略库中的策略进行匹配。每一次的匹配概率都是下一次匹配概率的基础, 即某一次得到匹配的概率为Pi, 则对于下一次的匹配, 其匹配概率
4. 模型仿真及分析
图1设置12个完整性度量因子, 9种可分配的评估策略进行匹配验证。在试验中, 设相似度门限阈值设为0.5, 最大的代数是1600, 可调节参数α为0到1之间的随机数, 如图3。
在模型匹配之初, 匹配概率起伏较大。这主要是由于模型匹配之初, 针对不同的完整性度量类型匹配评估策略, 有的度量参数所需的评估策略在原策略库中已经存在或根据原始经验值可以在策略库中直接找到适合的策略进行评估, 此时本体间匹配的概率就高;而有的度量参数需要系统自适应的寻找一种或者几种策略对其进行评估, 此时的匹配概率就低。利用计算机免疫算法自身的优势, 此时在对度量参数进行策略匹配过程中系统同时也学习新的策略组合并更新系统策略库。随着迭代次数的增加, 系统逐渐将各个度量参数所匹配的评估策略进行综合, 并最终选择合适的一条或者几条评估策略对其进行分配评估, 从而使得系统整体匹配概率达到稳定的平衡。
该系统在进行策略匹配的同时, 将优化的新的评估策略实时添加到策略库中进行动态维护, 使系统能够自学习自适应。此外, 系统将完整性度量参数和评估策略的本体化以及策略的匹配等一系列相关活动封装在一个构件中, 仅以一个接口与整个完整性度量模型进行通讯, 符合高内聚低耦合的思想, 实现了系统的轻负荷, 大大提高了系统的有效性。系统中的保信机制, 可通过对可信度数据库中接入可信网络终端历史可信度的提取, 对其可信性进行综合评估, 实现了可信接入的全局分析。
5. 结束语
本文借鉴本体理论, 提出了一种可信网络完整性度量策略匹配模型, 对完整性度量参数本体化, 利用免疫学中优化理论改进了评估策略的匹配概率。从结果上看, 模型能够根据待度量的完整性参数自适应的在策略库中选择一种或几种评估策略, 最大程度地满足终端提供的不同完整性度量参数所需的访问策略。
摘要：通过对可信网络接入完整性度量的分析, 结合本体的思想, 建立了一个基于本体的可信网络完整性度量模型。该模型对终端接入可信网络的完整性参数进行本体化建模, 确定对象关联规则, 通过基于免疫的本体匹配算法实现了完整性度量策略的自适应选择分发。分析结果表明, 该算法能够有效地对完整性度量参数进行策略的优化匹配。该模型的提出为可信网络下完整性度量的策略授权分发提供了一个新的研究思路
关键词：可信网络,完整性度量,本体,免疫理论
参考文献
[1]颜菲, 任江春, 戴葵, 王志英.基于TNC的安全认证协议的设计与实现[J].计算机工程, 2007, 12:160-165.
[2]肖政, 韩英, 刘小杰, 华东明等.基于可信计算平台的接入认证模型和O IAP授权协议的研究与应用[J].小型微型计算机系统, 2007, 8:1397-1401.
[3]杨宵宵, 何良生.可信网络连接完整性度量模型分析[J].网络安全技术与应用.2007, 10:33-34.
[4]李焕洲, 林宏刚, 张健, 郭东军.可信计算中完整性度量模型研究[J].四川大学学报 (工程科学版) .2008, 40:150-153.
[5]TCG Trusted Network Connect TNC Architecture for Interoperability.2008.