金融危机中上市公司信用风险变化

　　（8）式中给出的条件方差方程由三个部分组成：一个常数项ω、一个用残差平方的滞后项ε2i-1（ARCH项）和上一期的预测方差δ2i-1（GARCH项）。对于每一步长j，用上述GARCH模型预测j步向前的波动率，即收益率 的波动率ui+j （j=1，2，……）。这样，我们就可以估计δi+j（j=1，2，……）得到股票收益率的年化波动率Var（ut，n）。
　　股票的年收益率ut，n=ut+j，对其两边求方差得
　　Var（ut，n）=Var（ut，n）+Var（ut+i，ut+j）（i≠j）（9）
　　我们进一步假设GARCH模型的条件均值方程为常数，因而回报是独立的，于是上式中，等式右边第二项（自协方差的双重和）为零。
　　4.债务期限t和无风险利率r
　　假设债务期限为一年，t=1。使用2008年央行公布的人民币一年期定期存款基准利率为无风险利率，r=4.14%。①
　　二、样本数据和实证分析
　　本文选择冯光普（2007）证明的具有明显差异的成对数据样本，基于审慎性原则剔除发生重大变化（如资产重组、“摘帽”等因素）的公司样本 ，选择其文中证明的违约距离具有明显差异的较好公司和较差公司各10家。数据来源于国泰安研究服务中心和上市公司年报。根据上述的参数设定方法，运用KMV模型计算这20家公司的违约距离和理论违约率。
　　所谓“好”公司和“坏”公司的计算结果见表1和表2；它们违约距离的对比见图1。
　　从以上数据中我们可以发现，除了“云南白药”和“贵州茅台”的违约距离达到了2以上，其他18家公司最小值为兰花科创1.2957，来自“好”公司；最大值为ST 建机1.8788，来自“坏”公司。与直观上的结论完全不相符。
　　我们通过Mann-Whitney U检验和Kolmogorov-Smirnov Z检验发现它们来自同一总体的可能性高达40%，我们无法看出它们的明显差异。如果不包括云南白药和贵州茅台这两家众所周知的好公司以外，这种统一性更是超过60%。那么，该模型区分公司违约距离的能力就值得怀疑了。
　　三、结论
　　本文中我们基于有限的样本，得出了对KMV模型区别我国上市公司违约风险能力的怀疑。我们自然想到是由于席卷全球的金融危机和其他原因，造成了2008年中国股市的单边下跌。Denis（1995）证明了违约风险与宏观经济以及经济周期密切相关。在这种系统性风险非常大的情况下，上市公司的违约距离减小是可以接受的结果。我们不能接受的是，KMV模型如果在中国是适用的话，那么，它对上市公司违约可能的辨别能力在此时应当更加明显。
　　事实上，KMV模型在我国的不适应性并不值得怀疑：首先，我国上市公司的财务数据并不是完全可靠；其次，我国当前的股票市场还相当地不完善，如广泛存在的非流通股问题，虽然我们通过了一定的方法加以估计，但非流通股的定价问题一直没有得到很好地解决，不排除有部分学者为了得出适应性的结论，认为的挑选数据的可能。

　　参考文献：
　　[1] Maria Vassalou and Yuhang Xing，Default Risk in Equity Returns[J]. The Journal Of Finance， April 2004.
　　[2] 王琼，陈金贤.信用风险定价方法与模型研究[J].现代财经，2002，（4）.
　　[3] 鲁炜，赵恒衔，刘冀云.KMV模型关系函数推测及其在中国股市的验证[J].运筹与管理，2003，（3）.
　　[4] 薛锋，关伟，乔卓.上市公司信用风险度量的一种新方法——KMV[J].西安工业大学学报，2003，（9）.
　　[5] 韩立岩，郑承利.基于模糊随机方法的公司违约风险预测研究[J].金融研究，2003，（5）.
　　[6] 张玲，杨贞柿，陈收.KMV模型在上市公司信用风险评价中的应用研究[J].管理评论，2004，（12）.
　　[7] 赵健卫.上市公司信用风险计量研究——KMV模型及其应用[J].统计与信息论坛，2006，（8）.
　　[8] 王沐然.MABLAB6.0与科学计算[M].北京：电子工业出版社，2001.