000605.SZ 000692.SZ 000735.SZ 000920.SZ 600080.SH 600084.SH 600198.SH
1.136 1.765 1.831 1.479 1.741 1.360 0.579
000989.SZ 000899.SZ 000998.SZ 000800.SZ 600636.SH 600655.SH 600271.SH
1.489 1.839 1.869 1.952 2.009 1.839 1.869
4.3 实证结果及分析
根据表结果绘制出两样本组（ST和非ST）的违约距离折线图。如图1：
图1：ST公司和非ST公司违约距离折线图
通过分析模型应用结果和以上折线图可知：
(1)与根据经验分析的结果基本一致，模型对非ST公司和ST公司的信用风险有较强的识别能力。
(2)公司的股票价值普遍低于其资产价值，且股票市值对公司资产价值影响较大。
(3)违约距离作为区别两样本组违约风险的度量指标，数值越小其违约率越大，反之则越小。从上图可以看出，非ST公司违约距离的均值为1.8809，ST公司违约距离的均值为1．5365，违约距离均值中也能体现出非ST公司与
16
ST公司在违约距离上的区别，这说明违约距离在一定程度上反映了目前我国上市公司真实的信用状况。
5 结论及建议
5.1 研究结论
本文，首先介绍了我国商业银行所面临的信用风险问题，以及国际上的发展进程，确定了KMV模型等风险管理方法的迫切需求；通过回顾信用风险度量的发展历程，将信用风险度量模型划分为古典度量模式和现代度量模式两类；随后简单介绍了几种比较有代表性的古典信用风险度量模型和现代信用风险度量模型，并对四种现代信用风险度量模型进行了比较；然后在沪深两市中的上市公司选取股改后的20家上市公司，接着对KMV模型在我国银行业的应用进行实证分析，得出结论，我国上市公司信用状况可以在违约距离上的到较好体现。
通过上述定性和定量的分析分析，以及解决了股权分置的问题使得股价能够反映上市公司股权价值，可以说KMV模型在中国证券市场适用条件进一步成熟了，使得用KMV模型来评价我国上市公司信用风险的效果具有了可瞻性，我们完全有理由相信，随着KMV模型的不断修正完善、证券市场违约数据的不断充实，KMV模型最终将会在商业银行对上市公司风险管理中得到广泛的应用。
5.2 KMV模型的应用建议
根据上文对KMV模型在理论研究和实证分析，该模型对信用风险量化度量的有着得天独厚的优势。通过KMV模型适用性分析，定性且定量地得出KMV模型在我国资本市场上具有一定的适用性。随着证券市场的逐步成熟和
17
完善，以及企业数据库建设和信息公开披露制度的健全，KMV模型在我国必定具有广阔的应用前景。为使KMV模型在我国能够广泛应用，建议如下：
(1)提高证券市场的有效性
在运用KMV模型来计算违约概率时需要大量来自公司年报的数据，因此数据的可靠性及完整性对于计算的结果至关重要。正因为KMV模型对于数据的要求，证券市场的有效性才体现的尤为重要，因为只有上市公司及时、真实、可靠地进行信息公布，KMV模型的计算结果才能真实的反应上市公司的信用状况。
(2)完善相关的法律法规
配合证券监管体制的要求，建立和完善相关的法律法规，对违约操作及欺骗误导投资者的上市公司，不但进行经济处罚，还要其承担相应的法律责任，这样有利于上市公司管理者的重视，起到威慑作用。
(3)加快建立信用数据库：
鉴于庞大数量的上市企业，及对这些企业数据的要求，建立信用数据库成为必不可少的一环，只有在强大的数据支撑下，才能有效的对信用风险进行预测及监控。投资者将可以自主估算投资风险，有效的降低了投资成本。
(4)加快建立信用预警系统
在建立信用数据库之后，通过观察和统计，可以得出出上市公司信用风险大小并找出其违约行为发生之间的关系，找到同一行业的信用风险临界值，并根据这些临界值建立行业信用风险预警系统，及时提醒投资者。
总之，KMV模型在我国的应用已具备了成熟的条件，特别是当前违约数据缺乏的情况下，银行可以分析上市公司违约距离与他们信用等级评估值之间的关系，建立两者之间的转换关系式。为使KMV模型能够更加的本土化，适应我国的基本情况，相关部门应加强对数据收集等基础工作。
18
参考文献
[1]John Andrew Mcquown．A comment on market VS．Accounting—based measures of default risk[J]．Moodys KMV Corporation．1993．
[2]Mark Carey,Mark Hryeay．Parameterizing credit risk models with rating data[J]．Journal of Banking and Finance．2001．25：1 97—270_
[3]Roger M．Stein．Benchmarking Default Prediction Models：Pitfalls and Remedies in Model Validation[J]．Moodys l@ⅣCorporation．2002(7)．
[4]Matthew Kurbat,Irina Korablev．Methodology for Testing the Level of the EDF Credit Measure[J]．Moodys KMV Corporation．2002(8)．
[5]张玲，张佳林．信用风险评估方法发展趋势阴，预测，2000(4)：72-75．
[6]杜本峰．实值期权理论在信用风险评估中的应用阴，经济经纬，2002(3)：80·82． [7]鲁炜，赵恒珩等．KMV模型在公司价值评估中的应用川，管理科学，2003，(3)：30·33．
[8]彭非远．KMV模型对中国上市公司股权市场后的信用风险实证分析川，中山大学学报论丛，2006，(8)：109．112．
[9]Black F，Scholes M．ne pricing of options and corporate liabilitie[J]，Journal of Political Economy,1973，(8)：637—659．
[10]Merton．On the Pricing of Corporate Debt：The Risk Structure of Interest Rate[J],Journal of Finance，1 974，(29)：449．
[11]Long staff F,Schwartz E．Interest rate volatility and the term structure: a two factor general equilibrium mode[J]，Journal of Finance，1995(4)：1340-1349
[12]Zhou,C．A,Jump Diffusion Approach to Modeling Credit Risk and Valuing Default-able Securities．Working Paper,Federal Reserve Board of Governors．1997．
19
[13]中国证券业协会．证券交易[M]，北京：中国财政经济出版社，2007:117-119． [14]倪锦忠，张建友，闻玉璧．现代商业银行风险管理[M],北京:中国金融出版社,2010.75-81
[15]屠德俊,基于KMV模型的商业银行信用风险度量研究[D].,中南大学，2007
[16]刘静,基于KMV模型的我国商业银行信用风险度量的研究[D], 西安电子科技大学， 2010
[17]刘佳音,巴塞尔新资本协议信用风险管理框架在我国商业银行实施路径研究[D].,西南财经大学,2010
20
附录1
借助数学软件Malab求解二元非线性方程组的计算程序如下： clear all； t=l； r=0．0414； VE=2.32； D=1．35； SE=O．408； xl=[l：0.005：5]； x2=[O．1：0.001:1.0]； m=size(x2,1)；
[X1,x2]=meshgrid(x1,x2)；
dl=(log(xl/D)+（r+ 0.5*x2.^2)*t）./(sqrt(t)*x2); d2=dl-x2．*sqrt(t)；
F1=X1．*normcdf(d1,0,1)-D*exp(-r*t)*normcdf(d2,0,1)-VE； F2=normcdf(dl,0,1).*x1.*x2/VE-SE； Total_ F=abs(F1)+abs(F2)； Totalmin=min(total_F)； h=min(totalmin)
》[u,v]=find(total_F<=h) 》VA=xl(u,v)》SA=x2(uv)
21