1. 研究目的与意义
近年来，世界政治经济格局不断发生调整变化，全球经济和金融市场存在较大不确定性，而中国经济正处于由高速增长向高质量增长的转型与结构调整中，商业银行作为现代金融的枢纽，面临着巨大的挑战和考验。
信用风险是指交易对手不愿或无力按照事先达成的协议履行义务而致使金融机构或投资人等交易对方遭受损失的潜在可能性。
信用风险是商业银行所面临的主要风险之一，对国民经济稳定和安全发展至关重要，也是商业银行持续经营和保障存款主体利益的关键因素。
2. 研究内容和预期目标
研究内容：本文结合我国实际情况对 KMV 模型进行必要的修正，根据已有的商业银行的相关数据，如不良贷款率等进行实证分析，研究KMV 模型对商业银行信用风险的评价结果，如KMV模型对不同商业银行信用风险的区分能力，总结所得结论并对其进行解释分析。
拟解决的关键问题：1、KMV模对不同商业银行信用风险的区分能力，通过实证分析得出结论。2、对得出的结论提出针对性的对策分析。
写作提纲：一、绪论：研究背景及意义，国内外研究现状等内容。二、商业银行信用风险的内涵及基础理论，阐述信用分析评价方法。三、KMV模型理论基础和优劣势，在中国环境下的应用四、基于KMV模型的实证研究五、结论及建议
3. 国内外研究现状
国外研究现状：关于信用风险研究，国外早期的方法主要是多元统计分析，其中具有代表性的即为信用等级划分方法。Stiglitz 和 Weiss（1981）建立了在不完全信息市场情况下的信贷配给模型，为信用风险的定量研究提供了新思路。该模型指出，企业在与商业银行间存在信息不对称时，逆向选择与道德风险的情况会在企业间发生，使得商业银行无法有效甄别这些企业的偿债能力，从而背负信用风险。该模型的提出也在一定程度上说明了信用风险分析在减少商业银行信用风险过程中的必要性。随后，多个银行在该模型的基础上，相继建立了可应用于实际的信用风险度量模型，例如：Morgan J P 建立了Credit Metrics 模型，瑞士信贷银行为解决组合风险问题建立了 Creditrisk 模型。位于美国旧金山的KMV 公司则在综合期权定价理论、MM 理论及 Black-Scholes-Merton 模型基础上提出了用于信用风险度量的 KMV 模型，随后该模型得到了较为广泛的应用。Vasicek（2001）基于 108 只债券样本的期权波动数据，分析了 KMV 模型输出的 EDF 值的优缺点，研究发现 EDF 模型判定经期权调整的利润收益调整的数据会产生显著超额收益现象，从而影响对于债券信用风险的评估，但是EDF 值可以对债券收益在公开交易过程中的变化进行合理预测。Kurbat和Korablev（2002）则对上面出现的问题做出了相应的解释，对KMV模型进行水平确认后进一步校准，由于EDF值具有呈偏态分布分特性，所以其预测结果在很大程度上取决于其样本大小和样本相关性的确定。此外，也有大量文献对KMV模型的使用做出了相应的改进和完善：Crosbie和Bohn（2003）提出了第一段时间法以扩展1974年提出的Merton模型，为结构性信用风险评价提出了一种新的思路。模型假设违约不仅会在到期日时发生，也有可能在到期日之前发生。Crosbie和Jeff（2003）选取了美国金融业的公司，收集其财务及股票数据并利用KMV模型对这些公司的信用风险进行实证分析。研究结果表明，违约概率（Expected default frequency, EDF）能够在这些金融业公司面临较大信用风险或承受破产压力时快速且准确地发现其信用风险的提高，对于这些公司的信用风险管理起到了一定的预警作用。Matthew K和Irina（2002）选取了数千公司1991-2001的财务、股票及实际违约概率等数据作为样本，并将水平确认和校准的方法应用于KMV模型的检验，以证实预期违约概率服从偏态分布。此外，他们还得到样本企业资产相关性在0.1-0.2间，并发现这些公司实际发生违约的概率与计算得出的预期违约概率大体吻合。检验结果还表明，利用这些企业预期违约概率的中位数代替模型中违约概率均值，并以预期违约概率的中位数作为评判信用风险高低的标准，会得到较好的结果，即实际违约概率和计算得到的预期违约概率取得较好的匹配性。2004版的巴塞尔资本协议则直接推荐使用该模型进行银行内部的信用风险评级管理工具，奠定了KMV模型在信用风险管理领域的领头地位。有大量文献研究表明KMV模型具有较强的适用性和准确性：Jeff Bohn等（2005）利用KMV模型研究了美国1996-2004年一些ST及非ST公司的信用风险，发现ST公司及非ST能够被KMV模型有效区分，说明了KMV对于判断和监督信用风险的有效性。Korablev I和Dwyer D（2007）选取了1996-2006年间南美洲、非洲及亚洲公司的财务及股票数据，利用结构模型、Altmanzy评分法、比较机构评级法及KMV模型分别进行实证分析并将所得结果进行对比。结果表明KMV模型的预测结果为各地区的公司在不同时段的非金融公司信用风险评估均提供了较为合理的评估方法。Wu D（2010）基于KMV模型的预测原理，将其进一步完善，应用于中小型企业的信用风险评估管理过程中，取得了良好的预测结果。Dwyer和Woo（2007）研究了210家公开交易的抵押贷款机构和房地产投资信托公司的信用风险，认为模型可以有效甄别信用风险较为明显的次贷机构。Kurabled和Dwye（2008）使用KMV模型分析了南美洲、欧洲及亚洲的非金融公司的信用风险，证明了KMV模型对于全世界信用风险研究的普适性。Peter和Jeff（2003）采用KMV模型对金融类公司预期的违约概率进行研究，研究结果表明，以预期违约概率为指标监测信用质量变化能够有效甄别出公司濒临破产或信用质量下降的情况。但是也有相关文献表示KMV模型存在一定的缺点，Duan等（2004）认为经常用于KMV模型求解的反复求解方法本质上是一种使用EM算法来获得极大似然估计值的方法，而KMV模型却只可以进行点估计，即估计某单一参数组合下的结果，不适用于带有任何未知且与资本结构有关的参数的结构信用风险模型。
国内研究现状：鉴于KMV模型在欧美资本市场高效、精准的预测效果，我国也有很多学者致力于该模型在中国金融资本市场的理论和应用研究。由于我国金融资本市场仍处于建立初期，且市场结构与欧美地区存在较大差异，我国金融市场中目前缺失KMV模型中的企业违约记录这一重要数据，因此KMV模型的研究主要以其预测方法研究和应用背景分析内容为主。我国学者对于KMV模型的研究始于1998年，且早期的研究更多体现为对模型框架及理论基础的扩充及分析。孙小琰等（2008）选取了每股收益、流通股票市场价格、每股净资产等指标作为变量，以非流通股价格为响应，构建了多元线性回归模型以估计非流通股价格。在此基础上，他们对KMV模型进行了修正并用其对上市公司的价值进行评估以分析壳资源价值的作用。结果表明，按照公司股票价值估计的市值往往低于用KMV模型计算的公司价值，因此可认为壳资源价值为公司上市权力的附加价值。杜晓梅、李圆（2011）以新的金融市场状况和经济形势为背景，阐述了这种背景下我国银行信用风险度量与管理的重要实践意义，分析了我国银行信用风险度量和管理所存在的问题，据此提出了加强我国商业银行信用风险管理的建议和策略。后期也出现了关于模型改进与完善相关的研究文献，韩艳艳和王波（2011）选取了68家上市公司的13个财务指标在2009年沪深两市的数值表现，建立了KMV-logsitic预测模型，该模型相较传统KMV模型展现出更好的评价结果。凌江怀和刘燕媚（2013）则基于2012年10家上市银行的财务数据和股票交易数据，使用KMV模型进行银行信用风险预测评估，并验证其评估结果与我国商业银行的预期违约率较为吻合。张盼盼和周新苗（2014）进一步使用最新的KMV模型计算出了我国16家上市银行的违约距离，研究结果对我国上市商业银行的信用状况进行评估分析，并提出相应的政策建议。陈新胜等（2014）将KMV模型引入上市公司对于信用状况进行建模评价，选取了6家上市公司的财务数据进行拟合预测，为KMV模型的拓展应用提出针对性的改进建议。蒋书彬（2016）结合我国上市公司的市场环境和财务特征改进了KMV模型，并用其度量了141家上市公司的信用风险程度，评估成果较大程度上诠释了违约分布的特征，符合上市公司信用风险评估度量的要求。杨秀云等（2016）采用定量和定性分析的方法，比较了四种常用的信用风险评估模型，实证研究结果表明KMV模型的信用风险评估方法最符合我国上市公司的信用风险管理环境，且其预测结果更加可靠。杨慧（2006）分析了我国上市公司的信用风险，发现KMV模型对于风险情况较好和较坏的企业具有一定的分辨能力。陈东平和孙明（2007）利用KMV模型得出了各上市公司的违约距离，并建立了违约距离与贷款不良率之间的关系。结果表明，贷款不良率随着违约距离的增加而减少，因此可利用贷款不良率代替理论违约概率来衡量信用风险。此外，他们的研究还提出，可以直接利用违约距离度量信用风险。还有很多学者对KMV模型进行了一定的修正。张能福和张佳（2010）围绕违约点的参数设置展开了研究。他们选取了82家样本公司，利用Matlab按照一定的流程和判断标准计算得出了新违约点，并分别将新旧违约点用于对于样本公司违约距离的计算。对比两种方法计算得出的信用风险，根据计算得出的新违约点计算得出的信用风险状况更能反应我国公司的信用状况。彭伟（2012）根据我国的市场实际情况对KMV模型进行修正，之后利用修正的KMV模型分析了我国中小上市企业2008年与2011年之间的信用风险，并研究了修正模型度量信用风险的准确性。研究结果说明：中小上市企业资产规模与违约距离的关系是不确定的，然而这种不确定性由于其他影响因素的存在，因而不甚明显。此外，研究还发现股价波动率也会对违约距离大小产生影响，且两者呈现出负相关的关系。也有大量文献针对于KMV模型在中国现实下的适应性情况进行了研究：易丹辉和吴建民（2004）使用KMV模型分析了30家上市公司的信用风险。研究结果表明：企业的信用风险利用违约距离衡量是有效的；总资产一般比利用股票价格和数量计算得出的市场价值要低；资产规模较大的企业相比于资产规模小的企业，其违约距离较大，而违约概率较小。石晓军和陈毅左（2004）研究了资产波动、信用风险及债权结构的关系。他们计算了72个上市公司的信用风险以检验其在我国上市公司信用风险的适用性。周子元和杨永生（2008）选取了包括四家非ST公司及四家ST公司在内的八家A股上市的公司，分别计算了这些公司于2003年到2005年间静态假设下的违约距离及不变增长率假设下的违约距离，研究结果表明后者的判别能力显著优于前者。此外，他们还对一些模型输入变量进行了敏感性分析，并发现波动率的计算至关重要，其准确性直接影响到最终评价结果的准确性。他们还对市值估计方法进行了修正，其中总股权价值由半年末及年末前十天的收盘价取平均后除1.3得出。
4. 计划与进度安排
2022.11.1-2022.12.31选题、开题、确定写作调研提纲，文献收集、整理分析2022.1.1-2022.3.1 整理数据、资料；撰写、提交论文初稿，中期检查2022.3.1-2022.4.30反复修改论文，并提交修改稿,完成翻译工作2022.5.1-2022.5.25提交论文定稿版，准备答辩
5. 参考文献
[1]谢远涛,罗润方,杨娟.基于修正的KMV模型的信用风险度量[J].统计与决策,2018,34(15):169-173.[2]许林,李馨夏.基于修正KMV模型的我国科技型中小企业信贷风险测算研究[J].浙江金融,2018(08):37-45.[3]王传鹏,李春蕾.基于修正KMV模型的上市公司信用风险测度[J].会计之友,2018(13):93-99. [4]张煜泰. 基于KMV模型创业板公司信用风险度量实证分析[D].贵州财经大学,2018. [5]谢赤,凌毓秀.银行信贷资产证券化信用风险度量及传染研究——基于修正KMV模型和MST算法的实证[J].财经理论与实践,2018,39(03):2-8. [6]陈新胜,李广鹏,徐凌.基于KMV模型的商业银行信贷风险度量研究[J].甘肃科学学报,2014,26(05):111-114.[7]蒋书彬.基于KMV动态违约距离的商业银行信用风险研究[J].金融与经济,2016(05):61-65 27. [8]孙晗.基于KMV模型的国有企业信用风险评估[J].经济研究导[9]王佳,黎晗.基于修正KMV模型的商业银行信用风险度量研究[J].经济研究导刊,2018(13):47-52.[10] 王婧. 基于BP神经网络的商业银行信用风险评估研究[D].内蒙古财经大学,2017.[11] 李晟,张宇航.中国上市商业银行信用风险分析及比较——基于KMV模型及面板数据[J].中央财经大学学报,2016(10):31-38.[12] 韩娇. 我国商业银行信用风险评价应用研究[D].首都经济贸易大学,2018.[13] 张盼盼,周新苗.基于KMV模型的我国商业银行违约风险实证研究[J].科技与管理,2014,16(04):100-104. [14] 李苗. 我国上市商业银行信用风险测度及其影响因素分析[D].东北财经大学,2017.[15] 蒋彧,高瑜.基于KMV模型的中国上市公司信用风险评估研究[J].中央财经大学学报,2015(09):38-45.[16] 刘莹娟. KMV模型对我国上市公司信用风险识别能力的有效性研究[D].西南财经大学,2011.[17] 史小坤,陈昕.商业银行信用风险管理的KMV模型及其修正[J].南京财经大学学报,2010(04):47-51.[18] 杨绍创. 信用风险度量方法及KMV模型的实证[D].华南理工大学,2010.[19] 周杰.修正的KMV模型在上市公司信用风险度量中的应用分析[J].财会通讯,2009(15):8-10.[20] 蒋正权,张能福.KMV模型的修正及其应用[J].统计与决策,2008(09):67-69. [21] 薛锋,董颖颖,石雨欣.上市公司违规行为对违约距离和预期违约率影响的实证研究——兼论KMV模型的修正[J].经济管理,2005(20):65-73.[22] 李磊宁,张凯.KMV模型的修正及在我国上市公司信用风险度量中的应用[J].金融纵横,2007(13):48-50 34.[23] 陈东平,孙明.KMV模型的修正及应用研究[J].经济研究导刊,2007(01):45-48.[24] 赵建卫. 基于KMV模型的我国上市公司信用风险度量的实证研究[D].东北财经大学,2006.[25] Korablev I, Dwyer D. Power and level validation of moody’s KMV EDF(tm) credit measures north America, Europe, and Asia. White paper, Moody’s KMV. September 10, 2007.[26] StiglitzJE,WeissA.Creditrationinginmarketswithrationingcreditinformation imperfect[J]. The American Economic Review, 1981, 71(3): 393-410.[27] DouglsDwyer,Sarah WOO. Analyzing The Subprime Market Fallout Using EDF CreditMeasures[Z]. Moodys KMV corporation,2007. 9[28] Korablev, Dwyer. Power and Level Validation Of Moody’S KMV EDF Credit Measures IN NorthAmerica，Europe,and Asia[Z]. Moodys KMV corporation, 2007. 9.[29] MatthewK,IrinaK.MethodologyforTestingtheLeveloftheEDFCreditMeasure[M]. Moody’s KMV Corporation,2002.[30] Crosbie P, Bohn J. Modeling default risk: A new structural approach[J]. Moody’s KMV, 2003, (0): 165-172.[31] Crodbie P, John J. Modeling Default.Risk,2003,http://www.mooddyskmv.com.[32] Bohn J, Arora N, Korablev I. Power and level validation of the EDP credit measure in the U. S.market[EB/OL]. http://www. moodyskmv. com/research/files, 2005.[33]VascekOA.EDF(tm)Creditmeasureandcorporatebondpricing.WhitePaperMoody’s KMV. November 21, 2001.[34]KurbatM,KorablevI.Metholodologyfortestingthelevelofthecreditmeasure.White paper, Moody’s KMV Revised August, 2002.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
