简介这份资源为《基于KMV模型的我国中部地区新能源上市企业信用风险度量及分析》学术论文PDF面向金融风险管理、企业财务与产业经济方向的研究者、高校师生及从业者聚焦新能源上市企业信用风险评估这一细分议题。全文以KMV模型为主线先梳理信用风险的定义与分类再介绍该模型的基本原理随后以湖北、湖南、江西、安徽、河南、山西六省若干新能源上市企业为样本展开实证测度测算其信用风险水平并讨论影响因素最终提出将风险管理纳入业务流程、健全财务信息披露、推动风险评估量化等建议。资源包仅含1个PDF文件体积约375KB为期刊论文全文摘要、关键词、中图分类号、基金项目及作者简介等信息完整便于检索与引用。目前已有256人学习下载适合作为新能源信用风险课题的文献参考与论文写作范本。1. 从18家新能源上市公司的违约距离说起2016年一季度末中部六省在沪深两市挂牌的新能源上市企业一共18家。把这批公司的月末股价和资产负债表放到一起算一件事——违约距离DD——结果没有一家超过2最紧的康欣新材只有0.877对应的理论预期违约率接近19%。这个数字放在一个被政策连续加码的行业里是有点反直觉的市场给新能源的估值一直在抬但用市场化的量化口径量出来这批企业的信用风险反而普遍偏高。《基于KMV模型的我国中部地区新能源上市企业信用风险度量及分析》这份材料做的就是把Merton的期权定价框架套到这批企业身上把股权看成以企业资产为标的的看涨期权用股权价值波动率反解资产市场价值和资产价值波动率再拿资产价值和违约点之间的距离除以资产波动率得到违约距离和预期违约率EDF。选KMV而不是CreditMetrics或者Z值评分理由很实际——输入只要股价和财务报表能按月滚动更新计算结果对真实信用状况的变化跟得上。适合谁看做信用评分卡和评级系统落地的、要把论文里的公式变成能跑脚本的、以及需要理解违约距离这个指标边界在哪里的从业者。2. KMV模型的期权定价内核与方程组反解2.1 股权为什么被当成看涨期权Merton框架的核心假设只有一条企业资产价值V低于负债D时股东会选择不履约。债务到期那天有两种情况。V大于D股东相当于执行了一个以资产为标的、以负债为执行价的看涨期权拿到V减D的剩余价值V小于D股东放弃履约损失以已投入的股权价值为上限不会倒贴。所以股权价值E天然等于一份欧式看涨期权的价格可以直接套Black-Scholes-Merton公式。KMV在这个基础上进一步假设违约风险由三个量决定——资产市场价值、资产市场价值波动率、负债价值。模型的输入和输出可以列成一张对照表这张表决定了后面所有代码的字段设计。符号含义本案例取法E股权市场价值总股本 × 期末收盘价D负债规模流动负债 非流动负债V资产市场价值待求解的未知数σE股权价值年化波动率月末收盘价对数收益率年化σV资产价值年化波动率待求解的未知数T债务期限一般取 1 年r无风险利率商业银行一年期定期存款利率SD / LD短期 / 长期负债流动负债 / 非流动负债DP预期违约点SD 0.5 × LD表里前两个未知数是关键E、σE、D、T、r这五个量全部可观测方程只有两个刚好把V和σV反解出来。这也是KMV相对其他结构化模型最讨喜的地方——不需要历史违约数据库就能起步。2.2 两个方程与迭代求解的代码实现方程组本身不复杂。第一个是BSM定价公式第二个来自伊藤引理——它描述股权波动率和资产波动率之间的传递关系本质上是杠杆效应的数学表达。import numpy as np from scipy.stats import norm from scipy.optimize import fsolve def solve_kmv(E, sigma_E, D, r, T1.0, DPNone): E : 股权市场价值元 sigma_E : 股权价值年化波动率小数例如 0.671 D : 进入期权定价方程的负债规模元一般取总负债 r : 无风险利率小数 T : 债务期限年 DP : 预期违约点缺省时退化为 D if DP is None: DP D def equations(x): V, sigma_V x # BSM 中间变量 d1 (np.log(V / D) (r 0.5 * sigma_V ** 2) * T) / (sigma_V * np.sqrt(T)) d2 d1 - sigma_V * np.sqrt(T) # 方程一看涨期权定价 E V*N(d1) - D*e^{-rT}*N(d2) f1 V * norm.cdf(d1) - D * np.exp(-r * T) * norm.cdf(d2) - E # 方程二波动率传递关系 sigma_E (V/E) * N(d1) * sigma_V f2 (V / E) * norm.cdf(d1) * sigma_V - sigma_E return [f1, f2] V0 E D # 初值一资产约等于股权加负债 sV0 sigma_E * E / (E D) # 初值二按权益占比折算波动率 V, sigma_V fsolve(equations, [V0, sV0], factor0.1) DD (V - DP) / (V * sigma_V) # 违约距离 EDF norm.cdf(-DD) # 理论预期违约率 return dict(VV, sigma_Vsigma_V, DDDD, EDFEDF)fsolve 内部走的是MINPACK的hybrd混合算法对初值敏感。V0取E加D、sV0按权益占比折算是行业里比较稳的起点factor0.1把首次试探步长压小能明显减少在企业负债率极高时发散的情况。两个方程两个未知数理论上解唯一但数值上仍要加一道校验解出来的V必须大于EσV必须小于σE。如果出现V小于E基本可以断定σE输入有问题先回去查波动率那一段。注意f2 也可以写成 σV σE × E / (V × N(d1))两种写法数学等价但迭代过程中前者不会出现除以N(d1)导致的除零数值上更稳。2.3 违约点、违约距离与EDF的换算违约点DP不是总负债。KMV的经验做法是流动负债全额计入长期负债只计一半理由是流动负债到期即需偿付而长期负债的到期日分散在若干年之后短期内形成的偿付压力没有账面数字那么大。拿到DP之后违约距离定义为资产期望值减去违约点再除以资产价值乘以资产波动率。这个量的经济含义很直白资产价值每波动一个标准差距离违约点还剩几个标准差。DD等于2意思是资产要向下走两个标准差才碰到违约点DD等于0.877意思是不到一个标准差的距离。EDF理论上由标准正态分布函数给出直接取负DD的累积概率。这一步是所有分歧的来源——它假设资产收益服从正态分布而真实市场的尾部明显更厚所以理论EDF系统性低估极端违约事件。2.4 参数取值与三种常见误用无风险利率r的取法会直接影响结果。论文用的是商业银行一年期定期存款利率这是国内文献的主流选择换成一年期国债收益率或SHIBOR反解出的V和σV会有差异因为r同时出现在d1的漂移项和贴现因子e^(-rT)里。但DD的排序通常很稳定做同业比较时不必在这个参数上过度纠结。债务期限T一般固定取1年。取0.5年会让σV乘上更大的系数DD整体下移横截面排序基本不变。三种反复出现的误用值得单独点出来。第一种是把σE当成σV直接代入跳过了第二个方程——因为V大于E但N(d1)小于1资产波动率一定小于股权波动率直接替换会高估σV、低估DD。第二种是用总负债D算违约距离而不是用SD加0.5倍LD这会把DD系统性抬高一截风险看起来比实际小。第三种是波动率用日频收益率算完直接乘√252但模型其余部分是按月频数据构建的频次不一致会让股权价值E的时间口径和波动率口径对不上。3. 股权价值波动率的数据管道与停牌处理3.1 对数收益率与年化的推导KMV假设股价服从对数正态分布所以收益率必须用对数形式定义第i个月末价格除以第i减1个月末价格再取自然对数。用简单收益率会破坏可加性月度收益率加总不等于区间收益率年化就无从谈起。月度波动率按样本标准差公式计算分母取n减1做无偏修正。年化这一步看着简单实际有个前提常被忽略对数收益率需要近似独立同分布方差才具有可加性σ²年等于12倍的σ²月开方之后年化系数就是√12。如果用的是周频数据换成√52。3.2 从收盘价到年化波动率的实现import numpy as np import pandas as pd def annualized_vol(close, freq12): close : 按月末排列的复权收盘价pd.Series索引为日期 freq : 一年包含的期数月频 12周频 52 返回 : 对数收益率序列、周期波动率、年化波动率 s pd.Series(close).astype(float).dropna() u np.log(s / s.shift(1)).dropna() # 对数收益率 n len(u) u_bar u.mean() sigma_period np.sqrt(((u - u_bar) ** 2).sum() / (n - 1)) sigma_annual sigma_period * np.sqrt(freq) return u, sigma_period, sigma_annual # 逐只股票计算 vol_table {} for name, px in price_dict.items(): _, _, sv annualized_vol(px, freq12) vol_table[name] sv代码里两个细节值得说。s.shift(1)生成滞后一期价格相除取对数得到对数收益率(n - 1)是无偏修正样本量小于30时这两者差别很可观。样本区间取2015年3月末到2016年3月末实际只落到12个收益率观测值波动率估计的标准误不小这一点后面解读结果时要记在心上。提示价格必须用复权价。新能源板块在这段区间内分红送转不少用不复权价会把除权当跌幅算进波动率σE会被虚高。3.3 停牌样本的识别与三种补救方案18家样本里有4家在这个区间内停过牌泰豪科技、江特电机、湘电股份、四创电子。停牌对模型的影响机制很明确停牌期间没有成交价格被冻结在停牌前一个交易日的水平收益率序列里填进去一串零样本标准差被系统性压小。压小σE之后方程二会解出一个偏小的σV而DD等于资产价值减违约点再除以资产价值乘σV分母变小DD被抬高——模型算出来这批公司反而更安全。这正是论文里那句停牌提升了企业的信用风险背后的口径问题不是说停牌本身让DD变小而是停牌让模型算不准波动率失真之后的读数不可信。企业停牌情形对σE的影响处理建议泰豪科技区间内阶段性停牌零收益拉低样本标准差剔除停牌段重算江特电机同上同上改用GARCH条件波动率湘电股份同上同上单独标注不参与排序四创电子同上同上单独标注不参与排序实操上我一般按三步走。第一步最省事直接从收益率序列里剔除停牌区间用停牌前后连续交易日重算缺点是样本量进一步缩水。第二步用GARCH拟合条件方差给近期波动更大权重对停牌前后的波动聚集刻画更好arch包里几行就能跑。from arch import arch_model import numpy as np # u 为对数收益率序列小数形式 am arch_model(u * 100, volGarch, p1, q1, distt) res am.fit(dispoff) sigma_t res.conditional_volatility / 100 # 还原成小数 sigma_next np.sqrt(res.forecast(horizon1).variance.iloc[-1, 0]) / 100乘以100是arch包的数值稳定性惯例distt针对新能源股票收益的厚尾特征。第三步是兜底如果停牌时间过长历史区间内根本没几个有效交易日就别硬算了把这几个样本拎出来单独说明不和其他样本放在一张表里排序。3.4 股权价值E的口径选择E的取法看着最没争议实际上坑不少。总股本乘期末收盘价是最常用的口径但要先确认三件事限售股和非流通股是否按流通股价格计价A加H两地上市的按哪个市场价格折算区间内是否有增发或回购导致股本变动。还有一个容易忽略的点论文取的是2015年二季度到2016年一季度的股权总价值均值。用区间均值会把波动率抹平——市值本身在波动取均值等于人为做了一次平滑和后面用月末序列算出来的σE口径对不上。我个人的做法是E取评估时点当期的期末市值保持和波动率的时间口径一致宁可数据糙一点也别让两个模块的输入互相打架。4. 中部六省18家企业的实证计算与结果解读4.1 违约点数据的整理先把每家企业2016年3月末的资产负债数据拉出来按SD加0.5倍LD算出违约点。这一步用Excel或者pandas都行关键是列名统一后面批量求解时直接按列名取。企业股权价值 E元流动负债 SD元长期负债 LD元违约点 DP元泰豪科技6,847,157,5003,483,810,000618,443,0003,793,031,500赣能股份6,335,607,5001,364,780,0001,420,680,0002,075,120,000江特电机5,498,770,0004,026,450,000251,123,0004,152,011,500赣锋锂业2,556,457,500772,713,000259,524,000902,475,000易成新能5,546,712,5001,615,820,000704,796,0001,968,218,000漳泽电力32,807,400,00011,966,800,00014,217,400,00019,075,500,000阳光电源6,407,750,0004,585,530,00057,047,9004,614,053,950美菱电器9,951,372,5005,609,440,000802,272,0006,010,576,000国轩高科6,200,447,5003,083,890,0001,170,950,0003,669,365,000漳泽电力和美菱电器的量级明显大于其他样本原因是股本规模和企业性质差异。这会直接影响后面DD的横截面比较但DD本身是标准化过的比值量级差异不会污染排序。4.2 批量求解的代码组织单次调用和批量调用之间只差一个循环但字段口径必须分清楚进期权方程的是总负债SD加LD进违约距离的是违约点DP。这两者混用是新手最容易犯的错。import pandas as pd r 0.015 # 一年期定期存款利率按样本期实际值替换 T 1.0 rows [] for _, row in df.iterrows(): total_debt row[SD] row[LD] # 期权方程用的负债 dp row[SD] 0.5 * row[LD] # 违约距离用的违约点 res solve_kmv(Erow[E], sigma_Erow[sigma_E], Dtotal_debt, rr, TT, DPdp) rows.append({name: row[name], **res}) out pd.DataFrame(rows).sort_values(DD) # 按DD升序风险高的排前面 print(out[[name, sigma_V, DD, EDF]].round(4))按DD升序排序是为了让最危险的样本落在表格最上面做报告时直接截前几行就能讲。求解过程中如果出现某个样本不收敛不要直接丢掉——先看它的σE是不是异常小或者异常大多数情况下问题出在波动率输入而不是求解器本身。4.3 结果表与三条解读把18家企业的股权波动率、资产波动率、违约距离和理论违约率整理到一起企业σE 年化σV 资产DDEDF(%)康欣新材1.1020.8630.87719.04湖北能源0.9650.7451.01415.53江特电机0.9090.5451.03215.11赣锋锂业0.9320.7021.04914.70四创电子0.8960.5671.06214.41光电股份0.8960.6301.08413.93湘电股份0.8560.4971.10413.48易成新能0.8170.6101.20711.37天茂集团0.7340.2971.25910.41阳光电源0.7640.4561.26610.28中粮生化0.7650.5011.27810.07赣能股份0.7230.5481.3728.51漳泽电力0.6930.4441.4177.82泰豪科技0.6710.4371.4687.11国轩高科0.6300.4001.5645.89*ST山煤0.6020.3441.6305.15宏发股份0.6160.4721.6145.33美菱电器0.5380.3381.8373.31第一条结论是资产市场价值普遍高于股权价值。这不是巧合——反解出的V等于股东权益加上负债的市场化估值只要负债是正的且模型收敛V必然大于E。真正有信息量的是V相对于E加账面负债的偏离幅度偏离越大说明资产的市场估值越高于账面增值空间越大。第二条是违约距离和资产波动率大致成反比。看表里σV最大的一批康欣新材0.863对应DD 0.877湖北能源0.745对应DD 1.014基本都是波动率上去了DD就下来。但反过来不成立美菱电器的σE是所有样本里最低的0.538DD却最高看起来最安全——而股价稳定本身不能直接推出信用风险低可能是流动性差、成交清淡造成的低波动这时候低波动率是一种噪音不是一种优点。第三条是所有样本的DD都小于2康欣新材甚至不到1。结合同期其他行业上市公司的测算结果中部地区新能源上市企业的整体信用风险偏高经营状况不够稳定。这个结论在DD这个相对指标上是站得住的。4.4 结论的适用边界DD小于2不等于会违约。KMV的经验阈值本身是相对的取决于同业分布和市场基准把2当成硬门槛去套所有行业是误读。EDF等于N(-DD)给出的是理论值不是经验值。真实的经验违约率需要在海量历史违约样本上建立DD到违约频率的映射函数国内缺少公开的违约数据库理论EDF只能当排序指标用读成绝对概率会出偏差。样本量也要摆出来18家企业、12个月、4家有停牌。参数误差和样本误差叠加之后数值本身的可信区间相当宽排序比具体数字可靠得多。这份材料里最有价值的部分其实是方法和参数口径不是那几张具体的表。5. 违约点系数调优与EDF经验映射的落地技巧5.1 违约点系数的敏感性扫描违约点写成SD加0.5倍LD只是KMV的经验默认值。国内有文献用穷举法搜索系数组合得到过(1.8, 1.2)这样的结果判据是模型既能把风险企业识别出来又不至于把正常企业误判成高风险。好消息是扫描这个系数非常便宜资产价值和资产波动率已经由方程组解出改变DP只会让DD整体平移不需要重新迭代。import numpy as np import pandas as pd def dd_under_weights(df, V, sigma_V, alpha, beta): df : 含 SD / LD 列的样本表 V : 已解出的资产市场价值 sigma_V : 已解出的资产波动率 alpha : 流动负债在违约点中的权重 beta : 长期负债在违约点中的权重 DP alpha * df[SD] beta * df[LD] return (V - DP) / (V * sigma_V) rows [] for a in (1.0, 1.5, 1.8): for b in (0.2, 0.5, 1.0, 1.2): DD dd_under_weights(df, V_series, sigmaV_series, a, b) rows.append({alpha: a, beta: b, DD_mean: round(DD.mean(), 3), DD_min: round(DD.min(), 3), DD_max: round(DD.max(), 3)}) print(pd.DataFrame(rows))扫描结果主要看两件事DD均值的移动方向以及横截面排序是否稳定。如果换个系数组合排序就大乱说明样本里企业的负债结构差异太大这时候该做的不是继续调系数而是按负债结构分组组内单独定系数。判据方面实操里比识别准确又不过度误判更具体的做法是拿DD做打分用事后是否出现ST或退市作为标签算ROC曲线下的面积哪个系数组合的AUC高就用哪个。5.2 从理论EDF到经验EDF的分桶映射理论EDF在样本量小的时候直接读绝对概率会失真常见做法是在历史样本上把DD分桶统计每桶的实际违约频率再对桶边界做单调插值。import numpy as np def empirical_edf(dd_history, default_flag, bins8): dd_history : 历史样本的违约距离数组 default_flag : 对应的是否违约标签1/0 返回 : 分桶边界与每桶的经验违约率 edges np.quantile(dd_history, np.linspace(0, 1, bins 1)) edges[0], edges[-1] -np.inf, np.inf idx np.digitize(dd_history, edges[1:-1]) rates [default_flag[idx k].mean() if (idx k).any() else np.nan for k in range(bins)] return edges, np.array(rates)用分位数而不是等宽切分是为了保证每桶样本量大致均衡。没有真实违约样本时可以用ST或退市作为代理标签国内文献里这种做法很常见但必须在报告里写明代理变量的定义和它的局限——被ST的原因可能是财务造假或者连续亏损跟信用违约不是一回事。分桶数bins别拍脑袋定。样本量在500以下时取5到8桶落到某一桶里的样本少于30个就把相邻桶合并否则单桶违约率的估计误差会比DD本身的误差还大最后算出来的经验EDF曲线在尾部会剧烈抖动看着像有信息量实际全是噪音。本文还有配套的精品资源点击获取
简介这份资源为《基于KMV模型的我国中部地区新能源上市企业信用风险度量及分析》学术论文PDF面向金融风险管理、企业财务与产业经济方向的研究者、高校师生及从业者聚焦新能源上市企业信用风险评估这一细分议题。全文以KMV模型为主线先梳理信用风险的定义与分类再介绍该模型的基本原理随后以湖北、湖南、江西、安徽、河南、山西六省若干新能源上市企业为样本展开实证测度测算其信用风险水平并讨论影响因素最终提出将风险管理纳入业务流程、健全财务信息披露、推动风险评估量化等建议。资源包仅含1个PDF文件体积约375KB为期刊论文全文摘要、关键词、中图分类号、基金项目及作者简介等信息完整便于检索与引用。目前已有256人学习下载适合作为新能源信用风险课题的文献参考与论文写作范本。1. 从18家新能源上市公司的违约距离说起2016年一季度末中部六省在沪深两市挂牌的新能源上市企业一共18家。把这批公司的月末股价和资产负债表放到一起算一件事——违约距离DD——结果没有一家超过2最紧的康欣新材只有0.877对应的理论预期违约率接近19%。这个数字放在一个被政策连续加码的行业里是有点反直觉的市场给新能源的估值一直在抬但用市场化的量化口径量出来这批企业的信用风险反而普遍偏高。《基于KMV模型的我国中部地区新能源上市企业信用风险度量及分析》这份材料做的就是把Merton的期权定价框架套到这批企业身上把股权看成以企业资产为标的的看涨期权用股权价值波动率反解资产市场价值和资产价值波动率再拿资产价值和违约点之间的距离除以资产波动率得到违约距离和预期违约率EDF。选KMV而不是CreditMetrics或者Z值评分理由很实际——输入只要股价和财务报表能按月滚动更新计算结果对真实信用状况的变化跟得上。适合谁看做信用评分卡和评级系统落地的、要把论文里的公式变成能跑脚本的、以及需要理解违约距离这个指标边界在哪里的从业者。2. KMV模型的期权定价内核与方程组反解2.1 股权为什么被当成看涨期权Merton框架的核心假设只有一条企业资产价值V低于负债D时股东会选择不履约。债务到期那天有两种情况。V大于D股东相当于执行了一个以资产为标的、以负债为执行价的看涨期权拿到V减D的剩余价值V小于D股东放弃履约损失以已投入的股权价值为上限不会倒贴。所以股权价值E天然等于一份欧式看涨期权的价格可以直接套Black-Scholes-Merton公式。KMV在这个基础上进一步假设违约风险由三个量决定——资产市场价值、资产市场价值波动率、负债价值。模型的输入和输出可以列成一张对照表这张表决定了后面所有代码的字段设计。符号含义本案例取法E股权市场价值总股本 × 期末收盘价D负债规模流动负债 非流动负债V资产市场价值待求解的未知数σE股权价值年化波动率月末收盘价对数收益率年化σV资产价值年化波动率待求解的未知数T债务期限一般取 1 年r无风险利率商业银行一年期定期存款利率SD / LD短期 / 长期负债流动负债 / 非流动负债DP预期违约点SD 0.5 × LD表里前两个未知数是关键E、σE、D、T、r这五个量全部可观测方程只有两个刚好把V和σV反解出来。这也是KMV相对其他结构化模型最讨喜的地方——不需要历史违约数据库就能起步。2.2 两个方程与迭代求解的代码实现方程组本身不复杂。第一个是BSM定价公式第二个来自伊藤引理——它描述股权波动率和资产波动率之间的传递关系本质上是杠杆效应的数学表达。import numpy as np from scipy.stats import norm from scipy.optimize import fsolve def solve_kmv(E, sigma_E, D, r, T1.0, DPNone): E : 股权市场价值元 sigma_E : 股权价值年化波动率小数例如 0.671 D : 进入期权定价方程的负债规模元一般取总负债 r : 无风险利率小数 T : 债务期限年 DP : 预期违约点缺省时退化为 D if DP is None: DP D def equations(x): V, sigma_V x # BSM 中间变量 d1 (np.log(V / D) (r 0.5 * sigma_V ** 2) * T) / (sigma_V * np.sqrt(T)) d2 d1 - sigma_V * np.sqrt(T) # 方程一看涨期权定价 E V*N(d1) - D*e^{-rT}*N(d2) f1 V * norm.cdf(d1) - D * np.exp(-r * T) * norm.cdf(d2) - E # 方程二波动率传递关系 sigma_E (V/E) * N(d1) * sigma_V f2 (V / E) * norm.cdf(d1) * sigma_V - sigma_E return [f1, f2] V0 E D # 初值一资产约等于股权加负债 sV0 sigma_E * E / (E D) # 初值二按权益占比折算波动率 V, sigma_V fsolve(equations, [V0, sV0], factor0.1) DD (V - DP) / (V * sigma_V) # 违约距离 EDF norm.cdf(-DD) # 理论预期违约率 return dict(VV, sigma_Vsigma_V, DDDD, EDFEDF)fsolve 内部走的是MINPACK的hybrd混合算法对初值敏感。V0取E加D、sV0按权益占比折算是行业里比较稳的起点factor0.1把首次试探步长压小能明显减少在企业负债率极高时发散的情况。两个方程两个未知数理论上解唯一但数值上仍要加一道校验解出来的V必须大于EσV必须小于σE。如果出现V小于E基本可以断定σE输入有问题先回去查波动率那一段。注意f2 也可以写成 σV σE × E / (V × N(d1))两种写法数学等价但迭代过程中前者不会出现除以N(d1)导致的除零数值上更稳。2.3 违约点、违约距离与EDF的换算违约点DP不是总负债。KMV的经验做法是流动负债全额计入长期负债只计一半理由是流动负债到期即需偿付而长期负债的到期日分散在若干年之后短期内形成的偿付压力没有账面数字那么大。拿到DP之后违约距离定义为资产期望值减去违约点再除以资产价值乘以资产波动率。这个量的经济含义很直白资产价值每波动一个标准差距离违约点还剩几个标准差。DD等于2意思是资产要向下走两个标准差才碰到违约点DD等于0.877意思是不到一个标准差的距离。EDF理论上由标准正态分布函数给出直接取负DD的累积概率。这一步是所有分歧的来源——它假设资产收益服从正态分布而真实市场的尾部明显更厚所以理论EDF系统性低估极端违约事件。2.4 参数取值与三种常见误用无风险利率r的取法会直接影响结果。论文用的是商业银行一年期定期存款利率这是国内文献的主流选择换成一年期国债收益率或SHIBOR反解出的V和σV会有差异因为r同时出现在d1的漂移项和贴现因子e^(-rT)里。但DD的排序通常很稳定做同业比较时不必在这个参数上过度纠结。债务期限T一般固定取1年。取0.5年会让σV乘上更大的系数DD整体下移横截面排序基本不变。三种反复出现的误用值得单独点出来。第一种是把σE当成σV直接代入跳过了第二个方程——因为V大于E但N(d1)小于1资产波动率一定小于股权波动率直接替换会高估σV、低估DD。第二种是用总负债D算违约距离而不是用SD加0.5倍LD这会把DD系统性抬高一截风险看起来比实际小。第三种是波动率用日频收益率算完直接乘√252但模型其余部分是按月频数据构建的频次不一致会让股权价值E的时间口径和波动率口径对不上。3. 股权价值波动率的数据管道与停牌处理3.1 对数收益率与年化的推导KMV假设股价服从对数正态分布所以收益率必须用对数形式定义第i个月末价格除以第i减1个月末价格再取自然对数。用简单收益率会破坏可加性月度收益率加总不等于区间收益率年化就无从谈起。月度波动率按样本标准差公式计算分母取n减1做无偏修正。年化这一步看着简单实际有个前提常被忽略对数收益率需要近似独立同分布方差才具有可加性σ²年等于12倍的σ²月开方之后年化系数就是√12。如果用的是周频数据换成√52。3.2 从收盘价到年化波动率的实现import numpy as np import pandas as pd def annualized_vol(close, freq12): close : 按月末排列的复权收盘价pd.Series索引为日期 freq : 一年包含的期数月频 12周频 52 返回 : 对数收益率序列、周期波动率、年化波动率 s pd.Series(close).astype(float).dropna() u np.log(s / s.shift(1)).dropna() # 对数收益率 n len(u) u_bar u.mean() sigma_period np.sqrt(((u - u_bar) ** 2).sum() / (n - 1)) sigma_annual sigma_period * np.sqrt(freq) return u, sigma_period, sigma_annual # 逐只股票计算 vol_table {} for name, px in price_dict.items(): _, _, sv annualized_vol(px, freq12) vol_table[name] sv代码里两个细节值得说。s.shift(1)生成滞后一期价格相除取对数得到对数收益率(n - 1)是无偏修正样本量小于30时这两者差别很可观。样本区间取2015年3月末到2016年3月末实际只落到12个收益率观测值波动率估计的标准误不小这一点后面解读结果时要记在心上。提示价格必须用复权价。新能源板块在这段区间内分红送转不少用不复权价会把除权当跌幅算进波动率σE会被虚高。3.3 停牌样本的识别与三种补救方案18家样本里有4家在这个区间内停过牌泰豪科技、江特电机、湘电股份、四创电子。停牌对模型的影响机制很明确停牌期间没有成交价格被冻结在停牌前一个交易日的水平收益率序列里填进去一串零样本标准差被系统性压小。压小σE之后方程二会解出一个偏小的σV而DD等于资产价值减违约点再除以资产价值乘σV分母变小DD被抬高——模型算出来这批公司反而更安全。这正是论文里那句停牌提升了企业的信用风险背后的口径问题不是说停牌本身让DD变小而是停牌让模型算不准波动率失真之后的读数不可信。企业停牌情形对σE的影响处理建议泰豪科技区间内阶段性停牌零收益拉低样本标准差剔除停牌段重算江特电机同上同上改用GARCH条件波动率湘电股份同上同上单独标注不参与排序四创电子同上同上单独标注不参与排序实操上我一般按三步走。第一步最省事直接从收益率序列里剔除停牌区间用停牌前后连续交易日重算缺点是样本量进一步缩水。第二步用GARCH拟合条件方差给近期波动更大权重对停牌前后的波动聚集刻画更好arch包里几行就能跑。from arch import arch_model import numpy as np # u 为对数收益率序列小数形式 am arch_model(u * 100, volGarch, p1, q1, distt) res am.fit(dispoff) sigma_t res.conditional_volatility / 100 # 还原成小数 sigma_next np.sqrt(res.forecast(horizon1).variance.iloc[-1, 0]) / 100乘以100是arch包的数值稳定性惯例distt针对新能源股票收益的厚尾特征。第三步是兜底如果停牌时间过长历史区间内根本没几个有效交易日就别硬算了把这几个样本拎出来单独说明不和其他样本放在一张表里排序。3.4 股权价值E的口径选择E的取法看着最没争议实际上坑不少。总股本乘期末收盘价是最常用的口径但要先确认三件事限售股和非流通股是否按流通股价格计价A加H两地上市的按哪个市场价格折算区间内是否有增发或回购导致股本变动。还有一个容易忽略的点论文取的是2015年二季度到2016年一季度的股权总价值均值。用区间均值会把波动率抹平——市值本身在波动取均值等于人为做了一次平滑和后面用月末序列算出来的σE口径对不上。我个人的做法是E取评估时点当期的期末市值保持和波动率的时间口径一致宁可数据糙一点也别让两个模块的输入互相打架。4. 中部六省18家企业的实证计算与结果解读4.1 违约点数据的整理先把每家企业2016年3月末的资产负债数据拉出来按SD加0.5倍LD算出违约点。这一步用Excel或者pandas都行关键是列名统一后面批量求解时直接按列名取。企业股权价值 E元流动负债 SD元长期负债 LD元违约点 DP元泰豪科技6,847,157,5003,483,810,000618,443,0003,793,031,500赣能股份6,335,607,5001,364,780,0001,420,680,0002,075,120,000江特电机5,498,770,0004,026,450,000251,123,0004,152,011,500赣锋锂业2,556,457,500772,713,000259,524,000902,475,000易成新能5,546,712,5001,615,820,000704,796,0001,968,218,000漳泽电力32,807,400,00011,966,800,00014,217,400,00019,075,500,000阳光电源6,407,750,0004,585,530,00057,047,9004,614,053,950美菱电器9,951,372,5005,609,440,000802,272,0006,010,576,000国轩高科6,200,447,5003,083,890,0001,170,950,0003,669,365,000漳泽电力和美菱电器的量级明显大于其他样本原因是股本规模和企业性质差异。这会直接影响后面DD的横截面比较但DD本身是标准化过的比值量级差异不会污染排序。4.2 批量求解的代码组织单次调用和批量调用之间只差一个循环但字段口径必须分清楚进期权方程的是总负债SD加LD进违约距离的是违约点DP。这两者混用是新手最容易犯的错。import pandas as pd r 0.015 # 一年期定期存款利率按样本期实际值替换 T 1.0 rows [] for _, row in df.iterrows(): total_debt row[SD] row[LD] # 期权方程用的负债 dp row[SD] 0.5 * row[LD] # 违约距离用的违约点 res solve_kmv(Erow[E], sigma_Erow[sigma_E], Dtotal_debt, rr, TT, DPdp) rows.append({name: row[name], **res}) out pd.DataFrame(rows).sort_values(DD) # 按DD升序风险高的排前面 print(out[[name, sigma_V, DD, EDF]].round(4))按DD升序排序是为了让最危险的样本落在表格最上面做报告时直接截前几行就能讲。求解过程中如果出现某个样本不收敛不要直接丢掉——先看它的σE是不是异常小或者异常大多数情况下问题出在波动率输入而不是求解器本身。4.3 结果表与三条解读把18家企业的股权波动率、资产波动率、违约距离和理论违约率整理到一起企业σE 年化σV 资产DDEDF(%)康欣新材1.1020.8630.87719.04湖北能源0.9650.7451.01415.53江特电机0.9090.5451.03215.11赣锋锂业0.9320.7021.04914.70四创电子0.8960.5671.06214.41光电股份0.8960.6301.08413.93湘电股份0.8560.4971.10413.48易成新能0.8170.6101.20711.37天茂集团0.7340.2971.25910.41阳光电源0.7640.4561.26610.28中粮生化0.7650.5011.27810.07赣能股份0.7230.5481.3728.51漳泽电力0.6930.4441.4177.82泰豪科技0.6710.4371.4687.11国轩高科0.6300.4001.5645.89*ST山煤0.6020.3441.6305.15宏发股份0.6160.4721.6145.33美菱电器0.5380.3381.8373.31第一条结论是资产市场价值普遍高于股权价值。这不是巧合——反解出的V等于股东权益加上负债的市场化估值只要负债是正的且模型收敛V必然大于E。真正有信息量的是V相对于E加账面负债的偏离幅度偏离越大说明资产的市场估值越高于账面增值空间越大。第二条是违约距离和资产波动率大致成反比。看表里σV最大的一批康欣新材0.863对应DD 0.877湖北能源0.745对应DD 1.014基本都是波动率上去了DD就下来。但反过来不成立美菱电器的σE是所有样本里最低的0.538DD却最高看起来最安全——而股价稳定本身不能直接推出信用风险低可能是流动性差、成交清淡造成的低波动这时候低波动率是一种噪音不是一种优点。第三条是所有样本的DD都小于2康欣新材甚至不到1。结合同期其他行业上市公司的测算结果中部地区新能源上市企业的整体信用风险偏高经营状况不够稳定。这个结论在DD这个相对指标上是站得住的。4.4 结论的适用边界DD小于2不等于会违约。KMV的经验阈值本身是相对的取决于同业分布和市场基准把2当成硬门槛去套所有行业是误读。EDF等于N(-DD)给出的是理论值不是经验值。真实的经验违约率需要在海量历史违约样本上建立DD到违约频率的映射函数国内缺少公开的违约数据库理论EDF只能当排序指标用读成绝对概率会出偏差。样本量也要摆出来18家企业、12个月、4家有停牌。参数误差和样本误差叠加之后数值本身的可信区间相当宽排序比具体数字可靠得多。这份材料里最有价值的部分其实是方法和参数口径不是那几张具体的表。5. 违约点系数调优与EDF经验映射的落地技巧5.1 违约点系数的敏感性扫描违约点写成SD加0.5倍LD只是KMV的经验默认值。国内有文献用穷举法搜索系数组合得到过(1.8, 1.2)这样的结果判据是模型既能把风险企业识别出来又不至于把正常企业误判成高风险。好消息是扫描这个系数非常便宜资产价值和资产波动率已经由方程组解出改变DP只会让DD整体平移不需要重新迭代。import numpy as np import pandas as pd def dd_under_weights(df, V, sigma_V, alpha, beta): df : 含 SD / LD 列的样本表 V : 已解出的资产市场价值 sigma_V : 已解出的资产波动率 alpha : 流动负债在违约点中的权重 beta : 长期负债在违约点中的权重 DP alpha * df[SD] beta * df[LD] return (V - DP) / (V * sigma_V) rows [] for a in (1.0, 1.5, 1.8): for b in (0.2, 0.5, 1.0, 1.2): DD dd_under_weights(df, V_series, sigmaV_series, a, b) rows.append({alpha: a, beta: b, DD_mean: round(DD.mean(), 3), DD_min: round(DD.min(), 3), DD_max: round(DD.max(), 3)}) print(pd.DataFrame(rows))扫描结果主要看两件事DD均值的移动方向以及横截面排序是否稳定。如果换个系数组合排序就大乱说明样本里企业的负债结构差异太大这时候该做的不是继续调系数而是按负债结构分组组内单独定系数。判据方面实操里比识别准确又不过度误判更具体的做法是拿DD做打分用事后是否出现ST或退市作为标签算ROC曲线下的面积哪个系数组合的AUC高就用哪个。5.2 从理论EDF到经验EDF的分桶映射理论EDF在样本量小的时候直接读绝对概率会失真常见做法是在历史样本上把DD分桶统计每桶的实际违约频率再对桶边界做单调插值。import numpy as np def empirical_edf(dd_history, default_flag, bins8): dd_history : 历史样本的违约距离数组 default_flag : 对应的是否违约标签1/0 返回 : 分桶边界与每桶的经验违约率 edges np.quantile(dd_history, np.linspace(0, 1, bins 1)) edges[0], edges[-1] -np.inf, np.inf idx np.digitize(dd_history, edges[1:-1]) rates [default_flag[idx k].mean() if (idx k).any() else np.nan for k in range(bins)] return edges, np.array(rates)用分位数而不是等宽切分是为了保证每桶样本量大致均衡。没有真实违约样本时可以用ST或退市作为代理标签国内文献里这种做法很常见但必须在报告里写明代理变量的定义和它的局限——被ST的原因可能是财务造假或者连续亏损跟信用违约不是一回事。分桶数bins别拍脑袋定。样本量在500以下时取5到8桶落到某一桶里的样本少于30个就把相邻桶合并否则单桶违约率的估计误差会比DD本身的误差还大最后算出来的经验EDF曲线在尾部会剧烈抖动看着像有信息量实际全是噪音。本文还有配套的精品资源点击获取
