股份制与城商行信用风险测算——基于KMV模型

田 新

(安徽财经大学金融学院 安徽 蚌埠 233030)

一、引言

随着我国金融市场越来越成熟，金融衍生产品的种类也更加多样化，金融的各项创新给经济带来增速，但是防范化解金融风险特别是系统性金融风险一直是政府重点关注的金融工作问题，股份制商业银行和城商行在整个金融体系中的作用也愈来愈重要。在活跃的金融市场背景下，信用风险已然成为重要的风险防控领域，同时也是股份制和城商行等金融机构必须要面对的挑战。

KMV模型源自国外学者研究成果，自1993年正式模型研究推出之前，Black(1972)关于期权定价的评估方法已经初具雏形。学者针对我国不同领域的特点与研究必要，对行业进行选择性细分，王慧和张国君(2018)对房地产行业等易积累资产泡沫，产生金融风险的行业进行探究，而后王元月、景在伦和刘伟(2019)对地方特有龙头产业或具有全国普适性的行业进行研究细分，例如山东渔业，东北林业等相关上市公司的信用债进行调查。基于国内外学者的研究，本文选取2017和2018年我国16家上市股份制和城商行进行实证分析，对比分析16家银行两年的信用风险变化以及同年中各银行信用风险的大小比较，给16家银行在信用风险管理方面提供相应的建议。

二、研究设计

(一)数据选取与数据来源

本文选取了2017和2018年我国16家在沪交所上市的股份制与城商行银行的相关数据进行分析。采用锐思金融数据库和中经网数据库。16家银行分别为浦发银行、华夏银行、民生银行、招商银行、无锡银行、江苏银行、杭州银行、南京银行、常熟银行、兴业银行、北京银行、上海银行、光大银行、贵阳银行、中信银行、吴江银行。

公司股权价值(E)：采用流通市值数据，股权价值=股票收盘价×流通股股数，股票收盘价和流通股股数数据均来源于锐思金融数据库。

财务违约点(Dt)：使用公司负债的市场价值(D)表示，上市银行总债务使用债务总额的数据，包括短期负债和长期负债，数据均来源于锐思金融数据库。

无风险利率(r)：采用同业拆借利率，数据来源于中经网数据库。

(二)实证模型

1.KMV模型及其假设

KMV模型的基本思想是，债务人的资产价值变动是驱动信用风险产生的本质因素，只要确定了债务人资产价值变动所遵循的规律和模型(例如服从某个随机方程)，就可实现估计违约率的目的。该模型的结构包含两种理论联系：一是将股权看做以公司资产价值为标的资产、以公司债务的账面价值为执行价格、以负债的还款期限为到期日的看涨期权；二是公司股票价值波动率与公司资产价值波动率之间存在函数关系。

KMV模型有四个假设：(1)为简化起见，假设一个企业只通过股权价值St和一种零息债券进行融资，其中债券当前市场现值为Bt，在T时到期，到期时本息合计为D。于是，该公司的资产价值Vt满足Vt=St+Bt。(2)公司的资产价值服从几何Brown运动，即dVt/Vt=μdt+σVdWt。(3)没有交易成本和卖空限制、存在无风险资产，交易可以连续进行。(4)假定公司资产价值大于负债面额时公司不会违约。反之，如果资不抵债，则公司会选择违约。

2.模型求解

KMV方法比较适用于上市公司，首先由股票市场公开的数据和信息来确定公司权益的价值，再据此确定公司资产的价值，进而估计违约率。因此本文使用KMV模型计算银行上市公司的信用风险具有坚实的理论依据。

三、实证结果及分析

(一)描述性统计

16家城商行2017和2018年的无风险利率、公司股权价值、财务违约点、股权价值波动率的描述性统计见表1。且无风险利率的单位是%，公司股权价值和财务违约点的单位是亿元。

表1 变量的描述性统计

(二)实证结果

计算出违约距离和违约概率的具体数据见表2。发现违约概率均大于50%，这是由于本文在KMV模型中计算债务违约点的时候，对于短期债务和长期债务的比例并没有通过CAP曲线进行测算出最适合中国金融市场的比例。因此，本文的实证结果中额绝对值的参考意义并不太大，但是相对值还是有很大的参考意义。

表2 违约距离和违约概率(节选)

各银行间横向相互比较。基于2017年和2018年的违约概率计算出平均违约概率，并进行排名算出总排名，代表着近两年信用风险的相对大小，排名有小到大依次招商银行、吴江银行、上海银行、无锡银行、杭州银行、常熟银行、贵阳银行、浦发银行、南京银行、北京银行、兴业银行、华夏银行、江苏银行、民生银行、中信银行、光大银行。通过对2018年违约距离进行降序排列，排名名次越高，说明违约概率越小，信用违约风险越小。对比2017年和2018年的排名变化发现，有五家银行的排名上升(其中兴业银行的名次上升了5名，上海银行和贵阳银行的名次上升了4名，招生银行和民生银行的名次上升了3名)，属于最具有潜力的银行；有四家银行的排名没有改变(分别是杭州银行、浦发银行、中信银行和光大银行)，属于表现稳定的银行；有7家银行的名次发生了下降(华夏银行下降了1名，北京银行和吴江银行下降了2名，南京银行和江苏银行下降了3名，无锡银行和常熟银行下降了4名)，属于监管有待提高的银行。

时间上纵向自身比较。2018年比2017年违约距离增大(违约概率减小)的银行有四家(光大银行增大5.46，中信银行增大1.96，民生银行增大1.84，兴业银行增大0.44)，违约距离不变的有一家是贵阳银行，其他11家银行的违约距离都发生了减小，其中江苏银行的减小幅度最大，招商银行的减小幅度最小。四家违约距离增大的银行，在2017年排名位于最后四位，这是因为我国对于银行监管的相关举措发生了作用，对于排名靠后的银行的违约概率下降的幅度空间也较大。招商银行的违约距离减小的幅度最小，其在2017和2018年的排名都较靠前，这也说明强者恒强，违约风险是缓慢变动的，具有一定的稳定性，并非突变性的变化，这也说明通过相关政策进行改善信用违约风险是可行的。

四、结论与政策建议

本文通过测算16家股份制与城商行的违约距离和违约概率，进行相互间比较和自身比较，得出三点主要的结论。

第一，信用风险最低的三家银行分别是招商银行、吴江银行、上海银行，信用风险最高的三家银行分别是民生银行、中信银行、光大银行。

第二，对于违约风险过高的银行，其上升空间较大，可以通过加强监管力度，大幅降低其信用违约风险。政府应该建立健全相关法律法规以控制商业银行的风险，引导各银行提高核心资本充足率，减少不良贷款，提高应对恶性金融危机的能力，使其形成可持续发展的模式，在鼓励金融创新的同时，更加重视风险监控和预警。

第三，信用违约风险较小的银行，其违约风险变动相对稳定，具有可控性。鉴于我国市场环境的特殊性，原始的KMV模型可能并不完全适合我国上市银行预期违约频率的测算，我们可以对模型中的参数进行测算和修改，更好地衡量我国上市银行的信用风险。同时，非上市银行缺乏股价和股价波动率等数据，无法使用该模型，我们可以学习其度量思想，替换一些变量来设计出针对非上市银行的信用风险测度模型。