过去五年里,随着供给侧改革的深入推进,多地政府纷纷开展了针对高污染、过剩产能企业的专项整治工作。为了在市场中得以存续发展,部分企业考虑通过融资来满足自身正常的生产经营对资金的需要。对于大多数企业而言,他们往往会选择债券融资。而在债券融资过程,信用风险是不可避免的。过高的企业信用风险,不仅影响融资双方的利益,甚至会波及到全行业和全社会的稳定。随着债券市场的发展,企业风险控制意识不足的问题不断凸显。而良好的风险控制因其可靠的风险度量方法,对于企业的健康发展是十分必要的。可靠的风险度量方法,可以帮助企业降低融资过程中的信用风险。随着金融市场的不断发展,早期的风险度量方法早已不能跟上时代的脚步。近年来多发的债券违约事件也为投资者和融资企业敲响了警钟,我们必须选择更具有针对性、时效性更强的信用风险度量方法来衡量企业的信用风险。KMV模型(下同)最早是由三个创业者(Kealhofer,McQuown和Vasicek)于1993年提出的。模型名称取自三位创业者名字的首字母,其基本思想源于金融衍生品定价模型。与早期信用风险度量模型相比,KMV模型的时效性更强。由于该模型是根据国外资本市场情况统计得到的,而中国突发金融事件数量是显著高于国外市场的,企业的资产价值经常出现异常波动,套用传统KMV模型已不能有效反映中国市场状况。而跳过程充分考虑了企业资产价值的异常波动行为,基于此,本文引入跳过程对KMV模型进行相应的改进。制造业是国民经济命脉之所系,故本文主要围绕制造业上市公司信用风险度量方法进行研究。本文首先详细介绍了 KMV模型及基于跳过程改进的KMV模型(简称KMV改进模型,下同)的基本思想,同时给出了 KMV改进模型中跳跃频率,跳跃高度及跳跃高度的标准差的参数估计方法,并对遗传算法优化违约点的基本思路进行了阐述;其次选取了 2018-2019年国内A股市场中被实施特别处理措施(简称ST公司,下同)的38家制造业上市公司,和与之配对的38家未被实施特别处理措施(简称非ST公司,下同)的制造业上市公司作为实证公司样本;接着对财务数据与股票数据进行整合之后,利用MATLAB软件进行编程,分别得出了传统KMV模型和KMV改进模型下制造业上市公司的资产价值及其波动率,并将两种模型在长、短期负债系数分别取值为0.5和1时违约距离的最大值、最小值和平均值作对比分析;最后利用遗传算法得到了KMV改进模型的最优违约点。本文的主要结论有三点。第一,无论是传统KMV模型还是KMV改进模型,在长、短期负债系数分别取值为0.5和1时,企业的资产价值均高于违约点,这表明此时模型对于信用风险无识别能力,难以度量制造业上市公司信用风险,需要确定最优的长短期负债系数,使得模型的信用风险识别能力最优;第二,从整体上看,对于制造业上市公司而言,KMV改进模型的违约距离小于传统KMV模型,表明KMV改进模型充分考虑了制造业上市公司资产价值的跳跃风险,模型对信用风险的预测性更强;第三,在利用遗传算法求解KMV改进模型的最优违约点时,得到了最优违约点的短期负债系数高于长期负债系数,以及在制造业上市公司债务结构中,公司短期债务比重较大的结论。而短期债务比重越大,企业更易出现资金链断裂的风险,投资者更应重视相关企业的信用风险。本文的主要贡献是提出了针对KMV改进模型跳跃风险参数的参数估计方法,引入了跳跃频率、跳跃高度、跳跃高度的标准差等概念,对公司股权价值及其波动率进行了参数估计,修正了股票收益率序列。利用遗传算法得到了 KMV改进模型的最优违约点,并提出了一种新的适应度函数来衡量上市公司分类效果。同时本文从理论上证明了 KMV改进模型的解的收敛性。