关于信用风险的定义,主要分为两种观点。传统的风险管理理论认为,信用风险是由于交易对手没有能力或者没有意愿履行相应的契约合同而给相关权利持有人造成经济损失的可能性。这个传统定义有两个主要的缺陷：其一,根据该定义,只有在违约实际发生时才能确认为信用风险,无法反映债务主体信用等级的下降以及与其相关的证券的市场价格变化,虽然这些变化实际上已经预示着信用风险的必然发生；其二,该定义隐含着任何债券必然持有到期的假设,忽略了现今贷款证券化以及信用衍生品的产生所带来的影响。考虑到传统的信用风险定义已经不再符合现代金融市场的发展,现代信用风险管理理论提出了一个全新的观点,它认为信用风险是指交易对手未能履行约定的义务而造成经济损失的风险,即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性,或者是债务人的信用等级发生变化,影响了相关金融产品的价值,从而给金融产品的持有人造成的经济损失的风险。这个定义克服了前一个定义时滞性和被动性的缺点,将信用风险看作是一个不断变化的动态过程,对待信用风险也不再只是被动的事后管理,而更加强调事前的预测和防范,也使得运用类似市场风险的度量方法来定量描绘信用风险成为可能。信用风险的定义之所以重要,是因为定义本身关系着信用风险度量模型的建立。本文从现代观点的信用风险管理理论出发,采用由宏观到微观再到宏观、由理论到实证两条思路分别详细阐述信用风险的发展历程、模型度量以及实证研究。本文的主要目的是讨论国外广泛使用的KMV信用风险度量模型在中国市场的适用性。以中国A股市场汽车制造行业为例,求解出各家上市公司的违约距离,将这些违约距离与国内给出的信用风险度量参数对比,从而得出KMV模型在中国市场适用性的结论：KMV模型对较大的信用风险差异以及信用风险的整体变化趋势具有较好的预测效果,但是在中国市场,不能像国外那样将违约距离作为信用风险的序数评价指标,仅仅通过违约距离来对比任意两家公司的信用风险大小是不可取的。KMV模型有一定的预测效果,但是与国内现有的方法相比,没有明显的优势。就本文宏观部分而言,首先介绍了信用风险的分类方法,其分类依据可以是不同发生时间、也可以是不同应用领域,而本文研究仅仅集中在上市公司的结算前风险这样一个特殊的主体和时段上。其次,文章介绍了信用风险度量时所需的三个参量——预期违约率、信用风险暴露以及违约损失率(回收率)的定义和度量方法。因为众多信用风险度量模型将信用风险与违约风险近似等同,因此本文将重点放在对预期违约概率的估计上。对违约率的计量可分为精算方法和利用市场价格的估计方法,其中精算方法主要是在财务报表和历史数据的基础上建立信用评级体系和信用转移矩阵,而使用市场价格的估计方法又可分为利用债券市场的价差方法和使用股市数据的莫顿模型,其优劣对比也一并在文中说明。论文的最后也对中国现行的信用风险模型及适用性等有一些评价和建议。该部分内容是本文的第二章和第六章。就微观部分而言,本文沿着信用风险度量模型的发展历程详述了各个模型的思路、特点以及适用性。信用风险模型按照诞生时间分为古典模型和现代模型。古典模型主要依靠专家自身的判断,具有主观化和经验化的特点,它包括专家分析法、信用评级法和信用评分模型。现代风险度量模型开始于20世纪90年代以后,是对新的信用风险定义的很好诠释和创新,它主要依赖于数学模型的客观分析,包括Credit Metrics模型、Credit Risk+方法、信贷资产组合模型以及KMV模型等。除了对它们进行详细介绍外,本文还对其相同点和不同点进行了比对分析。该部分内容是本文的第三章。就理论部分而言,本文对KMV模型的基础——莫顿模型进行了深入推导和详细阐述。其中对于违约距离和预期违约概率的推导借用了B-S模型的基本思想,运用了数理统计方法和伊藤定理等。由于对股票价格收益率市场波动率的估计采用的是更符合中国金融市场的GARCH(1,1)模型,因此本文也对GARCH模型的推导步骤及理论基础进行了详细说明。对于其他模型,例如价差方法则运用了风险中性定价思想。该部分内容是本文的第四章。就实证部分而言,由于KMV模型是适合于美国等发达金融市场的模型,在使用它之前首先需要对样本的选择制定相应标准并对各个输入参数进行简化或替代。对参数的估计综合考虑了现有文献,取其精确度更高的做法：对股票价格收益率的波动率的估计运用GARCH(1,1)模型；对无风险利率的确定是以2008年一年期银行定期存款利率的加权平均数,其中权重为相应利率实际实施的天数占一年天数的比重；对股权市场价值的确定由于存在股权分置的影响,采取了对流通股和非流通股分别计价的办法；对违约点的确定则是考察了现有的几种形式,分别对其进行验证。结果显示,由于其他因素的综合影响,违约点对KMV计算的违约距离精度并没有实质上的影响；对公司资产价值的预期增长率则使用三年或两年的平均资产增长率进行替代。由于实际求解的风险中性条件下的预期违约概率数值很小,区分度不够,故将违约距离视作违约概率的代替。在使用类似期权公式进行公司资产价值及其波动率的计算时,由于需要求解一个非线性方程组,故使用了MATLAB软件,编程实现相关迭代算法,其中也涉及EXCEL的简单函数运用。该部分内容是本文的第五章。结合上述内容,本文主要在以下几个方面有一定的创新：一、所选研究角度的创新。以往关于KMV模型实证分析的论文主要是将样本分为违约组(ST股票)和非违约组(上交所、深交所等排名靠前的绩优股),从中各取几家公司用以对比两组股票的违约距离,从而得到违约组与非违约组违约距离存在一定差异的结论。这里存在两个问题：首先,将ST股票和绩优股票作为信用风险大小的一个区分时,由于一般其信用风险差异很大,即使可以证明KMV模型能有效辨认其中的差别(事实上,这种差别通过简单的财务数据也能得到),却不能告知一个更加重要的问题：该模型在中国市场到底有多大的区分度,这也就无法证明KMV模型精确预测的优势是否存在；其次,在挑选样本股时,由于多数学者只是随机选取个别样本,因此受人为因素的影响较大,并且无法避免违约组和非违约组因行业差异所带来的违约距离差别,不能真正抛开各项因素衡量信用风险。本文则是根据中联研究院发布的2008年中国上市公司业绩评级报告,以汽车制造行业的全体A股上市公司作为样本,将其公布的偿债风险作为参照标准,估计出违约距离,将违约距离与参照标准进行比对。由于偿债风险采用的是评分机制,将其由高到低排列能很明显的判断出KMV模型的预测精度。并且实证研究采用的是某一行业内所有公司样本,不受行业差异以及人为选择因素的影响。由于汽车制造行业在A股市场中所占比重较大且影响广泛,因此以该行业作为样本得出的结论更具说服力。二、KMV模型参数估计的创新。KMV公司在其模型创立之初就说明关于违约点可以有不同的设定方法,国内也有部分学者结合中国市场提出了不同的违约点设定方法,对其中长期负债的权重各执一词,本文对这些设置方法进行了对比验证；对股票收益率波动率的估计国内学者一般采用的是直接取股票收益率标准差的办法,但是很多学者也研究表明,中国股市波动率的预测更符合GARCH(1,1)模型,使用该模型具有更高的精度,本文在参数估计中即采取了这种方法进行股票价格收益率波动率的预测。三、写作思路的创新。以往关于信用风险模型的论文都是直接介绍国际上各类信用风险计量模型,并没有充分告知信用风险度量的框架。本文则是采用从宏观到微观再到宏观的写作方法,沿着信用风险整体架构和模型历史发展两条线逐层推进。在宏观层面上,详细阐述了信用风险度量所需的三个变量分布：预期违约率、违约的风险暴露以及违约回收率(损失率)。其中,KMV模型所度量的预期违约率是分析的重点。在微观层面上,根据诞生时间一一介绍了信用风险的度量模型,这其中既有仅仅度量上述变量中违约概率的“违约模式”模型,也有综合考虑各个变量,从而直接得到违约损失数值大小的Credit Metrics等模型。