信用风险是银行业面临的主要风险之一,信用风险管理的有效性直接关系到整个银行业乃至金融业的发展与稳定。国际上对银行业的信用风险管理早有规定。2004年6月巴塞尔委员会正式通过并发表了《巴塞尔协议Ⅱ》。《巴塞尔协议Ⅱ》中规定有条件的银行可以采用内部风险评级办法来管理信用风险以满足监管机构对其应对信用风险的资本充足率的要求。这一规定为银行业的信用风险管理打开了另外一扇大门。目前我国银行业的风险管理水平还较低,信用风险评估办法依旧停留在风险评分和专家系统阶段。信用风险管理水平的低下一方面降低了银行业的资本利用效率,另外一方面也加大了银行业经营上的风险。随着我国金融业对外开放脚步加快,国内银行面临更加激烈的竞争和挑战。将国际上先进的现代信用风险衡量模型引入到我国银行业中,也成为我国银行业信用风险管理技术提升和增强自身竞争力的一个方向。现代的信用风险模型包括CreditMetrics, Credit Portfolio View, Credit risk+和KMV模型。受到种种现实环境的制约,一些现代风险管理模型在我国的应用还存在局限性。信用评级机制的缺乏使得CreditMetrics, Credit Portfolio View模型在中国的应用很困难,Credit Risk+模型中的违约率也很难在中国信用市场中预测。由KMV公司开发的KMV模型属于结构形式(Structure Form)的信用风险衡量模型。因其成熟的结构和使用的有效性,该模型在国外被众多大银行使用。KMV模型的输入数据主要是基于股票市场数据以及企业财务报表数据。中国股票市场在二十世纪九十年代已经建立,并日益规范和成熟,这为KMV模型应用于中国市场打下了基础。巴塞尔委员会曾提出,运用模型时最重要的问题是对其有效性进行验证,因此要研究KMV模型在中国的运用,研究重点应致力于对调整后的KMV模型应用于中国上市公司的有效性进行验证,这也是本文的主要研究内容。本文研究的主要内容包括以下几个部分：第一部分绪论,本章主要包括三个方面内容：研究背景和意义；研究内容介绍；研究创新。第二部分文献综述,这部分首先将介绍信用风险衡量方法的发展,主要包括传统信用风险分析方法和现代信用风险衡量模型两个方面。其次,本章重点介绍KMV模型在中国的发展现状,讨论过去文献中对KMV模型应用于中国市场参数调整的不同思路。第三部分主要介绍KMV模型的相关理论,这部分包括原始KMV模型的理论基础以及模型框架的介绍,并重点介绍在中国应用KMV模型的参数调整。KMV模型的理论基础主要为Black-Scholes的期权定价理论和Merton的公司债务定价理论。原始的KMV模型由KMV公司开发,Crosbie和Bohn(2002)在其研究论文中详细阐述了KMV模型的理论框架。针对我国的特殊经济金融环境,本章第三节中将重点讨论KMV模型应用于中国市场的参数设定。这一小节中所设定的KMV模型,也是后面实证部分的理论基础。第四部分是信用风险衡量模型有效性验证的工具介绍。这部分是实证分析的重要理论基础之一,本章将主要介绍Power曲线和精确率,积累精确性图,条件信息熵比率以及一些其他方法。不仅如此,这章中,还将构建本文的有效性验证框架,用于之后的实证研究对KMV模型有效性的检验。第五部分的实证研究主要包括两个部分。第一部分实证研究,本文将选取30个样本上市公司,并分为违约组和非违约组,数据区间为2004年第一个交易日到2011年9月30日。本文利用调整后的KMV模型计算两个样本组企业在2011年9月30日的违约距离,并对KMV模型的计量结果进行有效性验证。这部分的有效性验证框架主要包括描述统计分析,统计检验,和Z-Score模型对比的区间频率频数分析以及CAP分析等验证方法。实证分析第二部分,本文将挑选一个具有代表性的“ST”上市公司,以该公司被“ST”的年份作为违约年。本文将计算该公司在违约年的前三年中的季度违约距离,并以Z-Score模型作为对比模型进行有效性验证。通过实证研究,本文发现我国上市公司的数据完备性能够满足调整后的KMV模型对数据的要求,调整后的KMV模型对我国上市公司信用风险有一定判决能力,能够区分出违约组和非违约组企业信用风险的显著不同,判定出信用风险的整体状况,但KMV模型对上市公司的信用风险的变化趋势的测定并不是特别敏感。对于信用风险较大的样本而言,Z-Score模型比KMV模型具有更好的判定能力；而对于信用风险相对较小的样本,KMV模型的判决能力优于Z-Score模型。Z-Score模型不仅能在违约前三年时间就判定出该公司的违约风险水平,而且对于一个公司信用风险的变化趋势能够更加准确的捕捉到。但相较于Z-Score模型,KMV模型的判定敏感性还较弱。对于我国目前的现实状况,总的来说,KMV模型的实用性不如Z-Score模型。第六部分将讨论本文研究不足及后续研究方向介绍。本文可能的创新之处如下：过去很少有文献系统介绍有效性验证的工具和系统的验证框架。本文的研究重点放在对KMV模型的有效性进行验证。文中详细介绍几种在国外文献中常用的信用风险模型有效性验证方法的基本原理,包括Power曲线和精确度(AR),积累精确性图(CAP),条件信息熵比率(CIER)以及其他一切工具。在本文的实证研究部分,本文构建了一个对KMV模型有效性进行验证的框架,该验证框架包括了对模型计量结果的描述统计分析,统计检验以及与对比模型Z-Score模型计量结果的区间频率频数分析和CAP曲线分析,本文通过这一系列的有效性验证工具对模型有效性进行验证。除此之外,本文将模型的有效性验证分为两个部分,分别验证模型对上市公司在特定日期的信用风险和动态信用风险。通过本文系统地有效性验证,本文得出观点：对于特定日期的信用风险测定,如果样本的信用风险水平总体较高,Z-Score模型比KMV模型具有更好的判定能力；而对于信用风险相对较小的样本,KMV模型的判决能力优于Z-Score模型。而对于上市公司的动态信用风险测定,本文认为KMV模型对动态信用风险变化的敏感性不如Z-Score模型。本文存在的不足之处包括以下几个方面：实证部分运用KMV模型的不足之处主要包括四个方面：第一,本文对违约样本的选择采用的标准是深证证券交易所对上市公司进行“特别处理”和发出“退市风险警示”的标准,从学术理论而言,这与违约企业的定义有差距；第二,对于KMV模型中违约点的设定,本文沿用了原始KMV模型的违约点设定公式,没有考虑违约点公式中系数是否适用于中国市场。第三,本文沿用了原始KMV模型中给出的资产波动率和股票波动率之间的关系公式,没有对中国市场上两者的关系进行进一步讨论。第四,本文没有将KMV模型的输出变量,即违约距离和违约概率相对映,在研究中以违约距离作为最后的输出结果,这也导致在利用违约距离衡量违约和非违约企业信用风险时不能明确判定一个公司违约风险的严重程度。