基于KMV模型的制造业上市公司信用风险评价研究

本文在介绍信用风险度量KMV模型后,根据一定的条件选取42家中国制造业上市公司数据,在对KMV模型的适用性验证的同时,利用ST和*ST公司的财务数据对违约点进行修正,实证分析表明,采用新违约点的KMV模型在中国的适用性和准确性都有所提高.由此得出基于我国证券市场发展的实际情况和行业特性,对KMV模型进行针对性的修正具有实践意义.     

基于KMV模型的上市公司信用风险预测

本文利用KMV模型,提出了一种上市公司信用风险预测方法.通过对我国4家上市公司5年股票价格的违约距离实证分析表明,KMV模型的灵敏度和预测能力都相当好,能为银行和投资者预测、揭示上市公司信用风险.     

基于KMV模型的商业银行信用风险研究

信用风险是商业银行等金融机构面临的重要风险之一,本文通过对KMV模型的分析找出了一种度量商业银行信用风险的方法,得出了利用KMV模型衡量违约率的逻辑框架,并分析了KMV模型应用在我国商业银行的可行性.     

基于变异系数赋权的上市公司信用风险评价研究

在对典型机构以及国内外学者的研究基础上,筛选指标构建上市公司的信用风险评价指标体系;根据不同的指标类型对评价指标进行打分,并通过变异系数赋权法对评价指标进行赋权;以浙江省的100家上市公司为例对其信用风险进行实证研究.研究结果表明,所评价的100家浙江省上市公司中信用状况最好的上市公司有顺网科技,同花顺,围海股份,滨江集团,荣安地产,森马服饰,宋城股份,华东医药,万向钱潮和顺发恒业等10家企业;影响浙江省上市公司信用状况的主要指标有存货周转率,固定资产周转率,资产总额,利润总额和主营业务利润率等5个指标.     

基于LOGIT模型的中小型上市公司信用风险度量研究

信用风险是商业银行面临的主要风险之一。因资本结构的特殊性、高收益高风险性和信息不对称等因素,度量和规避中小型上市公司的信用风险对商业银行来说尤为重要。文章选取中小板块上市公司作为研究样本,提取相关财务指标对样本进行LOGIT分析,测度样本公司的信用风险。其中拟利用因子分析和主成分分析的方法对众多财务指标进行降维处理,便于LOGIT模型的构建。实证结果表明LOGIT模型能够有效测度我国中小型上市公司的信用风险。     

KMV模型度量国内信用风险适用简析

本文主要阐述KMV模型基本思想,用期权定价公式来衡量股权价值的原因及预期违约率的推导,最后分析了在国内适用性和要达到的预期效果及采取的措施.     

基于KMV和关联规则算法的行业供应链信用风险传染研究

从行业供应链视角,以钢铁行业和医药流通行业供应链中上市企业市场数据为研究对象,上市公司信用风险大小以KMV模型中的违约距离值代替,利用Apriori算法挖掘上市公司信用风险传染的关联规则。研究结论表明,医药流通行业供应链中企业信用风险传染频率和传染强度均高于钢铁行业供应链中企业;供应链中上下游企业整合以及信用技术引进是影响供应链企业信用风险传染重要影响因素。     

改进的KMV模型在我国上市公司信用风险度量中的应用

传统的KMV模型中违约点等于短期负债加长期负债的一半,然而这是基于美国公司的信用状况得出的结论,对于中国公司是否适用还有待于进一步探讨.本文正是基于这一观点,对违约点的参数进行修正,重新设定违约点(DP)＝a·短期负债(STD)+b·长期负债(LTD) .通过选取82家样本公司,按照一定的判断标准,用Matlab计算得出了新违约点,并且将新旧违约点代入样本公司求出相应的违约距离,经比较得出,新违约点更能反应我国公司的信用状况.     

信用风险度量模型

信用风险是金融风险中最重要的风险之一.随着金融业的迅猛发展幸口金融创新的进程不断加快,对信用风险的评价和管理越来越重要.这篇文章回顾了传统的信用风险描述方法,并重点介绍了现代信用风险管理模型.     

商业银行信用风险综合评价研究

商业银行信用风险评价作为一种有效的金融监管方式，是银行监管体系中的重要组成部分。本文根据商业银行信用风险评价指标体系建立的原则，从经营环境、银行素质、盈利能力、风险状况等四个方面建立商业银行信用风险评价指标体系，将定性分析与定量分析相结合，运用模糊数学理论对银行信用风险进行综合评价，并选择一家银行进行实证分析。     

基于BP神经网络的不同学习方案下上市公司信用风险评价

企业的信用风险评级是金融领域的一个重要问题,采用BP神经网络来研究上市公司的信用风险评价问题。首先构建了上市公司信用评价的财务指标体系,然后根据3个不同的隐层结点,生成3种不同的神经网络模型。设计7种不同的学习一验证比例,选取了不同行业上市公司的财务数据,利用MATLAB中的神经网络工具箱编程进行实证分析在哪种模型和学习一验证比例下能够更好的对企业进行信用风险评价。     

DEA模型在中小上市企业信用风险的实证研究

摘要：相对于大型企业,我国中小上市企业失信违规行为时有发生,研究中小上市企业的信用风险对促进我国中小企业的健康发展具有重要意义。因此,本文在对DEA概念进行介绍的基础上,将Nomal/Worst DEA方法以及分层技术相结合,对中小上市企业进行信用风险评估,结果表明：该模型对上市中小企业信用风险前两年预测的精度较高,模型在输入和输出指标上的选取,不但克服了DMA类信用评估方法在选取样本公司和判别定点上的缺陷,还体现了较高的操作性。     

基于灰色聚类的上市公司财务风险评价

上市公司作为现代企业的重要组织形式,其财务状况的健康与否与国家金融体系的稳定与可持续发展休戚相关。通过将德菲尔法与极小广义方差法结合在一起来构建财务风险评价指标体系,对上市公司财务风险评价问题展开研究。利用变异系数法确定指标权重,提出基于灰色定权聚类的上市公司财务风险评价模型,最后运用该模型对收集的10家上市公司2012年的财务风险做出评价。     

基于信用风险迁移的组合收益与组合风险计量模型

考虑了信用风险迁移对银行贷款的影响,将信用风险迁移应用到贷款收益率的计算中,求解出各类企业各年份的相应贷款收益率期望值,建立基于信用风险迁移的组合收益与组合风险的计量模型。本文的特色一是把企业信用风险迁移的思路引入到贷款收益率的计算中,反映了企业信用等级迁移对企业收益率的影响,更加客观地反映了贷款的真实收益与风险的关系,解决了现有研究仅简单求解各笔贷款的收益率期望值而忽略信用风险迁移的问题。二是通过信用风险迁移原理计算各类贷款的违约风险,在此基础上测算组合违约风险,建立了贷款组合风险的测算模型,解决了现有研究忽略违约风险因素和对组合风险测算的不合理问题。     

基于系统动力学的线上供应链金融信用风险研究

在分析影响线上供应链金融信用风险因素以及其因果关系的基础上,运用系统动力学方法,建立各影响因素之间关系的系统动力学模型。根据融资主体、供应链运营状况、外部环境三个子系统,找出影响线上供应链金融信用风险的三方面因素。结论:研究系统动力学模型提出的对策,可降低线上供应链金融信用风险,为商业银行风险管理提供理论基础。     

银行项目贷款风险等级的模糊综合评价

科学的风险等级评定是银行项目贷款决策的重要基础。针对我国当前银行项目贷款风险等级评定的一些不足。应用定性与定量相结合的模糊综合评价法，从项目风险角度构建了风险等级的指标评价体系和评价因素集及权重集，通过实例给出了银行项目贷款风险等级评价方法的应用。     

上市公司创新能力评价研究——来自陕西省41家上市公司的数据

本研究基于陕西省2011-2013年41家上市公司的数据,利用结构方程模型和主成分分析方法,考察了上市公司所属行业性质、创新投入以及创新驱动因素对创新能力的影响。结果显示:行业性质对创新能力测评存在约束性,要积极发挥行业优势,调整和优化产业结构,重视行业性质对创新能力测评的约束性;创新投资对提高创新能力水平、提升上市公司研发效率具有显著的正向影响;上市公司公开信息的披露程度有利于对创新能力进行全面评价;创新驱动发展阶段在创新驱动要素对上市公司创新能力的影响中起到积极的调控作用,政府部门应为提高上市公司的创新能力水平营造良好的宏观环境。     

管理者过度自信对企业信用风险的影响机制

管理者的非理性行为—"过度自信"不仅影响企业多元化经营战略,且可能加剧企业信用风险。本文从行为科学视角,对管理者过度自信与经营多元化之间的关系及其对信用风险的影响进行了深入分析,并以深沪A股2009-2012年间的上市公司为研究对象进行了实证检验。研究发现管理者过度自信与多元化经营程度显著正相关,与信用风险显著正相关,多元化经营在管理者过度自信与信用风险之间存在显著中介效应。同时,前期多元化经营程度显著正向影响管理者过度自信心理,而前期企业信用风险对管理者过度自信心理影响不显著。本文的研究结果对企业管理者自身行为修正与经营战略制订具有一定的参考价值。     

供应链金融下中小企业信用风险指标体系构建

本文以2014-2018年深圳证券交易所中小企业板940个装备制造业样本为研究对象，综合考虑了全链条面临的整体风险，建立了包括申请人资质、交易对手资质、融资项下资产状况和供应链运营情况4个准则层，应收账款特征、履约情况等14个二级指标，信用级别、担保状况等127个三级指标的供应链金融下中小企业信用风险评价海选指标体系。根据剔除冗余信息的思路，运用偏相关-方差分析进行第一次筛选，删除了64个存在信息冗余且对违约状态影响小的指标；根据整体风险因子鉴别最优原理，通过逐步神经网络遴选出违约鉴别能力最强的指标群；最终建立了包含48个指标、显著区分风险因子的供应链金融下中小企业信用风险评价指标体系。实证表明，本文构建的指标体系符合金融界普遍认可的“5C原则”，信用风险因子判别的正确率高达90.53%，判别效果显著。