模型的实证分析

五、模型的实证分析

到目前为止,已经有许多学者对结构化模型的有效性与参数估计做了检验,包括Jones et al.(1984)、Jarrow和Van Deventer(1998,1999),Ecom et al.(2000),Anderson和Sundaresan(2000),Collin-Dufresne et al.(2001),Kealhofer和Kurbat(2001),Huang和Huang(2002),Ericson和Reneby(2002,2003),Delianedis和Geske(2003),Deventer et al.(2003)等,但是,结构模型的检验还是较为困难的。这里没有对结构化模型进行直接检验,而是对表2中比较静态分析结果进行检验,以便在信用风险管理中应用结构化模型解释与预测违约概率的变化。假设一个检验模型,估计模型的系数、检验系数符号和显著性是否支持假设,以便给出结构化模型对信用风险管理与违约概率预测的理论基础。

本文的实证研究思路是以上市公司因财务状况异常而被“特别处理”(ST)作为企业陷入财务困境(违约)的标志。利用公司财务数据和资本市场上的信息指标,选取沪深市场2001年度70家(其中有20家在该年度被特别处理)和2002年度80家(其中有23家在该年度被特别处理)上市公司组成估计样本,数据来自深圳市国泰安(GTA)有限公司开发的中国股票市场研究(CSMAR)数据库。根据第4部分的结论,有以下的假设:股权比率和股权收益率的增加会减少违约概率,股权波动率的增加会增加违约概率,由于债务时间对违约概率的影响不确定,因此对债务时间影响不作特别的假设。被解释变量设定为违约风险(“正常”记为“1”或者“违约”记为“0”),解释变量设定如下:①股权比率E/TA,为股权的市场价值除以总资产的账面价值。②股权波动率σ_E,股权市场价值的标准差。③期望收益或股权漂移率μE,股权最后一年的收益率。④债务时间水平STD/LTD,债券分为短期债务(一年内)与长期债务(超过一年)债券,模型中应用债务时间的代理参数,用短期债券的账面价值除以不同年限的长期债券的账面价值。由于解释变量是一个二分类变量(“正常”或者“违约”),而不是一个连续变量,所以对于二分类解释变量的分析需要使用非线性函数,最常用的是Logistic分布,而且Logistic判别函数的建立方法——极大似然估计法有很好的统计特征,因此这里选择用Logistic回归模型分析股权价值、股权波动率、股权漂移率、债务时间对违约率的影响。

表6.3 经验研究的结果

注:∗和∗∗分别表示5%和10%的显著水平,括号中的数据为相应的Wald检验值。

估计的结果见表6.3,该分析显示,在10%的显著水平下,股权的波动率σ_E与违约率为正相关(2001年和2002年),这支持了股权波动率增加会提高违约概率的假设。2002年的数据分析说明,股权比率E/TA与违约率在5%的显著水平下负相关,这支持了股权比率增加会减少违约概率的假设,2001年数据分析虽然也存在负相关,但不显著。股权漂移率μE与违约率在较低的显著水平下负相关。总的来说,该分析结果支持结构化模型对违约率变化的预测,虽然数据存在一些局限性,我们还是可以看出股权波动率与股权比率在违约率预测所起的重要作用。因此,在信用风险管理中引入商业风险与资本结构变量是非常重要的。虽然违约率的预测已经引起重视,但银行在作贷款决策时经常忽略了股票市场的价格变化。违约预测的结构化模型把资本结构引入借贷分析中,提高了银行与金融机构决策水平,这也许是KMV模型流行的一个重要原因。