资产价值和波动率估计的实证研究

6.2　资产价值和波动率估计的实证研究

鉴于我国上市场公司数量较少，按省区分类后全国差异较大，样本数更少，再加上我国国内市场的统一性，本文认为像KMV那样的分类意义不大。本文通过实证研究表明，文献［107］的资产报酬波动率回归公式也不适用，原因在于：一是我国的上市公司规模均达到相当规模，公司与公司之间差异不大，规模对公司资产报酬波动率的影响较大，但在同一行业中，这种影响很小。因此，销售额这一因素可以去掉；二是我国利率尚未完全市场化，波动不大，对企业资产波动的影响很小，可以忽略不计。三是ROA成长率在我国的上市公司和非上市公司财务数据中信息中不作为披露内容，其计算相当繁琐，净利增长率的经济意义与ROA成长率相近，在财务信息披露中有现成数据，本文以净利增长率替代。

本章试图采用神经网络方法拟合我国上市公司资产价值和波动率与财务指标之间的关系，EBITDA与资产价值之间的关系，探索非上市公司的资产价值和波动率估计的方法。

如前所述，鉴于我国上市公司数量较少，像KMV那样按地区、规模、行业分类后样本实在太少，所以拟按行业进行回归。鉴于神经网络在回归方面的优越性，本章采用神经网络进行资产价值和波动率估计分析。

参考文献［111］，结合数据获取的可能性，考虑对资产价值和波动率估计的影响程度，本章选取下列变量作为估计的变量体系：

X1——营业利润率，X2——净利增长率，X3——速动比率，X4——资产负债比率，X5——总资产周转率，X6——总资产报酬率。

结合违约距离计算的需要，本章的输出并非是资产价值和波动率，而是ln（资产价值/负债）和波动率。

本章选取沪深股市中2001年至2006年有关农业类上市公司的数据53条，采用BSM模型计算获得其资产价值和波动率，计算过程详见第5章，其中天香集团等企业直接采用了上一章的结果。按上述的6个变量，用其中的前40条数据作为训练样本，后13条数据作为验算样本，采用神经网络的BP算法，获得的采用财务数据估计的公司资产价值和波动率，资产价值和波动率的神经网络估计与实际的误差较大。但是，与KMV的研究成果相似，在对非上市公司的违约判断时，误差往往会减小。应用基于神经网络预计的资产价值和波动率计算违约距离，判断违约状况的正确率达77%，这样的结果还是可用的。

因此，本章将采用以上训练后的网络，进行非上市公司ln（资产价值/负债）和波动率的估计，用以估计非上市公司的违约距离。