1、- 1 - 毕业论文 （ 20_ _届） 基于 KMV模型的我国房地产上市公司信用风险度量 所在学院 专业班级 金融学 学生姓名 学号 指导教师 职称 完成日期 年 月 摘 要 上市公司信用风险度量是我国信用风险度量的薄弱环节，在我国信用度量体系的发展严重滞后，本文在前人的 研究基础上，结合我国房地产上市公司的实际情况，研究 KMV 模型在中国市场中评价房地产上市公司信用风险的能力，利用 KMV 模型并对其进行修正，分别调整 KMV 模型中股权市场价值计算和违约点设定方法，采用违约距离度量我国房地产业上市公司信用风险的现状。首先对我国房地产现状和房地产上市公司信用风险产生的原因进行了概述 ，
2、介绍了传统的信用风险度量方法并对 KMV 模型在我国的适用性进行了分析，然后介绍了 KMV 模型并运用该模型进行了一系列计算并进行了分析，最后提出了相关建议 。 结果表明， 2009 年我国房地产上市公司面临违约风险较大 ，修正后的KMV 模型对 ST 和非 ST 公司的信用风险辨别能力不强， KMV 模型能够在整体上识别我国房地产上市公司信用风险，在我国有一定可行性，但仍然缺乏准确性。 关键词 ： 信用风险； KMV 模型；房地产 Abstract The measurement of Credit Risk in Listed Companies is one of the weak pa
3、rts of credit risk measurable system in China. Based on the previous studies, I highly focus on the application of KMV model when it applied to evaluation of real estate credit risk in Chinese market. In addition, take the actual situation of real estate companies into account, I also take advantage
4、 of KMV model to amend the results. By using KMV model, I adjust the market value of equity and non-point setup using default distance measure real estate listed companies in China the status of credit risk. At first, summarize the current status of the countrys real estate, the reason of company in
5、 the market which comes credit risks and introduce the traditional measurement methods of credit risk and also analysis the applicability of KMV model. Then describe the KMV model and calculate with the model, and analysis the calculation result. At last, I work out some suggestions. The study showe
6、d that The risk of default real estate listed companies face is great in 2009 the adjusted KMV model has insufficient ability to identify non-ST and ST companies. Since KMV model can distinguish credit risk of real estate listed company, it is applicable in China though with a lack of accuracy. Keyw
7、ords： Credit risk; KMV model; real estate 1 目 录 引言 -1 1 我国房地产信用风险现状分析 - 1 1.1 我国房地产发展现状 - 1 1.1.1 房地产经营现状 - 2 1.1.2 房地产上市公司现状 - 2 1.2 我国房地产上市公司信用风险产生的主要原因 - 2 1.2.1 国家政策 - 2 1.2.2 需求市场 - 2 1.2.3 供给市场 - 3 2 信用风险度量方法 - 4 2.1 传统度量方法与现代度量模型 - 4 2.1.1 传统信用风险内部度量方法及其评价 - 4 2.1.2 现代信用风险内部度量模型及其评价 - 4 2.2 K
8、MV 模型适用性分析 - 6 2.2.1 信用评级 - 6 2.2.2 数据资料 - 6 2.2.3 证券市场的有效性 - 6 3 基于 KMV 模型的房地产业上市公司信用风险度量 - 8 3.1 KMV 模型 - 8 3.1.1 KMV 模型研究思路 - 8 3.1.2 相关参数设计 - 9 3.2 模型计算与结果 - 11 3.2.1 样本数据和计算 - 11 3.2.2 计算结果 - 14 3.3 计算结果分析 - 14 3.3.1 关于 KMV 模型适用性的思考 - 15 3.3.2 关于时间差异的影响的思考 - 15 3.3.3 关于我国房地产行业存在的问题的思考 - 15 4 相关
9、对策与建议 - 17 4.1 政 府做好政策引导 - 17 4.2 各机构完善自身发展 - 17 4.2.1 银行等金融机构 - 17 2 4.2.2 企业和投资机构 - 17 4.3 加强信用风险模型的相关研究 - 17 4.4 加快信用风险管理人才队伍建设 - 18 结 论 - 19 参考文献 - 20 致 谢 -21 1 引 言 一直以来，信用风险一直是房地产业最重要的金融风险形式。信用风险是借款人因各种原因未能及时、足额偿还债务或银行贷款而违约的可能性 ，它不但影响 金融机构 自身的经营发展，而且严重影响着宏观经济的健康运行，甚至可能导致世 界性的金融危机和经济危机。 面对全球经济乏力
10、，中国经济增长放缓，国内大多数城市房价疲软，房地产积聚的信用风险正在逐渐暴露。 2007年美国次贷危机就是因为房地产信用风险的爆发最终引发经济危机。在我国，房地产公司上市早已是房地产业化经营的重要形式，目前房地产业增加值占我国国内生产总值（ GDP）比重超过 5%， 在促进国民经济发展中发挥了支柱产业的重要作用。 房地产上市公司一但面临信用风险，潜在的危机就会暴露以及扩大化，它带来的危害就是巨大的，最终可能危及整个金融体系乃至国民经济体系的安全与稳定。因此信用风险的量化度量特 别是房地产的信用风险评估迫在眉睫，但是国内仍然没有健全完整的信贷评估方式将信用风险测量量化。本文选取了 KMV 模型与
11、我国房地产上市公司现状相结合，以量化我国现面临的房地产信用风险，为我国房地产信用风险的准确、科学的度量提供借鉴，为我国面临的房地产信用风险量化提供实证研究和准确的数据依据，从而为我国房地产的信用风险度量方法研究提供一定的借鉴。 1 我国房地产信用风险现状分析 1.1 我国房地产发展现状 1.1.1 房地产经营现状 据国家统计局公布数据显示 , 2009 年上半年，全国房地产开发投资 19747亿元，同 比增长 38.1%，其中，商品住宅投资 13692 亿元，同比增长 34.4%，占房地产开发投资的比重为 69.3%。 6 月当月，房地产开发完成投资 5830 亿元，比上月增加 1845 亿元
12、，增长 46.3%。 2009 年上半年，全国房地产开发企业房屋施工面积 30.84 亿平方米，同比增长 28.7%；房屋新开工面积 8.05 亿平方米，同比增长 67.9%； 房屋竣工面积 2.44 亿平方米，同比增长 18.2%， 其中，住宅竣工面积 1.96 亿平方米，增长 15.5%。 2009 年上半年，全国房地产开发企业完成土地购置面积 18501 万平方米，同比增 长 35.6%，土地购置费 4221 亿元，同2 比增长 84.0%。 2009 年 6 月份，全国 70 个大中城市房屋销售价格同比上涨11.4%， 涨幅比 5 月份缩小 1.0 个百分点；环比下降 0.1%， 5
13、月份为上涨 0.2%。2009 年下半年随着我国宏观经济走向调整，房地产业快速下滑，全年我国房地产市场表现疲软。 1.1.2 房地产上市公司现状 目前在我国证券交易所上市的房地产公司共 72 家，其中在上海交易所上市的有 39 家，深圳交易所上市的为 33 家 1，上市公司主要分布在北京、上海、广州、深圳、天津等较发达城市，少数公司分布在陕西、山西 等省份。 根据对已 披露 2009 年 年报的 31 家房地产上市公司统计，超过七成的房企经营现金流为负数 ，由于市场低迷，房地产公司承受着巨大的资金 压力， 2009 年 房地产上市公司 因为过度扩张， 现金吃紧，成为普遍现象 。主要原因是房地产
14、公司将银行贷款以资本形态进行新项目投资；大量占用施工单位垫资和期房按揭的预售楼款。 1.2 我国房地产上市公司信用风险产生的主要原因 1.2.1 国家政策 房地产是我国促进经济发展的重要板块，在我国，国家有利的政策导向促使了我国房地产业的飞速发展，各地政府试图通过房地产行业的发展引领经济发展，带 动需求；而政府财政收入也依赖房贷市场，在政府政策引导房地产业发展带动经济的同时，过高的开放银行信贷使信用风险无形中不断加剧，换个角度来说，同时也是国家政策过度的不健康引导使我国房地产面临着极大的信用风险。 1.2.2 需求市场 随着我国房地产业短期的内的迅速发展带来惊人的利润，房地产购买者掀起投机购买
15、的热潮，而需求者们的资金压力通过按揭贷款转移到银行，过度投机使房地产行业的信用风险在需求方这里不断累积。 1 数据来自同花顺交易软件 . 3 1.2.3 供给市场 作为我国房地产市场的供给方，我国房地产上市公司大多信贷规模过大，开发资金过多依赖于 银行贷款，银行贷款在房地产资金中占了 60%左右的比重，部分企业甚至超过了 80%2。开发商的盲目开发和过度开发引起了市场混乱，甚至出现了不法行为，一些开发商进行虚假按揭，谋取高额银行贷款挪为他用，这导致银行承担了更多的信用风险。 我国房地产行业起步晚，发展过猛，所掩盖的金融风险会更大。信贷资金的过渡集中、信贷虚假、企业自有资金不足等问题都给我国房地
16、产市场带来了更大的风险，一旦风险爆发，给我国带来的经济危害将是致命的。 2 励泓 . 我国房地产上市公司发展现状与对策研究 J.现代商业 ,2008:6465. 4 2 信用风险度量方法 2.1 传统度量方法与现代度量模型 2.1.1 传统信用风险内部度量 方法及其评价 1970 年以前，信用风险的评估主要是专家主观审贷的专家分析法，典型的分析方法例如 “ 5C” 要素分析法， 它是指由有关专家根据借款人的品德(Character)、能力 (Capacity)、资本 (Capita1)、抵押品 (Collatera1)、经营环境(Condition)等五个要素逐一进行评分，使信用风险数量化，评
17、定其信用程度和综合还款能力，决定是否最终发放贷款。虽然专家评价在信用分析中发挥着积极地作用，然而不同的信贷负责人对于同样的借款人可能运用完全不同的标准，因而无法对借款人的信用状况做出令人 满意的评定。该方法效率性差，主观意愿强，风险大。之后于财务指标的信用评价统计模型，主要工具有信用评分模型（线性多元判别模型）、线性概率模型、 logit 模型、 probit 模型以及突破传统统计模型的类神经网络技术与模糊分析等。 2.1.2 现代信用风险内部度量模型及其评价 而现代， 国际上运用较多的现代信用风险度量模型主要有： KMV 公司的 KMV 模型、 JP 摩根的信用度量术模型 (Ceditmet
18、rics Metrics)、麦肯锡公司的宏观模拟模型 (Credit Portfolio View)、瑞士信贷银行信用风险附加 法模型 (Credit Risk+)等 。 杨琴（ 2008） 对我国信用风险度量方法中的各个模型进行比较，在风险界定、驱动因素、相关性结构、输入输出内容等方面做了清晰地对比，本文参考扬琴的对比方式，对各个模型的比较进行了梳理和归纳，详见表1。 表 1 现代信用风险度量模型一般性比较 Credit Metrics KMV 模型 Credit Risk+ CPV 模型 风险界定 MTM MTM/DM DM MTM 风险驱动因素 借款人资产价值 借款人资产价值 经济可变违
19、约率 宏观因素 违约概率 不变 可变 可变 可变 5 续表 违约回收率 不变或者随机 不变或随机 在频段内不变 不变或随机 数据要求 资产特征 股本回报率 评级系统和转移矩阵 远期利率 资产特征 企业资本结构 DD与 EDF之间的关系 无风险利率 单个债务人的违约概率 资产特征 宏观经济变量 针对不同国别或行业的校正系数 首 先，从风险界定方面分，有盯市模型（ Marking-to-Market）和违约模型（ Default-mode models）两类， MTM 模型是以资产市场价值变化为基础计算 VaR的模型； DM 模型则集中预测违约损失，只考虑违约和不 违约两种情况。 Credit M
20、etrics 和 CPV 允许在信用度下降的情况下估计资产组合价值在未来的分布，使用 VaR 进行度量，即 MTM 模型，而 Credit Risk+ 则是通过估计在给定期限内资产组合的违约风险概率分布来进行度量信用风险，属于 DM 模型，而 KMV 同时兼有 MTM 和 DM 模型的特征。 其次，风险驱动因素不同。 Credit Metrics 和 KMV 模型的风险驱动因素是借款人资产价值，而 Credit Risk+模型为经济中可变的违约率， CPV 的驱动因素是宏观经济因素。 再次， Credit Metrics 模型 的违约概率是通过评级系统得出的信用等级转移概率，是固定的历史数据统
21、计而得；而 KMV 模型的违约概率为 EDP（期望违约频率）， Credit Risk+模型的违约概率在一频段内相同； CPV 考虑违约概率和概率转移；因此， Credit Metrics 的违约概率是不变的，其它三者可变。 最后，违约回收率是内部评级的重要因素，它是指债务人违约后资产的回收程度。 Credit Metrics、 KMV 模型和 CPV 模型的回收率均不变或随机，而 Credit Risk+模型的回收率在频段内不变。 而在数据使用方面，从表中对比可以看出 ， Credit Metrics 要求大量的数据，在经济发展还不成熟的市场国家中难以获得全面的相关数据。 CPV 要求大量的国家部门相关的宏观数据，同样不易去的。 Credit Risk+模型的数据取得相对较容易，而 KMV 侧重于企业自身的数据，比如财务结构和负债状况等，这些数据相对容易获得。
