摘要：商业银行信用风险评估的文献大多是将财务比率作为自变量建立模型，判别信息存在一定的滞后性。文章将财务比率与证券市场数据结合起来，增加了基于KMV模型，利用证券市场数据计算的违约距离作为Fisher判别函数新的自变量，建立Fisher判别函数，然后运用模型对总样本和检验样本进行实证分析，结果表明加入违约距离，将财务比率与证券市场结合的信用风险判别模型既能反映上市公司的历史财务状况，亦能反映现实市场变化情况，从而提高了商业银行预警信用风险的准确度。
关键词：Fisher判别模型；KMV模型；财务比率；违约距离
一、 引言
现代商业银行的经营本质上是以信用为基础和保证的，如何有效管理银行的信用风险，始终是商业银行面对的重要问题。目前我国信用体系的建设尚处于起步阶段，缺乏有效可行的采集、整合信用的手段和方法，因此根据我国实际情况，根据现有的信息和资源，加强信用风险模型方面的研究，开发适合我国国情的信用风险管理方法，具有重要的理论和现实意义。
基于市场数据方法的信用风险管理模型――KMV的DEF模型，是当前国际金融界最流行的信用风险计量模型之一，国内学者从1998年开始关注KMV模型，早期的研究局限于对KMV模型的介绍和分析，具有代表性的有杜本峰的《实值期权理论在信用风险评估中的应用》和王琼与陈金贤的《信用风险定价方法与模型研究》等文章。目前国内对KMV模型的研究思路主要包括模型的修正及有效性检验。周沅帆用KMV模型研究中国上市保险公司的信用风险,将公司净收益增长率引入到违约距离的计算中，并且对模型实证结果表明KMV模型有良好的预测能力。张能?，张佳重新设定违约点DP=a×STD+b×LTD，选取82家上市公司作为样本，按照一定的判断标准，用Matlab程序进行计算得出最优的（a，b）值，通过比较新旧违约点下的违约距离，从而得出能更准确反映我国上市公司信用状况的违约点。但是模型的修正基本围绕违约点的设定、公司股权的波动率和预期公司资产价值等自身的修正，在我国由于有关公司破产的历史统计数据严重缺乏，很难建立我国上市公司的违约距离DD和违约率DEF的映射关系，并且不能全面的反映上市公司的历史财务状况。
综上所述，基于以上两种方法的信用风险管理文献较多，但是能把两者有效结合的研究却不多。所以，本文利用Fisher线性判别模型将财务比率方法与市场股票数据方法结合起来，增加了基于KMV模型，利用证券市场数据计算的违约距离作为Fisher判别函数新的自变量，建立Fisher判别函数，扩展后的Fisher模型中，将KMV模型与财务数据的结合，使新模型既能反映上市公司的历史财务状况，也能反映其市场变化情况，从而提高了商业银行预测信用风险的准确度。
本文结构如下：第二部分为以财务指标为自变量的Fisher线性判别函数构建，总体预测准确率达到87.9%。第三部分为增加违约距离为自变量的Fisher模型，即扩展后的Fisher模型构建，总体预测准确率达到92.6%，准确度高于第一类模型。第四部分为实证结果比较分析。从三个层面的比较得出，商业银行进行信用风险预测时应将财务比率与市场数据等进行综合的分析，以提高模型预测的准确度。
二、 基于财务比率的Fisher模型的建立
1. 总样本选取。我们视被ST的上市公司为信用差的公司，没有被ST的上市公司为信用好的公司。截至2011年，在上海和深圳交易所上市的上市公司中有80家被ST的公司，按照证监会行业分类，其中属于在制造业的上市公司就占了其中39家，其余均分散在其他各行业。因此为了考虑到行业资产规模及财务指标的不同，对模型建立的准确性有影响，所以本论文选择制造业的39家上市公司作为研究对象。
在39家制造业上市公司中，剔除两家财务数据缺失比较严重的上市公司，共37家，我们随机选取了30家作为构建模型中违约公司的估计样本，剩余的7家作为违约公司的检验样本。并随机选取了同时期，规模差别不大的30家和6家正常的制造业上市公司分别作为估计样本和检验样本中违约公司的配对样本。
2. 变量的选取。
基于数据的全面性和代表性考虑，本文选择了32个财务比率作为建立线性判别模型的解释变量，这些数据来源于RESSET金融数据库，所选的数据充分反映了企业的每股指标、盈利能力、偿债能力、成长能力指标、营运能力指标、现金流量指标、资本结构指标。包括：X1每股净资产、X2每股公积金、X3每股未分配利润、X4资产净利率、X5销售毛利率、X6营业利润/营业总收入、X7财务费用率、X8营业利润率、X9流动比率、X10速动比率、X11股东权益/负债合计、X12股东权益/带息债务、X13有形净值/带息债务、X14息税折旧摊销前利润/负债合计、X15经营净现金流量/负债合计、X16经营净现金流量/流动负债、X17利息保障倍数、X18营业收入增长率、X19营业利润增长率、X20净利润增长率、X21净利润增长率、X22总资产增长率、X23存货周转率、X24应收账款周转率、X25应付账款周转率、X26流动资产周转率、X27总资产周转率、X28总资产现金回收率、X29资产负债率、X30流动资产/总资产、X31流动负债/负债合计、X32净利润/营业总收入。
（1）Mann-Whitney U检验。首先，对这些指标运用U检验进行简单的均值差异分析。
从表1可以看出，在5%的显著性水平下，共有24个变量其均值在组间存在显著性差异，因此我们剔除另外5个差异不显著的指标，分别是X5，X19，X20，X23，X24，X25，X26，X31。24个指标从不同的方面反映了ST上市公司与正常公司的显著区别。
（2）主成分分析。选取的24个指标涵盖了财务比率的各个板块，避免了遗漏重要的信息，但是选取过多的指标会增加问题的复杂性，由于有一些指标均是对同一财务比率板块的反映，不可避免的造成信息的大量重叠。基于以上思考，本文采用主成分分析法对24个财务比率进行降维处理。由总方差分解表（表2）可以看出，保留7个主成分是合适的，首先满足了特征根大于1的标准，并且提取7个主成分时能解释约80%的总方差。
3. 基于财务比率数据的Fisher模型。7个主成分已经不存在多重线性关系，因此我们用这7个主成分做Fisher判别分析且选择逐步判别法估计判别函数的显著性，由Box"M检验结果（表3）的F值及其显著水平可知，各总体协方差矩阵相等，所以所选取的变量是满足判别分析的假定的。
由Wilks" Lambda检验（表4），认为判别函数在0.05的显著性水平上是显著的。通过逐步判别法得出的判别函数，即fisher线性判别函数为：
ST公司判别函数：G（1）=-0.527F3-1.122F5-1.068
正常公司判别函数：G（0）=0.685F3+1.350F5-1.252
三、 模型的扩展――增加违约距离DD的Fisher模型
1. KMV模型假设。本部分以2010年12月31日计算基准日，比较未来一年内这73家上市公司的信用状况。为了便于实证分析，先做如下假定：
（1）公司违约点的确定。与KMV公司的处理方法略有不同，根据张能?，张佳在《改进的KMV模型在我国上市公司信用风险度量中的应用》中的研究表明，假设违约点DP=1.8×流动负债STD+1.2×长期负债LTD时得到的违约距离更能反映我国公司的信用状况。其中，为了使预测具有现实意义，我们的负债数据均为公司2010年中期财务报告的数据。
（2）公司权益价值计算公式：收盘价×总股数。
（3）无风险利率为2.75%。
（4）预测时间为T=1年。
2. 违约距离DD的计算。用Mathcad15.0算出所有上市公司的违约距离DD值，进行Wilcoxon检验可见，两个总体的DD值存在显著性差异（表5）。将DD值与其他24个财务比率重新进行主成分分析，进行逐步判别分析，得到的新的Fisher判别函数。
加入违约距离DD的Fisher判别函数为：
ST公司判别函数：G（1）=-0.607F3-1.259F5-0.506F6+0.506F8-1.247
正常公司判别函数：G（0）=0.755F3+1.479F5+0.411F6-0.493F8-1.390
四、 模型间预测结果比较与结论
从预测的结果可以看出，将传统财务比率与市场数据结合起来的Fisher模型预测结果总体上优于只用财务比率建立的Fisher模型。
1. 对于13个检验样本，对7个ST公司的预测准确率均为100%，6个正常公司的预测准确率为83.3%。检测样本的预测准确率均为92.3%。说明，两个模型对上市公司的信用风险均具有较强的预测能力。
2. 第一类模型的总体预测的准确率为84.9%，低于第二类模型的预测结果93.2%。
3. 在银行实务中，将违约公司误判为正常公司导致的后果比将正常公司误判为违约公司的后果更为严重，因为这将给银行带来更严重的风险。第一类模型将违约公司误判为正常公司的概率为10.8%，第二类模型的误判率仅为8.1%，低于第一类模型。所以，商业银行进行信用风险预测时应将财务指标与市场数据等进行综合的分析，以提高模型预测的准确度。
参考文献：
1. 沈沛龙，任若恩.现代信用风险管理模型和方法的比较研究.经济科学，2002,（3）.
2. 王春峰，万海晖，张维.商业银行信用风险评估及其实证研究.管理科学学报，1998,（1）.
3. Altman E I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance,1968,（23）.
4. Press S J, Wilson S. Choosing between Logistic Regression and Discriminant Analysis. J. Amer. Statist. Assoc，1978,（73）.
5. 方洪全，曾勇.银行信用风险评估方法实证研究及比较分析.金融研究，2004,（1）.
6. 周沅帆.基于KMV模型对我国上市保险公司的信用风险度量.保险研究，2009,（3）.
7. 张能?，张佳.改进KM模型在我国上市公司信用风险度量中的应用.预测，2010,（5）.
基金项目：教育部人文社会科学研究项目（项目号：09YJE790004），“泰山学者”建设工程专项基金，山东省博士后创新项目专项资金。
作者简介：安起光，理学博士，应用经济学博士后，山东财经大学金融学院教授、硕士生导师；于晓静，山东财经大学金融学院硕士生。
收稿日期：2012-01-08。