基于修正KMV模型商业银行客户信贷风险测度.pdf 10页

'中国科技论文在线http://www.paper.edu.cn基于修正KMV模型商业银行客户信贷风险测度**叶鹏，徐维隆5（辽宁工程技术大学工商管理学院，辽宁葫芦岛125100）摘要：本文通过构建修正KMV模型定量测度商业银行客户信贷风险，共选取了中国沪深两市14家上市公司为研究样本，分别是7家ST公司和7家非ST公司。为了提高该模型与中国具体实际的契合度，修正了模型中违约点和资产价值增长率两个变量。论文以2016年1210月31日为基期，选取2016年全年的财务数据，通过B-S公司运用Matlab编程计算资产价值和资产价值波动率，进而求解出客户的违约距离和违约概率。本文研究发现，适合我国的违约点设定等于流动债务加上0.8倍的长期债务，与原有模型对比说明我国上市公司的信用状况要劣于国外。经过独立样本t检验和Mann-WhitneyU检验，修正KMV模型可以有效的区分ST公司和非ST公司，从而为商业银行做好客户信贷风险管理提供现实路径和参考。15关键词：信贷；修正KMV模型；风险管理中图分类号：F832.33Customer"sCreditRiskMeasurementofCommercialBanksBasedonModifiedKMVModel20YEPeng,XUWeilong(TheCollegeofBusinessAdministration,LiaoningTechnicalUniversity,HuludaoLiaoning125100)Abstract:ThispaperconstructsamodifiedKMVmodeltoquantitativelymeasurethecreditriskofcommercialbanks,andselect14listedcompaniesinshanghaiandshenzhenasresearch25samples,namely,sevenSTcompaniesandsevennon-STcompanies.InordertoinprovethespecificfitofthemodelwithChina,thetwovariablesofdefaultandassetvaluegrowthinthemodelarefixed.BasedonDecember31,2016,thefinancialdataof2016wereselected,andtheassetvalueandassetvaluevolatilityarecalculatedbyB-S,usingMatlabtosolvethecustomer"sdefaultdistanceanddefaultprobability.Thispaperhasfoundthatthedefaultpointisequaltotheliquiditydebtplus0.830timesthelong-termdebt,comparedwiththeoriginalmodel,showingthatthecreditstatusoflistedcompaniesinChinaisinferiortoforeigncountries.ThroughtheindependentsamplettestandMann-WhitneyUtest,themodifiedmodelcaneffectivelydistinguishbetweenSTandnon-STcompanies,soastoprovidepracticalpathandreferenceforcommercialbankstodothecustomer"screditriskmanagement.35Keywords:Credit;ThemodifiedKMVmodel;Riskmanagement0引言风险管理是现代金融理论三大理论之一，对于金融机构的安全稳定运营发挥着巨大的积极作用。商业银行是金融机构乃至金融系统中的核心，银行业的稳定是一个国家金融系统稳40定的内在基础，也是一国经济持续稳定发展的重要保障。商业银行在业务经营中会面临着操作风险、市场风险、信用风险等，其中最重要的也是银行在风险管理中最值得关注的是信用风险，其是商业银行在经营中面临的最核心的风险，在信用风险中又以信贷风险为重中之重。商业银行客户信贷风险的度量与管理是银行的重要课题，为了稳健经营，银行必须做好相应作者简介：叶鹏（1995-），男，本科生，主要研究方向:金融学通信联系人：徐维隆(1970-),男,副教授、硕士生导师，主要研究方向：金融学.E-mail:xwl9955@126.com-1- 中国科技论文在线http://www.paper.edu.cn的客户信用风险管理，切实提高风险识别能力、评估能力、预警能力、控制能力，做好风险45定向定量精确度量。金融是经济的“晴雨表”，金融机构的发达程度、金融数据的变化、金融机制的安排措施反映、影响和制约着经济的发展。在整个金融系统中，商业银行是核心，商业银行的间接融资在某种程度上具有资本市场直接融资不可比拟的优越性。商业银行的信贷业务又是其经营活动的核心，产生收入的主要渠道。鉴于此，以构建修正KMV模型为基础定量测度商业银50行客户在信贷业务中的风险状况具有现实意义，对我国银行业信贷风险管理也具有指导价值。本文在研究上以提高KMV模型对中国上市公司信贷风险的识别能力为主，通过ST上市公司和与其配对的非ST上市公司实证检验修正KMV模型的信贷风险识别能力，且通过两独立样本的非参数检验比较分析修正KMV模型信贷风险识别能力的有效性。551国内外研究现状1.1国外研究现状国外对KMV模型的研究经历了两个阶段,一是利用违约数据库研究KMV模型预测上市公司违约概率的有效性分析，二是后续学者对KMV模型所做的一些创新。第一阶段，国外学者将KMV模型预测的违约概率与公司实际违约情况进行对比分析，[1]60通过大量样本的研究比较，表明该模型有较高的信用风险预测能力。JeffreyBohn(1995)将KMV模型与CreditMetrics模型进行比较，分析发现KMV模型可以有效识别公司信用风险，[2]且其预测准确性优于CreditMetrics模型。DouglasW.Dwyer，IrinaKorablev(2010)将KMV模型的结果和基于公司财务数据的EDF对比分析，发现KMV模型的输出结果不仅可以准确衡量公司的预期违约率，还可以预测非上市公司的信用风险。65第二阶段，国外学者运用一定的方法修正原有的参数提高KMV模型的风险识别能力，[3]主要研究KMV模型的创新。DwyerD,LiZ,QuS等（2010）将内幕交易引入到KMV模型中，与原有模型的比较分析表明新的KMV模型同样适用于非上市公司的信用风险测度。1.2国内研究现状我国商业银行信贷管理相关研究起步较晚，在20世纪90年代才全面铺开，前期研究主70要是在西方原有研究的基础上，结合商业银行经营数据指标，验证信贷管理手段的合理性有效性，并加以不断地修正，信贷管理主要集中于贷款客户从借款到还款整个期限内的风险管理。在信贷风险管理定量研究阶段，学者们运用KMV模型来动态地计量银行信贷风险取得了丰厚的研究成果。关于KMV模型的研究又具体分为两个阶段，前期是把KMV模型直接拿来用于测度国内上市公司的信用风险，一些重要的前提假设尚未经过证实，研究结果的可75靠性收到了一定的质疑；鉴于此，后期逐步放松了一些假设，并且把KMV模型经过一系列的修正，以使得该模型能够更加契合中国实际。（一）KMV模型在中国信用风险测度方面有适用型。孙小琰、沈悦、罗璐琦（2008）[4]研究了KMV模型在我国证券市场的适用性，利用修正的KMV模型对证券市场部分上市[5]公司进行实证检验，表明该模型适用于中国证券市场。马成文、汪诚（2015）对5家上市80银行的证券化产品信用风险进行了实证分析，表明KMV模型对信贷资产证券化风险测度有一定的适用型。-2- 中国科技论文在线http://www.paper.edu.cn（二）为了使KMV模型与中国市场更加契合，需要把该模型进行一定的修正。①公司股权价值。与国外股权市场不同，我国股票市场上存在着流通股和非流通股，相应的确定上市公司非流通股的市场价值是一个重点也是难点。②公司股权价值波动率。闫海峰、华雯君[6]85（2009）利用GARCH(1,1)模型估计股权价值波动率，建立了修正KMV模型，并且对两组样本共计80家上市公司信贷风险进行评估，研究表明KMV模型对于ST公司和配对非ST公司有很好的区分度。③违约触发点（DPT）。关于违约点的具体确定方法是KMV公司的商业机密，传统的KMV模型中给出DPT=SL+0.5LL,然而究竟是如何确定的外人不得而[7]知。李磊宁、张凯（2007）对于KMV模型中关键变量DPT（违约点）进行了修正以更符90合中国实际，研究同样得出修正后的模型可以很好地区分ST公司和配对非ST公司信贷风险的结论。2相关理论综述本章作为论文的基础理论部分，旨在为论文的后续实证分析构建基础，主要是介绍客户信贷风险的含义界定及KMV模型基本原理。952.1信贷风险含义界定信贷风险是指商业银行在发放贷款给借款人以后由于对方未能在约定时间内按期如数偿还贷款或者由于偿债能力不足未能足额偿还债务，导致贷款人由此需要承担损失。信贷风险的形成是一个从萌芽、积累直至最终发生的渐进过程。在还款期限届满之前，借款人财务状况的重大不利变化很有可能影响其履约能力，使得信贷风险逐渐暴露出来。商业银行信贷100具有风险较高、收益突出的特点，对整个银行的经营举足轻重。中国在2002年全面实行信贷五级分类制度，该制度按信贷的风险程度，将银行信贷资产分为五类：正常、关注、次级、可疑、损失。不良信贷主要指次级、可疑和损失类信贷。在发展过程中，商业银行信贷风险又细化为广义的信贷风险和狭义的信贷风险，前者主要是指商业银行在自身发展过程中面临的信贷风险，后者指无法收回本息导致的直接损失以及无法按时收回全部本息导致的流动性105欠缺。2.2KMV模型基本原理KMV模型是KMV公司提出的一种用于定量测度信用风险的计量模型，是基于Black-Scholes期权定价公式（B-S公式）和Merton的风险债务定价理论构建起来的，该模型将目标公司的所有者权益视为一份欧式看涨期权，公司资产市场价值（VA）为标的资产、公110司债务账面价值（D）为执行价格、债务到期日为期权到期日。主要通过比较目标公司资产市场价值和债务面值的相对大小来衡量公司是否会选择违约，若资产市场价值低于债务面值水平，则公司违约概率增加，不会选择偿还其债务。KMV模型中最核心的是违约点（DPT）的设定，以及违约距离（DD）和违约概率（EDF）的求解。具体地说，KMV模型通过公司股权价值（VE）及其波动率（σE）的求解进而计算出该115模型中最重要的两个变量---公司资产价值（VA）和资产价值波动率（σA），再根据违约距离（DD）的定义求出该值，考虑到我国目前尚未建立公司违约数据库，根据违约距离（DD）和违约概率（EDF）之间的函数映射关系求解违约概率（EDF）存在现实性的困难，所以本文最终计算出的是理论上的违约概率（EDF）。-3- 中国科技论文在线http://www.paper.edu.cn3实证分析120本章作为论文最重要的一章，以14家公司为研究样本，通过构建修正KMV模型对这些客户的违约风险进行实证分析，以期定量测度客户的信贷风险大小，并以论文的研究结果检测修正KMV模型在测度信贷风险上的有效性。3.1KMV模型修正考虑到KMV模型是KMV公司依托于国外的上市公司整体状况提出来的，在应用KMV125模型测度我国国内上市公司信贷风险时需要考虑到该模型与我国实际情况的契合度，为了提高有效性，论文对违约点（DPT）和公司资产价值增长率g进行了修正，使得其更能反映出中国上市公司的信用风险状况。3.1.1违约点修正在传统的KMV模型中，违约点是依据KMV公司大量的违约数据经验结论得出来的，130即当企业资产价值等于短期债务加上长期债务的一半时公司违约发生的概率最高。国内学者随后的实证研究发现我国信用风险状况明显劣于国外，相应的违约点的设置也就要比传统的KMV模型中设置的违约点要大，因此，也就不能直接套用KMV公司给出的违约点的设置经验，在我国违约数据缺失的情况下要精确计算违约点的值面临着困难。因此，本文在之前学者研究的基础上再结合KMV公司的经验数据，设置了违约点的六档指标，后文依据这6135个违约点分别计算每一个上市公司的违约距离和违约概率，并以期寻找到最适合我国情况的违约点设置。DPT=+×SL0.5LL（1）1DPT=+×SL0.6LL（2）2DPT=+×SL0.7LL（3）3140DPT=+×SL0.8LL（4）4DPT=+×SL0.9LL（5）5DPT=+×SL1LL（6）6上式中，DPT表示违约点，SL表示流动负债，LL表示长期债务。3.1.2资产价值增长率修正145国内相关研究大部分将公司资产价值年增长率近似为0，这与实际中上市公司资产处于不断上升的实际情况相违背，为了提高KMV模型风险预测能力，需要将公司资产价值增长率考虑进去，在求出资产价值以后，需要利用资产价值增长率求出上市公司未来预期资产价值，才能够求解出违约距离的大小。未来预期资产价值E(VA)=VA*(1+g)^t，式中t=1年。本文中，公司资产价值增长率以资本资产定价模型（CAPM）来求取，资本资产定价模型说明150了公司收益率包括无风险收益和风险溢价两个方面，即公司承担的风险越大所需要获取的报酬也就相应越高。有：RRRR=+−×()β（7）ifMfi,M-4- 中国科技论文在线http://www.paper.edu.cn其中，Rf是无风险收益，本文以2016年银行一年期存款整存整取利率来表示；RM是市场收益率，本文以2016年经济增长率6.7%来表示，βi,M是个股的风险因子贝塔值。1553.2样本选取根据我国证券上市交易相关制度的规定，若上市公司最近两个会计年度的净利润经过审计后为负，或者上市公司连续两个会计年度提供的财务报表显示该公司一直处于亏损状态，那么该上市公司股票就会被特别处理，亦即被ST处理。倘若该上市公司下一会计年度尚未转亏为盈，就会面临退市风险，此时也就是被*ST处理。由于我国尚未建立上市公司违160约数据库，对于上市公司违约的意见尚不一致，大部分学者认为上市公司股票被冠以ST或者*ST，说明该公司经营不善，未来偿还债务就会有较大的风险，本文引用这一结论，把上市公司被冠以ST或者*ST视为违约发生。在选取样本公司时，本文综合考虑上市公司上市市场、所属行业、公司资产规模等因素，选取了共7家沪深两市的ST公司，作为配对样本，选取了7家非ST公司，ST公司和165对应的配对非ST公司要满同属一个市场、一个行业，并且公司规模相近，去除其他因素的影响，这14家公司只在A股上市，选取的样本期间为2016年1月1日到12月31日，股价交易数据来自于同花顺交易软件，公司财务数据来自上市公司年报。表1样本选取结果Tab.1TheresultofsampleselectionST公司非ST公司市场行业股票代码名称股票代码名称沪A煤炭开采600721*ST百花600408安泰集团深A化学制品000408*ST金源002250联化科技沪A零售600306*ST商城600821津劝业沪A综合600234*ST山水600212江泉实业沪A综合600701*ST工新600846同济科技深A专用设备000856*ST冀装002278神开股份深A通用设备002423*ST中特002026山东威达1703.3实证分析结果在前述KMV模型原理和理论以及样本选取和处理规则介绍完毕之后，本节重点阐述修正KMV模型用于信贷风险测度的实际运用。3.3.1公司股权市场价值公司股权市场价值是指公司股票的市场价值，考虑到中国股市中存在着流通股和非流通175股的特殊情况，流通股的股权价值可以以股票收盘价为计算基础，非流通股价值一般是以每股净资产乘以非流通股股数来表示，为了进一步提高股权价值准确性，本文以2016年上市公司最后十个交易日的收盘价的平均价来计算流通股的股权价值，其计算公式如下：V=×AAA股收盘价股股数+股每股净资产×A股非流通股数（8）E3.3.2公司股权价值波动率180公司股权价值波动率σE是指公司股票的真实波动率，关于此波动率的计算存在着两种不同的研究，一种是基于历史波动率法，以往大多数研究使用的是该方法，其根据股票历史-5- 中国科技论文在线http://www.paper.edu.cn交易数据以标准差核算日波动率σ，再根据日波动率和年波动率的关系求出年波动率dayσσ=×T,T指一年中股票实际交易天数。假设上市公司股价满足对数正态分布，yearday则股票的对数收益率可以表示为：pt185r=ln（9）tpt−1其中，p为股票当日收盘价，p为股票前一日的收盘价。tt−1日收益率的波动率的计算公式为：n12σday=−(rir)（10）n−1i=1其中，n为股票一年之中实际交易天数，r为股票收益率的平均值。由此可以算出公司190股票年波动率为：σσ=×T（11）yearday3.3.3无风险利率界定在金融理论中，无风险利率是指一元的投资投向无风险对象到期时所能获得的利息收入，无风险利率在KMV模型中主要是用作B-S期权定价公式中的贴现率。一般来说，我们195把国债利率或者央行规定的一年期存款基准利率视为无风险利率，本文借鉴这一知识，选取2016年中国人民银行公布的人民币一年期整存整取利率为无风险利率，即r=1.5%。3.3.4违约点选择违约触发点（DPT）是指与公司债务水平相等的公司资产价值水平，设置这一指标的主要目的是通过比较公司预期资产价值水平与DPT的大小，来初步判断该公司是否有违约的200迹象和可能性大小，早期学者的研究中直接引用KMV公司的违约点计算方法，即DPT=SL+0.5*LL,SL指公司短期债务水平，LL指公司长期债务水平。随后，一些学者针对DPT的计算对KMV模型进行修正，结果表明上述公式并不适合我国的实际情况，我国的信用违约发生概率大于外国，相应的DPT的计算公式中长期债务水平的权重应该大于0.5。鉴于此，本文在写作中，长期债务水平的权重共计分为6档，包括0.5、0.6、0.7、0.8、0.9、1，205求出相对应的违约点DPT。3.3.5资产价值和资产价值波动率确定公司的资产市场价值和资产价值波动率没有现有的数据可供查询，KMV模型是通过运用B-S公式在公司股权价值和股权价值波动率已经求出来以后代入到B-S公式中，求解非线性方程组求得资产价值和资产价值波动率的。210在B-S期权定价公式中，公司资产价值遵循几何布朗运动：dV=+δσVdtVdω（12）AAAA其中，VA和dVA分别表示公司资产价值和资产价值波动量，δ和σA分别是指公司资产价值漂移率和波动率，dW表示一个标准维纳过程。-6- 中国科技论文在线http://www.paper.edu.cn公司资产价值VA和资产价值波动率σA可由以下给出的公式求出：−rt215V=−VN(d)DPTeN(d)（13）EA122VσAAln()++×(rt)DPT2d=（14）1σ×tAdd=−×σt（15）21AVN(d)σAA1σ=（16）EVE其中，VA表示公司资产市场价值，σA表示公司资产价值波动率，VE表示公司股权市场220价值，σE表示股权市场价值波动率，DPT表示违约触发点，t表示债务期限，r表示无风险利率，N（·）表示标准正态分布累计概率函数。本文使用Matlab编程计算其结果。3.3.6违约距离违约距离（DD）是指公司资产市场价值期望值与违约触发点（DPT）之间的距离，被用来衡量公司违约可能性大小，其大小与公司的违约可能性呈负相关关系，也即DD越大，225说明公司违约可能性比较小，债务到期时，公司有充足的资产来覆盖负债风险，偿还债务压力较小，具体计算公式如下：E(V)−DPTADD=（17）E(V)×σAA其中E(VA)=VA*(1+g)^t,VA表示公司资产价值期望值。根据前文中所叙述的本文对于KMV模型的修正，需要计算在每一个违约触发点下的违230约距离，并且对两组样本做独立样本t检验，以探究在每一个违约点水平下ST公司和对应的非ST公司的违约距离是否存在显著性差异。表2违约距离Tab.2Defaultdistance公司代码DD1DD2DD3DD4DD5DD6*ST百花6007212.272001482.371458722.371815342.322180532.292554302.27293664*ST金源0004082.350662822.351442142.351634432.351861052.352750582.35304764*ST商城6003061.918316551.918258001.918199851.908342061.918625711.91956882*ST山水6002341.811662401.811970421.812310371.802682291.813086191.81352210*ST工新6007012.206547232.207269482.208765002.209819632.211038852.21180147*ST冀装0008562.217087142.217551882.217384412.217896262.228432522.21899322*ST中特0024231.718134541.718943451.719443641.710117141.720647701.72096608安泰集团6004082.895904702.897919352.900769332.922839212.905707692.90937736联化科技0022502.909509412.910553602.910821122.928207742.902807202.91357020津劝业6008212.208814802.17980182.180909162.188590932.16387182.11329802江泉实业6002122.647402242.647512242.677502242.687502242.647502242.64650224同济科技6008462.374245102.376204912.378374992.379681682.372265902.37397191神开股份0022782.167182992.197447032.267734672.288045912.267872352.26822956山东威达0020262.166533262.186435012.266858812.268766002.247196202.27710884-7- 中国科技论文在线http://www.paper.edu.cn表3独立样本t检验235Tab.3IndependentsamplettestDD1DD2DD3DD4DD5DD6t统计量-2.611-2.497-2.753-2.887-2.777-2.766P值0.0230.0280.0180.0140.0170.017在以上独立样本均值t检验的基础上，通过比较其显著性水平，可知在5%的显著性水平下是显著的，也即ST公司的违约距离和非ST公司违约距离显著不同，同时考虑到DD4对应的违约距离t值检验的P值是最显著的，也即拒绝ST公司和非ST公司违约距离没有显著差异的原假设，我们有98%的把握认为ST公司和非ST公司违约距离存在显著性差异，240KMV模型求解的结果可以有效识别出ST公司和非ST公司信贷风险，所以，本文求出的KMV模型适用的最佳的违约点为DPT4，DPT4=SL+0.8*LL，从而本文后续的分析以与DPT4相对应的违约距离和违约概率为基础展开。3.3.7违约概率KMV公司是通过自己建立在大量违约数据基础之上的违约数据库沟通了违约距离245（DD）与违约概率（EDF）之间的关系，以历史违约数据为基础可以求出实际违约概率（EDF），这称为经验EDF，计算公式为：年初违约距离为DD且年末违约的企业数目经验EDF=（18）年初违约距离为DD的企业数目然而我国在公司违约方面的数据暂时还比较匮乏，缺少相关的违约数据库，因此本文是250基于违约概率的定义求出理论上的违约概率，计算公式为：EDF=−1()()NDD=−NDD（19）其中N（·）表示标准正态分布的分布函数。表4违约概率Tab.4Defaultprobability公司代码违约概率*ST百花6007211.01%*ST金源0004080.93%*ST商城6003062.82%*ST山水6002343.57%*ST工新6007011.36%*ST冀装0008561.33%*ST中特0024234.36%安泰集团6004080.17%联化科技0022500.17%津劝业6008211.43%江泉实业6002120.36%同济科技6008460.87%神开股份0022781.11%山东威达0020261.16%-8- 中国科技论文在线http://www.paper.edu.cn2554实证结果分析4.1违约距离和违约概率描述结合上一章节计算出的ST公司和非ST公司的违约距离和违约概率的数据，以折线图的形式展示其变动规律如下：3.53ST公司非ST公司2.521.511234567260图1违约距离图Fig.1Thegraphofdefaultdistance5.00%4.00%ST公司非ST公司3.00%2.00%1.00%0.00%1234567图2违约概率图Fig.2Thegraphofdefaultprobability265由图1和图2的折线图可知，ST公司违约距离小，非ST公司违约距离大，根据违约距离与违约概率反向变动的关系可知，ST公司的违约概率要大于非ST公司，ST公司的信用状况劣于非ST公司，这与现实中实际情况是吻合的。通过上图简单的描述性分析，可以发现修正KMV模型可以用来有效的区分开ST公司和非ST公司的信用状况，进而有效区别其信贷风险情况。2704.2Mann-WhitneyU检验要检测修正KMV模型在识别上市公司信贷风险的有效性，需要确定ST公司和非ST公司的违约距离和违约概率是否存在显著差异，这一目的可以通过Mann-WhitneyU检验来实现。当两个总体的分布未知，检验它们是否相同时需要用两个总体的非参数检验，通过这个非参数检验，确定总体是否存在显著差异。275表5Mann-WhitneyU检验Tab.5ThetestofMann-WhitneyU变量检验结果Mann-WhitneyU8.000WilcoxonW36.000-9- 中国科技论文在线http://www.paper.edu.cnZ-2.108Asymp.Sig.(2-tailed)0.035由上表展示的结果可知，修正KMV模型求解的样本违约距离Mann-WhitneyU检验Z统计量的P值为0.035，小于5%显著性水平，意味着拒绝原假设---ST公司和非ST公司的违约距离无显著性差异，说明修正KMV模型可以有效地区分开ST公司和非ST公司的风280险状况，从而为商业银行识别客户的信用状况，做好信贷风险防范管理工作提供参考指导。5结论本文实证研究得出的结论主要有：（1）在总体上来看，选取的14家样本公司（ST公司和非ST公司各7家）中，非ST样本公司的违约距离大于对应的ST公司，说明非ST公司的违约概率要小于其对应的ST公司，这与实际情况是吻合的，独立样本t检验和285Mann-WhitneyU检验的结果在5%显著性水平上显著，说明修正后模型能够有效地区分开ST公司和非ST公司的风险状况。（2）违约点设定修正经过独立样本t检验后发现适合我国上市公司风险状况的违约点设定是短期债务加上0.8倍的长期债务，这一点与传统KMV模型中长期债务权重系数0.5不同，从侧面说明了我国上市公司的信贷风险状况总体上劣于国外，我国商业银行加强对上市公司的信贷风险管理刻不容缓，研究结果有现实指导意义。290[参考文献](References)[1]Jeffrey,Bohn.Usingmarkingdatatovaluecreditriskinstruments[J].Moody"sKMVCorporation,1995,(9):12-22.[2]DouglasW.Dwyer,IrinaKorablev.PowerandLevelValidationofMoody"sKMVEDFCreditmeasuresinNorthAmerica,EuropeandAsia[J].Moody"sKMVCorporation.2010(9).[3]DwyerD,LiZ,QuS.CDS-impliedEDFCreditMeasuresandFair-valuespreads[J].Moody"sAnalytics,2010.295[4]孙小琰,沈悦,罗璐琦.基于KMV模型的我国上市公司价值评估实证研究[J].管理工程学报,2008,01:102-108.[5]马成文,汪诚.基于KMV模型的我国信贷资产证券化信用风险分析[J].沈阳大学学报（社会科学版）,2015,05:598-591.[6]闫海峰,华雯君.基于KMV模型的中国上市公司信用风险研究[J].产业经济研究,2009,03:14-22.300[7]李磊宁,张凯.KMV模型的修正及在我国上市公司信用风险度量中的应用[J].金融纵横,2007,13:48-50+34.-10-'