本发明属于信用风险管理、信用评级、金融工程、证券分析等应用领域;具体涉及一种应用市场现实价格波动数据,结合公司基本面与一致预测数据,对信用主体进行基于数据的信用评级的方法。
背景技术
信用评级采用定性和定量两类方法,定性方法不可避免地含主观性[1]、偏见、甚至信息操控[2],定量方法涉及多维度信息以及这些信息与信用风险之间的关系,常用的有破产预测模型、信用计分卡、违约距离方法等。其中,违约距离方法以“black-scholes-merton”期权定价模型为基础,由kmv信用评级公司发展为kmv信用评级方法;2000年kmv公司被世界三大评级机构之一的穆迪公司收购,形成了moody’skmv评级方法。
该模型把企业的股东权益即股权价值视为一种以企业资产市场价值为标的,以负债总额为执行价格的看涨期权。当企业资产市场价值小于负债总额时,企业便会面临无法偿还借款的违约风险。kmv模型中用违约距离dd来量化企业的信用风险大小,违约距离越大,信用风险越低。违约距离作为信用风险度量,因其稳健性在评级实践中得到广泛应用[3]。
以上kmv信用评级方法的核心是违约距离(dd)信用度量,依据的是现实市场的动态数据,由资产市场价值,资产市场价值波动率,股权价值,股权价值波动率,和违约点确定;信用主体前景相关的基本面、财务数据、及一致性预测数据,却未有效地应用于信用度量分析中。问题的关键在于发现信用主体前景与违约距离之间的关系。如果没有基于两者关系的规律,就很难在被广泛接受的违约距离信用度量基础上,形成新的可以被广泛接受的信用度量。截至目前,尚未有关于信用主体前景与违约距离关系的相关研究报告可查。
livingston(2018)[4]在银行与金融杂志中报告了中国信用评级行业的现状,描述了现阶段我国信用评级刻度粗放,一般采用四级评级刻度aaa,aa+,aa,aa-,与国际通用评级刻度[5],以及巴塞尔协议ii关于信用评级刻度充分细化、公司分布在各级别中尽可能均匀的规则,不相匹配;另外,目前国内评级机构的评级服务一般应企业评级请求而为,评级日期多为不定期,没有一个定期的批量化信用度量与评级报告机制;由此带来的后果是,投资者或者债权人缺乏投资决策需要的信用信息,不能及时察觉企业信用风险的变化。
在此背景下,本发明要解决的技术问题是,基于信用主体前景值与违约距离之间的关系,计算前景调整的违约距离作为当季信用度量,并据此进行当季信用评级及中长期信用评级,验证本发明padd方法作为国际通用违约距离信用评级方法的替代方案的合理性。
以下是引用文献:
[1]demoor,et.al.subjectivityinsovereigncreditratings[j].journalofbanking&finance,2018,88:366-392.
[2]sangiorgiet.al.,creditratingshopping,andbias[j].managementscience,2017,63(12):4016-4036.
[3]jessenc,landod.robustnessofdistance-to-default[j].journalofbanking&finance,2015,50:493-505.
[4]livingstonm,poonwph,zhoul.arechinesecreditratingsrelevant?astudyofthechinesebondmarketandcreditratingindustry[j].journalofbanking&finance,2018,87:216-232.
[5]如17级评级刻度aaa,aa+,aa,aa-,a+,a,a-,bbb+,bbb,bbb-,bb+,bb,bb-,b+,b,b-,ccc;或9级评级刻度aaa,aa,a,bbb,bb,b,ccc,cc,c.
技术实现要素:
本发明旨在解决以上现有技术的问题。提出了一种解决了现行国际流行的违约距离(dd)信用评级方法仅依据现实市场动态数据,而不能应用公司前景与信用关系信息的不足;解决了依据现实市场数据、公司财务数据、和一致性收益预测数据,进行定期、批量、量化信用评级的问题的方法。本发明的技术方案如下:
一种前景调整的违约距离信用度量评级方法,其包括:违约距离dd和上市公司前景值ps计算步骤、双参照点的备选组合确定步骤、前景值与违约距离关系分段函数确定步骤、前景调整的违约距离计算步骤及季度评级与中长期信用评级步骤,其中,
所述违约距离dd和上市公司前景值ps计算步骤用于计算违约距离和上市公司前景值ps,违约距离dd用于度量信用风险安全水平,ps用于度量投资前景的优越性;
所述双参照点的备选组合确定步骤,包括:信用等级第一次划分步骤和有限备选参照点组合选定步骤,所述信用等级第一次划分步骤基于违约距离,有限备选参照点组合选定步骤在第一次信用等级划分的基础上,选定有限备选参照点组合p1和p2,用于后续分段函数拟合的优化选择;
前景值与违约距离关系分段函数确定步骤,用于以p1和p2为参照点,确定三段分段函数;
前景调整的违约距离计算步骤,用于根据生成的三段分段函数为基准,将一公司当季ps值与基准值的偏差δps转换计算,得前景调整的违约距离padd值;
季度评级与中长期信用评级步骤,将所有同行业公司padd值自小到大排序,按各信用评级类别公司数量均匀分散的原则,得当季信用级别;中长期信用级别:根据每个季度padd值,视每一季度为一个维度,利用多属性决策分析方法—等权重-topsis方法,计算任意时期内的padd信用评价值。然后进行评级,得中长期评级结果。
进一步的,所述违约距离dd的计算方法为国际通用的kmv模型;上市公司前景值ps的计算方法为熵权-topsis多属性决策分析方法;ps计算中采用的属性变量包括:净利润增长率、一致预测每股收益、净资产收益率、市盈率、市现率、市净率、三个月动量。
进一步的,所述信用等级第一次划分步骤依据巴塞尔协议ii建议规则,信用评级刻度充分细分、各信用类别中公司数量尽可能均匀分布的原则,每季按行业根据计算的违约距离dd值自小至大自左至右排序,将所有公司按个数均匀分布于以下17个信用等级:ccc,b-,b,b+,bb-,bb,bb+,bbb-,bbb,bbb+,a-,a,a+,aa-,aa,aa+,aaa,或其它任意信用级别刻度。
进一步的,所述有限备选参照点组合选定步骤在第一次信用等级划分的基础上,选定有限备选参照点组合,具体包括:
设定参照点p1横坐标ddp1:
令p1两个备选点
设定参照点p2横坐标ddp2:
令p2两个备选点
计算参照点p1,p2纵坐标psp1,psp2:定义ddp1±ε范围内样本纵坐标的ps均值为psp1,定义ddp2±ε范围内样本纵坐标的ps均值为psp2,其中ε为一足够小范围,以包含临近样本,使得ddp1,ddp1对应的ps值不为空;
组成参照点备选组合c:
p1=(dd(ccc/-),mean{ps[dd(ccc/-)±ε]})
p2=(dd(-/aa),mean{ps[dd(-/aa)±ε]})
或
p1=(dd(b-/-),mean{ps[dd(b-/-)±ε]})
p2=(dd(-/aa),mean{ps[dd(-/aa)±ε]})
或
p1=(dd(ccc/-),mean{ps[dd(ccc/-)±ε]})
p2=(dd(-/aa+),mean{ps[dd(-/aa+)±ε]})
或
p1=(dd(b-/-),mean{ps[dd(b-/-)±ε]})
p2=(dd(-/aa+),mean{ps[dd(-/aa+)±ε]})。
进一步的,所述前景值与违约距离关系分段函数确定步骤,用于以p1和p2为参照点,确定三段分段函数,具体包括:以p1,p2为参照点的三段分段函数ps=f(dd)结构如下:
其中,模型参数0<b1,b2<1,ki>0为半饱和抑制系数,psi为前景抑制下限,a1,a2>0,b1,b2表示ps-dd曲线在第一参照点左下方和右上方区域的凹凸程度。
进一步的,还包括分别对以上分段函数进行拟合的步骤,计算每一个备选参照点组合对应的加权拟合优度
选择一个p1和p2参照点组合情景ci(p1,p2),使得
进一步的,所述前景调整的违约距离计算步骤,将一公司当季ps值与基准值的偏差δy转换计算,得前景调整的违约距离padd值,具体包括:
1)按双参照点前景价值函数f(dd)计算每个企业违约距离ddi对应的基准前景值
2)计算公司i前景离差δpsi,
3)计算公司i违约距离调整差δddi:
4)计算前景调整的违约距离padd:
一种基于所述方法的前景调整的违约距离信用度量评级系统,其包括:违约距离dd和上市公司前景值ps计算模块、双参照点的备选组合确定模块、前景值与违约距离关系分段函数确定模块、前景调整的违约距离计算模块及季度评级与中长期信用评级模块,其中,
所述违约距离dd和上市公司前景值ps计算模块用于计算违约距离和上市公司前景值ps,违约距离dd用于度量信用风险安全水平,ps用于度量投资前景的优越性;
所述双参照点的备选组合确定模块,包括:信用等级第一次划分模块和有限备选参照点组合选定模块,所述信用等级第一次划分模块基于违约距离,有限备选参照点组合选定模块在第一次信用等级划分的基础上,选定有限备选参照点组合p1和p2,用于后续分段函数拟合的优化选择;
前景值与违约距离关系分段函数确定模块,用于以p1和p2为参照点,确定三段分段函数;
前景调整的违约距离计算模块,用于根据生成的三段分段函数为基准,将一公司当季ps值与基准值的偏差δy转换计算,得前景调整的违约距离padd值;
季度评级与中长期信用评级模块,将所有同行业公司padd值自小到大排序,按各信用评级类别公司数量均匀分散的原则,得当季信用级别;中长期信用级别:根据每个季度padd值,视每一季度为一个维度,利用多属性决策分析方法—等权重-topsis方法,计算任意时期内的padd信用评价值。然后进行评级,得中长期评级结果。
进一步的,所述季度评级或中长期信用评级,将所有同行业公司同时期padd值自小到大排序,按各信用评级类别公司数量均匀分散的原则,将所有公司在padd数轴上,分为ccc,b-,b,b+,bb-,bb,bb+,bbb-,bbb,bbb+,a-,a,a+,aa-,aa,aa+,aaa17个信用级别,得当季信用级别或任意时期内信用级别;同理,也适用于将同行业所有公司在padd数轴上,按各信用评级类别公司数量均匀分散的原则,分成任意评级类别刻度,如常用的九级:c,cc,ccc,b,bb,bbb,a,aa,aaa等。
一种计算机可读存储介质,其上存储有可执行指令,所述指令在被处理器执行时实现根据权利要求1~6中任一项所述的方法。
本发明的优点及有益效果如下:
1.本发明前景调整的违约距离(padd)信用度量与评级方法,解决了现行国际通用的违约距离(dd)方法不能应用公司前景与信用关系信息的问题;
2.padd计算赖以实现的双参照点前景理论,独创地提出了信用安全达到一定程度后的前景抑制函数关系,是对经典前景理论在信用评级领域的一个发展,使得padd信用度量与评级方法的理论基础比dd方法更具有先进性;
3.padd方法比dd方法在横向、纵向比较上,皆具有比较优势;横向比较即两种方法同类别样本资产组合相比较,纵向比较即不同信用级别的自aaa至ccc共17组样本资产组合相比较;以上比较优势在于padd方法符合以下合理性检验条件:
a)横向比较优势:在投资风险规避类别,即dd小于第一参照点时,padd由于包含该类资产高风险前景信息,应表现出更强的风险的规避性,即padd评级的此类(如ccc)资产组合效果一般应低于dd评级的同类资产;投资前景增长类别中,padd因包含前景增长信息,其评级类别的资产组合效果一般应不亚于dd评级的同类别资产组合;在投资前景抑制段,即第二参照点之后,padd评级类别因包含乐观的前景价值,其资产组合效果一般应明显优于dd评级的同类别资产组合;
b)纵向比较优势:padd相较于dd评级方法,同种方法不同评级类别之间的资产组合效果差异,前者一般应优于后者,即padd应具有更优的资产质量判断能力;
c)中长期信用级别与未来波动率的一致性:2年以上的信用评级,对于不同信用级别资产组合价值的波动率,padd评级应具有更好的一致性,即padd信用评级(自ccc至aaa)与各类别资产价值波动率,相较于dd信用评级,具有更好的负相关性,即更好的风险预测能力;
4.padd信用评级方法可以定时、批量、客观地,对上市公司进行信用评级分析,实时满足投资者和债券人对于信用风险信息的需求;短期即时的padd度量,可储存作为中长期任意时间段信用评级的数据依据。
附图说明
图1是本发明提供优选实施例前景调整的违约距离的信用评级方法实现流程图;
图2.本发明padd相较于国际通用dd评级方法的比较优势验证
图3.一年期dd评级与padd评级类别收益年化波动率对比
图4.padd两年评级的预测性及一致性。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
假设某行业(以证监会分类的制造业为例)由n家上市公司组成,计算违约距离dd值输入参数分别是:
ve—股权价值,包含流通股市场价值和非流通股市场价值两部分;
δe—股权价值波动率;
d—表示企业的违约点,用企业的长期负债和流动负债的账面价值来反映;
r—为无风险利率;
t—为测算时期,本发明按1个季度计算。
计算违约距离dd输出参数分别是:
va—资产市场价值
δa—资产市场价值波动率
dd—违约距离
计算前景值ps的输入参数分别是,但又不限于:净利润增长率、一致预测每股收益、净资产收益率、市盈率、市现率、市净率、三个月动量;
方案实施数据样本选择:考虑到股改之前,中国股市上市公司流通股和非流通股并存,2009年全面股改后直到2012年,上市公司股票大多已实现全流通,非流通股的比例逐渐变小;因此,为了方便计算股权市场价值,本技术方案实施的样本样本为2012年-2016年仅发行a股的上市公司,行业为制造业。
具体实施步骤如下:
步骤一、每季按行业计算违约距离dd和上市公司前景值ps,其中,dd用于度量信用风险安全水平,越大越优;其计算方法为国际通用的kmv模型;ps用于度量投资前景的优越性,越大越好,其计算方法为熵权-topsis多属性决策分析方法;
(1)违约距离的计算过程如下:
(a)计算股权价值波动率
本发明采用garch(1,1)模型计算股权价值波动率,模型具体表达式如下:
均值方程:yt=c+εt
条件方差方程:
yt为收益率序列;
其中c为收益率序列均值;
εt为收益率残差序列,且服从均值为0,方差为δ2的正态分布;
vl为长期平均方差;
γ、α、β分别为权重,均介于0,1之间,γ+α+β=1;
本发明选用制造业2012年-2016年足够长时间段收益率序列构建garch(1,1)模型,模型构建好后可根据方程得到基准日的收益率序列方差,即波动率的平方。将基准日收益率方差开方得到标准差作为基准日的收益率序列日波动率,假设一年的交易日为244天,再将该日波动率转化为季度波动率作为基准日的股权价值波动率。
(b)股权市场价值计算
计算上市企业股权市场价值时,需考虑我国的上市企业存在因股权分割导致的流通股和非流通股之间的价格差异。因此结合我国股市具体情况,设定股权市场价值由两部分组成,即流通股市场价值和非流通股市场价值。具体计算表达式如下:
股权市场价值
=流通股市场价值+非流通股市场价值
=基准日当月股票周平均收盘价*流通股股数+非流通股股数*每股净资产
(c)计算资产市场价值
其中,n(d1),n(d2)分别表示标准差为d1,d2的标准正态分布,
(d)计算违约距离
违约距离dd的表达式如下(参照langohrhm,langohrpt.theratingagenciesandtheircreditratings[m],johnwiley&sons,2008.pp:277-280):
其中,
(2)计算前景值ps,采用熵权-topsis方法计算各上市公司i的前景值
收益性指标(优化方向越大越好)的选择包括:净利润增长率、一致预测每股收益、净资产收益率;成本性指标(优化方向越小越好)的选择包括:市盈率、市现率、市净率、三个月动量。
以上指标的收集或计算方法:
净利润增长率:(本年净利润-上年同期净利润)/|上年同期净利润|;
一致预测每股收益:机构对该股票未来12个月每股收益的预测值;
净资产收益率:税后利润/所有者权益;
市盈率:计算dd与ps基准日的市盈率;
市现率:计算dd与ps基准日的市现率(经营现金流);
市净率:计算dd与ps基准日的市净率;
三个月动量:指定交易日前60个交易日的累计收益率。
步骤二、确定前景值与违约距离关系分段函数的双参照点p1,p2的备选组合;
1)基于违约距离的信用等级第一次划分:依据巴塞尔协议ii建议规则,信用评级刻度充分细分、各信用类别中公司数量尽可能均匀分布的原则,每季按行业根据计算的违约距离dd值自小至大自左至右排序,将所有公司按个数均匀分布于以下17个信用等级:ccc,b-,b,b+,bb-,bb,bb+,bbb-,bbb,bbb+,a-,a,a+,aa-,aa,aa+,aaa;
2)在以上第一次信用等级划分的基础上,选定有限备选参照点组合,用于后续分段函数拟合的优化选择;
设定参照点p1横坐标ddp1但不限于:
ddp1∈{dd(ccc/-),dd(b-/-)},分别表示ccc类的右侧分界点,记为dd(ccc/-),或者其临近级别b-的右侧分界点,记为dd(b-/-);
设定参照点p2横坐标ddp2但不限于:
ddp2∈{dd(-/aa),dd(-/aa+)},分别表示aa类的左侧分界点,记为dd(-/aa),或者其临近级别aa+的左侧分界点,记为dd(-/aa+);
计算参照点p1,p2纵坐标psp1,psp2:定义ddp1±ε范围内样本纵坐标的ps均值为psp1,定义ddp2±ε范围内样本纵坐标的ps均值为psp2,其中ε为一足够小范围,以包含临近样本,使得ddp1,ddp1对应的ps值不为空;
组成参照点备选组合c:
p1=(dd(ccc/-),mean{ps[dd(ccc/-)±ε]})
p2=(dd(-/aa),mean{ps[dd(-/aa)±ε]})
或
p1=(dd(b-/-),mean{ps[dd(b-/-)±ε]})
p2=(dd(-/aa),mean{ps[dd(-/aa)±ε]})
或
p1=(dd(ccc/-),mean{ps[dd(ccc/-)±ε]})
p2=(dd(-/aa+),mean{ps[dd(-/aa+)±ε]})
或
p1=(dd(b-/-),mean{ps[dd(b-/-)±ε]})
p2=(dd(-/aa+),mean{ps[dd(-/aa+)±ε]})
步骤三、确定前景值与违约距离关系分段函数;
以p1,p2为参照点的三段分段函数ps=f(dd)结构如下:
其中,模型参数0<b1,b2<1,ki>0为半饱和抑制系数,psi为前景抑制下限,a1,a2>0,b1,b2表示ps-dd曲线在第一参照点左下方和右上方区域的凹凸程度。
以上函数关系表明,违约距离dd从低到高首先呈现为损失规避行为的非对称s型函数关系,其分段函数分段点为p1(ddp1,psp1)第一参照点;当违约距离dd>ddp2时,产生前景抑制反应,dd值的进一步增加,ps值不升反降,直至抑制前景下限psi,其分段函数分段点为p2(ddp2,psp2)第二参照点;
对以上步骤二中生成的参照点p1,p2的组合情景ci,ci=1,2,3,4(但不限于四种组合情景,具体视p1和p2备选参照点而定),分别对以上分段函数进行拟合,计算每一个备选参照点组合对应的加权拟合优度
双参照点前景函数选择规则为:
选择一个p1和p2参照点组合情景ci(p1,p2),使得
步骤四、计算前景调整的违约距离padd
以步骤三生成的ps-dd分段函数为基准,将一公司当季ps值与基准值的偏差δy按如下步骤转换计算,得前景调整的违约距离padd值;
1)按双参照点前景价值函数f(dd)计算每个企业违约距离ddi对应的基准前景值
2)计算公司i前景离差δpsi,
3)计算公司i违约距离调整差δddi,即
δddi=a·δpsi·γq,其中,
a表示前景离差(δpsi)转换系数,令0<a≤1;
正的前景离差,即δpsi>0时,违约距离作正向调整,相反作负向调整;
γq为季节景象调整系数,简称季景系数,表示第q个季度样本中心点
季景调节分增强调节和弱化调节两种计算:(1)在好的季节前景下,即
4)计算前景调整的违约距离padd:
步骤五、padd季度评级与中长期信用评级
将所有同行业公司padd值自小到大排序,按各信用评级类别公司数量均匀分散的原则,将所有公司在padd数轴上,分为ccc,b-,b,b+,bb-,bb,bb+,bbb-,bbb,bbb+,a-,a,a+,aa-,aa,aa+,aaa17个信用级别,得当季信用级别;
中长期信用级别:假设每个季度padd值对于中长期评级影响具有一致的,则每个季节的数据作为一个维度,利用等权重topsis多属性决策分析方法,计算任意时期内的padd信用评价值。然后将综合padd按从小到大按照国际17类评级类别进行评级,得中长期(如两年或更长时期)评级结果。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。