评估内部信用风险和破产的新方法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《A New Methodology for Estimating Internal Credit Risk and Bankruptcy
  Prediction under Basel II Regime》
---
作者：
M. Naresh Kumar and V. Sree Hari Rao
---
最新提交年份：
2015
---
英文摘要：
  Credit estimation and bankruptcy prediction methods have been utilizing Altman\'s $z$ score method for the last several years. It is reported in many studies that $z$ score is sensitive to changes in accounting figures. Researches have proposed different variations to conventional $z$ score that can improve the prediction accuracy. In this paper we develop a new multivariate non-linear model for computing the $z$ score. In addition we develop a new credit risk index by fitting a Pearson type-III distribution to the transformed financial ratios. The results from our study have shown that the new $z$ score can predict the bankruptcy with an accuracy of $98.6\\%$ as compared to $93.5\\%$ by the Altman\'s $z$ score. Also, the discriminate analysis revealed that the new transformed financial ratios could predict the bankruptcy probability with an accuracy of $93.0\\%$ as compared to $87.4\\%$ using the weights of Altman\'s $z$ score.
---
中文摘要：
过去几年，信用评估和破产预测方法一直在使用Altman的$z$评分法。据许多研究报道，$z$score对会计数字的变化很敏感。研究人员对传统的$z$评分提出了不同的变化，可以提高预测精度。在本文中，我们开发了一个新的多元非线性模型来计算$z$分数。此外，我们通过将皮尔逊III型分布与转换后的财务比率进行拟合，开发了一个新的信用风险指数。我们的研究结果表明，新的$z$分数可以预测破产，准确度为98.6\\%$，而Altman的$z$分数为93.5\\%。此外，判别分析显示，新转换的财务比率可以预测破产概率，准确度为93.0\\%$，而使用Altman的$z$评分权重预测破产概率为87.4\\%。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--
一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
--> A_New_Methodology_for_Estimating_Internal_Credit_Risk_and_Bankruptcy_Prediction_.pdf (582.58 KB)

2022-5-7 10:34:33 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：信用风险 新方法 Quantitative distribution Multivariate

计算经济学第号手稿（将由编辑插入）根据巴塞尔协议IIM估算内部信用风险和破产预测的新方法。Naresh Kumar·V.Sree Hari Raoreved:2013年4月30日/接受日期：2014年7月7日/出版日期：2014年7月27日摘要信用评估和破产预测方法在过去几年中一直使用Daltman的Z评分法。许多研究报告称，Z分数对会计数据的变化很敏感。研究人员提出了与传统Z评分不同的变化，可以提高预测精度。在本文中，我们开发了一个新的多元非线性模型来计算Z分数。此外，我们通过将皮尔逊3型分布与转换后的财务比率相匹配，开发了一个新的信用风险指数。我们的研究结果表明，新的Z分数可以预测破产，准确率为98.6%，而Altman的sZ分数为93.5%。此外，判别分析显示，新转换的财务比率可以预测破产概率，准确度为93。0%，相比之下，使用Altman的Z-评分的权重为87.4%。关键词信用风险·破产·预测·皮尔逊3型分布·Z分数·非线性模型·II型错误·I型错误1简介信用评级已成为当今资本市场不可或缺的一部分，因为它有助于评估信用风险、基准问题和通讯作者：M.Naresh Kumar，国家遥感中心（ISRO），海得拉巴——500037，美联社，印度。电话：+91 40 23884388电子邮件：nareshkumarm@nrsc.gov.inV.Sree Hari Rao，银行技术发展与研究所，印度安得拉邦海得拉巴马萨布坦，500057。目前地址：印度海得拉巴阿拉卡普里科学研究和技术创新基金会（FSRTI）——500035。

电话：+91 40 24038943电子邮件：vshrao@gmail.comThe这项工作得到了科学研究和技术创新基金会（FSRTI）的支持，该基金会是印度海得拉巴500 035号斯里瓦德雷沃·塞沙吉里·拉奥纪念慈善信托基金会的一个组成部分，由FSRTI/R.P-1/2012-13资助。C 斯普林格告诉我们。发表于《计算经济学》。DOI:10.1007/s10614-014-9452-9为这些方面创建二级市场。信用风险实际上存在于allincome生产活动中，其评估不当或不足将导致机构失败。一般来说，标准普尔、穆迪和惠誉等机构给出的信用评级基于违约概率和回收率，不仅考虑了企业财务报表中的变量，还考虑了市场线索。根据财务报表历史预测陷入财务困境的企业破产是研究人员广泛研究的一个重要问题（Bartual等人，2012年；Hernndez&Wilson 2013年；Mendes 2014年；Zaghdoudih 2013年）。其中，奥特曼的Z分数（Tony等人，2005年；Radu等人，2009年；奥特曼1968年；奥特曼等人，1977年）是预测破产最受欢迎和广泛接受的指标。Z-score的流行可归因于其计算简单且易于应用（Ali&Kim Soon 2012；Khalid et al.2008；Allen et al.2006；Landsman et al.2009）。Altman的Z分数主要使用财务报表中的会计数据作为计算变量。Z分数对这些图形的微小变化高度敏感，因为它依赖于这些图形。如果Z分数被操纵，这会导致Z分数被夸大，因为在计算过程中，Z分数没有考虑企业的过去会计利润。

因此，使用Altman的Zscore进行破产概率预测将导致I型错误的显著水平（将破产企业归类为非破产企业）。Beaver等人（2009年）证明了Z分数预测破产的偏差。此外，这些模型的缺点是无法避免虚假会计行为（Aasen 2013）。Altman指出，留存收益账户受到公司准重组和股票股利申报的操纵，这可能导致偏见（Altman 2000）。此外，尽管财务报告环境已经从基于规则的方法转变为基于原则的一套旨在与国际财务报告准则（IFRS）协调一致的标准，但Altman使用的权重仍然很普遍（Benston等人，2006年；Karim&Tan 2010年；Jamal等人，2010年）。Z分数是财务比率的一种衍生工具，它可能无法代表使用相同量化数据的不同风险，或不同财务报表数据的相同业务风险。为了解释这种不对称性，可以通过将盈余管理纳入计算程序（Seong et al.2012）来调整Z分数，但也可能会受到会计数据操纵的影响。这些模型不应应用于金融机构，因为它们经常使用有效的资产负债表项目（Altman&Edith 2006）。此外，该模型的结果可能会随着时间的推移而变化，这可以通过股票价格的不确定性来解释，因为它们受股票市场意见的影响。在股市相对较高的时期，Z分数结果将高于股价较低的时期。使用多元判别分析得出的权重函数，对财务得分进行线性组合，以获得Z得分。

在现实情况下，用作自变量的财务比率可能并不相关。此外，分数偏向于财务方面的微小变化 斯普林格告诉我们。发表于《计算经济学》。内政部：10.1007/s10614-014-9452-9分数。此外，不可能比较不同企业（如非制造业、制造业）的绩效，因为不同企业的财务比率权重会有所不同。此外，开发针对每种行业（零售商、航空公司等）场景的特定模型是困难的/不可行的，尽管它看起来可能很理想（Altman&Edith2006）。考虑到Altman的Z分数和调整后的Z分数的缺点（Seong等人，2012年），我们为本研究设定了以下目标：1。利用财务比率的非线性形式，开发基于分数的方法；2.利用等概率变换设计指数，将3型纵火分布（P3）拟合为新开发的Z分数，比如ZM；3.根据指标制定评分方案；4.将ZM与Altman的Z分数和拟议的评级方案进行比较，并将其与金融机构在破产预测中广泛采用的评级方案进行比较。本论文的结构如下。在第2节中，我们提出了一个新的非线性转换模型来计算Z分数，而在第3a节中，我们开发了一个使用P3分布的新指数（基于ZM）。第4节介绍了预测企业破产概率的方法。

第5节描述了数据集和结果。结论和讨论推迟到第6.2节：用于模拟财务比率的广义非线性分数标准Z分数是一组分数中分数与平均值之间关系的统计测量，通常通过公式Z=（X- u）σ，（1）其中X表示一组测量值，u和σ分别表示集合X中数据的平均和标准偏差。Z分数是一个非常有用的统计数据，用于获得正态分布中出现分数的概率，以及比较来自不同正态分布的两个分数。Altman（1968）首先提出了一个Z分数，该分数使用变量（财务比率）中多个因素的加权和来衡量公司的财务实力，给出了破产可能性的近似描述。Altman（1968）利用了由66家公司组成的数据集，其中两个风险组各有33家公司，以及表1中给出的财务比率，以获得一组影响破产预测的比率。这些公司的平均资产规模为640万美元，介于70万美元和2590万美元之间。此外，财务比率R31（x）、R26（x）、R21（x）、R15（x）和R19（x）被确定为破产的关键变量 斯普林格告诉我们。发表于《计算经济学》。

DOI:10.1007/s10614-014-9452-9表1破产预测研究中以前使用的财务比率比率#名称类型1现金/流动负债流动性2现金流量/流动负债流动性3现金流量/总资产流动性4现金流量/总债务流动性5现金/净销售额流动性6现金/总资产流动性7流动资产/流动负债流动性8流动资产/净销售额流动资产/总资产流动性10流动负债/权益流动性11权益/固定资产流动性12权益/净销售额流动性13存货/净销售额流动性14长期债务/权益流动性15权益市值/债务流动性账面价值16总债务/权益流动性17净收入/总资产负债率18快速资产/存货流动性19净额销售/总资产负债20营业收入/总资产负债21息税前收益/利息支付总额流动性YR22速动资产/流动负债流动性YR23速动资产/净销售流动性YR24速动资产/总资产流动性YR25普通股收益率负债26留存收益/总资产负债率27股票收益率表28总债务/总资产固定资产29营运资本/净销售流动性30营运资本/权益流动性31营运资本/总资产流动性预测及其权重通过应用多元判别分析获得。Altman（比如ZA）得到的最终判别函数由ZA=1.2x+1.4x+3.3x+0.6x+0.999 x给出。

（2） 公司的现状可根据ZA值进行评估，如下所示：=安全区≥ 2.99;灰色地带，1.81≤ ZA<2.99；遇险区，ZA<1.81。处于安全区的公司可能被认为财务状况良好，而处于灰色区的公司可能会选择任何一种方式，如果处于困境区，公司在两年内破产的风险更大。Altman（2000）通过重新访问Zeta分析重新定义了Z分数的权重，并获得了判别函数，即ZU=0.72 x+0.85 x+3.1 x+0.42 x+x.（3）c 斯普林格告诉我们。发表于《计算经济学》。DOI:10.1007/s10614-014-9452-9在线性模型中，财务比率会以线性方式影响Z分数。在风险背景下，财务比率变化1%可能不会对分数产生同样的影响（Tony等人，2005年；Atiya 2001年；Baesenset等人，2003年）。此外，（Altman&Edith 2006；Aasen 2013）的研究发现，由于会计实践或操作，财务比率可能被高估。因此，估计一些独立变量的非线性变换将改善破产预测。Box和Cox（Box&Cox 1964）的幂变换是一种流行的非线性变换方法，用于改善模型的对称性和正态性。然而，这些变换仅针对正值提出，而财务比率可能为负值。在（Yeo&Johnson 2000）中提出了一个可用于负值的替代变换族。在目前的工作中，我们提出了一个非线性映射xi7→ f（xi）of theformf（xt）=-在(-xt+1），xt≤ 0;ln（xt+1），xt>0，（4）用于在得出Z分数之前转换财务比率（xt）。对数线性模型使得大值之间的差异不那么重要，而小值之间的差异更重要。他们受雇于（McLeay等人，2002年；Ashton等人。

2004）假设会计变量按比例增长，这些变量可能仅限于企业增长，并在（Senteney等人，2006）中用于预测即将到来的破产。我们首先利用方程4中给出的非线性函数转换财务比率，然后计算新的Z分数，ZMasZM=λf（x）+λf（x）+λf（x）+λf（x）+λf（x）+λf（x）++λtf（xt），（5）其中λ。λt忽略财务比率x的参数。分别是。zm=tXk=1λkf（xk），（6）给出了更广义的zm形式，其中xk表示每个k=1，2，…，的财务比率，t和λk表示xk的重量。使用多变量描述分析（MDA）估计权重λkare。3信用评级的新索引度量要预测企业破产，需要确定可通过实证研究估计的Z-评分界限。这些界限是不可比较的，不同的企业和国家的经济状况也不同 斯普林格告诉我们。发表于《计算经济学》。内政部：10.1007/s10614-014-9452-9情况。因此，在得出预测信用风险和企业破产的有用指数之前，有必要将Z分数标准化为一个分布。本程序概括了世界上所有公司都可以使用的破产预测。在（Hans et al.2007）中，充分可信度理论方法用于估计低频、高影响运营风险损失的频率（泊松）和严重度（帕累托）分布参数，超过每个风险单元的某个阈值。提供统计建模所需基本原理的极值理论已应用于股市指数（Gilli&Kllezi 2006），以计算风险度量和极端市场事件（Carvalhal&Mendes 2003）。

（Kubo&Sakai2011）研究了一组新的长期信用风险评估模型，其中不包括股票价格，并纳入了商业周期。任何风险模型的最终目标都是建立投资组合中未来损失的概率密度函数（PDF）。Renzo等人（2006年）使用伯努利分布事件和泊松分布开发了最简单的模型。泊松和伽马等概率分布已被用于分析与运营风险相关的总损失分布（Degen2006；Dutta&Perry 2006；Embrechts等人，2006）。Creditrisk+模型假设风险因素是独立的分布随机变量，平均值为1，方差为σ（Matthias&Alexander 2012）。然而，具有位置、形状和规模三个参数的P3分布提高了数据的拟合优度，并能提供更好的评级估计。此外，Pearson分布系列应用广泛，如金融时间序列建模（Stavros 2014）、股票收益分布（Pizzutilo 2002）、气候变化导致的风险建模（Miley et al.2001）。这种分布可以提供各种各样的正偏态或负偏态形状，包括与正态分布的良好近似。这促使我们开发了一种新的信用风险评级方法，使用三参数P3分布。此外，我们的方法是通用的，可以应用于信用风险应用中广泛使用的各种分布。目前，信用风险应用中使用的方法使用常规矩，如均值、标准差、偏度和峰度，以确定观测值的分布。这些时刻涉及因异常值的存在而受到影响的非线性，会导致对信用评级的高估或低估。