评估内部信用风险和破产的新方法

计算转换变量的ZM得分，ZM、原始Z得分和修订Z得分之间的描述性统计比较如表6所示。表6新评分（ZM）、奥特曼Z评分（ZA）和修正Z评分（ZU）的描述性统计平均标准分位数中值分位数方法偏差（25%）（75%）ZM1。007 0.686 0.529 0.883 1.374ZA2。1723.060.9261.6262.679ZU1。609 2.178 0.714 1.207 1.973我们对ZMCore和其他Zscore方法的标准偏差进行了F检验。估计的F值（Fcal）为30.664，表列的F值（Ftab）为39.863，显著性为0.01。因为小于FTABW的FCALI接受两个标准偏差相等的无效假设。发现原始Za和Zm与Spearman rho系数有很好的相关性。963在0.01（双尾）水平上显著（见表7）。表7 ZM和ZAZM1之间的相关系数。0.963ZA0。963 1.0使用第4节中描述的方法获得的P3分布参数估计值如表8所示。C 斯普林格告诉我们。发表于《计算经济学》。DOI:10.1007/s10614-014-9452-9表8使用概率加权动量的P3分布参数估计工业类型位置() （a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a（a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a（a）a）a）a）a）a（a）a）a）a（a）a）a）a（a）a）a）a）a（a）a）a）a）a）a）a（a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级（a）级）级）级）级）））1.186726 0.382682 3.192083信用评级为使用P3分布参数获得数据集的标准化指数后计算。然后使用公式13将信用评级转换为破产指数。

采用二元逻辑回归进行分类，破产指数为从属变量，ZA、ZMor或ZU分数为自变量，如等式26∧A=νA+νZA+所示,∧m=νm+νZM+, （26）λu=νu+νZU+,其中∧a，∧m，∧ude分别记录了Z-分数ZA，Zm和Zu的破产指数。从三个模型获得的参数如表9所示。表9使用瓦尔德统计参数ZAZMZUνa11对ZA、ZU和破产预测新评分ZM进行比较。016（594.168）-νm-77.15（106.313）νu--11.956（574.677）ν-5.423（572.703）-ν--78.534（106.569）ν--7.993（555.379）Za和Zm的估计系数均为负值，且静态显著性为0.01%，表明这两个指标在预测破产风险方面都很有用，且得分越低，破产风险越高。ZMis的效率远低于Za，这表明ZMis的预测能力远远优于Altman的ZAscore和修正后的Altman的Zumscore。C 斯普林格告诉我们。发表于《计算经济学》。DOI:10.1007/s10614-014-9452-9A通过MDA对ZM、ZA、ZU和破产指数b进行了分类，所提出方法的预测精度为98.6%，比Altman提出的任何模型都高5%。这证明了所提出的方法具有普遍性，是一种通用工具，可以改进对现有流行方法/程序的估计，并以有效的方式预测破产风险。对使用新转换生成的数据集进行判别分析，在交叉验证的分组病例中，正确分类的准确率为93.7%，而as Altman的Z-分数仅为87.4%。MDA基于ZMscore和从P3和帕累托分布获得的信用评级进行。

采用P3分布的方法的准确率为92.2%，而采用帕累托分布的模型的准确率仅为80%。为了了解在预测破产时不同评级的阈值选择的敏感性，我们首先根据预测的破产集团成员（根据模型估计）和实际破产集团成员（如数据集中所示）之间的协议和分歧数量，构建一个分类矩阵或准确度矩阵（表10）。表10方程式15预测集团成员资格实际集团成员资格破产非破产1966（N）426（M）非破产14（M）1526（N）中给出的阈值分类矩阵实际集团成员资格等同于先验分组，预测集团指的是提议的方法试图对其进行正确分类的情况。在表10中，N表示正确分类（命中），M表示错误分类（未命中）。N（1966）给出了根据所提出的方法正确归类为破产的实际破产案例数量。M（426）是I类错误，给出了实际集团成员破产的案例数量，而拟议模型将其误分类为非破产。M（14）是II类错误，表示属于非破产集团的实际案例数量，被提议的模型误分类为破产。N（1526）是提议的模型将实际案例正确标记为非破产的案例数。建议方法的准确度计算为（N+N）/（N+N+M+M）=（1966+1526）/（1966+1526+14+426）=3492/3932=0.88=88%。I类错误是模型宣布为非破产的实际破产案例中的误分类案例与I.ec总破产案例的比率 斯普林格告诉我们。发表于《计算经济学》。

DOI:10.1007/s10614-014-9452-9Type-I=M/（N+M）=426/（1966+426）=426/2392=0.177=17.7%。II类错误是模型宣布破产的实际非破产案例的误分类案例与非破产案例总数的比率i.eType-II=M/（N+M）=14/（14+1526）=14/1540=0.009=0.9%。公式15中给出的具有阈值的拟议方法准确地将88.8%的总样本分类，I型误差仅为17%，而II型误差甚至更好，为0.9%。因此，当边界位于灰色区域时，可以通过调整信用评级a和BBB之间的阈值来解决正向偏差。保持其他阈值不变，我们将BBB的阈值更新为-1.0<嗨，j≤0.25和A为0.25<嗨，j≤ 1.5根据分类表，我们得出I型误差为4%，II型误差为5%，总体准确率为95%。为了进一步提高灵敏度，我们更新了BBBA的阈值-1.0<嗨，j≤ 0.5和A为0.5<Hi，j≤ 1.5保持其他内容不变。我们从分类表中发现，第一类错误为0.16%，而第二类错误增加到21.7%，总体准确率为91.4%。因此，应谨慎选择从破产过渡到非破产的阈值，以使第一类和第二类错误最小化。尽管样本不成比例，但算法1的精度优于使用Altman的Z-score方法获得的精度。6结论与讨论提出了一种新的非线性变换方法，用于建立计算Z分数的对数线性模型。基于新的Z分数（ZM），提出了一种新的索引度量方法，将数据拟合到P3分布，然后使用等概率变换获得给定数据集与标准正态分布的偏差。

用于预测破产指数的多变量判别分析（MDA）表明，所提出的方法具有98.5%的最高准确率，与Altman的Z-评分相比，高出5%。在预测破产时，转换财务比率的分类准确率约为93.7%，相比之下，使用Altman程序的因素得到的分类准确率为87.4%。采用P3分布的拟议方法的准确率为92.2%，其中采用Pareto分布的asa模型的准确率为80%。尽管该方法具有普遍性，可以作为一种通用工具，但迫切需要使用全球数据集进行验证。此外，财务比率之间的相互干扰也是一个需要进一步调查的重要方面。我们将这方面正在进行的工作推迟到后续的论述中。致谢第二作者对Hyc银行技术发展与研究所（IDRBT）所长Sri B.Sambamurthy表示感谢 斯普林格告诉我们。发表于《计算经济学》。DOI:10.1007/s10614-014-9452-9derabad，印度，感谢他的鼓励和支持。我们对匿名推荐人的建设性意见和建议表示感谢。参考Saasen，M.R.（2013年）。将奥特曼的Z分数应用于金融危机。奥斯陆证券交易所财务困境的实证研究。论文http://brage.bibsys.no/nhh/bitstream/URN:NBN:no-bibsys_brage_28086/1/Aasen%202011。pdf。2013年1月16日查阅。阿里·阿布萨拉赫·埃尔马布洛克、穆罕默德和金淳，吴。(2012). 使用Altman模型和流动比率评估马来西亚证券交易所上市公司的财务状况。《国际科学与研究杂志》，第2（7）期，第1-11期。艾伦，R.，赫尔曼森，D.R.，科兹洛斯基，T.M.，拉姆齐，R.J.（2006）。审计师风险评估：来自学术文献的见解。

会计视野，20（2），157-177。奥特曼、E.I.和伊迪丝·霍奇基斯。(2006). 公司财务困境和破产。第三条。新泽西州霍博肯：约翰·威利父子公司，奥尔特曼，E.I.（2000）。预测公司财务困境：重温z-score和Zeta模型。资源文件。http://pages.stern.nyu.edu/~ealtman/Zscores。pdf。2013年1月15日查阅。Altman，E.I.（1968）财务比率、判别分析和公司破产预测。《金融杂志》，23（4），589-609。Altman，E.I.，Haldeman，R.，&Narayanan，P.（1977）。ZETA分析：识别企业破产风险的新模型。《银行与金融杂志》，第1期，第29-54页。奥尔特曼，E.I.（2000年）。预测公司财务困境：重温z-score和Zeta模型。http://pages.stern.nyu.edu/~ealtman/Zscores。pdf。2013年1月23日查阅。艾米娅，迪奥拉斯。(2013). 利用MATLAB进行信用风险建模。http://www.mathworks.in/matlabcentral/fileexchange/27847-credit-risk-modeling-with-matlab.2013年1月15日访问。Ashton，D.，Dunmore，P.，和Tippett，M.（2004）。复式簿记和企业财务比率的分配属性。《商业财务与会计杂志》，31583-606。阿提亚，A.F.（2001年）。利用神经网络进行信用风险破产预测：一项调查和新结果。IEEE神经网络学报，12929–935。Baesens，B.，Setiono，R.，Mues，C.，和Vanthienen，J.（2003）。使用神经网络规则提取和决策表进行信用风险评估。管理科学，49312–329。巴图尔。C.，Garca，F.，Gimnez，V.，和Romero，A.（2012）。信用风险分析：反映logit模型的使用。《应用金融与银行学杂志》，2（6），1-13。W.比弗、M.科雷亚和M.麦克尼科尔斯（2009）。财务报告属性的变化是否削弱了财务比率评估困境风险的能力？资源文件。

斯坦福大学。http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1341305.2013年1月10日查阅。Benston，G.J.，Bromwich，M.，和Wagenhofer，A.（2006）。原则与基于规则的会计准则：FASBs标准制定策略。算盘，42（2），165-188。博克斯，G.E.P.，和考克斯，D.R.（1964）。对转换的分析。皇家统计学会杂志，B辑，26，211–252。卡瓦哈尔·达席尔瓦、安德烈和门德斯，Beatriz V.M.（2003年）。亚洲股市的风险价值和极端回报。《国际商业杂志》，8（1），17-40。Degen，M.，Embrechts，P.和Lambrigger，D.（2007年）。操作风险的定量建模：介于g-h和EVT之间。《阿斯汀公报》，37265-291。杜塔，K.和佩里，J.（2006）。《尾巴的故事：估计操作风险资本的损失分布模型的实证分析》。波士顿联邦储备银行。http://www.bostonfed.org/economic/wp/wp2006/wp0613.htm.2013年1月访问。Embrechts，P.，Klppelberg，C.，和Mikosch，T.（1997）。为保险和金融模拟极端事件。柏林：斯普林格·维拉格。C 斯普林格告诉我们。发表于《计算经济学》。DOI:10.1007/s10614-014-9452-9Eslamian，S.，Hassanzadeh，H.，Abedi Koupai，J.，Gheysari，M.（2012年）。L矩在月度干旱指数区域频率分析中的应用。《水利工程杂志》，17（1），32-42。格林伍德，J.A.，兰德维尔，J.M.，北卡罗来纳州马塔拉斯和沃利斯，J.R.（1979）。概率加权矩：几种分布参数的定义和关系，可以用反形式表示。水资源研究，151049-1054。Gilli，M.，和Kllezi，E.（2006）。极值理论在金融风险度量中的应用，计算经济学，27（2），207–228。汉斯，贝尔曼。，帕维尔、V.舍甫琴科和马里奥·V·威瑟里奇。(2007). 使用可信度理论对操作风险进行量化的玩具模型。

操作风险杂志，2（1），3-19。Hernndez，M.，Wilson，N.（2013）。利用会计、市场和宏观经济变量对上市公司进行财务困境和破产预测。国际金融分析评论。霍斯金，J.R.（1989）。概率加权矩理论。技术报告RC-12210，IBM Thomas J.Watson研究中心，纽约约克敦高地。K.贾马尔、R.H.科尔森、R.J.布鲁姆菲尔德、T.E.克里斯滕森、S.R.莫赫勒、J.A.奥尔森、S.H.彭曼、普雷维茨、G.斯托伯、T.L.桑德、S.瓦茨和R.L.（2010年）。SECs拟议规则的研究视角：美国发行人根据国际财务报告准则（IFRS）编制的财务报表的潜在用途路线图。《会计视野》，24（1），139-147。卡里姆，贾马尔和亨通，谭。(2010). 基于原则的标准与基于规则的标准以及审计师类型在约束财务经理积极报告方面的共同作用。《会计评论》，第85（4）页，第1325-1346页。哈立德，拉维。，拉杰、基亚尼和里什马，R吠陀。(2008). 阿尔特曼方程在工业企业破产预测中的应用（案例研究）。《国际商业与经济研究杂志》，7（7），115-127。Kubo，H.，和Sakai，Y.（2011）。关于长期信用风险评估和评级：走向一套新的模型。《风险研究杂志》，14（9），1127-1141。兰斯曼，W.R.，纳尔逊，K.K.，和朗特里，B.R.（2009）。安然前后的审计师转换：风险还是重组？。《会计审查》，84（2），531-558。Maillet，B.，和Michel，T.（2003）。基于多尺度分析的市场冲击指数。定量金融，3（2），88-97。Matthias Fischer和Alexander Mertel（2012）。在CreditRisk+框架内量化模型风险。风险模型验证杂志，6（1），47-76。门德斯，A.，卡多佐，R.L.，莫里奥，P.C.，马丁内斯，A.L.和费雷拉，F.R。

（2014），数据不一致情况下的破产预测。Int.J.Intell。系统。根据财务部。管理，10.1002/isaf。1352.麦克利。，斯图尔特&Duarte Trigueiros。(2002). 比例增长和财务比率的理论基础。算盘，38297-315。Milly，P.C.D.，Wetherald，R.T.，Dunne K.A.，和Delworth，T.L.（2001）。在不断变化的气候中，大流感的风险越来越大。《致自然的信》，415514-517。Pizzutilo。，F.（2012年）。股票收益率分布的行为：使用皮尔逊连续概率分布系统分析欧洲市场。《应用金融经济学》，22（20），1743-1752年。拉杜，尼阿古。，肖恩、基南和凯特，查勒姆克拉乌斯。(2009). 内部信用评级系统：方法和经济价值。风险模型验证杂志，3（2），11-34。伦佐·G·阿维萨尼。，刘克雪。，艾琳、米雷斯坦和珍，萨尔瓦蒂。(2006). 审查和实施国际货币基金组织金融部门评估项目的信用风险模型。http://www.ieo-imf.org/external/pubs/ft/wp/2006/wp06134.pdf.2013年1月15日查阅。罗伊斯顿，P.（1992年）。偏度和峰度的哪种度量是最好的？医学统计，11333-343。Sankarasubramanian，A.，和Srinivasan，K.（1999）。L-矩和常规矩抽样性质的调查和比较。水文学杂志，218，13-34。Senteney，D.L.，Chen，Y.，和Ashok G.（2006）。根据审计师的保留意见和审计公司的变化预测即将发生的破产。应用商业研究杂志，c 斯普林格告诉我们。发表于《计算经济学》。内政部：10.1007/s10614-014-9452-922（1），41-56。成，C.，梁，傅和尹宇。(2012). 新的会计变更风险分析工具：调整后的z分数。《信贷风险杂志》，8（1），89-108。斯塔夫罗伊安尼斯，斯塔夫罗斯。(2014).

广义皮尔逊分布在金融时间序列建模中的应用。《全球商业与经济评论》，14（1），1-14。崔泰。，Seung，J.Maeng。，Hyung、S.Kim和Seung，W.Lee。(2012). 基于年最大流量逐渐构成的L力矩设计流量的特点。灌溉和排水，61（4），497-506。托尼，范·格斯特。，巴特，贝森。，彼得，范·迪克。，Johan，A.k.Suykens。，乔，加西亚&托马斯，奥尔德韦雷德。(2005). 将logistic回归和支持向量机相结合进行线性和非线性信用评分。《信贷风险杂志》，1（4），31-60。乌尔里奇，T.J.，维利斯·D.R.，伍德伯里·A.D.，和萨基·M.D.（2000）。L-力矩和C力矩。随机环境研究和风险评估，14,50-68。Yeo，I.K.和Johnson，R.A.（2000）。一个新的家族，通过权力的变换来达到巨大性或对称性。生物识别，87949-959。Zaghdoudi，T.（2013）。用logistic回归预测银行倒闭。《国际经济和金融问题杂志》，3（2），537-543。祖尔卡南·穆哈马德、索里和Hasbullah，Abd Jalil。(2009). 财务比率、判别分析和企业困境预测。《货币、投资和银行杂志》，11，5-14。