我国15家上市商业银行信用风险度量研究——基于KMV模型

Research on Credit Risk Measurement of 15 Listed Commercial Banks in China—Based on the KMV Model

摘要: 本文基于我国15家上市商业银行数据，运用KMV模型实证分析衡量商业银行的违约风险，并且将15家银行分为三类分别分析，同时分析公共安全危机冲击对商业银行违约风险的影响。研究发现：第一，我国银行业整体的风险处于可控状态。第二，我国的国有控股银行是我国银行业的“大心脏”，起到了稳定我国金融体系的重要作用。第三，全国性股份制银行和城市商业银行的违约距离虽然较低，但他们的波动较小。本文在研究基础上，结合国内外银行业的事件，对商业银行信用风险管理提出了几点建议。

Abstract: Based on the data of 15 listed commercial banks in China, this paper uses the KMV model to empirically analyze the default risk of commercial banks, divides the 15 banks into three categories for analysis, and analyzes the impact of the impact of public security crisis on the default risk of commercial banks. The results show that: First, the overall risk of China’s banking industry is under control. Second, China’s state-controlled banks are the “big heart” of China’s banking industry and play an important role in stabilizing China’s financial system. Third, although the default distance of national joint-stock banks and city commercial banks is low, they are less volatile. On the basis of research, this paper puts forward some suggestions for the credit risk management of commercial banks based on the events of the banking industry at home and abroad.

1. 引言

近年来，国内外商业银行破产事件频发。2019年包商银行就出现了严重的信用风险，2020年11月，该银行以无法偿还到期债务为由宣布破产清算[1]。今年3月，美国的硅谷银行为了避免更多亏损同时增加自身的流动性，其决定甩卖可供出售的资产，使其股价当天暴跌逾60%，储户开始了逃命式的挤兑[2]。3月10日，美国联邦存款保险公司宣布关闭硅谷银行。硅谷银行暴雷的导火索是加息，影响其投资收入，并且该银行有着客户类型单一，资金集中流动性压力较强的问题。硅谷银行之所以会遭受到如此大规模的挤兑，是因为储户对该银行失去了信心，认为其违约风险极大增加。尽管银行在遭受挤兑前似乎没有发生实际的信用违约事件，但货币政策收紧影响了金融系统稳定。商业银行在金融系统中本身就是一个很特殊的存在，它们需要客户的极度信任，否则就会遭受挤兑进而资不抵债，宣告破产。因此，衡量商业银行的信用风险对我国银行业可持续性发展始终是一个重要的课题。

中国近年来面临着需求缩减、供给冲击、预期转弱的三重压力，并且互联网、大数据、区块链、人工智能等新兴技术的革新与应用，对传统商业银行的业务有一定的冲击。再加上公共安全危机的爆发，给全球经济造成了严重的影响，它影响范围大、持续时间长，对实体经济造成了毁灭性的冲击，击垮了许多中小微企业，企业和个人的还款能力显著下降，导致银行的违约风险上升。部分学者认为公共安全危机冲击明显增加了银行信用风险承担，主要表现为银行利息差缩小，信贷资产恶化，并且中小型银行遭受公共安全危机冲击时，流动性风险和信用风险更易产生，尤其对城市商业银行和农村商业银行的影响程度更深。另外有学者认为，公共安全危机促进了银行业数字化、科技化转型，有助于银行业面对互联网金融等新兴技术的冲击，公共安全危机带来风险的同时也带来了机遇。因此，对比分析银行业在公共安全危机爆发前后的信用风险变化，可以评估我国银行业应对类似突发事件所采取措施的效果，也能为之后加强信用风险管理提供思路。

2. 文献综述

20世纪90年代中期，J.P摩根推出了Credit Metrics模型用于对信用风险的度量和管理。1997年，美国旧金山KMV公司建立了KMV模型，用于评估借款企业的违约概率。Jeffrey (1999)对比KMV模型与普尔评级的实证研究结果表明，预期违约率更能敏感的预测上市公司信用变化[3]。Jorge R. Sobehart、Sean C. Keenan M. Stein (2000)利用一系列KMV模型量化指标对比分析各种信用风险度量模型实际应用于预测目标公司违约可能性的情况来验证信用风险度量模型的有效性，发现KMV模型预测信用风险的准确性最高[4]。

刘迎春(2004)认为KMV模型具有现代期权理论基础作依托，能够充分利用资本市场而不是历史账面资料进行预测，可以更好地反映上市企业当前的信用状况[5]。张玲、杨贞柿和陈收(2004)将KMV模型的理论与其他信用风险评价模型进行对比，认为KMV能更好反映市场状况，用于评估上市企业的信用风险更为适用[6]。吴恒煜(2005)认为KMV模型的EDF指标来自于股票价格的实时行情数据分析，是一种前瞻性方法，对公司违约率的度量是连续的，但是如果没有对资产收益的正态性假设，那么KMV模型的应用就比较困难[7]。凌江怀和刘燕媚(2013)基于10家上市商业银行的数据进行信用风险的度量，结果表明KMV模型计算得出的期望违约率与评级机构的信用评级相吻合[8]。

李文浩和蒋雪梅(2023)用RAROC模型计算风险回报率，认为国有商业银行风险管理水平较高；股份制商业银行风险管理水平良好，但存在一定的差异性；城市商业银行风险管理水平一般。而在公共安全危机的影响下，各种类型的商业银行均受到一定程度的影响，风险调整回报率出现下降[9]。王健鹏和王蓉(2022)用双重差分模型发现公共安全危机冲击提高了我国商业银行违约风险，且具有时间动态效应[10]。

3. 模型介绍

3.1. KMV模型

KMV模型提出于1993年，三个字母是三个创业者名字的首字母，成立以来一直默默无闻，后一举成名于安然倒闭事件。KMV公司在安然倒闭前约一年，就大幅调高安然公司的违约概率，完败三大评级公司，后在2002年被穆迪Moody’s收购。

KMV模型是根据现代期权定价理论建立起来的违约预测模型，是对传统信用风险度量方法的一次重要革命[11]。KMV模型具体有以下特点：第一，KMV需要充分利用资本市场上的信息，对所有公开上市企业进行信用风险的量化和分析[12]；第二，因为该模型所获取的数据来自股票市场的资料，并非是企业的历史数据，所以更能反映企业当前的信用状况，具有前瞻性，由于市场数据每天都在变化，因此该模型可以用于动态持续预测，它的预测能力更强、更及时、更准确[13]；第三，KMV模型建立在当代公司理财理论和期权理论的基础之上，有极强的理论依据，模型的可信度也更高。

3.2. 违约距离DD及违约概率EDF

期望违约率EDF，也就是企业的风险违约概率，该变量与公司资本结构、资产收益波动率、资产现值等变量相关，在满足KMV模型假设的前提下，可以根据BSM期权定价公式构建一个方程组，从而求解出公司的资产价值V_a及公司资产价值波动率${\sigma }_a$ ：

$V\_e=V\_aN\left(d_1\right)-D{e}^{-r_F\tau }N\left(d_2\right)$

${\sigma }_e=\frac{V\_aN\left(d_1\right)}{V\_e}{\sigma }_a$

$d_1=\frac{\ln \frac{V\_a}{D}+\left(r_F+\frac{1}{2}{\sigma }_a\right)\tau }{{\sigma }_a\sqrt{\tau }}$

$d_2=d_1-{\sigma }_a\sqrt{\tau }$

式中，V_a为资产价值，${\sigma }_a$ 为资产价值波动率，V_e为股权价值，${\sigma }_e$ 为股权价值波动率，$r_F$ 为无风险利率，D为负债的账面价值，τ是贷款的剩余期限 = T − t，N()是标准累积正态分布函数。通过以上公式求

出资产市场价值V_a以及资产价值波动率${\sigma }_a$ 后，计算公司的违约距离：$DD=\frac{V\_e-DP}{{\sigma }_a}$ (DP为违约点)，再将违约距离映射到标准正态分布即可得到公司的期望违约率。

4. 实证分析

4.1. 样本选择

选取2017~2022年是想将公共安全危机前后做一个对比，可以观察一下公共安全危机对我国上市银行信用风险的影响。选择中国银行、农业银行、工商银行、建设银行、交通银行共5家国有控股银行；中信银行、光大银行、招商银行、浦发银行、平安银行共5家全国性股份制银行；北京银行、江苏银行、上海银行、宁波银行、南京银行共5家城市商业银行[14]-[16]。文章以2017~2022年相关财务数据为基础，结合KMV模型对上市商业银行进行信用风险研究，详见表1。

Table 1. Stock codes of sample banks

表1. 样本银行股票代码

股票代码	名称	股票代码	名称
SH601988	中国银行	SH600000	浦发银行
SH601288	农业银行	SZ000001	平安银行
SH601398	工商银行	SH601169	北京银行
SH601939	建设银行	SH600919	江苏银行
SH601328	交通银行	SH601229	上海银行
SH601998	中信银行	SZ002142	宁波银行
SH601818	光大银行	SH601009	南京银行
SH600036	招商银行

4.2. 参数设定

无风险利率$r_F$ 选取国债一年期的利率；时间范围T设定为2017~2022年；负债面值D为上市银行2017~2022年财务报表中的负债总额；股权价值根据Wind中总市值1 (A股 + H股的价值)来进行估计。由于银行的负债比较特殊，没有区分流动性负债和非流动性负债，通过查阅资料本文将一年期以上存款、已发债务证券、应付债券和递延所得税负债作为非流动性负债，其他负债均划分为流动负债，违约点DP = 流动性负债 + 0.5非流动性负债。

股权价值波动率${\sigma }_E$ 的计算如下：

KMV模型要求数据服从标准正态分布，所以假设股票价格服从标准正态分布，根据股票日收盘价估计股票的日对数收益率${\mu }_i=\ln \left(\frac{P_{i+1}}{P_i}\right)$ ，(其中$P_i$ 为第i天收盘价，${\mu }_i$ 为第i天的收益率)，根据${\mu }_i$ 计算日收益率的波动率$\sigma =\sqrt{\frac{1}{n-1}{\displaystyle {\sum }_{i=1}^n{\left({\mu }_i-\overline{\mu }\right)}^2}}$ ，(其中，$\overline{\mu }=\frac{1}{n}{\displaystyle {\sum }_{i=1}^n{\mu }_i}$ )，利用日波动率估计年波动率，通常一年有250天进行股票交易，得出股权价值的年波动率为：${\sigma }_e=\sigma \sqrt{250}$ 。

用EXCEL计算出的样本银行平均股权价值E和平均股权价值波动率${\sigma }_e$ 如表2所示。从表2中可以看到，四大行的平均股权价值是远远超过其他商业银行的，除此之外，招商银行和南京银行的平均股权价值相对其他商业银行较高，江苏银行的平均股权价值最低。国家控股银行的平均股权价值波动率相对处于一个较低的水平，而全国性股份制商业银行和城市商业银行的波动性较大。

Table 2. Average equity value and average equity value volatility of sample banks

表2. 样本银行平均股权价值和平均股权价值波动率

名称	股权价值(亿元)	股权价值波动率	名称	股权价值(亿元)	股权价值波动率
中国银行	9517.8208	0.1318	浦发银行	2647.4414	0.1914
农业银行	11,363.8324	0.1435	平安银行	2765.2569	0.3287
工商银行	17,977.0896	0.1660	北京银行	1128.6830	0.1457
建设银行	13,225.3775	0.1977	江苏银行	852.9567	0.2288
交通银行	3603.0620	0.1458	上海银行	1107.3755	0.1836
中信银行	2368.9119	0.2038	宁波银行	1687.6790	0.3263
光大银行	1863.0726	0.1983	南京银行	9281.5992	0.2981
招商银行	9281.5992	0.2981

数据来源：Wind。

4.3. 结果分析

1) 总体分析

将上述收集并处理的数据导入Python，根据B-S-M期权定价公式求出各样本银行的资产价值和资产价值波动率，为了进行对比说明，表3为样本银行平均资产价值V_a和平均资产价值波动率${\sigma }_a$ 。

Table 3. Average asset value and average asset value volatility of sample banks

表3. 样本银行平均资产价值和平均资产价值波动率

名称	资产价值(亿元)	资产价值波动率	名称	资产价值(亿元)	资产价值波动率
中国银行	11,375.7993	0.2359	浦发银行	6029.0248	0.0621
农业银行	14,784.3251	0.3155	平安银行	9809.5966	0.0486
工商银行	18,967.3520	0.4151	北京银行	7491.0519	0.1341
建设银行	15,054.4175	0.2172	江苏银行	4203.5744	0.0205
交通银行	8475.5061	0.0322	上海银行	3362.8914	0.0264
中信银行	7498.2049	0.0949	宁波银行	3196.2370	0.0241
光大银行	9599.6983	0.0202	南京银行	15,438.6163	0.0912
招商银行	15,438.6163	0.0912

将表2和表3进行对比，可以发现银行资产价值明显是大于银行股权价值的，再来看平均资产价值波动率，出现了与表2不同的情况。表3显示国家控股银行的平均资产价值波动率要高于其他商业银行，与平均股权价值波动率出现了完全相反的情况。通过观察求解公式、表2和表3，我认为造成这个情况

的原因是：国有控股银行的$\frac{V}{E}$ 相对于另外两类银行较小，因此需要一个更大的${\sigma }_V$ ，所以国有控股银行的平均资产价值波动率要大于其他两类商业银行。

接下来引入违约点DP，计算违约距离DD和期望违约率EDF，样本银行的平均违约距离于平均期望违约率如表4所示。

Table 4. Average default distance and average expected default rate of the sample banks

表4. 样本银行的平均违约距离与平均期望违约率

类型	股票代码	名称	违约距离	期望违约率
国有控股银行	SH601988	中国银行	6.8756	0.3084
	SH601288	农业银行	15.6892	0.2281
	SH601398	工商银行	16.5486	0.1542
	SH601939	建设银行	4.1057	0.4986
	SH601328	交通银行	3.6787	0.3278
全国性股份制银行	SH601998	中信银行	2.2099	0.2312
	SH601818	光大银行	0.9164	0.4450
	SH600036	招商银行	3.1335	0.2598
	SH600000	浦发银行	1.8739	0.4415
	SZ000001	平安银行	2.5170	0.1153
城市商业银行	SH601169	北京银行	2.4709	0.3984
	SH600919	江苏银行	1.0426	0.3334
	SH601229	上海银行	0.9999	0.3471
	SZ002142	宁波银行	0.8457	0.2190
	SH601009	南京银行	3.1335	0.2368

从表4可以看到国有控股银行的平均违约距离是显著高于另外两类银行的，蒋峰针对我国所有上市A股企业提出的违约预警线是2.2，国有控股银行的平均违约距离均高于2.2，说明我国国有控股银行的风险可控，是值得信赖的大型银行。而光大银行、江苏银行、上海银行和宁波银行的平均违约距离较低，相对存在着较大的违约风险，需加强风险管理，调整资产结构。期望违约率总体来看均未超过50%，说明我国商业银行整体风险可控，银行业可持续性健康发展的能力较强。

2) 分类分析

将上述15家银行分为三类分别进行违约距离趋势分析，并且将2019年设置为发生公共安全危机的分界线。

从图1中可以看到，农业银行和中国银行在公共安全危机发生前的违约距离要高于公共安全危机发生后，但从2021年违约距离开始回升，说明公共安全危机虽然对他们的信用风险造成了一定影响，但这两家银行调整风险的效率很强，反应的速度很快。另外三家银行从图上看并没有受到公共安全危机太大的影响，并且在公共安全危机后时期的违约距离还提高了，可能是因为经济大环境的影响下，它们更加注重自身的风险管理，积极规避信用风险调整资产结构。在许多中小微企业倒闭时，我国国有控股银行更要做好那个稳定金融体系的角色。

对比图1和图2，图2的违约距离趋势较图1来说要略微平缓些，可能跟该类银行资产价值、总负债与国有控股银行存在差距有关系。从图2可以看到，有明显受到公共安全危机影响的是招商银行，该银行从2017年违约距离接近16到2019年违约距离小于2，说明即使没有公共安全危机的影响，该银行的信用风险可能就存在了一定的问题。2019年以后，招商银行的违约距离进一步减小，直到2022年也没有回升，一定程度上表明公共安全危机对该银行的信用风险产生了持续性的影响，但是还算在可控的范围内。招商银行应借鉴另外四家银行的风险应对措施，积极改变自身的资产负债结构，避免违约距离

Figure 1. Trend of default distance of state-controlled banks

图1. 国有控股银行的违约距离趋势

Figure 2. Trend of default distance of national joint-stock commercial banks

图2. 全国性股份制商业银行的违约距离趋势

进一步下降。另外四家银行虽然没有明显受到公共安全危机影响，但在2022年违约距离均呈下降趋势，也应要引起重视。并且该类银行的违约距离有较多时刻是低于违约预警线2.2的，监管机构应对它们加强监管。

将图3跟图2对比，该类银行的违约距离趋势就更为平缓了，但在2020~2022年有较大的变动情况。从图中可以看到2017~2019年没有出现公共安全危机时，五家城市性商业银行的违约距离虽然较低但呈现一个较为平稳的趋势，说明它们的信用风险管理的较好。南京银行在2020年时违约距离相对来说有明显的下降，并且2021年也处于低位，说明公共安全危机对其产生了一定程度的影响，但该银行的违约距离在2022年开始回升，证明其应对风险的调整能力较强。而另外四家商业银行的违约距离在2020年均呈现了微弱的下降趋势，2021年均呈现明显上升在2022年回落，表明公共安全危机对这四家银行的冲击不大。那么在2021年呈现上升趋势也许是未雨绸缪，在经济大环境下行的情况下，提前采取措施去应对可能出现的违约风险。前文有提到我国学者研究认为上市企业的安全违约距离为2.2，而这5家城市性商业银行的违约距离长期处于2.2以下，应该引起重视，虽然应对突发情况的表现较好，但不能掉以轻心。

Figure 3. Trend of default distance of city commercial banks

图3. 城市商业银行的违约距离趋势

5. 总结与建议

本文利用我国15家A股上市商业银行数据，运用KMV模型衡量其信用风险，进一步将该15家银行分别分为三类：国有控股银行、全国性股份制商业银行和城市商业银行对比分析，并且将公共安全危机发生的分界点设为2019年，假设2017~2019年没有公共安全危机发生，2020~2022年发生公共安全危机来对比商业银行的信用风险受公共安全危机影响的变化。主要结论如下：第一，总的来说，我国银行业整体的风险处于可控状态，面对突发情况虽有受到影响，但响应速度较快，没有出现极端风险违约事件。第二，我国的国有控股银行是我国银行业的“大心脏”，通过数据可以看到它们的违约距离始终是处于一个安全的范围，期望违约率也较低，起到了稳定我国金融体系的重要作用[17]。第三，全国性股份制银行和城市商业银行的违约距离虽然较低，但他们的波动较小，说明风险管理维持的较好，不过也应积极增强信用风险管理，将违约距离提高能够更持续健康的发展。第四，遭受公共安全危机后，部分银行的违约距离反而有所提升，这可以看作是一种“未雨绸缪”的做法，在面对突发事件时有积极地做事前调整，并不是真正被突发事件严重影响后再去调整，其他企业应向银行业学习。

基于以上研究结论，提出以下建议：第一，将KMV模型作为金融监管的手段，分类设定商业银行的违约距离标准值，谨防“一刀切”管理，要充分考虑银行的异质性，从而能够更明确更严格地进行监督管理。第二，完善金融风险应急方案，做到权责分明，在之后发生突发公共卫生事件时各部门能够迅速、积极地响应，从而降低外部冲击给商业银行带来的信用违约风险。第三，各银行要完善应急处理预案，根据自身的特征建立压力测试体系，要定期开展压力测试，动态识别银行的违约风险，从而能够及时发现并化解风险。第四，商业银行应加强贷款的前、中和后管理[18]，识别潜在不良客户，加大不良资产处置力度。无论是否发生突发事件，都要积极的做好贷款管理。第五，商业银行应扩展、创新业务来应对互联网金融等对传统银行的冲击，要积极主动从不同来源吸收资金，改善负债结构单一，提升盈利能力和资本充足率，尤其是城市商业银行要不断增强风险抵御能力，维护好银行的声誉，避免市场不理智对其失去信心而遭受“挤兑”。