信用風(fēng)險(xiǎn)問(wèn)題在企業(yè)交往中扮演重要角色,是眾多企業(yè)在經(jīng)濟(jì)活動(dòng)中所關(guān)注的重要問(wèn)題。為評(píng)估蘇州市上市公司信用風(fēng)險(xiǎn)現(xiàn)狀和分析信用風(fēng)險(xiǎn)影響因素,討論了信用風(fēng)險(xiǎn)特征、內(nèi)涵及其評(píng)估方法,在闡述KMV模型理論、優(yōu)缺點(diǎn)及其適用性后,對(duì)該模型進(jìn)行了修正,并應(yīng)用于蘇州市上市公司�；谝陨涎芯�,本文的主要成果如下:（1）KMV模型參數(shù)的修正。以ST公司和非ST公司的信用風(fēng)險(xiǎn)差異程度為判斷依據(jù),基于20家ST公司和20家非ST公司數(shù)據(jù),修正了KMV模型中違約點(diǎn)的計(jì)算方式。結(jié)果顯示在k值取1時(shí)區(qū)分效果最為理想,且修正后的KMV模型準(zhǔn)確地識(shí)別出了所涉及蘇州市公司信用風(fēng)險(xiǎn)水平,識(shí)別結(jié)果與公司實(shí)際情況較為符合。（2）蘇州市上市公司信用風(fēng)險(xiǎn)形勢(shì)的評(píng)估�；谛拚蟮腒MV模型,依托蘇州市70余家上市公司2017年上半年實(shí)際數(shù)據(jù)度量了所涉公司信用風(fēng)險(xiǎn)現(xiàn)狀,并運(yùn)用近7個(gè)半年度的53家上市公司數(shù)據(jù)分析了整體信用風(fēng)險(xiǎn)的變化趨勢(shì)。結(jié)果顯示,現(xiàn)階段,從整體上而言,蘇州市上市公司信用良好,信用風(fēng)險(xiǎn)的波動(dòng)并不顯著。（3）蘇州市上市公司信用風(fēng)險(xiǎn)影響因素的討論。結(jié)合近7個(gè)半年度的53家上市公司信用風(fēng)險(xiǎn)數(shù)據(jù)和GDP等宏觀數(shù)據(jù)的spearman相... 

【文章來(lái)源】：蘇州大學(xué)江蘇省

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究框架

KMV 模型的基礎(chǔ)理論及模型的修正 基于 KMV 模型的蘇州上市公司信用風(fēng)險(xiǎn)本文中，將非 ST 公司'kDD 與 ST 上市公司 的比值 Qk的大小作為司的依據(jù)，即 Qk越大，能夠?qū)深悇e公司進(jìn)行差異化的效果越顯著。到的數(shù)值變化曲線圖如圖 3.1 所示。圖 3.1 中，Qk隨著 k 的取值上升而逐步上升，即 k 值越大，ST 公司和分效果越明顯。對(duì)此，本文中選擇k等于1作為實(shí)證分析的違約點(diǎn)計(jì)算值得注意的是 k 等于 1 時(shí)，DP 值與 D 值相等。

第四章 蘇州上市公司信用風(fēng)險(xiǎn)評(píng)估實(shí)證分析州市上市公司概況至 2017 年 12 月 31 日，蘇州市共有上市公司 104 家，均為 A 股，總股4 960 股。其中，在上交所和深交所的上市公司分別有 32 和 72 家，且警示板。在此，文中將蘇州市上市公司的整體情況概述如下：上市公司行業(yè)類別方面，蘇州市上市公司覆蓋了證監(jiān)會(huì)行業(yè)類別中的 4.1），即制造業(yè)、信息技術(shù)業(yè)、房地產(chǎn)業(yè)、交通運(yùn)輸業(yè)與倉(cāng)儲(chǔ)業(yè)、社融與保險(xiǎn)業(yè)、建筑業(yè)、批發(fā)和零售貿(mào)易、傳播和文化產(chǎn)業(yè)，以及綜合造業(yè)的占有率最高，為 65.38%，其次是信息技術(shù)業(yè)，為 13.46%，再者，其占比為 4.81%。蘇州市上市公司的行業(yè)結(jié)構(gòu)也在較高程度上反映結(jié)構(gòu)特征。

【參考文獻(xiàn)】：
期刊論文
[1]基于KMV模型的國(guó)有企業(yè)信用風(fēng)險(xiǎn)評(píng)估[J]. 孫晗.  經(jīng)濟(jì)研究導(dǎo)刊. 2017(31)
[2]基于GARCH-KMV模型的高科技企業(yè)實(shí)物期權(quán)波動(dòng)率研究[J]. 任培民,趙樹然,劉成義.  金融經(jīng)濟(jì). 2017(18)
[3]引入違約距離的修正KMV模型在財(cái)務(wù)危機(jī)預(yù)警中的應(yīng)用[J]. 王莉.  統(tǒng)計(jì)與決策. 2017(17)
[4]基于BP-KMV模型的非上市公司信用風(fēng)險(xiǎn)度量[J]. 曾玲玲,潘霄,葉曼.  財(cái)會(huì)月刊. 2017(18)
[5]基于KMV模型的地方政府債券信用風(fēng)險(xiǎn)研究[J]. 岳秀敏,劉婭.  財(cái)會(huì)通訊. 2017(14)
[6]基于KMV模型的非上市企業(yè)風(fēng)險(xiǎn)評(píng)估[J]. 項(xiàng)楠.  現(xiàn)代商業(yè). 2017(11)
[7]基于BSM模型的房地產(chǎn)奇異期權(quán)研究[J]. 舒家先,吳航宇,金子杰.  中國(guó)海洋大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版). 2017(03)
[8]KMV模型在上市公司信用風(fēng)險(xiǎn)管理中的應(yīng)用研究[J]. 戴洪,丁廣燕,吳小帥.  開發(fā)性金融研究. 2016(04)
[9]基于核密度的KMV模型對(duì)公司信用風(fēng)險(xiǎn)度量研究[J]. 王沁,易文德.  武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版). 2016(02)
[10]基于遺傳算法KMV模型的最優(yōu)違約點(diǎn)確定[J]. 馮敬海,田婧.  大連理工大學(xué)學(xué)報(bào). 2016(02)

博士論文
[1]基于KMV模型的商業(yè)銀行信用風(fēng)險(xiǎn)測(cè)算研究[D]. 孫小麗.北京郵電大學(xué) 2013

碩士論文
[1]基于KMV模型的信息技術(shù)業(yè)上市公司信用風(fēng)險(xiǎn)度量研究[D]. 李言言.哈爾濱商業(yè)大學(xué) 2017
[2]基于KMV模型的科技型中小企業(yè)上市公司信用風(fēng)險(xiǎn)度量研究[D]. 耿佳莉.貴州財(cái)經(jīng)大學(xué) 2017
[3]基于KMV模型的上市公司信用風(fēng)險(xiǎn)度量研究[D]. 張文波.北京外國(guó)語(yǔ)大學(xué) 2017
[4]我國(guó)互聯(lián)網(wǎng)金融上市公司信用評(píng)價(jià)研究[D]. 鄭小珊.安徽大學(xué) 2017
[5]基于SVM的上市公司信用風(fēng)險(xiǎn)判別研究[D]. 王俊朋.華北水利水電大學(xué) 2017
[6]上市公司信用債違約風(fēng)險(xiǎn)評(píng)估[D]. 衛(wèi)萍.華東理工大學(xué) 2017
[7]基于KMV模型的我國(guó)在美上市公司信用風(fēng)險(xiǎn)實(shí)證研究[D]. 張雨龍.成都理工大學(xué) 2016
[8]KMV模型違約點(diǎn)修正[D]. 曹宇.蘇州大學(xué) 2016
[9]基于修正KMV模型下我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)度量研究及實(shí)證分析[D]. 孫凱迪.蘭州交通大學(xué) 2016
[10]基于修正KMV模型的我國(guó)上市公司信用風(fēng)險(xiǎn)度量研究[D]. 孫江濤.江南大學(xué) 2013



本文編號(hào)：3221504