 评估模型与原理
|
|
|
风险评估模型及缺陷
ＫＭＶ模型
ＫＭＶ产品由“预想违约率（EDF）”和“有价证券管理”两大组合构成。其中，就“预想违约率（EDF）”而言，就是将企业的财务报表与股票价格以及股票价格变动状况以ＥＤＦ方法推算。
当计算资产的市场价值时，有着以下的考虑：企业发表的业绩、现金流和市场对该企业未来的期待值（其现在的股票价值为现在的企业价值的最佳表现）。如果企业资产的市场价值比负债小的话，则债务的偿还将得不到履行，既为违约。
要对此进行推算分析，需要该企业的股票价格、股票价格变动率以及该企业所属行业的经济动向等信息加以推定。
但是，KMV存在以下三个方面的问题：
- 模型预测理念是“相反的”
预测企业违约的原有姿态，应该是通过分析该企业财务报告数据，向市场发出信息，并反映在股票价格上。但是，如果模型的预测仅仅是追随股票价格，就失去了预测的意义，其思考路线正好是“相反”的。 - 违约要点判定困难
处于违约临近点的企业股票价格变动率幅度非常大，作为评估结果的等级在ＢＢＢ或Ｂ之间上下激烈浮动，在哪个时间段上预测是否违约难以判定。另外，金融机构判断风险时，希望能够在一年以前或者至少半年以前得到预测结果，但KMV模型几乎很少得到恰如其分的预测。 - 难以对非上市企业的进行预测
按股票价格预测，就根本无法对非上市企业资产的市场价格进行准确评估。中国的银行客户主要来源于广大的非上市企业，模型无法预测是银行评估的重要障碍。
奥尔特曼“辨别函数模型”
- 现状认识
现将作为以往财务分析的、现仍为世界标准所使用的奥尔特曼型“辨别函数模式” 作为对象，对其基本性问题作一些若干说明。
这一“辨别函数模式”手法运用在世界上的金融机构和部分大企业等穆迪•标准普尔公司的财务分析中，定量评价也由独自的“辨别函数式模型”加以确立。“辨别 函数模型”为什么能如此普及，其一是进入了计算机时代，只要认真对待谁都有可能获得某种程度的精度。其二是没有其他优越的高精度定量财务分析手法。即使是 “辨别函数模型”，其实也有如下列问题中所述的精度不充分之处，穆迪•标准普尔公司认识到该“辨别函数模型”在定量分析中的缺陷，则以定性分析来弥补这一 缺陷。
但是，当并用定性分析时，因分析专家的不同极易造成各种各样的判断结果，故采用依据协议制集中最终意见的方法。这毕竟是作为评级公司的“意见”发表的，即 使评级结果发生错误，其“意见”则早就准备了依照法律规定的“表达自由”名义这一狡猾的逃避责任的手段加以保护。但是，随着美国安然公司及次贷事件为契 机，在评级发生错误时将会对整个经济带来重大影响的问题： ①按以往的财务分析手法是否可行？ ②依赖于定性分析是否妥当？这一深刻的反省已急剧高涨。那么，以往的财务分析手法、特别是作为世界主流的“辨别函数模 型”为什么精度会如此之低呢？对此，作如下阐述。 - 辨别函数模型的问题点
- 辨别函数模型的方法论只是一种循环论
模型确立者在收集数据时，分别收集“优良企业”和“不良企业（或破产企业）”，但这一行为本身是一种“错误”。即，凭什么定“优良企业”或“不良企业”？ 如果当初自己就能决定的话，那么，当时做出判断“优良”或“不良”的判断基准就是求解，根本不需要两者组合的“优良、“不良”的辨别方程式。以求得的方程 式做出“优良”“不良”的辨别的方法论，只是一种循环论而已。 - 辨别函数模型的基本应以“正态分布”为前提的问题点
在“辨别函数模式”中，以“优良企业”和“不良企业”为对象，如调查自有资本比率处于何种状况。此时，如下图（频度曲线）所示，假设能获得各个频度曲线 时，那么，自有资本比率比α大，则辨别为优良•安全，比β小，则辨别为不良。但是，要获得该α和β，必须保持如图所示的接近有规则地常态分布的形状，然 而，在现实中重要指标始终能保持如此规则的形状根本无法实现。
（优良•不良频度曲线）
不良 优良
在实际测试中，更多是呈现如下的图形
不良 优良
由于以上图表的下摆状态经常出现，因此判别函数模型的构筑者们将不吻合统计的网状部分去除掉。采用经过精选的数据使模型精度呈现“高精度状态”。但此模型面对社会现实的时候，被删除的部分越大则精度越下降，因此，奥尔特曼模型的解析精度超过70％是很困难的。
判别函数模型之所以欧美行得通，是因为在具有100年以上资本主义经济史的欧美国家，各个企业均具有不同程度的同质性，所以很少出现类似以上所述的“下摆 紊乱”现象。而引进资本主义经济的日子较浅的亚洲各国的企业体质则千差万别，“下摆紊乱”现象的状况则更加激烈，正是这些妨碍了精度较高的判别函数模型。
判别分析(Discriminant Analysis)
最早关于企业经营失败的预测可追溯至1932年Fitzpartrick进行的一项单变量的破产预警研究，以19对破产和非破产公司作为样本，运用单个财 务比率对企业的财务状况进行预判。1966年美国的比弗(Beaver)教授提出了单变量预警分析法建立财务危机预警模型。他抽取了1954年至1964 年间的79家公司作为样本，选用5个财务比率作为变量，然后将这些公司的在财务失败前数年的财务比率用作判别指标进行了一元判定预测，财务危机判别研究才 真正进入系统化阶段。
Logistic回归分析
由于多变量线形判别模型对要求预警变量符合严格的联合正态分布，而现实经济生活中大多数企业的财务比率无法满足这一要求，为了克服这一缺陷，以 Ohlson为代表的学者提出采用逻辑回归判别方法来提高财务危机的预警能力。欧尔森 (Ohlson,1980)以1970年至1976年间105家公司为样本，运用条件逻辑模型(Conditional Logit Model)来建立 财务预警模型。在 Ohlson的研究基础上，有学者运用条件逻辑模型，将现金流量的概率运用于财务危机预警模型。
此外，人工神经网络判别法、层次分析法、专家系统等方法也被运用于财务预警的研究，也取得了一定的成果。但从总体上看，在实践中还没有能够形成一套比较完备的、系统的理论和方法体系。
现在的财务预警分析主要集中在利用传统的财务指标或者利用上述的几个模型，然后结合大量的定性分析来弥补其定量分析的不足。由于传统财务指标的局限性和这 些模型固有的一些缺陷定量分析的结果往往不让人满意；而定性分析掺杂了大量的主观因素，对定性分析的个人能力要求非常高，并且要花大量时间来进行定性调 查，使分析评估非常花时间和人力，而且不同的人可能会得出不同的结论，不利于风险的准确识别。特别是由于缺乏识别企业假帐的有效手段，所以即使是全球最著 名的信用评估机构，其提前一年预警发达国家企业倒闭破产的准确率只有60－70%。而利用欧美传统评估模型提前一年对中国上市公司倒闭破产的预警准确率甚 至只有60%左右，对中国非上市公司的破产预警准确率则更低。可见在企业假帐问题较为普遍和严重的情况下，上述模型要实现高精度的风险评估非常不容易。
|
|
|
|
|
