企业信用风险评级模型的构建

《企业信用风险评级模型的构建》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、企业信用风险评级模型的构建摘要银行业是一个特殊的高风险行业。80年代以来世界上一些国家发生的银行业危机告诉我们，旦银行业风险得不到有效的控制，很容易引起连锁反应，从而引发全局性、系统性的金融危机，并殃及整个经济生活，甚至会导致经济秩序混乱与政治危机。我国至今虽未发生大规模的银行危机，但银行业的风险因素却大量存在，尤其是多年积累的大量的银行不良信贷资产，直接威协着我国银行体系的稳健运行。因此，对如何有效地控制银行业的风险进行研究，就具有十分重要的理论和现实意义。本文就是通过对现有风险评级实践进行研究，运用统计学方法建立

2、企业信用风险评级模型，为控制我国银行业的风险提供操作性较强的量化手段。全文共分5章。第1章对现有的文献和几种风险评级实践进行了分析，并对本文的主要观点加以论述。第2章从借款人信用评级必要性理论分析入手，运用马克思的信贷资金循环理论进行分析，界定了企业信用风险评级的内容，由此设计了信用评级财务指标体系，从盈利能力、资本结构杠杆比率、发展潜力、营运能力、资产流动性和偿债能力现金流量比率六方面选择19个财务指标进行分析.第3章讲述了本文的研究方法。主要是分析样本的抽取和指标参评值，对指标进行定量精选并进行无量纲化处理。确定

3、等级数和等级标准为三等九级。选择了指标综合方法为多元统计方法。第4章以第2章构建的信用评级指标体系为基础，运用统计方法，实际地建立企业信用风险评级模型。本章从7个方面提出了建立财务因素评级模型的完整思路，实际地建立了两个财务因素评级模型。在建立第一个评级模型(I)时，本文先用主成分分析方法确定各指标的权数，然后用功效系数法计算各样本企业的综合评价值，最后用有序聚类方法确定出各信用等级的定量判断标准。这一模型引发出了作者对风险评级的更深层次的思考，认为如果采用恰当的统计方法来测定评级对象的风险，那么这种风险评级还包含着

4、概率的思想。第二个评级模型(11)是用动态聚类分析和贝叶斯判别分析相结合的方法来建立的。通过对这两个模型的比较，本文认为，如果以评级结果能否准确反映客观实际为标准，那么模型(lI)比模型(I)更合理一些。最后，本文还以4家ST公司为例，对这两个评级模型的预测能力进行了检验。检验结果表明，这两个评级模型的预测能力都比较强。第5章该模型的成功构建证实本文运用统计方法论进行风险评级的可行性，对银行进行授信企业的筛选将起到一定的预警作用。风险评级模型财务指标无量纲化处理企业信用风险评级模型的构建DesigningTheCre

5、ditRisk-ratingModelofCompanyABSTRACTBankingisaspecialandhigh-riskindustry.Sincethe1980s,bankingcrisesbreakingoutinsomecountriesstatethatifineffectivelycontrolled,theyareverylikelytotriggerchaineffect,thereafterleadtooverallandsystematicfinancialcrises,andbringd

6、isasterstothewholeeconomy,evencauseeconomicchaosandpoliticalcrises.Thoughbyfarlarge-scalebankingcriseshavenotbrokenoutinChina,therearealotofriskfactorsexistinginbanking,especiallythelargeamountofaccumulatedbadcreditassetsinbanks,whicharethreateningthestableoper

7、atingofourbanksystemdirectly.Thusitisvitalintheoryandpracticetostudyhowtocontrolbankingcriseseffectively.Riskratingcanplayanimportantroleincontrollingbankingcrisesbecauseofitsfunctionsofriskidentificationandmeasurement,whicharethebasisofriskcontrol.Thepurposeof

8、thisdissertationistoinducethecommonessenceofriskratingthroughsystematicanalysisofpresentrisk-ratingpracticesandconstructrisk-ratingstatisticalmethodologyframeworkonit.Andthe