第二章 信用風險衡量方法簡介
第一節 傳統違約預測模型
國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
5
第二章 信用風險衡量方法簡介
第一節 傳統違約預測模型
國際上最早利用財務資料進行違約預測之例子為 Beaver(1966),其以 1954 至 1964 年間之樣本公司,區分出違約公司與正常公司後,分別以 30 項財務比率 對兩組公司進行單變量分析,實證結果發現營運資金與總負債之比率、資產報酬 率以及負債比率三項財務變數對於發生違約之機率有較好的預測能力,其認為通 常正常公司在此三項財務變數上會較違約公司來的穩定。不過該分析方法屬於單 變量的分析,隨著統計研究方法的進步,多變量分析逐漸取代了單變量分析,成 為主流的分析方法。
多變量違約預測模型和前述之分析方法同為建立在會計基礎下之模型,也就 模型之投入向亦是財務變數,此類模型再投入公司之財務變數後,經由統計方法 得到信用風險衡量的數值,並透過此數值進行公司發生違約事件與否的預測,其 中較常見之分析衡量方法有多變量區別分析法、Logistic 模型、現金流量模型、
Probit 模型和類神經網路模型,本研究將一一做簡單的介紹。
1. 多變量區別分析法
多變量區別分析法(Multiple Discriminant Analysis,簡稱 MDA)為尋找 財務變數之線性模型,並希望透過此線性模型區分正常公司與違約公司。此種分 析法首先被 Altman(1968)用以預測公司違約機率,該分析方法又稱為 Z-Score 分析法。其研究樣本為 1946-1965 年間 33 家破產公司與 33 家正常公司,首先利 用區別分析將 22 項財務指標萃取出顯著影響是否發生違約事件之財務變數分別 為,在給予不同的權數後,建構出如以下之 Z-Score 模型:
Z = 1.2*X1 + 1.4*X2 +3.3*X3 + 0.6*X4 + 0.99*X5 其中,
‧
X1:Working Capital / Total Assets (營運資金/總資產); X2:Retained Earnings / Total Assets (保留盈餘/總資產);
X3:Earning before Interest and Tax / Total Assets (稅前息前淨利/資產 總額);
X4:Market Value of Equity / Total Debt (權益市值/負債總額); X5:Sales / Total Assets (銷貨收入/資產總額);
Z:綜合指標分數。
當 Z < 1.8 時則預測公司將會發生財務危機(即破產或違約) ,若 Z>2.99 則為安全之公司,Z 值介在 1.8 和 2.99 間則為不確定區域,一般 Z-Score 愈小 則代表公司發生違約事件之機率越高,該研究認為較適合的分界點為 2.675,若 Z 值小於此分界點,則為違約公司。Altman(1977)則加入另外兩個新變數到 Z-Score 模型中,該改良過後之 Z-Score 模型稱為 Zeta 模型,之後被證實 Zeta 質,分別為公司規模、財務結構、績效以及流動性。該研究成果更顯示 Logistic 分析方法具有良好的預測準確度。
在比較 Logistic 分析方法與區別分析法之研究上,Martin(1977)分別使用 此兩種模型來預測 1975 到 1976 年間銀行之違約家數,其研究結果認為兩種模型
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
7
之預測結果都相當貼近現實。
3.現金流量分析法
Gentry, Newbold and Whitford(1985)在淨現金流量的基礎上,發展了現 金流量之違約預測模型。其認為公司的價值來自透過經營、政府、債權人與股東 的現金流量的折現值之和。他們根據所取得之危機公司和正常公司的數據,發現 在違約前 5 年內兩類公司的經營現金流量均值和現金支付的所得稅均值有顯著 的差異,此一現象說明了公司經營效率之優劣將影響現金流的差異,因此可透過 現金流量之資訊來預測公司是否會發生違約事件。Aziz, Emanuel and Lawson
(1989)比較了 Z-Score 模型、ZETA 模型與現金流量模型在預測公司發生違約 事件的準確率,其結果認為現金流量模型的預測效果較好。
4. 類神經網路模型
Coats and Fant(1993)、 Koh and Tan(1999)、 Nasir, John,Bennett and Russell (2000)和 Pompe and Bilderbeek(2005)皆以類神經網路模型
(Artificial Neural Network)作為公司危機之預警模型,該模型之概念為模擬 神經網路的運作方式,認為當投入之變數之根據各變數之權數所計算之加權平均 大於某個門檻值時,則發生觸發動作,其中各變數之權數代表該變數對於觸發動 最之連結的強度,此概念可應用在違約預警模型當中,視公司之財務比率為投入 之變數,並已發生違約為觸發動作進行權數的估計分析。此模型之研究結果多半 顯示類神經網路模型較前面所提之模型有更好的預測能力。
‧
Newbold and Whitford
1985 以現金流量之差異評斷公司之經營 covariance matrices,一般資料並不見得能符合這樣的假設條件;而 logistic 模型則會忽略極端值,因此亦可能降低模型的預測準確性。有鑑於以上的缺陷,
學術界和業界在致力於改善傳統的違約預測模型外,更引進如預期違約機率(EDF) 和信用評等等因素,發展出新興的信用風險衡量模型。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
9