【摘要】：近年來,隨著經濟增速的放緩和經濟結構調整的深化,銀行的不良貸款余額和不良貸款率指標持續(xù)上升,對中國銀行業(yè)的信用風險管理提出了更高要求。受宏觀經濟狀況和行業(yè)景氣程度等因素的影響,貸款公司之間的違約相關性增大。此外,部分公司處于產業(yè)鏈上下游,存在交叉持股等現(xiàn)象,一旦有公司發(fā)生違約,關聯(lián)公司也勢必會受到牽連。而當前銀行的信用風險管理水平相對落后,很難捕捉公司間的信用風險傳染效應。本文主要內容安排如下:首先,對國內外關于信用風險度量和信用風險傳染效應的研究進行回顧和梳理,并對主流的信用風險評價模型作了詳細的介紹和比較,確定KMV模型是最符合我國實情的信用風險度量模型。其次,在KMV模型的各參數(shù)中引入時間維度,建立動態(tài)的KMV模型,并進行實證分析。選取19個行業(yè)中2014年被ST的30家公司和配對的30家非ST公司作為樣本,并對實證結果進行參數(shù)和非參數(shù)假設檢驗。檢驗結果表明,本文所建立的動態(tài)KMV模型能夠有效辨別ST公司和非ST公司的信用風險差異,此外,相比于理論預期違約率,違約距離是更加合理的信用風險度量指標。最后,將數(shù)據(jù)挖掘中的關聯(lián)規(guī)則算法引入到信用風險傳染效應研究領域以克服傳統(tǒng)信用風險模型的局限性。具體而言,通過結合元規(guī)則理論和時間窗口技術,對Apriori算法進行擴展,建立時序關聯(lián)規(guī)則算法,并對公司日違約距離間的聯(lián)動規(guī)則進行挖掘。實證結果產生了15條強關聯(lián)規(guī)則,在對每條關聯(lián)規(guī)則進行論證后表明,時序關聯(lián)規(guī)則算法得到的強關聯(lián)規(guī)則基本與客觀事實相符,能夠有效挖掘出貸款公司間的關聯(lián)關系。本文的主要貢獻及創(chuàng)新之處有如下幾點,第一,本文對原KMV模型進行改進,在KMV模型的各參數(shù)中引入時間維度,建立動態(tài)的KMV模型。第二,運用數(shù)據(jù)挖掘中的關聯(lián)規(guī)則算法檢測貸款公司間的信用風險傳染效應。在Apriori算法基礎上,結合元規(guī)則理論和時間窗口技術,對Apriori算法進行擴展,建立了時序關聯(lián)規(guī)則算法�？傮w而言,本文基于商業(yè)銀行實時捕捉公司信用風險狀況和預測公司間信用風險傳染效應的考慮,將銀行的信用風險度量和傳染效應的檢測納入到一個動態(tài)化的框架下。所構建的動態(tài)KMV模型能夠有效度量貸款公司的信用風險,所建立的時序關聯(lián)規(guī)則算法能夠顯著識別并預測貸款公司間的信用風險傳染狀況,進而可幫助商業(yè)銀行及時的調整信用風險管理策略,合理控制貸款規(guī)模,有效的規(guī)避風險。
【學位授予單位】：浙江財經大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F832.33;F224

【參考文獻】

相關期刊論文 前10條

1 徐海鵬;;基于關聯(lián)規(guī)則的股票預測方法研究[J];計算機與數(shù)字工程;2010年03期

2 閆海峰;華雯君;;基于KMV模型的中國上市公司信用風險研究[J];產業(yè)經濟研究;2009年03期

3 汪燕青;樂燕波;;時態(tài)關聯(lián)規(guī)則在股市走勢分析中的應用研究[J];商場現(xiàn)代化;2009年06期

4 覃麗萍;白玫;王海軍;賈兆立;;關聯(lián)規(guī)則及其在石油期貨價格預測中的應用研究[J];數(shù)學的實踐與認識;2009年01期

5 謝邦昌;朱世武;李璇;董春;;我國上市公司信用風險度量模型的選擇[J];經濟學動態(tài);2008年05期

6 汪文淵;謝瀟衡;何幼樺;;CreditMetrics模型中轉移概率和風險價值的計算[J];上海大學學報(自然科學版);2008年02期

7 汪赫瑜;王偉;;股票間關聯(lián)規(guī)則的挖掘算法[J];中國科技信息;2008年05期

8 李磊寧;張凱;;KMV模型的修正及在我國上市公司信用風險度量中的應用[J];首都經濟貿易大學學報;2007年04期

9 張娟;王慧鋒;;股票時間序列模型的關聯(lián)規(guī)則挖掘[J];天津理工大學學報;2006年02期

10 張玲,楊貞柿,陳收;KMV模型在上市公司信用風險評價中的應用研究[J];系統(tǒng)工程;2004年11期

本文編號：2801724