【查重吧-专业的论文服务平台】

让写作更简单-如何写毕业论文

注册

QQ:1028988511 电话:18503401474

我国上市房地产企业信用风险研究 ——基于修正的KMV模型

  1导论

  1.1选题背景与意义

  1.1.1选题背景

  随着科学的进步,时代的发展,我国国民经济水平的不断增加,各行各业都在飞速地发展。房地产行业是我国的支柱产业,其主要融资渠道有各类银行贷款,自筹资金等。房地产行业资金流的显著特点是资金投入巨大和资金回收较慢。房地产企业启动资金的主要来源就是银行贷款,向商业银行贷款是该类企业的普遍手段。房地产行业融资总额的提高使得信用风险成为商业银行不得不面对的问题。由于种种原因造成的地产销售困难或者房价适当回归,会导致房地产公司资金运转困难甚至资金链断裂,欠下大额地债务,房地产公司信用风险违约率上升,信用风险状况堪忧。银行和房地产之间由于信息不对称,导致无法准确掌握房地产公司的资金流动,房地产企业甚至会隐瞒自己的不利信息,大大增加信贷违约的可能性。房地产公司信用风险如何应对及管理已成为我国商业银行的重要课题。

  1.1.2选题意义

  根据我国国情,我国企业筹备资金的主要手段是银行借款,但近年上市公司信用风险违约事件增多使得我国的经济发展增长较慢,股市资源也受到了影响,甚至损害了投资人的利益。

  随着我国经济的快速发展,在信用风险方面也有极为明显的进步,取得了较为明显的成效。相对于西方国家,我国信用风险度量研究工作有待进一步开展。我国的信用评估工作在开展过程中仍受到较大影响,信用风险度量的准确性有待提高。房地产行也在国内外都收到极高的关注,对于企业来说,如果采取合理的决策,就能减少违约风险的发生;对投资者来说,采用合理的投资组合,可以更好地规避和分散风险。本文旨在对上市房地产公司的实际数据运用KMV模型分析处理,研究KMV模型在我国的适用性,识别我国目前面临的房地产信用风险,并提出相关建议。

  1.2文献综述

  (1)信用风险的理论研究

  默顿首次运用期权定价理论来测算信用风险。1993年,KMV公司基于默顿的理论研究,构建了KMV模型,[1]。JP摩根公司于1997年,基于默顿期权理论,设计了CreditMetrics模型,CreditMetrics模型将债务人的信用进行评级[2]。

  Gordy利用遗传算法将结构性与非结构性模型进行结合,对企业信用风险进行分析[3]。Acharya建立了评价公司综合风险和线性违约概率风险的模型,此模型认为公司在选择流动性和信用额度时会受到企业的综合风险的影响[4]。

  我国关于信用风险的研究从上世纪末开始不断增多,我国的信用风险度量方法研究的文献逐渐增多,在一些具有代表性的文献中,王春峰(1998)等对多元判别分析方法做了较为全面的比较,并提出了度量信用风险的小样本方法[5];(2004)方洪全等借助多元统计分析方法筛选信用评级指标,对多标准等级判别模型进行了拓展[6]。

  张玲和杨贞柿(2004)对国内外的多种信用风险方法进行了研究分析,比较总结了其优势和缺陷,归纳总结出各种方法的发展趋势,对提高我国银行等金融机构的信用风险管理水平具有十分重要借鉴意义[7]。

  靳凤菊(2007)基于CPV模型,对房地产信贷风险进行了度量与预测。结果表明,该模型在度量和预测我国房地产信贷违约率的适用性较好。房产信贷状况与国家经济水平有着密切的联系,其违约率会随着宏观经济的好转有所下降[9]。

  我国国有银行的信用风险相比非国有银行较低,而商业银行的总不良贷款对商业银行的信用风险的影响较为显著,所以,我们需要密切关注非国有银行的信用风险问题,提高该类银行的信用风险管理能力。(李晟,张宇航,2016)[10]。

  罗方科、陈晓红(2017)将性别、年龄和职业等作为自变量建立Logistic回归对光大银行一分行的个人信贷风险进行度量,提出商业银行应该对个人小贷款信用风险进行有效地规避和分散[11]。

  (2)KMV模型实证研究

  由于KMV模型在国外适用性较好,在度量企业信用风险时被广泛运用。我国许多学者也对该模型进行了分析研究。研究主要围绕模型在我国的适用性和对其中部分参数及计算方法的修正

  陈敏、冯伟、彭志云(2012)选取绩优股、中等业绩股为对比组,通过比较分析法,发现KMV模型能够在总体上度量我国上市房地产企业的信用风险[12。

  王元月等(2015)利用kmv模型对上市公司信用风险进行度量,并将结果与第三方信用评级机构进行比较与检验,结果表明在财务预警方面KMV模型更准确[13]。杨秀云、蒋园园等(2016)通过比较分析KMV、CreditMetrics、CreditRisk+、CreditPortfolioView四个模型计算信用风险,提出KMV模型比其他三个模型在计算债务企业信用风险方面准确率更高[14]。

  由于上市公司所处的行业不同,使用KMV模型度量信用风险时要根据上市公司所在的行业特点对KMV模型进行修正。

  张彬(2014)考虑了我国流通股与限售股之间的差别,对KMV模型的股权价值计算方式进行了修正,使其更符合我国实际情况。[15。

  冯敬海,田婧(2016)结合遗传算法重新定义了KMV模型的最优违约点,结果表明改进后的模型[16]。

  王金平、李嘉瑜(2016)根据房地产自身特点对KMV模型进行了修正,发现修正后的计算结果较为理想[17]。 

  王慧,张国君(2018)通过穷举法得到适合我国上市房地产企业的违约距离,使用新的违约距离对我国上市房地产企业信用违约风险的预测效果好于KMV公司给出的违约距离[18]。

  王星予、余丽霞和阳晓明(2019)针对商业银行资产证券化带来的信用风险,也对模型进行了有效修正[19]。李涛(2019)利用KMV模型对我国上市房地产公司信用凤霞进行度量。共选取20家公司作为研究样本。以企业利润正负作为公司信用风险高低判断标准,实证结果表明利润为正企业违约距离与对照组存在显著差异,说明模型适用性较好[20]。

  1.3论文的结构及主要内容

  本文的主要内容分为四个章节。首先介绍了本文的研究背景和意义,进而从KMV模型的适用性研究和KMV模型的修正两方面对相关文献进行了梳理,综合评述了国内外研究现状,最后确定本文所用的研究方法。第二章是信用风险理论KMV模型构建,分别介绍了信用风险理论以及KMV模型参数的处理。第三章为实证分析,首先介绍样本选择与数据来源,然后运用matlab计算预测结果,最后对实证结果进行分析。第四章是建议部分,从几个方面为房地产上市公司改善信用状况提出建议。

  1.4论文的研究方法

  (1)文献分析法。通过搜集、整理和分析信用风险以及商业银行信用风险的相关文献资料来全面、准确地掌握信用风险管理的研究历史和现状,探究不同模型在上市房地产公司信用风险中的应用。

  (2)KMV模型。运用KMV模型计算出上市房地产公司的资产价值、资产波动率、违约距离和违约概率,并对比分析上市房地产公司的信用风险。

  (3)实证分析法。利用Matlab软件对KMV模型所需参数编程求解。利用excel软件对所选样本和指标数据进行显著性检验等,测算出该模型的准确性。

  2信用风险理论及KMV模型设计

  2.1信用风险理论

  信用风险的传统意义是由于长期以来,作为金融市场中主要风险部分的信用风险一直受到有关学者的关注,其传统的定义是指在发生借贷过程中,交易双方由于其中一方不能按期履约使得另一方遭受经济损失的风险。但由于当今社会发展迅速,金融市场结构的完善和发展,相继产生了各种各样的金融产品,传统意义的信用风险定义已经不能非常符合当前的金融产品类型。故现代的信用风险的定义还包括由于借贷企业信用等级发生了大幅变化导致其企业的资产价值发生变化所造成的商业银行或借贷主体遭受经济损失的风险,同时,现代的信用风险的定义克服了传统的信用风险中只能评估违约和不违约的两种静态评价,包含了因信用评级模型使用的变化所造成的商业银行或借贷主体遭受经济损失这种动态评价

  2.2现代信用风险度量模型

  (1)CreditMetrics模型

  CreditMetrics模型是以在险价值理论为基础发展而来的一种模型。该模型主要通过分析企业信用评级变化以及违约概率的历史数据来衡量企业的信用风险。它采用的是企业信用评级指标分析法,由于股票市场价格是动态变化的,而企业信用评级在相当长的一段时间保持静止状态,因此使用该模型不能及时且准确地反映企业信用状况的变化。

  (2)CreditPortfolioView模型

  CreditPortfolioView模型主要从宏观的角度来分析债务的信用风险状况,其属于一种多因素信用分险度量模型,经常被用于对债务组合的信用风险和预期收益进行度量评判。该模型的基本思路是从宏观的角度分析经济变动的因素。而对信用违约迁徙矩阵参数的计算同时也需要大量的历史数据。由于我国商业银行内部评级机构发展比较滞后,市场中同时缺乏像国外一样的专业信用评级机构,所以难以获得相应的信用等级转移概率和企业违约回收期等必要数据从而使得CreditPortfolioView模型在我国信用风险度量领域的应用上受到一定的制约。

  (3)Creditrisk+模型

  Creditrisk+模型是瑞士银行利用保险精算的原理和思想提出的违约预测模型。该模型认为每笔贷款违约较小,且有一定独立性的特征与泊松分布较为相似。模型在计算时首先要对风险暴露根据一定频段进行分级,在对每个分段进行违约概率和预期损失求解后对其加总,得到多笔贷款的综合数据,最后求出贷款组合预期损失。该模型有计算简单,所需数据量较小的优势。但也有一定局限性,如对债务人信用状况的变化不敏感,忽略了信用转移风险。

  (4)KMV模型

  KMV模型有对所需数据量要求不高的特点,另外还具备一定程度预见性。可以在考虑我国经济制度和环境的前提下,对模型部分参数进行修正,用于度量我国上市公司信用风险。

  2.2KMV模型理论基础

  2.2.1KMV模型基本原理

  KMV模型的基本思想是:信用风险可以预测,借款人的资产负债结构可以一定程度的反映其违约风险,KMV模型通过对财务数据进行分析来评估不同借款人的预期违约概率,进而归纳为不同的信用级层。KMV模型认为企业的净资产数量的大小能够一定程度上反映出企业预期违约与否,如果在债务到期日企业的净资产大于债券的价值,那么企业会选择还款,遵守信用,而如果到期日企业净资产小于债权价值,那么企业就会发生违约。

  KMV将贷款公司的股东权益视为欧式认购期权,有效期为t,公司资产价值为目标资产,债务价值为执行价格。同时,在将公司股东权益转换为基于公司资产的看涨期权后,KMV还做出以下假设:当公司资产的市场价值大于债务价值时,公司将按照偿还期限偿还贷款;另一方面,公司的价值低于债务价值某一级别水平时,就会导致违约现象的发生,并且此临界级别被定义为违约点DP。

 

  其中,为股权价值,为资产价值,D为负债的账面价值(),r为无风险利率,t为债务期限,为资产价值波动性,N(·)为累积正态分布概率函数。

  对公式进行求导等变换,可得式子:

  (公式2.3)

  利用上式求得,,进而计算违约距离(DD)和违约概率(EDF)(式中DPT为违约实施点):

  (公式2.4)

  2.2.2KMV模型假设前提

  具体而言,KMV模型基本假设如下:

  (1)股票价格服从几何布朗运动,资产价值增长率假设为零;

  (2)公司资产结构包括股权价值和债务价值两部分,公司股权价值可视为欧式看涨期权;

  (3)市场可以卖空,并且可以完全使用所得收入,;

  (4)在期权期限内,股票不支付股息;

  (5)市场不存在交易费用和税收,不存在无风险套利机会;

  (6)证券交易具有连续性;

  (7)短期无风险利率r为常数,并对所有期限都是相同的。

  2.2.3KMV模型信用风险度量步骤

  KMV模型在信用风险度量过程中首先对收集到的财务报表数据进行处理,确定股权价值及波动率等参数,然后将模型所用的参数带入资产价值及其波动率的参函数关系式中,运用matlab编程处理可计算出公司资产价值及波动率,接着再对matlab进行编程可以求得公司违约距离和违约概率。

  2.2.4基于我国经济制度和环境下的KMV模型修正

  违约点的修正。通过查阅国外文献的研究,得知KMV公司将违约点设定为短期债务与0.5倍长期债务之和。我国信用历史数据库存较少,无法准确地测量出长期债务的权重,我国学者对此也有长期的争议。本文借鉴国内学者的观点,将违约点设置为短期债务与0.7倍债务之和。

  3我国房地产上市公司实证研究

  3.1样本选择和数据获取

  截止目前,由于我国目前缺乏庞大的违约样本数据库,搜集违约样本公司较为困难。本文根据多数文献的做法,以是否被ST及*ST作为上市房地产公司信用好坏的判断依据。本文选择只在A股上市的公司。本文按照2019年的上市房地产公司上市状态,将2019年作为T期。为了起到风险预警的作用,同时考虑到传统KMV模型的时效性,本文选取T-1期(即2019年)的财务指标及股市数据进行分析。将ST作为正例样本,正常公司作为负例样本。本文所用数据来自锐思金融数据库及人民银行官网。

  3.1.1样本时间的选取

  到目前为止,由于本年度我国上市房地产公司的信息无法收集,因此本文选择以2018年6月30日至2019年6月30日为时间区间,进以研究KMV模型对我国上市房地产公司的适用性。

 3.1.2研究对象的选取 

  考虑到1:1配比可能会提高模型对低信用风险企业判断的准确性,而降低对高信用判断准确度。选择1:4作为配比比例。本文首先通过沪交所、深交所上市公司财报选取了6家房地产上市公司作为违约组,同时选取了24家相近资产规模的公司作为正常组。

  3.2参数处理

  3.2.1公司股权价值

  由于我国实行过全流通改革,且本文所选样本均无非流通股,故本文直接选择锐思数据中公司年流通市值指标作为公司股权价值。

  3.2.2市场无风险利率r

  本文选取2015年央行最新公布的一年期存款基准利率(1.5%)作为本文无风险利率的替代指标。

  3.2.3股权价值波动率

  锐思金融数据库直接提供了波动率指标数据,本文根据其中的日收益波动数据,用式子将其年化,求得年波动率。式中n为交易天数,2018年大多数公司正常交易日天数约244天,即本文n取244。

  3.2.4债务时间T

 

  3.2.5债务账面价值

  通过文献发现,国外学者在以KMV模型为基础研究信用风险时往往将债务账面价值定义为短期负债与长期负债相加总,我国学者在研究过程中基于我国特殊国情,通过借鉴国外学者的经验,在研究过中债务账面价值的定义和国外学者相同,即:

  债务账面价值=短期负债+长期负债

  3.2.4资产价值及资产价值波动率

  公司资产价值及资产价值波动率不能从报表中直接得到,通过以上30家企业的股价和股价波动率带入已知参数,利用公式(公式4.1)

  借助MATLAB程序进行求解,联立方程组可以求得资产价值和资产波动率部分数据如下表:(详见附录一)

  表4-1资产价值及资产价值波动率计算表

  

ST

正常组

上市公司代码

资产市价

资产波动率

上市公司代码

资产市价

资产波动率

C000897

9147324726

0.172069719

C600510

22804203208

0.067468402

C002147

10690631508

0.330905023

C000667

19814027423

0.086114501

C600696

1679230757

0.347593617

C600638

13077876293

0.149259123

C600807

8025605276

0.19048909

C600094

41933539441

0.084787514

C600807

9209482526

0.237469372

C600007

17904140002

0.243632952

C600817

1359616379

0.341073376

C000402

96140404481

0.068526523

  表4-2违约距离及违约概率计算表

 

ST

正常组

上市公司代码

违约距离

预期违约率

上市公司代码

违约距离

预期违约率

C000897

2.354421778

0.009275774

C600510

4.062103657

2.43E-05

C002147

1.200681153

0.114937454

C000667

3.746400291

8.97E-05

C600696

2.731682292

0.003150594

C600638

3.583175031

0.000169721

C600807

1.712251404

0.043425174

C600094

3.507414055

0.000226242

C600807

1.738272785

0.04108138

C600007

3.398348875

0.00033897

C600817

2.837166875

0.002275791

C000402

3.351394457

0.000402028

  3.3利用excel对违约组与非违约组进行独立样本检验

  表4-3T检验

   

 

变量 1

变量 2

平均

0.036

0.001

方差

0.002

0.000

观测值

6

24

假设平均差

0.000

 

df

5.000

 

t Stat

1.981

 

P(T<=t) 单尾

0.052

 

t 单尾临界

2.015

 

 

  t值约在0.05水平上显著,拒绝原假设,接受备择假设,即两组数据之间存在显著性差异。说明KMV模型在我国房地产上市公司的信用风险度量上有一定分别能力,适用性较好,具备一定应用价值。

  4结论与展望

  4.1结论及建议

  实证结果表明,违约组的房地产上市公司违约距离小于正常组的房地产上市公司。违约距离和违约概率是衡量企业信用的重要指标,一般来说,违约距离近的公司其实际违约概率较高,所以KMV模型在我国有一定的适用性,提出几点建议,

  (1)增强KMV模型的适用性

  通过上文研究可以看出,由于我国社会主义金融市场与国外市场环境不同,我国许多学者在进行科研时对KMV模型作出了不同程度的修正。但是KMV公司对自身的测算技术监管十分严格,使得国内学者只能对模型的某些参数进行应有的调整。所以我国学者应该对KMV模型进行深度的解析,分析其主要机理,结合我国经济市场,对该模型内部构造加以改进,对模型的股价测算及违约点的预选等环节深度研究来提高该模型对我国的适用性。

  (2)健全市场监管机制,改进信用风险度量模型

  信用风险方面,优先考虑对市场进行优化,从信用风险的根本来源来降低信用风险的违约事件数量,同时针对信用风险度量应该加强事前的监管。例如:增加更为完备的法律条款,严格规范金融市场交易制度,建立一套更为健全的市场监管机制;加强金融市场交易双方的信息对接,建立终身信用评级机制,提高市场交易的透明度,降低由于信息不对称导致的信用风险,进而提高整个金融市场的运作效率。再如,应加强信用违约的惩戒力度,对我国上市公司的造假行为及股市幕后操盘手等现象执行严肃处理,使得股价的涨跌变化能够更准确地反映上市公司的经营能力,来确保KMV模型对我国的信用风险度量更为适用,为度量模型创造良好的测算环境。由于我国学者在研究KMV模型过程中根据自身研究的内容对有关参数进行了调整,使得KMV模型的调整方式及程度五花八门,其研究结果缺乏一定的权威性,在大数据背景下,根据历史研究数据可以运用现代计算机对数据及模型进行深度剖析,对该模型进行论证后的修改在我国更加适用且具有代表性。

  (3)建立完备的信用违约数据体系

  我国证券交易市场经营较晚,违约数据库存较少,这使得建立历史违约数据库较为困难;同时,我国的金融机构在信用风险度量的度量方面由于自身内部信用评级较落后,无法通过对比历史违约数据作参照,使得凭借理论违约概率而产生的误差对信用风险度量形成了一定的影响。因此,可以根据历史违约数据库,建立完备的信用违约数据体系,增加信用风险度量的代表性。

  (4)建立专业的信用风险度量管理人员储备队伍,加强信用风险管理措施。

  我国信用机构通过一些新的方式收集信用违约数据,增加对自身房地产上市公司征信体系的构建,并根据国外信用风险管理方法加以改进制成我国的特色方法。借助互联各种平台收集违约数据,增加历史违约数据库存,从而减少借贷双方信息不对称问题的发生。对于房地产这种受到国家政策宏观调控的行业,由政府出台相关政策文件,拓宽公司融资渠道,例如:创建新的融资平台,鼓励企业多创新,加大公司融资效率,拓展其业务融资渠道,减少融资成本,更好地管理信用风险。另外,我国金融市场发展较晚,许多金融机构中皆存在的信用风险问题尚掩藏于浮水中,国内没有对信用风险做到该有的重视程度,使得我国缺乏信用风险评估人才,完备的信用风险管理队伍还未成型。因此,我国需要多多加强信用风险管理人员的培养,提高管理人员的事前监督与防范,事后高效处理的能力。

  (5)建立多途径的房地产企业融资平台

  由上文中显示,违约组相对正常组的预期违约概率较高,但也有极个别的违约率较高的正常组公司,我们可以看出房地产行业的信用风险是很常见的,即使是正常组公司也会有发生信用违约的可能性。对商业银行等金融机构,要格外关注企业的信用风险状况,根据该企业的信用风险评级作出相应的借贷调整。房地产上市公司则应该降低信用风险违约概率,拓宽企业融资渠道。现今我国房地产行业主要融资渠道是各类银行贷款,如果该行业出现资金回转时滞甚至资金链断裂等问题时,银行负债率会明显提高,严重影响我国市场经济的运作,产生连锁反应,阻碍经济的发展。因此,建立多途径的房地产企业融资平台尤为重要,鼓励金融平台大力创新,进而减少信用风险违约事件的发生。

  4.2本文不足及展望

  综上所述,根据我国上市房地产公司财务报表数据进行实证分析,得出了修正好的KMV模型实证结果,但由于本人水平不足,本文仍然存在着一些不足,希望在后续的研究中,能够注意并改进这些问题,使得该方向的研究更加科学合理,更具备说服力。这些不足之处主要体现在:

  (1)由于数据来源的局限性使得样本选取不足。在本文中违约组上市公司数据有限,使得违约组与正常组的对比代表性不是很强,并且没有进行相关的实证检验分析;

  (2)参考多数文献的做法,在KMV模型中,本文没有对公司的资产价值波动是否需要纠正进行深入的研究,这一点需要学者们继续对KMV模型根据我国金融市场数据进行相应的修正,继续努力;

  (3)由于我国金融市场发展较晚,相对于发达国家而言,我国的市场监管机制需要进一步地完善,同时市场干扰因素较多,这使得我国KMV模型研究数据测算出的结果准确性有待提高。

  参考文献

  [1]MertonR.C.Onthepricingofcorporateratetheriskstructureofinterestrates[J].JournalofFinance,1974,29(2):499-470.

  [2]MichaelB.Acomparativeanatomyofcreditriskmodels[J].JournalofFinanceandBanking,2000,24(1):119-149.

  [3]ordyaMB.Granularityadjustmentformark-to-marketcreditriskmodels[J].JournalofBankingandFinance.2012,36(7):1896-1910.

  [4]AcharyaVV,AlmeidaH,CampelloM.AggregateRiskandtheChoicebetweenCashandLinesofCredit[J].TheJournalofFinance,2013,68(5):2059-2116.

  [5]王春峰,万海晖,张维.商业银行信用风险评估及其实证研究[J].管理科学学报,1998(01):70-74

  [6]方洪全,曾勇,何佳.多标准等级判别模型在银行信用风险评估中的应用研究[J].金融研究,2004(09):92-100.

  [7]张玲,杨贞柿,陈收.KMV模型在上市公司信用风险评价中的应用研究[J].系统工程,2004(11):84-89.

  [8]董冉冉,赵新顺.基于KMV模型的银行信用风险测量[J].黑龙江对外经贸,2006(11):84-86+116.

  [9]靳凤菊.基于CPV模型的房地产信贷信用风险的度量和预测[J].金融论坛,2007(09):40-43.

  [10]李晟,张宇航.中国上市商业银行信用风险分析及比较——基于KMV模型及面板数据[J].中央财经大学学报,2016(10):31-38.

  [11]罗方科,陈晓红.基于Logistic回归模型的个人小额贷款信用风险评估及应用[J].财经理论与实践,2017,38(01):30-35.

  [12]陈敏,冯伟,彭志云.基于KMV模型的商业银行房地产贷款信用风险研究[J].湖南财政经济学院学报,2012,28(06):74-78.

  [13]王元月,景在伦,刘伟.KMV模型在上市公司财务困境预警中的应用——以超日太阳为例[J].财会通讯,2015(08):87-90.

  [14]杨秀云,蒋园园,段珍珍.KMV模型在我国商业银行信用风险管理中的适用性分析及实证检验[J].财经理论与实践,2016,37(01):34-40.

  [15]张彬.基于KMV模型的融资租赁公司信用风险度量研究[D].东华大学,2014

  [16]冯敬海,田婧.基于遗传算法KMV模型的最优违约点确定[J].大连理工大学学报,2016,56(02):181-184.

  [17]王金平,李嘉瑜.我国房地产行业上市公司信用风险分析——基于KMV模型[J].绥化学院学报,2016,36(11):5-11.

  [18]王慧,张国君.KMV模型在我国上市房地产企业信用风险度量中的应用[J].经济问题,2018(03):36-40.

  [19]王星予,余丽霞,阳晓明.商业银行信贷资产证券化信用风险研究——基于修正的KMV模型[J].金融监管研究,2019(03):54-66.

  [20]李涛.基于KMV模型的我国上市公司信用风险度量实证研究[D].西安理工大学,2019

  

2021年11月26日 15:41
浏览量:0
收藏
首页    论文范文    工商管理    我国上市房地产企业信用风险研究 ——基于修正的KMV模型
站点标题-双击进行编辑

最新文章

站点标题-双击进行编辑

热门文章

会计论文
MBA论文
人力资源
工商管理
美术论文
汉语言文学
音乐论文
舞蹈论文
法律论文
财务管理
市场营销