恩拉姆信用管理有限公司 ALARM CREDITRATING CO., LTD 登录

BPM V3.0
中小企业信用风险预测模型

内容

1.BPM V3.0信用风险预测模型简介
2.建模使用财务数据说明
3.建模方法
4.模型检验
5.案例分析


1.预测模型简介

1.中国首个建立于大量财务数据基础上,是目前已知海内外搜集财务数据最多的预测模型;
2.模型的创建得益于20多年在破产、违约预测领域的丰富经验;
3.模型预测的准确性经过多年的世界500强企业的内部的充分的检验;
4.预测具有广泛的用途:

  • 判断交易对手未来是否破产
  • 判断是否给客户发放贷款
  • 判断持有债券未来是否违约
  • 判断应收账款是否及时收回
  • 判断持有股票未来是否ST或下市
  • 判断供应商是否稳定经营供货
  • 作为您现有预测模型或评级机构的对比参考
  • 作为内部评级体系的基准
  • 帮助满足巴塞尔新资本协议Ⅲ的合规要求
5.模型预测准确率: 破产或违约预测准确率>85%,财务安全预测转确率>82%
预测准确率高于穆迪 Risk Calc 和Altman Z Score

预测模型 BPM V4.0 穆迪 Risk Calc V3.1 Altman Z Score
预测准确率 85% 67% 60%

6.模型的优越性
  • 模型通俗易懂、易于向客户解释
  • 使用财务指标少、计算简单
  • 准确性高
  • 稳定可靠
穆迪 Risk Calc V3.1 10财务指标 Logit模型

Y=1/{1+e^[-(a+b1*X1+b2*X2+b3*X3+b4*X4+b5*X5+b6*X6+b7*X7+b8*X8+b9*X9+b10*X10)]}
其中:a、b1、b2、b3、b4、b5、b6、b7、b8、b9、b10为常数;
   X1=营业收入; X2=净资产/总负债 ; X3=营收增长率; X4=资产回报率;
   X5=净利率变动率; X6=存货/营业收入; X7=应收账款/营业收入;
   X8=总资产周转率; X9=息税折旧前利润/利息费用; X10=流动比率


2.建模使用财务数据说明

全球最大的信用风险财务数据库,包括了73个行业
数据库除引用S&P Capial IQ以及BVD OSIRIS财务数据
另外自1990年以来手工搜集非上市企业财务数据
所有的财务数据均经过仔细的分析,用于建模的财务数据剔除了数据不全、数据失真

  公司数量 违约或破产数量 财务报表数量
中国 15,400 3,900 44,000
亚太 78,300 5,300 325,000
北美 235,000 21,800 1,162,000
欧洲 3,896,000 412,000 18,980,000
非洲 57,000 1,350 171,000
全球 4,281,700 444,350 20,682,000

3.建模方法说明1--财务数据清理

1.清除低质量的财务数据

  • 剔除无有效日期的财务报表
  • 剔除会计科目缺失的财务报表
  • 剔除会计科目勾稽关系不匹配的财务报表
  • 剔除已经被监管当局披露造假的财务报表
  • 剔除涉嫌造假的财务报表
  • 剔除在破产前1年财务指标不符合会计理论而突变的财务指标
  • 比如“现金流收益率”和“长期资产对长期负债比率”突然逆转,以及应付账款周转期及酸性比率,在破产组的平均值变得更高或小于非破产组的平均值


3.建模方法说明2--财务指标变量选取

2.最初选择72项财务指标,剔除不符合会计理论和在破产组的平均值变得更高或小于非破产组的平均值的财务指标后,最终建模选用42项财务指标:



3.建模方法说明3--模型选取

1.由于线性判别模型(MDA或Zscore)和二元判别模型(Logit)要求破产和非破产财务数据参数必须符合正态分布和方差齐性,但现实并非如此;因此选择非参数方法的CART(分类和回归树)模型以及遗传算法的手动交叉技术来选择财务变量,程序选用S- Plus算法、CART算法、C4.5算法;
2.CART模型将独立的财务指标变量具有树的形式,树的根部具有高分支权重,将财务数据分为破产公司和非破产公司。但是,高分支权重不意味着显著性来判别破产。如果不包括非破产群组的财务数据要好于分成两个群组数据,非破产群组的财务变量数据将具有高的分支权重出现在树的根部。一个破产预测模型在众多非破产公司中寻找破产公司,因此显著性财务指标不能被鉴别通过提取仅仅当变量结束在CART模型的根部。考虑以上因素,区分指标,从会计科目的观点解释每个指标是非常重要的。同时考虑财务指标的波动和企业行为最终来判别破产企业。
3.当财务指标小于某个数值时,分布在树的左边,意味着可能破产;当财务指标大于某个数值时,分布在树的右边,意味着不可能破产;因此,企业群组就被分成两个群组,破产群组(树的左边)和非破产群组(树的右边);


3.建模方法说明--CART模型示例



3.建模方法说明4--财务指标选取


利用逐步回归技术对财务指标的判别能力排序,最终选择逐步回归和CART判别能力一样最强的前4个财务指标;




3.建模方法说明5--模型公式构建

1.选择多元判别分析为最终的模型:
BPM V3.0预测模型= a+b1*X1+ b2 *X2 + b3*X3 +b4*X4
其中a、b1、b2、b3、b4为常数,X1、X2、X3、X4为财务指标变量

2.财务指标变量解释:



3.建模方法说明6--确定破产判别点


  当破产判别点为>0.68时,平均错判比率最小为19.72%;因此选择0.68为破产判别点;

3.建模方法说明6--模型最终确定

3.模型判断准则和评级意义:



4.模型检验

案例分析--预测公司破产

 模型能够在前2年准确预测公司破产


版权及说明

本文件的版权归属恩拉姆信用管理有限公司所有。
未经恩拉姆信用管理有限公司书面授权或许可,任何机构和个人不得以任何形式、任何方法复制、修改和传播本文件。恩拉姆信用管理有限公司及其员工不对使用本文件而导致的任何直接或间接损失负责。
恩拉姆信用管理有限公司主要通过网站WWW.ALARM88.COM发布技术政策文件,并对所发布的技术政策文件拥有解释、修订、更新和废止权利。