多變數信用風險判別模型是以特徵財務比率為解釋變數，運用數量統計方法推導而建立起的標準模型。運用此模型預測某種性質事件發生的可能性，及早發現信用危機信號，使經營者能夠在危機出現的萌芽階段採取有效措施改善企業經營，防範危機；使投資者和債權人可依據這種信號及時轉移投資、管理應收帳款及作出信貸決策。目前國際上這類模型的套用是最有效的，也是國際金融業和學術界視為主流方法。概括起來有線性機率模型、Logit模型、Probit模型和判別分析模型。其中多元判別分析法最受青睞，Logit模型次之。
基本介紹
- 中文名：模型判別
- 屬於：多變數信用風險判別模型
- 解釋變數：特徵財務比率
- 方法：數量統計方法
多變數信用風險判別模型的內容,信用風險判別模型的分析與評價,分析法的比較,
多變數信用風險判別模型的內容
多變數信用風險判別模型主要包括以下幾種：
（1）多元線性判定模型（Z-score模型）。其是財務失敗預警模型，最早是由Altman(1968)開始研究的。該模型通過五個變數（五種財務比率）將反映企業償債能力的指標、獲利能力的指標和營運能力的指標有機聯繫起來，綜合分析預測企業財務失敗或破產的可能性。一般地，Z值越低，企業越有可能發生破產。具體模型為：
Z=V1X1+V2X2+…+VnXn
其中，V1、V2…Vn是權數，X1、X2…Xn是各種財務比率。根據Z值的大小，可將企業分為“破產”或“非破產”兩類。在實際運用時，需要將企業樣本分為預測樣本和測試樣本，先根據預測樣本構建多元線性判定模型，確定判別Z值（Z值的大小可以作為判定企業財務狀況的綜合標準），然後將測試樣本的數據代入判別方程，得出企業的Z值，並根據判別標準進行判定。此方法還可以用於債券評級、投資決策、銀行對貸款申請的評估及子公司業績考核等。
（2）多元邏輯模型（Logit模型）。其採用一系列財務比率變數來預測公司破產或違約的機率，然後根據銀行、投資者的風險偏好程度設定風險警界線，以此對分析對象進行風險定位和決策。Logit模型建立在累計機率函式的基礎上，不需要自變數服從多元常態分配和兩組間協方差相等的條件。Logit模型判別方法先根據多元線性判定模型確定企業破產的Z值，然後推導出企業破產的條件機率。其判別規則是：如果機率大於0.5，表明企業破產的機率比較大；如果機率低於0.5，可以判定企業為財務正常。
（3）多元機率比回歸模型（Probit回歸模型）。其假定企業破產的機率為p，並假設企業樣本服從標準常態分配，其機率函式的p分位數可以用財務指標線性解釋。其計算方法是先確定企業樣本的極大似然函式，通過求似然函式的極大值得到參數a、b，然後利用公式，求出企業破產的機率；其判別規則與Logit模型判別規則相同。
（4）聯合預測模型。聯合預測模型是運用企業模型來模擬企業的運作過程，動態地描述財務正常企業和財務困境企業的特徵，然後根據不同特徵和判別規則，對企業樣本進行分類。這一模型運作的關鍵是準確模擬企業的運作過程，因此，它要求有一個基本的理論框架，通過這一框架來有效模擬企業的運作過程，從而能夠有效反映和識別不同企業的行為特徵、財務特徵，並據此區分企業樣本。
信用風險判別模型的分析與評價
多變數信用風險判別模型幾種模型的優缺點主要體現在以下幾個方面：
（2）Logit模型的最大優點是，不需要嚴格的假設條件，克服了線性方程受統計假設約束的局限性，具有了更廣泛的適用範圍。目前這種模型的使用較為普遍，但其計算過程比較複雜，而且在計算過程中有很多的近似處理，這不可避免地會影響到預測精度。
（3）Probit模型和Logit模型的思路很相似，都採用極大化似然函式，但在具體的計算方法和假設前提上又有一定的差異，主要體現在三個方面：一是假設前提不同，Logit不需要嚴格的假設條件，而Probit則假設企業樣本服從標準常態分配，其機率函式的p分位數可以用財務指標線性解釋。二是參數a、b的求解方法不同，Logit採用線性回歸方法求解，而Probit採用極大似然函式求極值的方法求解。三是求破產機率的方法不同，Logit採用取對數方法，而Probit採用積分的方法。
分析法的比較
Logit模型是採用一系列財務比率變數來預測公司破產或違約的機率，然後根據銀行、投資者的風險偏好程度設定風險警界線、以此對分析對象進行風險定位和決策。Logit模型與多元判別分析法的本質區別在於前者不要求滿足常態分配,其模型採用Logistic函式。由於Logistic回歸不假定任何機率分布,不滿足正態情況下其判別正確率高於判別分析法的結果。
