بررسی ارتباط بین احتمال نکول و ساختار سرمایه با استفاده از مدل KMV و روش پنل دیتا
محورهای موضوعی : دانش مالی تحلیل اوراق بهادار
شهلا آذری پناه
1
(مسئول مکاتبات)
میرفیض فلاح شمس
2
(ندارد)
کلید واژه: ریسک اعتباری, احتمال نکول, مدل KMV ساختارسرمایه,
چکیده مقاله :
چکیدهتاکنون مدل های مختلفی برای پیش بینی وضعیت ریسک اعتباری مشتریان ارائه شده است دراین میاناستفاده از مدلی که تنها متکی برداده های تاریخی نباشد و از داده های بازار نیز به عنوان هشداری درموردوضعیت فعلی مشتری و حتی انتظارات نسبت به وضعیت آینده آن باشد ، ضروری به نظر می رسد.در اینپژوهش رابطه بین اجزاء ساختار سرمایه و احتمال نکول شرکت های پذیرفته شده در بورس اوراق بهادار تهرانمورد بررسی قرار گرفته است. داده های تحقیق از نمونه ای چهل تایی از شرکت های سهامی دریافت کننده1383 استخراج شده است.دراین پژوهش ابتدا با به - تسهیلات از بانک های ایرانی در طی سال های 1389احتمال نکول شرکت ها محاسبه گردیده و پس از آن به روش پنل دیتا بین اجزاء ساختار KMV کاربردن مدلاهرم، نوسان بازده دارائی ، بازده سهام و ضریب حساسیت)و ،B/M ، سرمایه (متغیرهای مستقل یعنی اندازه شرکتمتغیر وابسته (احتمال نکول) رگرسیون وسپس آزمون های رگرسیون را انجام داده ایم.نتایج این تحقیق بیانگروجود رابطه معناداربین ساختار سرمایه واحتمال نکول شرکت ها است.
So far different models have been proposed for prediction of customers’ credit risk.However, use of a model which without relying on historical data employs market data asa warning about the customer’s current state and even about the expectations regardingthe customer’s future state seems necessary. In this research, the relationship betweencomponents of capital structure and probability on default of the listed companies onTehran Stock Exchange (TSE) has been investigated. Research data were extracted froma sample consisted of 40 joint-stock companies receiving facilities from Iranian banks forthe period 2004-2010. First, using KMV model the firms default probability wascalculated. Next, using Panel Data method a regression was performed to examine therelationship between capital structure components as the independent variable (firm size,B/M, leverage, fluctuation of return on asset, share return, and sensitivity coefficient) andprobability of default as the dependent variable and then regression tests were conducted.Research results indicate a significant relationship between capital structure andprobability on firms default.
) آذر، ع. و مومنی، م. ( 1390 ). آماروکاربردآن
درمدیریت (تحلیل آماری)، انتشارات سمت،
. چاپ 15
2) خانی سروعلیایی، م. ( 1386 ). طراحی وتبیین
مدل ریسک اعتبارات درنظام بانکی کشور(پایان
نامه ارشدمدیریت بازرگانی، دانشگاه آزاد تهران
.( مرکز، زمستان 86
3) خوانساری، رسول. ( 1388 ). ارزیابی کاربرد مدل
ساخترای کی ام وی در پیش بینی ریسک
اعتباری مشتریان حقوقی بانک های ایرانی(پایان
نامه ارشد، مدیریت مالی، دانشگاه امام صادق
.( (ع)، دفاع تابستان 1388
.( 4) صالحی صدقیانی، ج. و ابراهیمی، ا. ( 1388
تحلیل آماری پیشرفته، انتشارات هستان، چاپ
چهارم.
5) صفری، س.، ابراهیمی شقاقی، م. و شیخ، م.
1389 ). مدیریت ریسک اعتباری مشتریان )
حقوقی در بانک های تجاری با رویکرد تحلیل
پوششی داده ها (رتبه بندی اعتباری)، پژوهش
شهلا آذری پناه و میرفیض فلاح شمس
96 فصلنامه علمی پژوهشی دانش مالی تحلیل اوراق بهادار / شماره هجدهم
، های مدیریت در ایران، دوره 14 ، شماره 4
.137-164
6) طالبی، م. و شهرزادی، ن. ( 1390 ). ریسک
اعتباری:اندازه گیری و مدیریت، انتشارات
سمت، چاپ اول.
7) Allen, L., Delong, G., & Saunders, A.
(2004). Issues in the Credit Risk Modeling
of Retail Markets, Journal of Banking &
Finance, Vol.28, pp. 727-752. 8) Bandyopadhyay, A. (2006). Predicting
Probability of Default of Indian
Corporate Bonds: Logistic and Z-score
Model Approaches, The Journal of Risk
Finance, Vol.7, pp.255-272. 9) Caauette, J.-B., Altman, E.-I., &
Narayanan, P. (1998). Managing Credit
Risk the next Great Financial Cballenye. 10) Chen, X., Wang, X., & Dash wu, D.
(2010). Credit Risk Measurement and
early Warning of SMES: An Empirical
Study of Listed SMES in China , Decision
Support Systems, Vol.49, pp. 301-310.
11) Gharghori, P., Chan, H., & Faff, R.
(2009). Default Risk and Equity Returns:
Australian Evidence, Pacific-Basin
Finance Journal, Vol.17, pp. 580-593.
12) Jarrow, R.-A. (2011). Credit Market
Equilibrium Theory and Evidence :
Revisiting the Structural Versas Reduced
from Credit Risk Model Debate, Finance
Research Letters,Vol.8, pp. 2-7.
13) Lee, W.-C. (2011). Redefinition of the
KMV Model’ s Optimal Default Point
Based on Genetic Algorithms: Evidenece
from Taiwan, Expert Systems with
Applications, Vol.38, pp. 10107-10113 14) Yu, L., Yao, X., Wang, S., & Lai, K.
(2011). Credit Risk Evaluation Using a
Weighted lest squares SVM classifier with
design of experiment for parameter
Selection Expert Systems with
Applications, Vol.38, pp. 15392-15399