محاسبه احتمال نکول شرکتها بر اساس مدل مرتون: استفاده از مدل قیمت گذاری دارایی های سرمایه ای شرطی با بتای متغیر نسبت به زمان

محورهای موضوعی : مهندسی مالی

مهدی ثابتی ¹ , غلامرضا زمردیان ² , میر فیض فلاح ³ , مهرزاد مینویی ⁴

1 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران و عضو گروه پژوهشی مخاطرات مالی مدرن
3 - گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران و عضو گروه پژوهشی مخاطرات مالی مدرن
4 - گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1400/04/08 تاریخ پذیرش : 1400/05/13 تاریخ انتشار : 1401/07/01

کلید واژه: ریسک اعتباری, احتمال نکول, گارچ چند متغیره, مدل های ساختاری,

چکیده مقاله :

موضوع این پژوهش پیش‌بینی احتمال نکول60 شرکت از دو صنعت خودرو و صنعت مواد غذایی با استفاده از مدل ساختاری مرتون و بر اساس تخمین بتای بازدهی سهام شرکت‌ها با بازدهی شاخص بازار سهام با روش گارچ چند متغیره می باشد. اطلاعات مربوط به شاخص بازار سهام و ارزش بازار سهام شرکت‌های مذکور به صورت روزانه از 10 مرداد 1397 تا 9 شهریور 1398 جهت مدل‌سازی استفاده شده است. در این پژوهش مدل‌سازی احتمال نکول بر اساس تخمین ارزش دارایی، نوسان دارایی و نرخ رانش صورت می گیرد. تخمین ارزش دارایی و نوسان دارایی بر اساس رویکرد تکرار شونده مدل ارزش دارایی بلک شولتز انجام می‌گیرد. برای تخمین نرخ رانش یا بازدهی مورد انتظار ارزش دارایی از مدل قیمت‌گذاری دارایی‌های سرمایه‌ایCAPM استفاده می‌کنیم. بر اساس آزمون‌های انجام شده به این نتیجه می‌رسیم که پیش‌بینی احتمال نکول با بتای حاصل از روش گارچ چند متغیره به نرخ واقعی نکول در یک سال آتی نزدیک‌تر می‌باشد. لذا با توجه به قدرت پیش‌بینی بهتر احتمال نکول با بتای محاسبه شده از روش گارچ چند متغیره، استفاده از این مدل در پیش‌بینی احتمال نکول شرکت‌های حقوقی که سهام آنها در بورس معامله می‌شود دقت بالاتری ارائه می‌دهد.

چکیده انگلیسی:

The purpose of this article is to predict probability of default of 60 corporations with structural Merton model. we used market data of 60 corporations from 2018/08/01 to 2019/09/01 witch are listed in Tehran Stock Exchange For predicting probability of default . to reach this goal we estimated assets value of corporations, volatility of assets and drift rate. We used Capital asset pricing method to estimate expected assets return. Then We used simple regression method and multivariate GARCH (MGARCH) to estimate Beta of corporations. in the end we compute d likelihood function of the average predicted default for each industry and compared the results with actual default rate of that industry in the next year after predicted date. Regarding obtained results of likelihood function probability of default prediction with multivariate GARCH (MGARCH) approach outperform the simple regression model, therefore we recommend using the MGARCH approach for its better prediction performance.