عنوان پایان‌نامه
بهبود مدل kmv به منظور سنجش ریسک اعتباری شرکت های غیر بورسی
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75349;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75349
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۴
- دانشجو
- سروش خواجه حق وردی
- استاد راهنما
- شاپور محمدی
- چکیده
- با توجه به اهمیت مدل های ساختاری در ریسک اعتباری همچنین تعداد زیاد شرکتهای غیربورسی، در این پژوهش به بررسی مدل KMV-PFM پرداختیم. مدل مذکور همان مدل KMV برای شرکتهای غیربورسی است که با ایجاد مفروضاتی استفاده از مدل KMV را برای شرکتهای غیربورسی مقدور ساخته زیرا آنها در بازار معامله نشده اند و داده های نوسان و ارزش حقوق صاحبان سهام شرکتهای مذکور در دسترس نیست. پس از استفاده از مدل KMV-PFM، دو روش جهت بهبود مدل پیشنهاد شد و عملکرد آن ها مورد سنجش قرار گرفت. در همه مراحل از مدل آلتمن برای شرکتهای غیربورسی به عنوان مدلی برای مقایسه عملکرد استفاده شد. دادههای ترازنامه ای 246 شرکت غیربورسی برای سال 1392 و 227 شرکت بورسی به همراه داده های معاملاتی آنها نیز جهت تخمین مدل استخراج شده است. در نتیجه پس از بررسی مدلها و روشهای بهبود مدل، به این نتیجه دست یافتیم در صورتی که اگر ابتدا مدل KMV برای شرکتهای بورسی استفاده شود و پس از آن با استفاده از یک شبکه خودسامانده بر مبنای معیارهای مرتبط و منطقی خوشه بندی میان شرکتهای بورسی و غیربورسی صورت گیرد، میتوان احتمال نکول محاسبه شده برای شرکتهای بورسی را به غیربورسی تخصیص داد و نتیجه حاصل از این عمل دقت بیشتری نسبت به استفاده از مدل KMV-PFM دارد.
- Abstract
- Structural models are very important in credit risk literature. On the other hand unlisted firms are major client of bank services, so credit risk estimation for these companies can help banks in their business. There isn’t trading information for private firms, so we cannot use KMV model for them. In this research we try to improve KMV-PFM model by some assumptions. After using KMV-PFM we suggest two methods to improve KMV-PFM’s performance. Then we assess models’ performance in order to make comparison between models. Data of profit loss and balance sheet for 246 private firms and 227 listed companies during 1392 were collected. For listed firms we gather trading data. Results show that if we use KMV for listed firms. After that with a SOM network we allocate probability of default to private companies by similarity. We will have better results
