새로운 모수추정법을 사용한 구조형 부도확률모형의 예측성과

강대일; 조재호

추천

검색

자료유형: 학술저널

저자정보: 강대일 조재호

저널정보: 한국재무학회 재무연구 재무연구 제24권 제4호

발행연도: 2011.1

수록면: 1,021 - 1,067 (47page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (2)

2011

새로운 모수추정법을 사용한 구조형 부도확률모형의 예측성과

강대일 , 조재호 재무연구 2011.01 학술저널

2010

새로운 모수추정법을 상용한 구조형 기업부도확률모형간 예측성과

강대일 한국경영학회 융합학술대회 2010.08 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 연구는 국내주식시장 자료와 새로운 모수추정법인 2단계반복갱신법을 사용하여 구조형 부도확률모형들의 예측성과를 분석한다. 본 연구에서 채택한 부도확률모형은 Leland(2006)에서 비교한 구조모형들인 Longstaff and Schwartz(1995), Leland and Toft(1996), Merton(1974)과 Brockman and Turtle(2003)의 down and out 콜옵션모형이다. 본 연구의 2단계반복갱신법은 기존의 반복갱신법으로 추정할 수 없었던 Leland and Toft 및 down and out 콜옵션모형의 장벽모수를 일별로 추정할 수 있게 한다. 특히 본 연구는 반복갱신법과 역사적변동성법간 구조모형별 부도확률 예측성과를 비교한다. 각 구조모형에 적합한 2단계 및 기존의 반복갱신법을 적용할 때 해당 구조모형의 부도확률 예측성과가 다른 모수추정법에 비하여 통계적으로 유의하게 나타난다. 특히 역사적변동성법에서 부도확률의 예측성과가 나타나지 않던 Leland and Toft의 모형은 2단계반복갱신법을 적용할 경우 부도확률의 예측성과가 통계적으로 유의하게 나타난다. 또한 Bharath and Shumway(2008)에서와는 달리 2단계반복갱신법으로 추정한 구조모형 부도확률은 충분통계량의 성질을 만족시킨다.

We construct a new iterative method to estimate parameters in structural default probability models and compare their forecasting performances using stock return and accounting data of Korea. To adopt the new iterative method, we select four structural default probability models: Longstaff and Schwartz (1995: LS), Leland and Toft (1996: LT), Merton (1974: DD), and the down and out call option model adopted in Brockman and Turtle (2003: DOC). The new method makes it possible to daily estimate the barrier parameter in LT and DOC, which is not possible under the existing methods [see Vassalou and Xing(2004) and Bharath and Shumway (2008)]. When we adopt the new iterative method to LT and DOC and the existing iterative method to LS and DD in order to analyze out-of-sample and accuracy ratio tests, forecasting performances of above calculated default probabilities are more statistically sufficient than those of default probabilities under other estimation methods. Especially, default probabilities in LT using the new iterative method show statistically supported forcasting performances, though those using the other estimation methodhave no forecasting performance. Moreover, unlike the results in Bharath and Shumway (2008), default probabilities under the new iterative method satisfy properites of sufficient statistics. The new iterative method is significant in three aspects. First, the new iterative method can offer a new approach to solving two puzzles in asset pricing, the equity premium puzzle and the credit spread puzzle, since the new method provides relatively effective default probabilities among other methods in structural default probability models. Vassalou and Xing (2004) construct rank portfolios by DD’s default probabilities with the existing iterative method used by KMV and study whether equity returns reflect performances for those portfolios. Goldstein (2009) and Chen et al. (2009b) study the relationship between the credit spread puzzle and the equity premium puzzle with structural default probability models. Second, the new iterative method is a simple alternative to MLE(maximum likelihood estimation) which requires heavy and complex calculation [see Ercsson and Reneby (2005), Chen et al. (2009a), Forte and Lovreta (2009), Wong and Choi (2009), and Chen et al. (2010)]. The new iterative method is, in fact, the only method that can daily provide barriers as well as total firm values. Both methods let the first passage time stochastic process of a firm follow a geometric Brownian motion with a drift rate and a volatility rate in, for instance, DOC and LT. Last, we test whether default probabilities of DOC, LT, LS, and DD are sufficient statistics using the forward induction iterative method. Bharath and Shumway (2008) test sufficient statistics only with DD’s default probabilities through the existing forward iterative method of KMV. In order to daily estimate implied barriers and total firm values for DOC using the new iterative method, we follow four steps. First, having fixed a moving window, ordinarily 1 year with 250 business days, we calculate standard deviations of moving averages of equity returns as initial volatility values of a firm under the forward induction. We use the total firm value equal to the book value of the total debt plus the market capitalization as an initial value for a firm on a given day. Second, on that day, we use the Newton-Rahpson method and calculate a implied barrier by taking the derivative of the option value with respect to the barrier. Then using the Newton-Rahpson method again, we calculate a new total firm value by taking the derivative of the option value with respect to the total firm value. Third, we repeat these procedures for the period within the window to get implied barriers and new total firm values. With daily returns of these new total firm values, we compute a new standard deviation and a new mean. Then we update the initial volatility with the new standard deviation for the next iteration, and use the mean as the drift term of the geometric Brownian motion for the total firm value. Finally, we obtain a new volatility following the second and third steps using the new variables generated in the third step. For the period within the window, we repeat the second step until the difference between the existing volatility and the updated volatility converges below the critical level, 10E-4. After we get the converged volatility for the period within the window, we move the window forward by one business day in the forward induction. Next, we follow the first step and repeat the second and third steps until we get a new converged volatility. Hence, we estimate daily total firm values, daily implied barriers, and other parameters to construct the geometric Brownian motion through the full sample period.

#신용위험 #구조형 부도확률모형 #모수추정법 #반복갱신법 #표본외 검정 #Credit Risk #Structural Default Probability Model #Parameters Estimation #Iterative Method #Out-of-Sample Test

참고문헌 (42)

참고문헌 신청

강대일 / 2011 / 최초 통과시점 확률과정을 사용한 부도 포트폴리오 연구 / 재무관리연구 28(2):149~187

류근관 / 2004 / 기업의 부도예측 및 신용평가를 위한 계량경제학적 모형 / 서울대학교 경제연구소기업경쟁력연구센터

Altman, E. I / 1968 / Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy / Journal of Finance 23(4):589~609

Bharath, S. T / 2008 / Forecasting Default with the Merton Distance to Default Model / Review of Financial Studies 21(3):1339~1369

Brockman, P / 2003 / A Barrier Option Framework for Corporate SecurityValuation / Journal of Financial Economics 67(3):511~529

이 논문의 저자 정보

강대일

소속기관 국민연금연구원

주요연구분야 사회과학 > 경영학

논문수 3 이용수 12

조재호

소속기관 서울대학교

주요연구분야 사회과학 > 경영학

논문수 3 이용수 33

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (42)

이 논문의 저자 정보

최근 본 자료

댓글(0)