摘要：2008年美国主要投资银行的基本崩溃，使得美国次贷危机迅速演变为传染遍及主要发达国家的金融危机，进而导致全球经济危机。这一系列危机表明，及早对证券公司(投资银行)的失败进行预警极为重要。本文通过对证券公司失败预警研究成果进行归纳分析，为证券公司失败预警系统的建立完善提供了进一步研究的基础。
　　关键词：证券公司，失败预警，研究综述

　　一、引言

　　自2007年美国爆发次贷危机以来，美国投资银行业逐步陷入危机。2008年3月美国第五大投资银行贝尔斯登因濒临破产而被摩根大通收购；2009年9月15日，美国第四大投资银行雷曼兄弟公司宣布破产，而美国银行则宣布收购第三大投资银行美林；2009年9月21日，美国第一和第二大投资银行，高盛和摩根士丹利被美联储批准从投资银行转型为银行控股公司。美国主要投资银行的基本崩溃，使得美国次贷危机迅速演变为传染遍及主要发达国家的金融危机，进而导致全球经济危机。这一系列危机表明，及早有效地对证券公司(投资银行)的失败进行预警极为重要。

　　就我国而言，2001年到2005年，伴随着证券市场数年的低迷，证券公司长期累积的风险先后暴露，证券监管部门在短短几年间对近60家证券公司采取了风险处置措施，以妥善化解行业危机。这次全面行业危机的集中爆发，既反映出监管的不足，也恰恰说明亟需建立一种有效的金融风险早期预警系统，以防患于未然。

　　本文拟通过对证券公司失败预警研究成果进行归纳分析，为证券公司失败预警系统的建立完善提供进一步研究的基础。从国内外的研究现状看，对证券公司失败预警的研究很少，而且对证券公司失败预警的研究基本上被视为一般公司(非金融类)失败预警研究在证券行业的应用，其研究方法也基本沿袭了一般公司失败预警研究。因此，本文在全面梳理证券公司失败预警的研究现状时，必须涉及一般公司的失败预警研究现状，也须涉及金融类公司的失败预警研究现状。回顾一般公司和金融类公司的失败预警研究，既可以理清失败预警研究的发展启承脉络关系，又可以为证券公司的失败预警研究提供参考借鉴。

　　二、一般公司(非金融类)失败预警研究回顾

　　(一)国外一般公司失败预警研究回顾

　　Beaver(1966)的文章开创了企业财务困境预测研究的先河，最早采用了单变量分析法进行企业财务失败预警研究。其后，大量学者在这一领域进行了深入研究，并发表了诸多研究成果，可以说国外企业财务困境预测研究已经臻于成熟。

　　1.多元统计方法。

　　(1)多元判别分析。判别分析用统计模型的语言描述为，设有个总体G1，G2…，Gk，希望建立一个准则，对给定的任意一个样本χ，依据这个准则能判断它是来自哪个总体。

　　Altman(1968)首次采用多元判别分析对企业财务困境预测问题进行研究，选取了于1946—1965年间破产的33家制造业上市公司，通过行业、资产规模及报表年份进行配对选取了33家非破产企业，研究了涵盖流动性、盈利性、杠杆比率、清偿能力和经营活动5个方面的22个财务比率变量，最终建立了X1(营运资本/总资产)、X2(留存收益/总资产)、X3(息税前利润/总资产)、X4(权益/负债总额、X5(销售收入/总资产)五变量的Z值模型：


　　

　　采用样本数据对该模型进行检验，结果表明：在财务困境前一年该模型具有95%的预测能力，在财务困境前两年该模型具有72%的预测能力。这说明该模型具有良好的可靠性。后来，Altman，Haldeman和Narayanan(1977)修正了模型，在原有5个财务指标的基础上加入了公司规模与盈余稳定性两个变量，建立了Zeta模型。Altman(1995)又进一步拓展了其研究，分别建立了针对非上市制造企业的Z’模型和针对非制造企业的Z”模型。2000年再次对Zeta模型进行了修正，去掉了带来行业影响因素的销售收入/总资产，得到了跨行业的Z值模型：


　　

　　由于多元判别分析方法不仅能够了解哪些财务比率最具有判别能力，而且同时考虑多项指标，因此对整体绩效衡量较单变量分析更为客观。在Altman(1968)之后，多元判别分析成为学术界研究财务困境预测问题的主流方法。但是应当注意的是，多元统计分析是建立在一系列假设之上的，包括自变量服从多元正态分布，财务困境组与非财务困境组具有相等的方差-协方差矩阵，发生财务困境的先验概率和误判成本均为已知等，而事实上，这些假设常常不成立。

　　(2)多元条件概率模型。学者们随后引入了假设相对宽松的多元条件概率模型Logit分析和Probit分析，克服了多元统计分析面临的统计假设问题。Logit模型的目标是提供可以归为某一类观察对象的条件概率。它建立在累计概率函数的基础上，不需要自变量满足多元正态分布和两组间协方差相等的条件。

　　Ohlson(1980)将Logit分析方法应用到企业财务困境的研究中。Ohlson选择在1970—1976年间破产的105家公司(破产前在证券交易所上市至少三年)和2058家非破产公司组成的非配对样本，使用Logit回归方法，分析了样本公司在破产概率区间上的分布以及两类判别错误和分割点的关系。相比而言，运用Probit方法进行的研究较少，这主要是因为Probit方法计算较为复杂，且预测效果与Logit方法相差不大。Logit方法也存在一些缺陷，比如对多重共线性、极值和数据缺失等问题极为敏感(Ooghe，2006)，而且一些实证研究对MDA和Logit两种方法的预测效果进行了比较，并没有得出Logit方法明显优于MDA方法的结论。

　　2.期权定价方法。1974年，默顿论述了有关将期权定价理论运用于风险贷款和证券估价的思想。其后，许多学者尝试将期权定价理论应用于信用风险的度量领域，KMV模型正是这样的一个成功的例子。

　　KMV模型是KMV公司开发的一种违约预测模型(信用监控模型，Credit Monitor Model)，运用预期违约频率来衡量一年内借款者的违约概率。违约风险大小是用违约距离(Distance-to-Default)来衡量的。该值越大，说明公司到期能偿还债务的能力越强，该公司信用风险越小；反之，则公司信用风险越大。为计算违约距离，KMV模型采用Black—Scholes—Merton期权定价模型构建了资产市场价值和股权市值之间的关系。在计算得出公司违约距离后，将其与相应的违约距离数据库相对比，把相同违约距离公司中实际违约公司的百分比作为该公司的预期违约频率(EDF)，从而对公司违约破产概率进行衡量。KMV模型是一种动态模型，它是一个基于现代公司理财和期权理论的“结构性模型”，对外界条件的改变能很好地作出反应(EDF每季度更新一次)，并且可以及时反映股票市场上的信息，具有一定的前瞻性。不过，KMV模型也存在一些缺陷。比如，由于KMV模型主要依靠股票市场数据来预测违约率，股票的价格若受投机因素影响很难正确反映公司资产价值及其变化情况，模型的精确性将大打折扣；根据同样失败距离确定失败频率必须依赖于一个庞大的公司失败信息数据库。

　　3.其他方法。随着计算机技术的发展，综合智能等方法被应用到研究中，主要包括：递归分类算法(Recursive Partitioning Algorithm)、专家系统(Expert Systems)、神经网络(Neural Networks)等。但是并没有证据表明这些方法的预测效果明显优于传统的多元判别分析和Logit分析(Ooghe，2004)。

　　(二)国内一般公司失败预警研究回顾

　　由于我国企业破产制度不完善，并且会计制度和审计制度建立较晚，国内对企业财务失败预警的研究起步比较晚。但近十几年来，随着我国证券市场的快速发展，上市公司的会计实践和信息披露制度不断完善，国内越来越多的学者开始将国外的研究方法应用到国内的研究中，得出了许多有价值的结论。主要的研究按照方法不同介绍如下。

　　1.多元统计方法。陈静(1999)以1998年27家ST公司和27家非ST公司为对象，进行了单变量和二类线性判别分析，总体正确率为92.6%，该研究是国内第一个以上市公司为样本判定企业财务困境的成果，虽然在方法选择、样本构造、判别标准等方面有待深入，但其意义却是重要的。

　　高培业、张道奎(2000)选取深圳市非上市企业作为样本，运用多元判别分析、Logit分析、Probit分析等多种方法建模，并借鉴Altman设定待定区间的做法，提高了模型的预测效率。吴世农、卢贤义(2001)则以140家上市公司为样本比较了Fisher判别、多元线性回归分析和多元Logit回归分析的预测效果，发现多元Logit回归模型的判定能力最好。

　　2.期权定价方法。由于有关公司破产的历史统计数据严重缺乏，相应数据库还未建立，很难把违约距离转化成预期违约频率，KMV模型的建模方式在我国应用尚有些困难。而由于宏观经济的差异，我国直接使用国外的数据库来建立映射关系显然也是不合适的。

　　3.其它方法。刘洪、何光军(2004)在用传统的判别分析方法和Logit方法对公司经营失败建立模型的基础上，应用人工神经网络方法对该问题进行了比较研究。另外，有些学者将数据挖掘方法(吴俊杰，2006)，生存分析中的COX模型(陆志明等，2007)，学习矢量量化算法(王静等，2004)应用在我国公司财务失败预测模型中，也取得了一定的结果。
三、金融类公司失败预警研究回顾

　　由于金融类公司与非金融类一般公司在资本结构、经营方式、风险暴露等方面存在差异，因此对金融类公司失败的预警研究更要有针对性。金融类公司失败预警方法中应用较为广泛的主要有以下两种：一是外部评级机构的评级。比如美国联邦金融机构检查评议委员会于1979年建立的CAMEL评级系统。二是借鉴非金融类公司的思路和方法对金融类公司失败预警进行研究(见表1)。对非证券、金融类公司的失败预警研究，国外文献比较少。

　　目前，国内对金融类公司失败预警研究比较少，例如在银行失败研究方面，多是对引发银行危机原因的分析及应对机制的设计，在主流学术刊物上基本没有定量研究的论文。我们在此不作叙述。

　　四、证券公司失败预警研究回顾

　　相比其他金融类公司，证券公司(投资银行)具有自身行业的特殊性。目前对证券公司风险预警研究的文献不多。相对于国外证券业失败预警的研究而言，国内证券业失败预警的研究更显得滞后。

　　国外证券公司失败预警的代表性研究是1976年Altman和Loris发表的论文。文章以1971-1973年美国SIPA条例下破产的40家证券经纪商作为研究样本，选择能够代表NASD市场上公司规模和寿命的125家公司作为健康公司样本。指标选取包括三个方面的内容：一是传统财务指标，如盈利性指标、流动性指标、杠杆类指标等。二是能够代表证券行业特征的指标，如次级债占股东权益的比率等。三是寿命、组织形式等非财务性指标。文章根据数据完整性和可靠性并运用系统选择技术对变量的判别能力进行评估后，最终选择了6个指标：(1)反映盈利能力的净利润/总资产；(2)反映财务杠杆水平的(总负债+次级债)/权益，此处作者将来自于所有者和顾客的次级债看成是证券经纪商的负债而非权益；(3)反映公司总资产结构流动性的总资产/调整净资本，调整净资本被广义地定义为流动性强的资产与总负债之差；(4)(期末资本—资本附加)/期初资本，该比率体现了报告期资本的运转和支出对公司资本结构的影响，反映了在没有新资本注入的情况下公司的信用情况；(5)在一定程度上反映风险的加权寿命，与公司在证券市场上的经营经验相关，SIPC清算的经纪商中经营时间不长于5年的占了75%，反映出经验的缺乏是公司失败的一个重要因素；(6)涵盖10个元素的综合指标，这10个元素是在NASD工作人员对能预示失败指标判断的基础上选择的，包括反映盈利能力的指标、对资本短缺和破产较敏感的指标，反映寿命以及报告及时性的指标。作者通过检验得出了失败经纪商和非失败经纪商的组内协差阵不相等的结论，为选择二次判别函数形式z奠定了理论上的依据。文章设定临界值为-4.385，检验结果显示二次判别式前一年的正确判别率达到了90.1%，误判率仅为9.9%。由于使用初始样本检验使检验结果有被高估的偏差，作者通过回代检验和交叉检验来检验模型的可靠性。检验得出的结论为：判别模型用一年前数据对证券经纪商的失败正确判别率为86.2%，误判率为13.8%。作者又利用季度数据对模型进行了检验，由于季度数据的缺失，剔除了税后净收入/总资产和综合指标中的两个因素，最终选取了5个指标变量。剔除变量后，模型的误判率只是轻微提高，说明判别模型提前一年对证券经纪商的失败有很好的预测能力。

　　国内最早的对证券公司失败预警的研究，是合肥工业大学——国元证券课题组(2005)发表的《证券公司失败研究》。该课题组运用Logit回归分析模型建立证券公司财务困境预警系统，以2002年以来19家破产或被接管的证券公司为失败证券公司样本组A，以进入银行间同业拆借市场的正常经营的48家证券公司为正常证券公司样本组B(已剔除有经营不利的市场传闻的证券公司)，A组部分证券公司和B组证券公司数据来源于银行间同业拆借市场公布的财务报告。模型依据监管部门对证券公司安全性评价提出的7个指标为基础，确定了净资产、利润总额、注册资本、营业收入(主要是发行收入、经纪收入、自营收入、委托理财收入)、扣除客户保证金后的负债总额、流动资产、流动负债、客户保证金、权益类证券总额、委托资产账户购入的权益类证券期末余额等10个研究变量，以失败概率P为预测变量，建立了Logit回归模型。由于选取的变量为资产负债表项目，而非财务指标，而且变量选取与设计并没有反映出证券公司业务与风险的特点。最终结果表明选取的变量对判定证券公司经营成败不存在显著的差异，未能建立证券公司失败的预警模型函数。

　　截至2006年10月，我国共有58家证券公司进入风险处置程序，这为进一步的研究提供了较为充足的数据资料。李涛(2008)将证券公司财务困境定义为证券公司破产或被监管机构采取风险处置措施。依据这一定义，作者得到了9家在2004—2006年间陷入财务困境的证券公司，同时，根据资产规模匹配原则，按1：1的比例选取了9家正常经营的证券公司，其中剔除了虽不符合上述财务困境的定义但是公布重组的证券公司。实证研究结果表明，在财务困境前1年多元判别模型和Logit模型都有较好的预测能力，财务困境前2年，其综合误判率均较财务困境前1年有显著的上升，基本上不能有效地对证券公司财务困境进行预测。由于作者只选择了18家证券公司，样本数量偏小，代表性不高，实证结果缺乏大样本数据的支持和检验，可能存在一定的偏差。

　　王晓燕(2009)也将证券公司进入风险处置程序界定为财务失败，按资产规模配对的原则，共选取了24家健康的证券公司作为配对样本。作者最初设计了36个财务指标作为研究变量，然后利用非参数检验、相关性检验、逐步判别分析等方法对变量进行了筛选，最终选择5个变量建立了线性判别模型、二次判别模型和Logit模型。回代检验和交叉检验的结果表明，由5个变量构成的线性判别模型判别效果最好，回代检验和交叉检验的正确率均在85%以上。二次判别模型和Logit模型的判别效果略有下降。该论文的方法和结论有待进一步验证和优化。

　　五、结论

　　从国内外研究现状看，证券公司(投资银行)失败预警研究在研究方法、研究模型和模型变量选择等方面基本沿袭了一般公司(非金融类)失败预警研究，或者借鉴了非证券、金融类公司的失败预警研究。主流的研究方法有两种。其一是以实证为基础的多元统计方法，其中又以多元判别分析方法和Logit回归分析方法运用较为普遍，该类方法多是根据公司历史财务数据和其他公司特性指标来构造模型；其二是以KMV为代表，基于理论模型、并结合实证方法(即根据失败距离，借助实际数据库映射出失败频率)的期权定价方法。由于大量证券公司并不是公开上市公司，这使得在证券公司失败预警研究中运用期权定价方法存在困难。

　　从应用有效性来看，证券公司失败预警研究在全球范围内仍然任重道远，亟待出现突破性研究成果。2008年美国具有系统重要性的诸家投资银行几乎是在毫无预警的情况下发生崩溃的。这为证券公司失败预警研究提出了一个极具挑战性的课题：为什么过去的证券公司失败预警研究无法预警此次诸家投资银行的失败？这一系列危机确定无疑地表明，证券公司失败预警研究极为重要；而过去的证券公司失败预警研究一定存在某种局限性。

未来的证券公司失败预警研究必须努力突破这种局限性。在研究方法上，应对现有的各种方法进行对比分析，选择适合证券公司的失败预警模型以提高预测的准确性。今后的研究可以尝试加入更多的外部因素(如宏观因素)作为区分失败与否的另一边界，在多维空间中设定多维的阈值进行判别分类。在变量的选取上，仍然需要根据证券公司行业特征和风险特点，因地制宜地设计相应的变量指标。鉴于宏观经济的周期波动对证券市场的周期波动具有决定性影响，进而对证券公司的经营状况有决定性影响，所以加入反映经济周期的宏观经济变量可能显著提高预警模型的有效性；同时，金融创新层出不穷，过度运用金融创新工具在获取收益、规避风险的同时更可能带来新的、未知的风险，所以未来的研究中也应考虑加入能够反映金融创新相关风险的变量。

作者：山东大学经济学院 张道奎 黄招 郭燕 来源：《金融发展研究》2009年第12期