公司银行信用风险论文

1宏观因子压力测试模型设计

1.1宏观因子压力测试设计机制

商业银行要根据自身情况制订合理的压力测试流程，主要步骤包括：选择压力测试方法；构建压力测试情景；确定冲击；选择信用风险计量模型；界定被冲击的资产；进行数值分析；风险加总。压力测试的重点应放在单个流程中不同的方法选择上。在实践中并不需要按照严格的先后顺序执行，可以根据实际需要进行修改或补充。按照商业银行信贷资产的特征，测试范围为整体信贷资产，划分为公司银行信贷资产、零售银行信贷资产。

1.2公司银行信贷资产

将压力情景给定的GDP、M2和CPI值代入设计模型，测算出压力情景下各行业的营业收入情况。将上市公司各行业营业收入的实际值与压力情景下上市公司各行业营业收入的预测值进行对比，得出营业收入的变化情况。假设商业银行各行业客户收入的变化程度同该行业上市公司收入的变化程度相同，最终得出压力情景测试下，商业银行各行业客户的营业收入变动情况。以商业银行客户各行业年报数据作为压力测试基期数据。根据前面的计算结果，测算压力情景下商业银行客户各行业的营业收入水平。根据压力情景下的收入水平，编制压力情景下商业银行客户各行业平均的财务报表。其中，涉及的假设包括：应收票据、应收账款、预付账款、应付票据、应付账款等和销售收入同比例下降；企业一年内到期的非流动负债保持不变，企业长期负债的减少等于企业一年内到期的非流动负债；营业成本、税金、销售费用随销售收入同比例下降；财务费用随短期借款同比例下降；用短期借款和货币资金调平报表。计算压力情景下行业PD值。我们将压力情景下的财务报表数据代入公司信用评级的打分卡模型，即可计算出压力情景下该行业客户评级结果。获取各行业客户实际的评级迁徙矩阵；假设压力情景下，商业银行各行业客户的评级迁徙矩阵依据其评级等级变动程度进行平移，且在平移过程中迁徙矩阵的形状不发生变化，据此测算出压力情景下各行业客户的评级迁徙矩阵。根据压力情境下各行业客户的等级分布，测算出压力情景下各行业的违约概率值（PD值）。计算压力情景下行业LGD值。选择客户PD变动、客户负债率变动、抵押物价值变化和抵押物变现能力变动4个指标作为参数计算出在压力情景下各行业的LGD值，客户PD变动取自于前一步计算结果；客户负债率变动取自压力测试前后客户财务报表负债率数据，用房屋成交量变化反映抵押物变现能力变化；假设压力情景下房屋成交量变化同本压力测试中房地产压力测试部分；用房价变化反映抵押物价值变化，假设压力情景下房价变化同本压力测试中房地产压力测试部分。计算压力情景下行业EL变化情况。将压力情景下测算出来的行业PD值和行业LGD值相乘，得到压力情景下行业的EL值，将其和基期行业的EL值进行比较，得出变化情况。计算压力情景下行业的5级分类结果。获取商业银行对公信贷资产5级分类迁徙矩阵的实际数据。假设在无压力情境下，5级分类的迁徙情况保持不变。假设压力情景下，5级分类的迁徙矩阵会依据其EL的变化发生平移，且平移过程中形状不发生变化。根据压力测试下5级分类的迁徙情况以及基期信贷资产的5级分类分布，测算出压力情景下各行业5级分类的结果。

1.3零售信贷资产

利用实施新资本协议过程中PD压力测试成果，宏观经济因素与PD之间的传导关系。通过历史迁徙数据将PD的变化对应到不良贷款各级别的变化上。假设PD增幅即为不良率增幅且业务规模不变，得出各压力情景下的不良率及新增不良额。根据商业银行各分类级别贷款间的历史迁徙率，将新增不良结果分配至各不良贷款级别中，得到最终的测试结果。信贷资产压力测试采用时间序列模型对PD进行模拟预测。

2公司贷款信用风险的宏观因子测定

宏观因子测定模型的核心思想是把有关经济周期的宏观因子识别出来，测定对我国商业银行信用风险有显著影响的宏观经济因子。

2.1基本假设及基础框架设定

在现有理论的信用风险因素模型当中，Gordy（2003）的单因素模型以及麦肯锡公司提出的CreditPortfolioView（CPV）模型是基于宏观经济因子度量信用风险的代表模型。其中，单因素模型是设定单一的宏观经济因子，不能区分有关经济周期的宏观因子对商业银行信用风险的不同影响，所以，不适合本文的分析。而CPV模型是基于一个开放的因子框架，可以用来测定多元的宏观经济因子。然而上述模型在国内商业银行实践中使用的相对较少，本文主要基于巴塞尔协议的有关内容以及国内商业银行的压力测试实践，设计了MEF模型来测定宏观因子对信用风险的影响程度。首先对商业银行信贷资产的风险集中度和宏观经济因子提出假设如下。商业银行信贷资产足够分散，单项资产在总资产中的份额很小，因此，债务人的特异风险可以在较大程度上分散掉，而债务人的违约概率主要受宏观经济因子影响。贷款企业整个行业的营业收入受宏观经济因子的影响，并能有效传导到商业银行的信用风险。宏观因子对营业收入以及信用风险的影响具有滞后性，对第t期营业收入及信用风险，用t-1期宏观因子进行测定。在测定宏观因子影响时，将商业银行的贷款企业划分为若干行业进行测算。在此基础上，MEF模型采用ln函数来描述行业收入和宏观经济因子之间的关系为宏观因子A在t-1期的数据；φ—待估计参数；e—误差项。选择行业营业收入的自然对数的主要原因是为了提高营业收入序列数据的平稳性，测定之前将收入数据进行了取自然对数处理。而来自其他系统性因子的“干扰”或者“噪声”被包含在误差项e中。

2.2宏观因子的选择

在建立了MEF模型之后，最重要的工作就是选择宏观经济因子，选择宏观经济因子必须既有理论依据的支持，同时又能反映实际情况。对于经济周期因子，在借鉴CPV模型、单因素模型和GVAR模型以及其他相关模型的基础上，根据数据的可得性，选择了GDP增长率、通货膨胀率和M2三个指标。

2.2.1GDP增长率（GDPGrowthRate）GDP增长率是反映一国经济增长和经济周期状况的最核心指标，在相关实证研究中也被普遍用作重要的宏观经济因子。从微观企业的角度来看，GDP可以看作一国总体企业产出的增长率，而企业的产出直接影响着企业的经营收益，也就影响着企业的偿债能力。

2.2.2通货膨胀率（Inflation，INF）

通货膨胀率代表着物价上涨水平。由于经济繁荣往往伴随着通货膨胀，而经济衰退常常也伴随着通货紧缩，所以通货膨胀率也是经济周期的一个重要指标。一般情况下，通货膨胀会影响企业的经营成本和收益水平，进而影响企业的信用风险。反映通货膨胀率的指数主要有CPI和PPI，因为PPI是衡量工业企业产品出厂价格变动趋势和变动程度的指数，主要反映的是生产成本变化而没能充分体现通货膨胀对收益的影响，并且不能全面覆盖农业和服务业。因此，本文选择CPI指数作为通货膨胀率指标。2.2.3广义货币（M2）广义货币是反映货币供应量的一个重要指标。随着货币供应量的增加，有助于改善市场的资金供求关系，企业的资金成本会呈现下降趋势，经济活跃度也会不断增加，这样能够带来企业营业收入的增加，降低信用风险。国外的相关研究还发现，汇率等因素同样对企业信用风险有重要影响，但是我国人民币汇率波动并不具有周期性波动特征，所以本文暂不作考虑。2.3宏观因子显著性测定要测定的是宏观经济和行业的传导机制，主要通过MEF模型计量出宏观经济因子变动对不同行业营业收入的影响。选择的控制变量为GDP增长率、M2增长率和CPI，因变量采用各行业年营业收入的对数值。将GDP、M2、CPI和各行业营业收入分别作了单因素、双因素和三因素回归，并选取解释能力最强的回归结果。考虑到数据的可获取性，用上市公司的营业收入作为宏观因子对风险的传导介质，并将上市公司营业收入划分为九大类型，具体包括资产密集行业、轻工制造行业、批发零售业、交通运输业、建筑业、房地产行业、基础设施行业、投资行业以及服务业等。检验结果详见表1，结果显示，三变量模型具有相对较好的解释效果，9大行业的R方平均值为74%，且在每个行业检验结果相对稳定，最高的为建筑业（A5）78.61%，最低的资本密集行业（A1）67.93%。

3零售贷款信用风险的宏观因子测定

3.1宏观因子的选择

M2同比增长率与PD成正相关关系，在实际情况中，M2同比增长率变大的时候，无论是流通中的现金，还是个人以及企业存款都在变多，债务人整体的偿债能力变强，违约率也相对下降，所以，该指标与PD的正相关关系与经济意义相反，故不引入PD时间序列预测的数量模型中，但考虑到在经济环境下M2极端情况对PD仍有相对影响，在PD预测模型后通过该指标对PD预测值进行修正。

3.2宏观因子对违约率影响的测算过程

建模数据：2009Q1—2013Q4的季度数据，共计20个样本。因变量：季度PD=季度新增违约人数/总人数，数据来源于国内某股份制商业银行的内部数据库。自变量：收集了GDP类、价格指数类、收入报酬类、金融类等宏观变量；数据主要来源于Wind数据库和人民银行网站。研究了国内宏观经济变量，涵盖了代表经济增长、金融指标的主要变量，最终发现CPI（居民消费价格指数）与GDP同比增长率对PD较为敏感。CPI与PD的相关系数为-0.81，具有明显的负相关关系；GDP与PD的相关系数为-0.88，也具有明显的负相关关系，从二者趋势图上也可以明显看到。综合考虑宏观经济变量与PD的相关系数和经济含义的解释度，初步选出GDP同比增长率、CPI同比增长率共2个宏观经济变量为参考风险变量。从变量间的相关系数看出，GDP同比增长率与CPI同比增长率有明显的相关性，不适合共同构建模型，由于GDP对因变量影响更为显著，且滞后阶大于CPI，可以认为GDP增速可以覆盖CPI增速对因变量的影响，所以模型仅接受GDP同比增长率作为自变量。用时间序列方法建立违约率与宏观因素的模型，同时，对GDP同比增长率做数据变换以平衡数量级。3.3测算结果的运用根据压力情景的设计，代入PD和宏观变量的计量模型，计算出通过数量模型得到的PD。据此对PD数量预测结果进行修正。最终得出不同情景下的PD预测值及PD上升幅度，基于宏观因子的不良贷款的压力测试。

4结论

基于宏观因子的情景压力测试是考察宏观经济下行对商业银行信贷资产质量的不利影响。根据商业银行信贷资产的不同特质，将其划分为公司银行信贷资产和零售银行信贷资产，分别考察信用风险压力测试中宏观因子的影响传导机制。本文研究结果显示,经济增长率（GDP）、货币供应量（M2）增速对信用风险的影响较为显著。为应对可能的冲击，商业银行要坚持稳健的风险理念，一是平衡业务结构，分散风险，降低经济周期波动对银行的影响；二是优化盈利结构，把业务发展重点调整到资本消耗低的业务上来，把资源配置到经济资本占用少、风险敞口小的业务上来；三是保持合理的信贷杠杆率和存贷比率，不能因追求业务规模而过度扩张资产杠杆。在达标过渡期内，商业银行要积极启动次级债与资本长期工具的发行以补充资本金。

作者：贾飞 刘澄 单位：北京科技大学