宏观经济因素与商业银行信用风险
2009-02-11吴婷段明明
吴 婷 段明明
摘 要:本文借鉴国外已有的关于成熟的宏观经济因素对银行信用风险的评估,考虑到我国宏观经济和金融体系的特点以及数据的可得性,建立关于我国宏观经济因素对银行信用风险的模型,并进行实证分析和压力测试。
关键词:宏观经济;信用风险;商业银行;压力测试
中图分类号:F830 文献标识码:A文章编号:1008-4428(2009)12-78-03
一、引言
自20世纪70年代末到21世纪初,全球有90多个国家先后爆发了112次系统性银行危机。尤其是90年代以来频频爆发的金融危机——如1987年美国股市崩盘、1992年的英镑危机、1994年的美国利率风暴及中南美洲比索风暴、1997年的亚洲金融危机、1998年的俄罗斯债务危机,特别是2007年春季始于美国的次贷危机最终演变为2008年的全球金融海啸,它的波及范围之广,影响程度之大,史无前例。系统性银行危机不仅使一国多年的经济发展成果毁于一旦,还导致一国经济政治的不稳定,对全球经济也产生了很大的冲击。
在金融全球化的趋势下,随着我国金融市场的完全开放,我国金融市场和国际金融市场的逐步接轨,是否拥有一个稳定而且富有竞争力的银行体系对于我国而言显得非常必要。对银行体系进行稳定性的评估,尤其是对银行体系面对的信用风险的评估,对防范和化解系统性金融风险,维护我国金融稳定和安全具有重要意义。
二、宏观压力测试方法流程及模型设定
(一) 方法流程
宏观压力测试是模拟“危机事件”来估计极端却有可能的压力情景下金融体系的波动。在宏观压力测试的框架中,其模型表示为:
(1)
在(1)中表示在模拟的压力情景下评价金融体系的稳定性的指标的表现。在宏观压力测试模型中衡量金融部门波动性的最一般的办法是资本的潜在损失率。Q(·)表示衡量金融系统波动性的风险矩阵,衡量违约情况的指标如贷款损失额主要通过模拟压力情境下的点估计得到。
(二) 模型的设定
我们将在Wilson[7]-[8](1997,1997)、Boss[10](2002) 和Virolainen K.[4](2004)研究框架的基础上建立适合我国银行系统信用风险评估的宏观压力测试模型。
首先,我们借鉴国外研究成果中关于宏观经济因素和贷款违约率之间的非线性关系设定。我们通过IN函数将贷款违约率转化为中介指标,以该指标作为因变量与宏观经济因素进行多元回归分析,使得这一指标能够很好的利用各宏观经济指标所提供的信息。在模型中宏观经济因素的选择方面,参考国内外学者实证研究中模型的自变量,结合我国统计数据和披露特点等制约因素选取适合的宏观经济变量来构建模型。
(2)
(3)
(4)
PDt表t年度的贷款平均违约率,Yt是一个反映宏观经济状况的中介指标(反映银行体系违约概率和各宏观经济变量的中介指标),Xt代表各宏观经济变量。在利用历史数据进行模型估计时,通过处理的违约概率值代入(2)就可以得到估计的综合指标的估计值,将其代入(3)就可以估计出宏观方程的系数,并以此估计出方程的作为进行宏观压力测试的基础。而在执行压力测试的时候,通过压力情境的设定,用不同的方法得到的各相关经济变量值代入估计出的(3)就可以得到情境压力下的Yt,再通过(2)就估计出了压力情境下的银行系统的违约概率。
公式(2)就是对贷款违约率进行IN函数变换,PDt代表t年度的贷款平均违约率,Yt表示宏观经济状况的中介指标。
公式(3)是反映各宏观经济变量与中介指标Yt的关系的方程,本文采用多元线性回归的方法来模拟变量之间的关系。
公式(4)是反映各宏观经济变量的时间序列模型。考虑到各宏观经济因素采取的时间序列数据,可能存在变量的滞后性,因此对各经济变量进行P阶自回归分析,剔除模型中的序列相关性。在这个模型中,假设和是序列不相关的,并且分别服从方差协方差矩阵为的正态分布,其中和相关的方差协方差矩阵为。
从(4)式可以看出,模型不仅考虑到了宏观经济变量值之间的相互影响,模型的设定考虑到了金融体系对宏观经济波动的回馈效应。将银行的表现对经济的反馈影响通过在宏观因素的自回归方程中引入综合变量来实现。通过各行业综合指标Yt前期值对各宏观经济变量的影响设定来反映现实世界中的金融与经济发展的相互影响关系。
(三) 变量选取
1、解释变量
根据国外的实证研究和我国银行体系业务发展的特点,同时考虑到数据的可得性,我们模型的变量选取04年第二季度到09年第一季度的季度数据,同时我们模型的变量是整个经济体系的,因此各宏观经济变量不采用各经济部门的统计值,而是采用本国整体水平的统计值。宏观数据来自中国资讯行数据库和CCER数据库。
我们选取五个宏观经济变量作为解释变量:
RGDP—国内生产总值增长率
CPI—居民消费价格指数
Lr— 一年期贷款基准利率(折算为季度数据)
Cun— 一年期存款基准利率(折算为季度数据)
M0 — 货币供给增速
2、被解释变量
我们选取违约概率作为评估信用风险的指标,银行系统的信用风险主要表现为贷款资产的违约率。Virolainen K. [4] (2004) 对芬兰银行系统的违约概率进行的宏观压力测试分析中,对违约概率指标采取如下方式赋值:在研究时期内,某行业的破产机构数量与总的机构数量的比率为银行体系面对的违约概率。
四、实证结果
(一)模型估计
我们代入2004年第二季度到09年第一季度的数据进行回归,我们首先从滞后3期开始回归,发现RGDP、 CPI、 Lr、Cun、M0 都不显著,于是减少滞后期,在减少滞后期的过程中,我们发现Cun的显著性始终不高,而其他变量的开始逐步显著,于是我们提出Cun这个变量,对其他宏观经济变量保留。
由回归结果我们可以发现:
(1)不良贷款率受CPI和滞后一期的CPI、贷款基准利率和滞后一期的贷款基准利率、滞后一期的不良贷款率的影响,而且其系数也基本与经济理论相符合。比如CPI和滞后一期的CPI、当期的贷款基准利率越高,Y越低,经过IN变换以后,PD越高,所以符合经济理论。而实证显示,滞后一期的贷款利率P和滞后一期的中介指标则与PD成反比。
(2)宏观经变量之间的关系。我们发现宏观经济变量存在明显的时滞效应,这也与以前的实证研究相吻合。对于GDP增长率来说,滞后一期的贷款利率和滞后一期的M0增长率都与其正相关,这也与经济理论相符合,而滞后一期的中介指标、滞后一期和滞后两期的RGDP、滞后一期的CPI都与当期的RGDP负相关,还需要进一步的验证。
而货币供给增速与滞后一期、滞后两期的RGDP、滞后一期的CPI都负相关,这也与经济理论相符合,因为前期RGDP、CPI越高,通货膨胀压力越大,政府必须控制,所以必须控制货币供给增速;而货币供给增速与上一期的贷款利率、货币供给增速正相关;与上一期中介指标负相关。
(二)宏观压力情境的设定及其结果
我们选取压力测试方法为情境分析。
针对我们所选取的宏观经济变量,我们设定两种压力情境:一种是GDP增长放缓的情境;一种是CPI上升到较高水平。对于各种压力情境下,反映压力的宏观经济变量的波动幅度,我们通过以往的历史相似情境数据或历史经验直接进行认为的设定。
表2 宏观压力测试执行结果
可见,在设定的两种压力的情况下,我国的银行体系的信贷风险明显增加,从模型预测出的贷款违约率都有增加。随着国内生产总值增速的大幅降低,贷款违约率上升;随着CPI物价指数的增加,贷款违约率也在增加。
五、结论及政策建议
我们在借鉴外国模型的基础上,建立了适合于我国经济环境的模型。我们首先借鉴了国外研究成果中关于宏观经济因素和贷款违约率之间的非线性假定。在此基础上使用IN函数将贷款违约率转化为中介指标Y,以Y为因变量与宏观经济变量进行回归。在模型中,受到数据的制约,我们选取不良贷款率作为商业银行信用风险的指标,选取RGDP、贷款基准利率、CPI、货币供给增速等作为宏观经济变量。同时,也可以用已经估计出来的方程对商业银行信用风险进行压力测试。
结果显示:宏观经济变量中的CPI和滞后一期的CPI、贷款基准利率和滞后一期的贷款基准利率、滞后一期的不良贷款率对当期的不良贷款率有影响;而宏观经济变量之间存在明显的时滞效应。最后在进行压力测试的时候,我们发现随着国内生产总值增速的大幅降低,贷款违约率上升;随着CPI物价指数的增加,贷款违约率也在增加。
参考文献:
[1]McKinnon R. Financial growth and macroeconomic stability in China.1978—1992: implications forRussia and other (下转第101页)(上接第79页)transitional economics [J].Journal of Comparative Economics, 1994, 17(2):438--469
[2]Bernhardsen T. The relationship between interest rate differentials and macroeconomics variables: a panel data study for European countries [J]. Journal of International Money and Finance, 2000, 18(2), 289—308
[3]高秀娟. 我国银行体系稳定性研究 [J]. 河北经贸大学学报,2002,(05):47—53.
[4]陈华、伍志文 银行体系脆弱性:理论及基于中国的实证分析 [J].数量经济技术研究,2004,(09) :34—51.
[5] 孙连友. 金融体系压力测试—-概念与方法 [J]. 济南金融,2006,(02):43—50.
作者简介:
吴婷,南京大学经济学院;
段明明,南开大学经济学院。
