利率市场化背景下我国上市商业银行利率风险分析

李雷

【摘要】随着我国利率市场化改革的不断推进，利率风险成为商业银行风险防范尤为重要的内容。本文从静态和动态两个角度对交通银行利率风险进行分析，结果表明，虽然与同业相比交通银行利率敏感性缺口占资产总额比重并不大，但缺口仍较大。为更好应对利率变动带来的风险，交通银行明智的做法应当是增加利率敏感性负债。

【关键词】商业银行；利率风险；VAR；GARCH模型

1.引言

建国后直到改革开放最初的二十年里，我国的利率水平一直处于中央银行的严格管控之下，因此国内商业银行基本没有利率风险，但是到了九十年代中后期随着一大批国有商业银行改组发行股票上市，尤其2000年中国人民银行公布了我国利率市场化改革的原则与计划后，利率水平波动给商业银行资产损益带来的影响越来越大。最近几年来，随着人民币升值压力的不断加大和中央银行对利率管制的逐步放开，利率波动的幅度和频率越来越大，利率风险已经成为商业银行所面临的主要风险之一。根据《中国银监会关于中国银行业实施新监管标准的指导意见》规定，我国将于2012年1月1日开始执行新监管标准，提高资本充足率、杠杆率、流动性、贷款损失准备等监管标准，系统重要性银行和非系统重要性银行应分别于2013年底和2016年底前达到新的资本监管标准。为应对新的监管要求，国内各大中小商业银行纷纷通过发行次级债券的方法补充资本充足率。其中，交通银行已分期发行不超过800亿元次级债券。在各批次次级债券到期前，交通银行受利率风险冲击将比以往更加明显。此外，目前我国法定存款准备金率高达20.5%，随着我国金融支持城镇化政策的实施，今后中央银行有望出现下调法定存款准备金、增加信贷供给的趋势。因此，利率的波动对各银行资产负债的影响将比以往更加明显。本文主要从静态和动态两种途径对交通银行2012年初所经受的利率风险进行实证分析并给出结论建议。

2.针对交通银行利率风险的实证分析

2.1 利率敏感性缺口的实证分析

实证分析选取交通银行2011年年报相关数据，利率敏感性资产选取存放中央银行款项、存放拆放同业及其他金融机构款项、贷款及应收款项、债券投资及其他等资产项目数值和，计40111.41亿元。利率敏感性负债选取客户存款、同业及其他金融机构存放和拆入款项、应付债券及其他等负债项目数值之和，计38344.42亿元。从而利率敏感性缺口为1766.99亿元，表1为同样方法计算的交通银行与其他银行利率敏感性缺口额比较：

表1 利率敏感性缺口比较

名称 交行 兴业 浦发 招行 民生

利率敏感性缺口 1766.99 1160.78 1495.43 1609.99 1382.39

资产总额 40111.41 24087.98 26846.93 24897.14 20628.31

缺口资产总额比 0.044 0.048 0.056 0.065 0.067

通过横向比较发现，与其他商业银行相比，交通银行利率敏感性资产缺口占资产总额的比重并不大，但几家商业银行利率敏感性缺口均为正值，究其原因，可能与09年4万亿货币供给通过信贷渠道传递的滞后效应有关。尽管后来中央银行采取连续上调法定存款准备金率收紧银根的措施，但商业银行资产扩张的脚步并未明显放缓。因此，为应对利率可能下行的风险，应逐渐调低利率敏感性资产的缺口。

表2 方程的系数检验

Variable Coefficient Std.Error t-Statistic Prob.

C 0.425895 0.073925 5.625873 0.0000

L（-1） 0.975273 0.047601 20.48871 0.0000

L（-2） -0.109687 0.047545 -2.306984 0.0215

2.2 VAR方法的实证分析

按照欧美等国的经验与做法，对交易比较活跃、资产交易周期较短的资产，估计VAR时应选择较短的持有期限，通常确定为1～3天。本文选取银行同业拆借资产计算其VAR值。样本数据选取2011年4月1日至2012年12月31日共451個数据，Shibor利率为隔夜同业拆借利率，持有期限为1天（一个交易日），用r表示。由于置信水平不易选取过高，本文参考J·P·Morgan选取的95%的置信度。

2.2.1 均值方程的建立

根据AIC准则和SC准则，均值方程为rt=c+rt-1+rt-2，方程结果如表2所示，各个系数均通过了t检验，方程通过了F检验。并且通过对方程残差的自相关性检验发现方程消除了自相关性。

2.2.2 均值方程残差检验

（1）均值方程残差的ARCH效应检验

根据上述建立的均值方程，通过对其残差进行ARCH效应检验，检验结果F-statistic检验值为0.0122，Obs*R-squared值为0.0131，表明均值方程残差均存在ARCH效应。

（2）残差正态性检验

根据检验结果，残差的均值近似为0，偏度为1.27，峰度为15.83，JB值为3199.8，因此可以拒绝残差符合正态分布的原假设，从而证明了金融时间序列具有尖峰肥尾的特点。为了更为准确的建立模型，本文采用广义误差分布（GED）。GED比正态分布、t分布能够更加准确的描述金融数据。

2.2.3 GARCH模型的建立和测算

（1）模型的建立。通过上述分析，可以建立如下GARCH模型：

（2）模型的测算。检验结果如表4所示，除了均值方程的常数项不显著外，其余变量均通过了Z检验。

表4 GARCH模型估计结果

Variable Coefficient Std.Error Z-Statistic Prob.

C 0.000909 0.003046 0.298453 0.7654

L（-1） 1.102612 0.000995 1108.281 0.0000

L（-2） -0.101990 0.000419 -243.4363 0.0000

Variance Equation

C 0.017766 0.006083 2.920699 0.0035

RESID（-1）^2 2.329912 1.070977 2.175502 0.0296

GARCH（-1） 0.360429 0.095832 3.761028 0.0002

（3）GARCH模型稳定性检验和ARCH效应检验。对建立的GARCH模型的残差进行单位根检验，检验结果通过了1%置信水平，即可以在99%的概率水平下认为该残差序列不存在单位根，从而表明GARCH模型是协整的，具有长期稳定的意义，因此可以用来分析。对GARCH模型的残差序列ARCH效应检验结果F-statistic值为0.995，Obs*R-squared值为0.995，GARCH模型已经消除了残差的条件异方差性。

2.2.4 基于GARCH模型的VaR测算

上述对451个历史数据建立了GARCH模型，通过GARCH模型可以测算出第452期的u=0.174412，=0.030419。由于本文的GARCH模型不是基于r的波动率建立模型的，而是基于r数据本身建立模型，所以W0的初始值为单位1，VaR1和VaR2分别表示第t天持多头和空头在一定置信水平下所面临的风险值，其中5%下的左右分位数为-1.65，1.65。

VaR1=1*（0.174412-0.030419*1.65）=0.124

VaR2=1*（0.174412+0.030419*1.65）=0.224

结果说明，假如某商业银行有隔夜拆借多头头寸1亿元，则在95%置信水平下最大可能损失为1240万元，若为空头头寸，则为2240万元。多空对比发现，持有多头比持有空头风险损失值小，即增加利率敏感性负债更有利，这与静态分析的结果正好相吻合。

3.结论与建议

本文运用理论分析与实证分析，通过静态和动态两种渠道对交通银行面临的利率风险进行分析，分析结果表明增加利率敏感性资产可能使交通银行面临更大的损失。为此，交通银行在接下来的一段时间内应果断增加利率敏感性负债，同时根据市场利率的变动及时调整资产负债头寸。

参考文献

[1]莫慧琴，王忠，李亚宁.银行利率风险测度技术[J].当代经济科学，1998（6）：44-48.

[2]李志辉，刘胜会.我国商业银行利率风险的度量研究——以同业拆借市场为例[J].南开经济研究，2006（03）：27-40.