零售信贷类资产证券化内部评级模型开发与应用

黄仲凯

自2013年第三轮信贷资产证券化试点及2014年《证券公司及基金管理公司子公司资产证券化业务管理规定》发布以来，我国近几年资产证券化市场规模呈逐年几何式增长，其中发行规模最大、发行笔数最多的产品为零售信贷类作为基础资产的资产支持证券，因此对零售信贷类资产支持证券建模存在现实必要性。此外，零售信贷类资产支持证券的基础资产符合大数定律，可以通过数学建模的方式对净现金流进量化处理，这也为内部评级模型的开发提供理论基础。

资产支持证券风险特征及行业分析

资产支持证券风险特征 资产证券化（Asset-Backed Security， ABS）是指以缺乏流动性但具有可预期且稳定的未来现金流的基础资产未来所产生的现金流为偿付支持，经结构化设计进行信用增级，并通过一级市场融资的过程。不同于传统债券风险评估，资产支持证券在信用风险和市场风险两方面表现均有别于标准债券。

信用风险方面，资产支持证券信用风险主要来源于不同类型的基础资产，例如收益权类基础资产信用风险主要来自原始权益人，不同原始权益人类型对应的信用风险各不相同。市场风险方面，不同于标准债券现金流为按期付票息、到期偿还本金，资产支持证券每期还款现金流不固定，难以估值。因此，资产支持证券需要建立一套独立的信用风险评估体系和评级模型。

行业发展情况分析 自2013年第三轮信贷资产证券化试点及2014年《证券公司及基金管理公司子公司资产证券化业务管理规定》发布以来，我国近几年资产证券化市场规模呈逐年几何式增长：截至2023年4月末资产证券化市场已累计发行10564单产品、近16.32万亿元。

截止2023年4月末发行笔数和金额最多的产品为零售信贷类作为基础资产的资产支持证券，主要包括个人消费贷款、住房抵押贷款、个人汽车贷款、个人消费金融等，合计发行规模近10.80万亿元，占累计发行资产支持证券的比重超过65%，因此建立对应的评级模型或信用评估方法有着较强的现实意义。

零售类资产支持证券风险特征及建模过程

零售类资产支持证券风险特征描述 回溯零售类资产支持证券的风险本源——即基础资产现金流入已经无法满足某一结构化层级证券本息兑付。因此，零售类债权资产支持证券的信用风险可以从流入端和流出端分别捕捉。

从流入端来看：一，零售类债权资产支持证券投向的单笔贷款金额小且借款人分散，但池内贷款笔数庞大（往往超过1000笔），贷款同质性强但相关性较低；二，基础资产池内贷款一般具有明显的场景特征，且单笔贷款违约对基础资产影响较小，基础资产池整体资产质量服从大数定律；三，基础资产的偿还方式多为等额本息和等额本金，其产生的现金流分布均匀，较为稳定，具有很强的可预测性。

从流出端来看：一，证券的本息偿付频率较高，通常采用与基础资产的还款周期相对应的偿付模式（如过手摊还）；二，优先/劣后结构化设计作为主要信用增级措施，优先级在偿还本息顺位靠前；三，现金流兑付机制灵活多样，证券往往设置与基础资产信用水平相关或与管理人尽职能力相关的信用触发事件；四，除结构化分层外，原始权益人不提供差额补足或回购。

以“21工元致远1”为例，该资产支持证券为工商银行于2021年9月发行的以汽车分期贷款为基础资产的资产支持证券，流入端初始参数为：池内贷款规模1.32亿元，于2021年6月打包，法定到期日为2029年6月，笔数为1050笔，单笔平均金额12.58万元，还款方式为等本等息，加权平均贷款年化利率为3.16%，加权平均账龄和剩余期限分别为5.41月和45.17月，非循环池；流出端证券分为“21工元致远1优先”和“21工元致远1C”，合计金额为1.32亿元，支付方式均为过手摊还，两者分别于2023年12月26日及2026年6月26日到期，其中后者占比为23.54%，前者发行利率为2.95%。

从流入端来看，根据2021年6月至2023年4月间的表现，基础资产池累计违约金额约136万元，累计违约率为1.03%，其中4月份流入本息313.76?万元。假设流入端资产池累计违约率不变，回收率与早偿率均为0%。然而，池内汽车贷款每个月表现相互独立，正常支付本息、逾期后偿还、违约等事件均可能发生，任何一笔未结清的正常类贷款未来仍可能违约。

从流出端来看，截至4月末，“21工元致远1优先”和“21工元致远1C”分别为1，317.04万元、3，108.79万元。假设流入端资产池累计违约率不变，回收率与早偿率均为0%，则5月“21工元致远1优先”过手摊还回收本息300.85?万元，剩余51.79万元可过手摊还 “21工元致远1C”，或留存收益增强优先级安全垫。

假设未来发生极端情况，池内未结清汽车贷款出现大面积违约，即当且仅当累计违约率飙升至FA%且回收率和早偿率均为0%，导致“21工元致远1优先”在存续期内未按时兑付本息，而FA%即为“21工元致远1优先”违约概率，称为BDR（Break-even Default Rate）。

因此，零售类债权资产支持证券内部评级模型建设的根本目的是寻找到“资产池内贷款累计违约率飙升至FA%”发生的概率。

内部评级模型建设过程 首先，本模型基于以下假設：（1）作为基础资产的资产池服从大数定律，样本参数及对应统计量为总体参数的无偏估计；（2）外部宏观环境、金融市场环境、相关法律框架及监管政策等不会发生根本性变化，以及不会出现具有重大影响的不可抗力因素（如自然灾害、战争等）；（3）模型中涉及的信息真实、完整，不存在任何虚假记载、误导性陈述的情况。

其次，模型的评级分析方法主要分为四个步骤：

第一、根据历史资产池表现及构建外推矩阵。通过发行说明书，了解到“21工元致远1”样本历史静态池表现情况，即以自2018年10月起至2021年7月为观察期，工商银行每个月发放汽车贷款在观察期内表现，每一期静态池观察期区间为贷款发放月至2021年7月共计最多33个月内正常还款、早偿、逾期情况，明确逾期超过30天为违约，且违约贷款包括已经回收的不良贷款。此外，当期净清收额与当期违约金额比值为当期回收率，当期早偿金额与当期贷款本金比值为当期早偿率。

以此类推可计算2018年10月至2021年7月共计34个静态池在观察期内的表现，然而贷款发放月份越接近“21工元致远1”发行日，对应静态池的观察期数越少，因此需要利用外推法“构造”虚拟观察期，确保每期静态池观察期都为34期。

第二、通过vintage分析，验证并构建对数正态分布。vintage起源于葡萄酒业，由于每年采摘的葡萄会受到日照、气温、降水等因素的影响，最终酿造的葡萄酒品质会存在差异，在窖藏一定年份后葡萄酒的品质将趋于稳定，这段年份数被称为vintage。运用于零售信贷风控领域时，其核心思想是随着信贷资产进入vintage，客户的“好”和“坏”有显著区分。主要方法是对同一类型贷款在不同发放时间的资产质量进行跟踪分析，从而反映借款客群质量和变化情况，即对于某一个月份发放的资产，可以在其生命周期中的某一个观察期去观察这笔资产的逾期情况，从而在横向上去了解这笔资产在整个生命周期中的逾期率变化，确定最终的资产损失。

通过vintage分析，按照“21工元致远1”每一期历史静态池所在的月份作为统计的基准，然后追踪这个放款月份里在贷资金在接下来几个月中，发生违约的比率。根据观察发现每一期历史静态池的累计违约率表现均为在期初数个账期内快速上升，上升到第23个账期后，逐步稳定。值得注意的是，不同期数的历史静态池表现出的不同的违约率上升幅度及最终违约率，可能是由于某个月份贷款审批政策更为审慎或更为宽松导致的，但并不影响累计违约率趋于稳定。

由于假设基础资产违约和损失服从对数正态分布，利用静态样本池历史数据构建样本累计违约率的样本均值和方差，通过极大似然估计方法，估计其累计违约率X分布参数，即ln（X）∽N（μ，σ2），其中μ是ln（X）的均值，σ是ln（X）的标准差。

通过拟合，得出“21工元致远1”假设服从的对数正态分布的参数μ=-3.06，σ=0.63。

第三、参数及模型调节。随后，根据静态池和拟证券化资产池的特征差异，以及基础资产类型和原始权益人特征对分布的均值μ和标准差σ等参数进行调整，从而最终确定基础资产的违约分布：例如，从原始权益人来看，商业银行、汽车金融公司、互联网金融企业、消费类贷款公司、小额贷款公司在风险偏好、业务客群、风控逻辑等方面不同，此外不良率也是池内贷款未来资产质量的重要参考；从基础资产类别来看，参考中债资信专题报告，近十年汽车贷款ABS、RMBS、消费贷ABS的累计违约率分别为0.10%、0.42%、0.83%，累计违约率低表明风控策略严格，或者贷款周期短；从贷款货值比来看，担保物价格对贷款本息覆盖程度越高，贷款越安全；从借款人主要职业来看，自雇人士比例越低，池内贷款还款越稳定。通过多元线性回归分析，寻找到调整因子。

第四、通过压力测试寻找BDR。为保障充足的证券还款观察期，假设当前时点是2022年10月30日，根据wind数据显示，“21工元致远1”资产池内贷款余额与“21工元致远1优先”证券余额分别为7019.55万元、3679.43万元，剩余期限分别为45期、17期。违约判别的依据有两条：（1）每一期资产池流入金额小于“21工元致远1优先”应计利息金额；（2）第17期结束后“21工元致远1优先”剩余本金大于0。

在流入端，當期本金收入为当期计划本金收入减去当期违约金额，并与当期利息收入归集进入收入账户，其中计划本金收入和利息收入金额参考《资产池现金流归集表》。在流出端，因为“21工元致远1优先”为过手摊还模式，因此本期利息收入为根据年化收益率2.95%与上期剩余证券本金计算得利息，本金收入为资产池收入账户减去本期利息收入，当期剩余本金为上期本金减去本期本金收入。

假设压力测试的场景为：资产池贷款在剩余期限内累计违约率为30.5%且违约金额在剩余期限内均匀分布，同时回收率和早偿率均为0%。如表6和表7所示，在此情境下，第17期恰好偿还“21工元致远1优先”全部本金，若累计违约率略微上升，将会导致期末本金违约。因此“21工元致远1优先”BDR对应的累计违约率为30.5%。

将BDR等于30.5%代入参数μ=-3.06、σ=0.63的对数正态分布，得对应概率为0.15%，即在无早偿和坏账回收的情况下，导致“21工元致远1优先”出现违约的概率为0.15%。

考虑到资产证券化市场不断发展，建立一套针对资产支持证券尤其是零售类债权资产支持证券内部评级模型及体系迫在眉睫：一方面能够协助投资经理识别资产池流入端存在的信用风险隐患，并降低对外部评级的依赖；另一方面通过相应内部评级体系建设，为资产减值、可投库准入、白名单设计等工作提供依据。此外，基于零售类债权资产支持证券评级模型的开发思路，也为后续批发类债权资产支持证券评级模型的开发打下部分理论基础。