基干CPV模型宏观压力测试实证探讨.docVIP

基于CPV模型的宏观压力测试实证研究 　　[摘 要] 本文以不良贷款率作为评估信用风险的指标，将不良贷款率转换成中介指标，用衡量农业农村经济发展的代表因子对中介指标进行多元线性回归，建立风险评估模型，通过自变量自回归和随机扰动项的蒙特卡洛模拟生成压力情景。结果表明：中央和地方财政支出增长率，农、林、牧、渔业新增固定资产投资，第一产业就业人员增长率是影响中国农业发展银行不良贷款率的显著因子。在前两者下降、后者上升的压力情景下，不良贷款率分布均会右移 [关键词] CPV模型；宏观压力测试；蒙特卡洛模拟；信用风险 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2015 . 17. 062 [中图分类号] F832 [文献标识码] A [文章编号] 1673 - 0194（2015）17- 0117- 03 我国政策性银行在进行市场化改革之前所面临的风险主要来自政策层面，而在市场化的改革浪潮中，在农业发展银行的内部转型和业务领域拓展过程中，农业发展银行不仅面临宏观经济和政策风险，还面临行业经济波动带来的风险。研究需要从其风险的一般性和特殊性出发，探讨影响农发行信用风险的经济因子，设置压力情景，执行压力测试 目前，关于信用风险影响因素和压力测试的研究已成为金融机构关注的焦点。在信用风险评估方面，Wilson（1997）提出的信用组合观点――Credit Portfolio View，首次分析了宏观经济变量对违约概率的影响；巴西央行（2011）采用分位数回归方法（Quantile Regression）度量信用风险，即信用风险同宏观经济因子间存在变化的线性关系。在压力情景设置方面，华晓龙（2009）运用多元回归定量分析宏观经济因素波动对中国银行体系贷款违约概率的影响，并通过假设情景法构建极端情景，进行宏观压力测试，但在变量的估计中忽略了随机扰动项；巴曙松、朱元倩（2010）从压力测试的定义、国际实践规范、执行流程等角度对相关文献和监管部门的调查研究报告进行了总结，归纳分析了压力测试的优缺点，讨论了压力测试中的实际操作细节及对于数据缺乏的发展中国家有效实施压力测试的方法 从我国已出版或发表的相关著作论文来看，绝大多数论文将模型运用于商业银行，较少看到对政策性银行风险进行实证分析。在以往的压力测试中，往往忽略各个变量的随机扰动项及其相关性，使压力情景生成不符合实际情况。本文拟从我国农业发展银行的特殊性角度切入，通过CPV模型度量宏观经济、行业经济对农发行信用风险的影响。将各经济冲击引入到压力情景的设定中，在考虑随机扰动项及其相关性的基础上生成压力情景，执行压力测试 1 模型的构建 CPV模型是一个宏观经济违约概率模型，它将整体宏观经济、行业经济构造成一套模型，把经济环境同整体贷款的违约概率结合起来。其最大的特点是将宏观经济指标纳入度量信用风险的模型中。使用Logit模型将不良贷款率转化为中介指标Y，以指标Y作为因变量与一系列经济因子进行多元回归分析，量化经济因子对不良贷款率的影响；使用影响因子的时间序列模型和蒙特卡洛模拟方法生成宏观压力情景，预测各情景下的不良贷款率。运用Logit转换保证不良贷款率取值范围在0到1之间；采用蒙特卡洛模拟方法保证回归方程中残差的随机性，避免用不良贷款率期望值代替不良贷款率，将尾部风险纳入考量范围，创建相关性的随机情景 式中：Pt是银行在t时刻的不良贷款率；Y可以理解为反映银行不良贷款率和各经济变量的“中介指标”，Y受宏观和行业经济因子影响 式（1）、（2）以“中介指标”Y为因变量，以各经济因子为自变量拟合回归方程，生成风险评估模型；式（1）、（3）为自变量的时间序列模型，以各经济因子历史数据为自变量拟合预测期基准数据，建立情景设置模型。从时间序列模型获得经济因子基准数据，根据历史数据，生成压力情景，带入风险评估模型，执行压力测试。式（1）、（4）反映模型随机扰动项不为0，并服从正态分布，式（1）、（5）说明随机扰动项之间存在相关性，这样处理的经济学意义是保证压力情景生成的合理性，即经济因子之间是相关的，且不良贷款率是由相关的经济因子和与经济因子相关的残差项所决定 2 基于CPV模型的宏观压力测试实证研究 2.1 模型中变量的选择及其经济学解释 考虑到数据的可获得性和样本容量大小，本文选取不良贷款率作为评估信用风险的指标。一方面，在我国当前数据条件下，难以获取违约率数据，在银行年报中可供选择的代替变量有贷款迁徙率、不良贷款率。另一方面，鉴于银行业绩报告从2007年才开始正式公布迁徙率，过少的数据难以进行实证研究。因而，我们选取不良贷款率作为评估信用风险指标 综合考虑农业发展银行的政策导向性和贷款对象的集中性