基于宏观压力测试方法的商业银行体系信用风险评估

基于宏观压力测试方法的商业银行体系信用风险评估・117・

基于宏观压力测试方法的商业银行

体系信用风险评估

华晓()

【摘要】,使用Logit模

Y,以指标Y作为因变量与宏观经济因素进行多,通过假设情境法进行宏观压力测试,定量分析宏观经济因素波动对中国银行体系贷款违约率的影响。研究结果显示:名义国内生产总值、消费者价格指数、真实房地产价格指数和名义流动贷款利率对银行体系贷款违约率的影响显著。本文构建了两种宏观经济极端情境———名义国内生产总值大幅下降和通货膨胀率骤升,在这两种情境设定下,银行体系的贷款违约率都出现了不同程度的大幅度提高。

关键词　宏观压力测试　信用风险　贷款违约率　逾期贷款率

中图分类号　F83212　　文献标识码　A

TheCreditRiskAssessingofCommercialBankSystem

inChina:BasedonMacroStress2Testing

　　Abstract:Thispapermainlystudiesontheapplicationofmacrostress2testinginassessmentofthebankπscreditrisk1OnthebasisofcomparativelyanalyzingthematuremodelstoestablishthemodelfittingforChinaπssituation,thispapersetsoverdueloansratioasacreditriskindicator,usesLogitequationtransferringitintoacompositeindicatorwhichcouldreflectthebankingsystemπsdefaultprobability,andthenestablisheslinearregressionmodelwithmacroeconomicfactors1Atlastthepapergivesquantitativeanalysisonhowmacroeconomicfactorscouldaffectde2faultprobabilityofChinaπsbankingsystemwithahypotheticalsituationofstresstests1Thepaperpracticesstress2testingundertwomacroeconomicstressscenariosrepectively,thenfindsthat:macroeconomicvariableslikethenominalgrossdomes2ticproduct,theconsumerpriceindex,therealpriceofrealestateindex,andthenominalliquidlendingratesallhavesignificantimpactonloansdefaultratioofthebankingsystem1OnthescenariosaboutsharpdeclineofNGDPandsurgeofCPI,defaultprobabilityofbankingsystemπsloansgoesupsharply1

Keywords:MacroStress2testing;CreditRisk;DefualtProbability;Overdue

LoansRatio

・118・《数量经济技术经济研究》2009年第4期

引　　言

麦金农(1993)认为,宏观经济稳定时,银行经营行为非常保守,不会出现不顾风险单方面追求效益的现象。但在实际汇率波动、意料外通胀等宏观经济不稳定情况下,政府或明或暗的存款担保,。这样在经济上升时可获得高额利率,反之出现亏损又不承担责任。

国际组织和国内外学者对20世纪80了大量研究,色。Deventer(2005)、美国的多家大型银行分析表明,,。Bernhardsen(2000,2005),并且利用欧洲国家的面板数。(2004)和Gersbach(2005)利用挪威央行的宏观经济模型RIMINI,并且建立了评估贷款违约率的宏观信贷方程。Froyland和Larsen(2002)利用RIMINI对银行不良贷款在宏观经济波动情境下进行了压力测试。Pesola(2000)分析了银行系统危机对宏观经济因素波动的敏感性,利用芬兰的数据对两者之间的关系进行定量分析。Virolainen(2004)对芬兰金融风险进行实证评估,建立了宏观信贷模型并进行宏观压力测试,揭示了芬兰银行系统贷款违约风险与宏观经济波动的相关性。陈华、伍志文(2004)运用1978～2000年间的数据对中国银行体系脆弱性状况进行了量化分析,结果发现,中国整个银行体系在1978～2000年之间有11年是不稳定的,尤其是在1992年和1998年前后更为突出,银行体系中出现了不稳健的征兆,存在较大的金融风险。可见宏观经济变量成为宏观经济政策影响银行稳定的传导路径。

一、宏观压力测试的定义以及模型思想

风险价值(VaR)法作为一种有效的风险测量办法,在20世纪90年代推出后迅速在全球得到推广。但1997年爆发亚洲金融危机之后,世界金融业出现了新特点:损失不再是由单一风险所造成,而是由信用风险、市场风险和操作风险等联合造成。为此,巴赛尔委员会提出了压力测试作为VaR的补充,以弥补VaR的不足之处。压力测试是用来检测在压力市场情况(指极端恶劣的经济状况或信用状况,如发生了金融危机)下,公司所拥有的金融资产部分对公司可能产生的潜在影响。对于风险控制管理来说,除了要考虑正常情况下的可能损失,更重要的是必须确保在极端市场情况下,金融机构所持有的金融资产部分不会让该机构出现破产的风险。VaR无法估计出此类风险,但是通过压力测试,则可以找出金融机构在极端市场情况下的承受能力。

宏观压力测试是对微观层面压力测试的有益补充,它不是对微观层面各金融机构受险资产组合进行压力测试的简单加总,而是将各宏观经济冲击变量整合量化为一个宏观因子,将宏观波动因素整合到评估银行信贷风险的模型中,通过压力情境的构建,预测在极端但可能发生的宏观经济变动下对银行系统信贷违约概率的影响。

宏观压力测试是模拟“危机事件”来估计极端却可能的压力情境下金融体系的波动。在宏观压力测试的框架中,其模型表示为:

Q(Yt+1|Xt+1≥X)　　　～～-=f(Xt,Zt)(1)

基于宏观压力测试方法的商业银行体系信用风险评估・119・

式(1)表示在模拟的压力情境下评价金融体系稳定性的指标的表现。在宏观压力测试

)表示衡量金融系模型中,衡量金融部门波动性的最一般方法是资本的潜在损失率。Q(・

统的风险矩阵,是衡量违约情况的指标(例如贷款损失额),主要通过模拟压力情境下的点估计得到。在这种情况中,该条件概率值表示的风险矩阵较容易计算。而VaR方法中,在

)表示任何给定的压力情境下,资产组合的损失应产生概率分布,而不是点估计值。f(・

损失方程,。该方程可包含风险暴露、违约概率、相关性、回馈效应,表现的相互关系。

,这在以往文献讨论中往往是一个颇具争议的话题。级风险模型(如,一门“(如Kupiec,2001)。在本文中,采取比较折中的观点:即由于,特别是针对一个系统整体的多因素变量的情境,选择的压力测试情境事件及其发生概率应该达到某种程度的可能———基于可能可测的基础上(MarcoSorge,2005)。

压力测试主要是通过情境设定,根据情境假设下可能的风险因子变动情形,重新评估金融商品或投资组合的价值。整个程序通常分为两大步:一是情境设定;二是重新评估。通常重新评估的方式不会有太大的差异,但是情境设定的方式却有很多种选择。情境分析是目前应用的主流,即利用一组风险因子定义为某种情境,分析在个别情境下的压力损失。情境分析的事件设计方法有两种:历史情境分析和假设情境分析。

本文根据新加坡、中国台湾地区信用风险压力测试的相关文献,以及世界银行和国际货币基金组织联合开发的FSAP手册,将压力测试的执行程序绘制如图1所示

。

图1　压力测试流程

二、中国数据的实证分析

本文将在Wilson(1997)、Boss(2003)和Virolainen(2004)研究框架的基础上建立适合中国银行系统信用风险评估的宏观压力测试模型,并进行实证分析。

・120・

11模型构建《数量经济技术经济研究》2009年第4期

在执行宏观压力测试使用的宏观信贷模型的研究领域,有两个流派的模型框架占有举足轻重的地位,分别由Wilson(1997a,b)和Merton(1974)提出,他们的工作为日后的学者不断模型拓展和实证检验奠定了基础。Wilson(1997a,b)对各工业部门违约概率和一系列宏观经济变量的敏感度直接建模,在宏观经济波动冲击下模拟出违约概率值,通过对将来违约率分布路径的模拟,就可以得到资产组合的预期损失。Merton()的模型则多加入了股价对宏观经济要素的反映进行建模,。相较而言,前一种模型更直观,计算量较小;算量要求都很高。

本文借鉴Wilson()((2004)研究框架中关于宏观经,使用Logit模型将贷款违约率转化为宏观综合指标Y,,以更好地利用各宏观。模型中宏观经济因素的选择,参考国内外学者实证研究中模型的自变量,结合中国数据统计和披露特点等制约因素,选取合适的宏观经济变量构建模型。

yt=ln(PDt)　　　(t=1,2,…,N)

p(2)(3)(4)yt=α0+α1Xt+…+α1+mXt-Xt=

PDt代表t年度的贷款的平均违约率,Y可以理解为反映银行体系违约概率和各宏观经济变量关系的“中介指标”,X代表宏观经济变量。利用历史数据进行模型估计,通过处理的违约概率值代入式(2)就可以得到估计的综合指标Y的估计值。将Y带入式(3)就可以估计出宏观方程的系数,并以估计方程作为进行宏观压力测试的基础。在执行压力测试的时候,通过压力情境的设定,用不同方法得到的各相关宏观经济变量值代入估计出的式(3)就可以得到压力情境下的Y,再通过式(2)就估计出了压力情境下的银行系统的违约概率。

式(4)是关于各宏观经济变量的时间序列模型。考虑到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,因此对各宏观经济变量进行P阶自回归分析,剔除模型中的序列相关性。

μ和在这个模型中,假设μt和εt是序列不相关的,并且分别服从方差协方差为矩阵∑

ε的正态分布。其中μεμ,ε∑。t和t相关的方差协方差矩阵为∑

在Wilson(1997)和Virolainen(2004)提出的框架中,yt仅仅与Xt有关,而本文模型的设定更符合实际情况,yt不仅与Xt相关,考虑到宏观冲击的时滞效应,yt还与其滞后期的值yt-1,…,yt-n有关。

从式(4)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,模型的设定还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变量的自回归方程中引入综合变量Y来实现。通过综合指标Y的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。

21模型中变量的选择及其经济学解释

表1和表2列举了国外学者对银行稳定性评估,宏观经济模型中采用的银行部门变量和宏观经济变量,以便对本文模型的变量选取进行参考。

基于宏观压力测试方法的商业银行体系信用风险评估・121・

本文选取违约概率作为评估信用风险的指标,因为银行系统的信用风险主要表现为贷款资产的违约风险。违约率水平是评估银行贷款质量最直接的指标,违约风险可以用借款人在规定期限内的违约概率度量。Sorge和Virolainen(2005)对芬兰银行系统进行的宏观压力测试分析中,对违约概率指标采取如下赋值方式:以某行业的破产机构数量与总的机构数量的比率作为银行体系面对的违约率。Wong等(2006)试框架中,违约概率用逾期3商业银行和交通银行、招商银行、,以平均的逾期贷款率()来表示贷款违约率。

Vlieghe(2001),发现GDP、实际利率)Logit回归分析,得出的结论是:GDP。参考国内外已有的实证研究,8个宏观经济变量作为解释变量:NGDP(国内生产总值名义年增长率)、(国内生产总值实际年增长率)、NR(一年期存款的名义基准利率)、RR(一年期存款的实际基准利率)、NLR(一年期流动资金贷款的名义平均利率)、RLR(一年期流动资金贷款的实际平均利率)、CPI(居民消费价格指数)、RE(房地产价格指数)。

表1

芬兰银行

银行费用评估挪威银行营业成本变化趋势成本

利率变化趋势

总利差

公司债务风险变化:

偿债率

短期利率与长期利

率之间的利差

预计的逾期贷款

存款/贷款比率存贷款增长率破产趋势各国银行变量选取对照瑞典银行营业成本变化趋势资产收益率总利差交易对手的风险暴露短期利率与长期利率之间的利差按部门的预期贷款变化趋势逾期30～89天及逾期90天以上的贷款准备金事前管理评级

事前综合CAMEL评级

扣押抵债的房地产

　　资料来源:部分内容引自丁敏《中国银行体系脆弱性实证研究及预警系统的建立》:,2006。

表2

芬兰

宏

观

经

济

变

量市场利率和汇率资产价格名义GDP增长率储蓄与投资货币总量国际收支

中介竞争趋势宏观经济变量选取对照挪威利率变化的影响资产价格GDP增长率贷款增长率瑞典实际利率水平通货膨胀率增长率中国香港地区HIBOR美联储净收入/资产比率有形资产/资产比率银行部门变量贷款损失及注销证券投资/资产比率实际GDP增长率大陆实际GDP增长率房地产价格

・122・《数量经济技术经济研究》2009年第4期

　　但是在已有的国内外研究文献中,宏观经济变量的选取很少将房地产价格纳入考虑。本文将这个因素纳入模型框架,并使用房地产价格指数来进行分析。采用这一指标基于以下原因:首先,中国银行业住房抵押贷款业务发展迅速是将这一指标纳入模型框架的内在要求。近年来,中国银行业个人住房贷款和住房抵押贷款稳步增长,仅2006年全部金融机构个人住房贷款余额达1199万亿元,增加1439亿元。,在银行部门贷款额的占比也呈稳步上升趋势。场景气,贷款人还是可以通过出售不动产来还贷,房价出现骤降,贷款人通过房产变现还贷的难度加大,,银行部门必会受到影响。尤其住房按揭贷款项目,,作为贷款补偿的最后防线,。其次,从近年来发生的金融危机,尤,房地产市场的崩溃对银行体系稳定性的冲击力,。

选取其他变量的原因如下:GDP是衡量经济部门还贷能力的最直接指标。经济部门的生产能力,其价值创造直接影响其生存发展,当然也就影响到其还贷能力。选取利率变量作为解释变量的原因是显而易见的,利率水平的高低将直接影响到企业的债务负担水平,从而也就关系到其违约概率。

31相关数据选择及处理方法

变量值选取1990～2006年的年度数据,这主要是考虑到数据的可得性、宏观经济统计的特征以及经济冲击发生的持续时间。鉴于研究的宏观层面,从数据的可得性及计算量考虑,本文的模型是基于整个经济体系的,因此各宏观经济变量将不采用各经济部门的统计值,而采用本国的整体水平的统计值。这里对于各利率变量的年度数据作了处理,因为存在一年中多次调整利率的情况,对于存在这种情况的年份的利率采取加权平均的方法取其年均值。通货膨胀率选取居民消费价格指数CPI表示。宏观指标如GDP、存贷款利率等采取的实际值是用当年的CPI值平减其名义值得到

。

图2　1990～2006年中国主要商业银行逾期贷款率走势

经处理得到的违约率和综合指标值Y如图2所示。从图2可以看出,1990～2006年间,中国的逾期贷款率发展趋势呈倒U形,其中以1999年和2004年为重要拐点。自1999年后中国主要商业银行逾期贷款率开始下降,自2004年开始该指标呈大幅下降趋势。因为在这

基于宏观压力测试方法的商业银行体系信用风险评估・123・

两个年份中,国家曾向四大国有商业银行注入巨资以冲减其巨额不良资产,为股份制改革铺路。而无论是逾期贷款额还是总贷款余额,四大国有商业银行在样本银行中所占比重都超过60%,因此四大国有商业银行的逾期贷款率的变动对总体指标的变动影响是十分显著的。这种政策性因素造成了指标值的非市场性变动。而逾期贷款率经过Logit模型转化得到的Y值发展趋势与违约率走势相反。

41模型的估计

代入1990～2006,先用宏观经济变量的名义指标值和实际值,Y进行回归。从两个模型的t检验指标看出,LR、R的参数并不显著,而引入的Y。因此模型的参数需要进一步调试剔除。,因此模型中只引入Y的一阶滞后变量。虽然DW指标略微下降,但两个指标值分别为01987和2,。在剔除掉一年期存款利率后,两个模型各参数的t检验指标都非常显著。以模型解释变量的参数符号来看,通胀率CPI在以名义宏观经济变量值为自变量的模型中的系数符号为负,这表明随着CPI的增加,Y值也会减小,经过Logit变换后的违约概率PD将会增大。这显然符合经济学原理。而在关于实际变量的模型中系数为正号,这是违背经济学原理的。所以本文确定以名义变量作为模型解释变量的方程为最佳的宏观经济模型(见表3)。这说明中国银行的信贷违约率对名义宏观经济因素的波动更敏感。Sorge和Virolainen(2005)利用Wilson(1997)模型框架对芬兰银行系统的违约概率进行了宏观压力测试分析,宏观经济模型估计结果与中国上述情况类似,即名义的宏观经济变量对违约概率的解释能力更显著。

根据估计模型中选定的解释变量为NGDP、NLR、RE、CPI,作出各指标值和贷款违约率PD的发展趋势(见图3)。从各解释变量发展趋势的方向与PD的变化方向比较,可以看出估计出的模型的符号与现实数据的发展趋势相一致

。

图3　1990～2006年各变量变化趋势

模型中各宏观经济变量的自回归模型,即方程(4)的估计过程中解释变量的确定方法与方程(3)的方法相同,本文将不再赘述。剔除模型中不显著的解释变量得到的各模型方程系数如表3所示。

・124・

　　表3

解释变量

Y《数量经济技术经济研究》2009年第4期综合经济指标与各宏观经济变量指标多元回归、各宏观经济变量自回归模型结果被解释变量NGDPNLRCPIRE

截距(C)

NGDP

NGDPt-1

NGDPt-2

NLR

NLRt-1

NLRt-2

CPI

CPIt-1

CPIt-2

REt-1

Yt-1

DW[**************]-01455-[1**********]—11174-01595———10—————11231-01785——————————01148-[1**********]27——0117———————-[1**********]5——-0—————[1**********]22—-01201——[1**********]95—-0143901992

　　根据回归方程的t检验值(5%的显著性水平),各宏观因素指标的实际值对综合指标的影响并不显著,所以剔除不列入表内。从表3中可以看出,综合经济指标和各宏观经济变量指标的名义值关系显著,且综合指标的一期滞后值对各宏观经济指标影响均显著。从关于综合指标的多元线性回归方程也可以看出,国内生产总值增长率、贷款利率水平、通货膨胀率和房地产价格的确是影响中国银行体系违约概率的显著因素,而且综合指标明显受其一期滞后值的显著影响。

51宏观压力情境的设定

本文选择情境分析作为执行压力测试的方法。针对模型所选取的宏观经济变量,我们设定两个压力情境:一种是名义国内生产总值大幅下降;一种是通货膨胀率上升到较高的水平(5%以上)。对于各种压力情境下反映压力的宏观经济变量的变动幅度,可以通过以往的历史相似情境数据或历史经验直接进行人为设定。而本文在对银行体系遇到极端情境进行构建之前,利用时间序列模型对解释变量NGDP、CPI进行了2008～2010年的简单ARMA模型预测,作为我们构建时的参考基准情境。

(1)关于名义国民生产总值(NGDP)的压力情境设定。模型中关于NGDP的自回归方程(见表3):

NGDP=41139+11174×NGDP(-1)-01595×NGDP(-2)

(5)-01119×Y(-1)　　　　　　　　　　　　

其中Y的自回归方程为:

Y=01386+01888×Y(-1)(6)

在此基础上,利用历史数据对NGDP未来三年的值进行预测,2008～2010年的预测趋势见图4。

基于宏观压力测试方法的商业银行体系信用风险评估・125・

　　从图4。因此,可以设定20096%、4%、2%三种情境。

(2)(CPI)的压力情境设定。根据表3中模型的估计结果,关于CPI的自回归方程为:

CPI=-91739+11231×CPI(-1)-01785×CPI(-2)+31220×Y(-1)(7)代入历史数据得到CPI未来三年的预测值趋势见图5。从图5可以看出未来几年内模型预测中国的通货膨胀呈上升趋势。所以本文设定2009年CPI相较于2006年的10115分别升至105、107、109三种情境。

(3)压力情境的设定方法。反映压力情境的宏观经济变量值的设定方法通常有两种:传统方法和蒙特卡罗模拟法。传统压力测试的方法指在压力情境设定后,对宏观指标Y进行点估计(假设宏观经济模型中随机扰动项为零)从而得到违约概率期望值的点估计;而用蒙特卡洛模拟将得到综合指标Y或贷款损失的概率分布(模型中随机扰动项不为零)。取得压力情境的关键在于,在预测时间段内设定了产生压力事件的源变量后其他宏观经济变量的估值问题。这主要是考虑一个宏观因素的异动对其他宏观经济变量造成的冲击。

在进行压力测试时,当设定压力情境的变量值(如2010年GDP增长率骤减到4%),在蒙特卡罗方法中其他宏观经济变量值可通过模拟得到,所以才有概率分布。但本文其他宏观经济变量的赋值对传统方法进行了修正,方法如下:

首先,以压力情境源变量取GDP为例,通过相似情境历史数据(宏观经济受到冲击时),利用最小二乘法,以GDP的增长率为解释变量分别对其他宏观经济变量进行逐一回归分析,如果GDP的系数统计性显著(t检验显著),说明GDP解释性良好,它与该宏观经济变量存在线性关系。然后将设定的压力情境下GDP增长率带入估计出的方程,从而得到作为被解释变量的宏观经济变量的估计值。依次得到各宏观经济变量在假设压力情境下的估计值后,再代入多元线性回归方程就得到y,再通过Logit模型,得到违约概率的点估计值。

其次,如果GDP的系数统计性不显著,说明GDP解释性不好,它与该宏观经济变量不存在线性关系。那么对其他各宏观经济变量进行自回归(即通过对各变量各自独立的时间序列模型预测出未来趋势),从而得到设定压力情境的发生时段(如2010年)时其他宏观经济变量的预测值,类似人为设定其他宏观经济变量值。这时将所有的宏观经济变量代入求出y,然后求违约概率的估计值即可。

本文采取传统压力测试方法经过建模分析,在NGDP增长率为6%、4%、2%的情境

・126・《数量经济技术经济研究》2009年第4期

下,以CPI、RR、RLR、RE作为被解释变量,以NGDP作为解释变量分别进行最小二乘估计。在模型的估计过程中,适当引入各宏观因素的滞后变量,并在前文模型估计的基础上,根据作为被解释变量的宏观因素是否受到综合指标Y的影响来决定是否引入Y的滞后值。然后根据t统计检验值和模型拟合优度等检验值,通过解释变量的增加和删减来对模型不断进行调试,从而选定各模型中的最合适解释变量。

(4)压力情境中各宏观经济因素变量的赋值。在名义GDP,发现NGDP对CPI、NLR、RE,NGDP的回归模型如下:

CPI=-351099+11338N1P(-1)+31220×Y(-1)(8)

(9)+0384×NGDP+21501×Y(-1)

=1657+01177×NGDP(-1)-41620×Y(-1)(10)

在前文对NGDP和Y进行自回归预测得到的数据的基础上,利用上面估计出的三个方程对NGDP相应取值下的NLR、CPI和RE的值进行估计。压力情境下各宏观经济变量的估计结果如表4所示。

表4

NGDP

6100

4100

2100NGDP压力情境下其他各变量的取值CPI[1**********]9NLR[1**********]6RE[1**********]3

　　在CPI大幅上升的压力情境设定下,运用最小二乘法估计,通过估计发现CPI对NG2DP、NLR、RE都有较强的解释能力,最终确定的其他宏观经济变量关于NGDP的回归模型如下:

NGDP=111023+01309×CPI-01120×CPI(-1)

NLR=01315+01069×CPI+01129×CPI(-1)-01448×Y(-1)+11594×Y(-1)(11)(12)

RE=201641+01053×CPI-41754×Y(-1)(13)

对于CPI设定的三种情形下,其他解释变量的取值方法同上,在前文对CPI和Y进行自回归预测得到的数据的基础上,利用上面估计出的三个方程对CPI相应取值下的NLR、NGDP和RE的值进行估计。压力情境下各宏观经济变量的估计结果如表5所示。

表5

CPI

5100

7100

9100CPI压力情境下其他各变量的取值NGDP[1**********]6NLR21811127-0127RE[1**********]6

基于宏观压力测试方法的商业银行体系信用风险评估・127・

　　(5)宏观压力测试的执行及其结果分析。本文利用代入历史相似情境的数据回归后得到的多元线性回归方程作为执行宏观压力测试下的信贷模型,然后构建用于评价银行体系抵御系统性风险的极端情境,通过假设宏观经济变量的异动,利用前面得到的多元线性回归方程和Logit模型就可以测算出压力情境下的违约概率期望值的点估计。本文采取传统方法,将表4和表5:

Y=41384+01042×NGDP+01170×NLR-201-×CPI

-01439×Y(-1)(14)

从而得出各压力情境下的综合指标值,情境下的违约率的点估计值,所示。

表6

压力情境

6100

PD(%)41131118NGDP[***********][***********]宏观压力测试执行结果CPI[***********]5118118　　从表6可以看出,在两种压力情境下,中国银行体系的信贷风险明显增加,从模型预测估计出的贷款违约率都有不同幅度的增加。随着国民生产总值增速的大幅降低,贷款违约概率增大,但幅度较缓。而随着通货膨胀率的骤增,违约概率出现大幅度的激增。这充分说明在压力情境下,宏观经济变量对银行系统信贷违约概率的冲击效应非常显著。从表6中的数值更能看出,通货膨胀率的同等幅度波动对银行体系信贷违约率值的影响更大。在通货膨胀率的压力情境设定下,贷款违约率的增长幅度高于名义国内生产总值下降情境下的增幅。

三、结论及建议

银行体系稳定是关系国家金融稳定和金融安全的重大课题。而银行业面临的主要风险就是信用风险,所以对于宏观经济波动影响下的银行体系所面临的信用风险进行系统评估具有重大的现实意义。本文以贷款违约率作为评估银行系统信用风险的指标,使用Logit模型将贷款违约率转化为综合指标Y,以指标Y作为因变量与宏观经济因素进行多元线性回归分析,通过假设情境法进行宏观压力测试,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。结果发现:名义国内生产总值、消费者价格指数、房地产价格指数和名义流动贷款利率对银行体系贷款违约率影响是显著的,特别是名义国内生产总值和通货膨胀率指标,冲击力较强。在名义国内生产总值大幅下降和通货膨胀率骤升的压力情境设定下,银行体系的贷款违约率都出现了不同程度的大幅度提高。尤其在通货膨胀率的压力情境下,贷款违约率的增长幅度高于名义国内生产总值下降情境下的增幅。

通过分析我们看到,中国的银行体系稳定性还有待进一步加强,在面临假设的宏观经济冲击时,化解风险的能力尚显不足。当然我们构建的这些极端情形发生的概率都是极小的,中国经济依然保持稳定增长的态势。但是通过稳定性评估,对防范和化解系统性金融风险,应该起到一种“心中有数”的作用。银行体系的改革还需要监管当局和各商业银行共同努力,这样才能构建良好的金融生态环境,加强中国银行体系的稳定性和竞争力。

・128・《数量经济技术经济研究》2009年第4期

参考文献

[1]McKinnonR1FinancialgrowthandmacroeconomicdtabilityinChina,1978～1992:implicationsforRussiaandothertransitionaleconomies[J],JournalofComparativeEconomics,1994,17(2):438～4691

[2]DeventerDV,KenjiI1CreditriskmodelsandtheBaselAccords[M],:RENMINUniversi2tyofChinaPress,2005:14～561

[3]BernhardsenT1Real～timedataforNorway:or],TheNorthA2mericanJournalofEconomicsandFinance,2005,19(3349[4]BernhardsenT1Therelationshipfandmacroeconomicvariables:apaneldatastudyforEuropean],InternationalMoneyandFinance,2000,18(2):289～3081

[5]inCreditRiskManagem[D],Norway:UniversityofHeidel2berg,20041

[6]UGersbachH1Defaultprobabilitiesanddefaultcorrelations[D],Norway:Universi2tyofHeidelberg,20051

[7]FroylandE,LarsenK1Howvulnerablearefinancialinstitutionstomacroeconomicchanges?AnanalysisbasedonStressTesting[J],EconomicBulletin,2002,3(11):127～1691

[8]PesolaJ1Theroleofmacroeconomicshocksinbankingcrises[J],BankofFinlandDiscussionpa2per,2000,2:457～5041

[9]VirolainenK1Macrostress-testingwithamacroeconomiccreditriskmodelforFinland[J],BankofFinland,mimeo,2004,19(1):1～661

[10]WilsonTC1PortfoliocreditriskI[J],Risk,1997,9(10):111～1701

[11]WilsonTC1PortfoliocreditriskII[J],Risk,1997,10(10):56～611

[12]MertonR1Onthepricingofcorporatedebt:theriskstructureofinterestrates[J],Inance,1974,29(7):449～4701

[13]BossM1AMacroeconomiccreditriskmodelforStressTestingtheAustriancreditportfolio[J],FinancialStabilityReport,2002,(4):64～821

[14]BossM,KrennG,SchwaigerM,etal1StressTestingtheAustrianbankingsystem[J],FinancialStabilityReport,2004,(11):841～8521

[15]SorgeM,VirolainenK1Acomparativeanalysisofmacrostress～testingmethodologieswithappli2cationtoFinland[J],JournalofFinancialStability,2006,17(2):113～1511

[16]BaselCommitteeonBankingSupervision1TheNewBaselCapitalAccord[C],Basel,Switzerland,20031

[17]BerkowitzJ1AcoherentframeworkforStressTesting[J],WorkingPaperofFederalReserveBoard:FEDS,1999,(29):1～481

[18]DerivativesPolicyGroup1FrameworkforVoluntaryOversight[R],WorkingPaperofFederalReserveBoard:FEDS,19951

[19]TheWorldBank1TheInternationalMonetaryFund:FinancialSectorAssessment

[R],InternationalBankforReconstructionandDevelopment,2005,(9)1

2004年第9期。

[21]周大庆、沈大白:《风险管理前沿———风险价值理论与应用》[M],中国人民大学出版社,2004。

[22]沈大白、赖柏志:《压力测试于信用风险模型之应用》[J],《东吴大学学报》2004年第11期。ahandbook[20]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],《数量经济技术经济研究》

(责任编辑:彭　战;校对:曹　宇)