中國商業(yè)銀行壓力指數(shù)的設計及應用

沈 麗,甘新亞,李文君

(山東財經大學 金融學院,濟南 250014)

一、引言

目前,中國商業(yè)銀行部分核心監(jiān)管指標逐漸向監(jiān)管紅線靠近。中國銀行業(yè)監(jiān)督管理委員會公布的數(shù)據(jù)顯示，2012年商業(yè)銀行的不良貸款率為0.94%,之后逐年升高,2017年高達1.74%,逼近不良貸款率2%的風險警戒線;2010年商業(yè)銀行的人民幣存貸比為64%,2017年為69%,始終處于一個較高的水平并且在逐漸增大,十分接近75%的安全底線。

歷史上,因銀行風險爆發(fā)而導致的中外銀行倒閉案屢見不鮮。如1998年,海南發(fā)展銀行正是由于不良資產比例過大、資本金不足導致支付困難而倒閉。作為新中國金融史上第一次由于支付危機而關閉的銀行,海南發(fā)展銀行的倒閉影響極大不可避免地引起了社會各界的廣泛關注。這件事直接導致海南省的金融持續(xù)弱化,銀行等金融機構對貸款的審查業(yè)務活動更加謹慎。再如1995年,英國的商業(yè)投資銀行——巴林銀行因為經營中的操作失誤而倒閉,此事直接導致東京股市英鎊對馬克的匯率跌至近兩年最低點,進而導致倫敦股市和紐約股市也出現(xiàn)暴跌。

商業(yè)銀行的倒閉或者風險的爆發(fā)不僅嚴重影響金融系統(tǒng)的穩(wěn)定性,更會對一國的經濟造成重創(chuàng)。健全金融監(jiān)管體系,守住不發(fā)生系統(tǒng)性金融風險的底線,必須重視對商業(yè)銀行整體風險狀況的研究。因此,在中國商業(yè)銀行風險逐漸增大的背景下,有必要構造一個商業(yè)銀行壓力指數(shù),通過這個指數(shù)來監(jiān)測和預警商業(yè)銀行的風險水平,進而實現(xiàn)對商業(yè)銀行風險更有效、有針對性的管理。

二、文獻回顧

通過對已有文獻的梳理,發(fā)現(xiàn)不少國內外學者構造了金融壓力指數(shù)。Illing和Liu最早提出了金融壓力的概念并開創(chuàng)了構建綜合壓力指數(shù)來衡量系統(tǒng)性金融壓力的先河,他們選取銀行、股票、外匯和債券4個市場的11個指標構造了加拿大的金融壓力指數(shù)。之后的學者相關研究基本是在此基礎上,構造的金融壓力指數(shù)指標都會涵蓋銀行、股票、債券和外匯等核心金融市場,其中銀行業(yè)選取的指標主要是不良貸款率、超額存款準備金率、銀行間市場7天回購加權平均利率波動率、收益率以及銀行信用評級等。部分國內學者單獨對銀行的脆弱性進行了分析,孫小琰等選取存貸利差、不良資產率、資本充足率、流動性比率等7個指標作為衡量銀行脆弱性的指標。劉春航等采用國際通用的“駱駝(CAMELs)評級體系”的定量指標對銀行業(yè)脆弱性進行了分析。本文在前人構造金融壓力指數(shù)的基礎上,并結合學者們對銀行脆弱性的研究,從信用風險、市場風險、流動性風險和操作風險四個方面選取指標,設計代表中國商業(yè)銀行風險的壓力指數(shù)。綜上可以看出,不良貸款率是影響商業(yè)銀行風險的重要指標,并且對經濟增長有著較大影響[1-10]。

盡管國內外學者在指標選擇上基本一致,但在壓力指數(shù)的測算方法上卻不盡相同,主要采用等方差權重法、信用加總權重法和主成分分析法。王春麗等通過各自標準差的倒數(shù)來確定金融壓力指數(shù)各指標的權重,這種等方差的權重設計法可以避免由于一個分指數(shù)出現(xiàn)劇烈波動而導致整個合成指數(shù)大幅波動的現(xiàn)象。劉春航等以單家銀行在銀行業(yè)中的資產占比作為這家銀行指標權重,據(jù)此求得整個銀行業(yè)的脆弱性指數(shù)。由于等方差權重法要求數(shù)據(jù)的正態(tài)分布的假設可能難以實現(xiàn)的實際情況、信用加總權重法有較大的主觀性,葉永剛等采用主成分分析計算各個指標的權重,測算出中國金融監(jiān)管指數(shù)。鑒于主成分分析法選取指標方便,用貢獻率確定的權重具有客觀性和合理性,克服了別的方法確定權重的缺陷,因此本文選取主成分分析法測算中國的商業(yè)銀行壓力指數(shù)[11-12]。

目前我國對商業(yè)銀行壓力指數(shù)的研究還處于起步階段,關于商業(yè)銀行風險的預測更是不多。Jeanne and Masson和Fratzscher最早在危機預測研究中引入馬爾科夫機制,Knedlik and Scheufele運用馬爾科夫模型對于發(fā)生于2006年6月的南非貨幣危機進行預測,2006年4月就發(fā)出了明顯的危機信號。他們僅對已經發(fā)生的危機做了預測,并沒有對風險的未來趨勢進行分析。蘇治等利用計算機人工智能,采取人工神經網(wǎng)絡模型(BP)對金融市場的數(shù)據(jù)做預測分析,但是網(wǎng)絡規(guī)模和應用問題的實例規(guī)模之間的矛盾問題,BP神經網(wǎng)絡至今難以解決。王春麗等利用ARIMA模型對中國的金融風險進行了短期預測[13]，由于經濟數(shù)據(jù)常常是自相關非平穩(wěn)的時間序列,ARIMA模型能比較有效地處理自相關非平穩(wěn)數(shù)據(jù),因此,本文選擇ARIMA模型對商業(yè)銀行壓力指數(shù)做短期預測。

本文可能的邊際貢獻在于,設計中國商業(yè)銀行壓力指數(shù),對商業(yè)銀行的總體風險以及具體的風險構成進行度量,并對商業(yè)銀行未來的風險做短期的預測,這能提前了解商業(yè)銀行風險并采取風險防控的措施,對商業(yè)銀行正常安全運行具有積極的影響。

三、中國商業(yè)銀行壓力指數(shù)的設計

(一)中國商業(yè)銀行壓力指數(shù)設計指標體系

本文從中國銀行業(yè)監(jiān)督管理委員會對商業(yè)銀行的監(jiān)管指標中選取了能代表商業(yè)銀行四種風險的六個指標:不良貸款率、撥備覆蓋率、累計外匯敞口頭寸比例、人民幣存貸款比率、資本充足率和操作風險加權資產/資本凈額。根據(jù)各個指標與商業(yè)銀行風險大小的關系,可以對指標的屬性做具體劃分,將這些指標分為正向指標和逆向指標。表1為本文設計的中國商業(yè)銀行壓力指數(shù)指標體系。

表1 中國商業(yè)銀行壓力指數(shù)指標體系

`

(二)中國商業(yè)銀行壓力指數(shù)的測算

本文選取2010年第四季度-2017年第二季度的季度數(shù)據(jù),運用主成分分析測算商業(yè)銀行壓力指數(shù)。在利用SPSS進行主成分分析之前,首先對逆向指標做正向化處理,使得每個指標的數(shù)值越大代表的商業(yè)銀行壓力指數(shù)越大。通過因子分析,可以得到表2的KMO檢驗,從KMO檢驗結果看到,KMO>0.5,因此可以對數(shù)據(jù)進行主成分分析。進行主成分分析之后,主成分提取結果如表3所示。

表2 KMO檢驗

主成分分析中,主成分個數(shù)的提取原則有兩種:一種是主成分對應的特征值大于1的前n個主成分,另一種是累計方差貢獻率大于等于80%的前n個主成分。根據(jù)這兩個標準,從表3主成分提取結果可看出成份1和成份2的特征值都大于1,而且前2個成分的方差累計貢獻率達到81.320%,超過了80%。所以,我們把成份1和成份2看做主成分,用2個新的變量來代替原來的6個變量。

得到初始因子載荷矩陣如表4,表中的每一個載荷量代表主成分與對應變量的相關系數(shù)大小。

表4 初始因子載荷矩陣

注:已提取了 2 個成份, 提取方法:主成份。

因子載荷陣使各變量在某單個因子上有高額載荷,從初始因子載荷矩陣表可以看到,不良貸款率、撥備覆蓋率、累計外匯敞口頭寸比例、人民幣存貸比和資本充足率在第一主成分上有較高載荷,說明了第一主成分基本反映了這些指標的信息;操作風險加權資產/資本凈額在第二主成分上有較高載荷,說明第二主成分基本反映了這一指標的信息。所以本文提取的這兩個主成分基本上可以反映出全部指承載的信息,因此可以用兩個新變量代替原來的六個變量。但是兩個新變量的表達式不能直接由初始因子載荷矩陣得到,需要將每一個載荷量除以主成分相對應的特征值開平方根,才能得到兩個主成分中每個指標所對應的系數(shù)。兩個主成分的表達式如下所示:

F1=0.4981x1+0.4650x2-0.3726x3+0.4594x4-0.4232x5-0.0822x6,

清洗身體，躺在她的單人床上嘗試入睡。她的發(fā)絲散發(fā)出清香氣味，密密層層，鋪墊在他的臉頰之下。擁抱中的身體如同少女，可觸摸到纖瘦骨骼。大約5點多鐘，他醒過來，重新充盈起飽滿欲望，于是開始第二次。這一次她完全敞開，如同一朵春日海棠，在瞬間綻放之后，只能以肆意的力度沉淪下去。肉身展示出對這種與異質交換能量的天然趨向，熱烈有力，單純赤誠。盡力敞開所有通道，與他交換、匯聚、融合，但這又是無法被言語道盡的孤獨。

F2=-0.0845x1-0.1803x2-0.3925x3+0.1643x4+0.0573x5+0.8808x6.

根據(jù)以上兩個式子,以每個主成分所對應的方差貢獻率占所提取主成分的累計方差貢獻率的比例作為權重計算得到主成分綜合評價函數(shù)模型:F=0.3627x1+0.3150x2-0.3772x3+0.3908x4-0.3115x5+0.1416x6.

將綜合評價函數(shù)中各個變量的系數(shù)與標準化的系數(shù)矩陣相乘即可得到中國商業(yè)銀行壓力指數(shù)。對所得到的商業(yè)銀行壓力指數(shù)進行歸一化處理,使中國商業(yè)銀行壓力指數(shù)落到[0-1]之間,測算公式為Yij=(Xij-Xmin)/(Xmax-Xmin),Xij為中國商業(yè)銀行壓力指數(shù),Xmax為商業(yè)銀行壓力指數(shù)中的最大值,Xmin為商業(yè)銀行壓力指數(shù)中的最小值。經調整后的中國商業(yè)銀行壓力指數(shù)越大,代表商業(yè)銀行的風險水平越高。將計算得出的中國商業(yè)銀行季度壓力指數(shù)繪制出折線圖,結果如圖1。

圖1顯示,中國商業(yè)銀行季度壓力指數(shù)在個別季度有所下降,但是總體呈現(xiàn)出逐季度波動走高的態(tài)勢,在2017年第二季度達到了最大。根據(jù)商業(yè)銀行壓力指數(shù)的走勢,可以將其分為分為三個階段。第一階段為2010年第4季度-2014年第3季度,該段時間壓力指數(shù)緩慢波動上升;第二階段為2014年第4季度-2015年第4季度,該階段壓力指數(shù)加速上升,從附錄數(shù)據(jù)能看到,2014年第4季度的商業(yè)銀行壓力指數(shù)加倍增長,這種反常規(guī)的表現(xiàn)剛好預測了2015年中國的經濟狀況。2015年由于中國制造業(yè)危機的爆發(fā),導致制造業(yè)企業(yè)大規(guī)模的破產倒閉,繼而引發(fā)銀行的壞賬危機,銀行壞賬率遠遠高于2008年金融危機時期的美國,產生一系列連鎖反應,導致中國股市暴跌。第三階段為2016年至今,商業(yè)銀行壓力指數(shù)在一個相對較高的水平上緩慢增長。

(三)中國商業(yè)銀行壓力指數(shù)的風險構成分析

圖1 中國商業(yè)銀行季度壓力指數(shù)走勢圖

以上分析了商業(yè)銀行的壓力指數(shù),反映了商業(yè)銀行整體的風險發(fā)展趨勢。為了具體分析商業(yè)銀行所面臨的四種類別風險的狀況,本文對商業(yè)銀行壓力指數(shù)的風險構成進行分析,根據(jù)主成分分析的結果,計算得到在商業(yè)銀行壓力指數(shù)中信用風險占比35.69%,市場風險占比19.86%,流動性風險占比36.99%,操作風險占比7.46%。根據(jù)標準化數(shù)據(jù)計算出商業(yè)銀行四種風險的大小,繪制出商業(yè)銀行四種風險的折線圖圖2。

圖2商業(yè)銀行壓力分指數(shù)的風險構成顯示,信用風險從2010年第4季度至2012第2季度是下降趨勢,之后逐漸上升,市場風險和流動性風險也是逐季度波動上升,操作風險的走勢明顯和前三種風險走勢不同,操作風險波動較大,并且極不具有規(guī)律性,在2013年第3季度操作風險最大,這是由于操作風險的不確定性決定的,這種風險也給銀行的監(jiān)管帶來一定的挑戰(zhàn)性。將商業(yè)銀行壓力指數(shù)與四種風險繪制于一個折線圖中。

圖2 商業(yè)銀行壓力指數(shù)風險構成

從圖3可以看到,流動性風險指數(shù)和信用風險指數(shù)的走勢與商業(yè)銀行壓力指數(shù)走勢最為接近,因此可以推斷流動性風險和信用風險是商業(yè)銀行面臨的主要風險,其次是市場風險、操作風險。這也印證了上述計算的風險權重結果。所以我們要著重加強流動性風險和信用風險管理。雖然操作風險在商業(yè)銀行壓力指數(shù)中所占的比重較小,但是其不確定性卻很高,該種風險一旦發(fā)生后果嚴重,因此不能忽略操作風險這個潛在風險隱患。

四、中國商業(yè)銀行壓力指數(shù)的應用

(一)ARIMA模型的構建

ARIMA(p,d,q)模型是由三部分構成:AR(p)為自回歸過程,它指一個時間序列的當前數(shù)值能表示成滯后p期觀測值的線性組合;I(d)為單整,它表示時間序列的d階差分是平穩(wěn)序列;MA(q)為移動平均過程,即模型值可以表示為q階殘差項的線性函數(shù)。其中,自回歸移動平均形式ARMA(p,q)函數(shù)模型如下所示:Yt=μ+φ1Yt-1+φ2Yt-2+…+φpYt-p+εt+θ1εt-1+θ2εt-2+…+θqεt-q.

模型構建完成之后,首先,對商業(yè)銀行壓力指數(shù)原序列進行平穩(wěn)性檢驗,如果原時間序列不平穩(wěn),然后進行差分,直至得到一個平穩(wěn)序列,則未知參數(shù) d 便等于差分次數(shù)。其次,在平穩(wěn)時間序列的基礎上識別ARMA 模型階數(shù)。平穩(wěn)時間序列的自相關圖和偏相關圖為識別模型參數(shù) p和q的值提供有價值的信息。

(二)利用ARIMA模型對商業(yè)銀行風險的實證研究

1.單位根檢驗。我們首先對上述計算出來的商業(yè)銀行壓力指數(shù)進行ADF單位根檢驗,來判斷時間序列是否平穩(wěn),結果如表5。

由于t的絕對值小于10%顯著性水平上的t值大小,所以得知,商業(yè)銀行壓力指數(shù)存在單位根,該時間序列不平穩(wěn),不能進行ARIMA模型分析。

表5 商業(yè)銀行壓力指數(shù)ADF檢驗

因此我們又對商業(yè)銀行壓力指數(shù)的一階差分進行了ADF單位根檢驗,得到的結果如表6所示,由于t的絕對值小于10%顯著性水平上的t值大小,所以商業(yè)銀行壓力指數(shù)的一階差分也存在單位根,該時間序列的一階差分序列不平穩(wěn),不能進行ARIMA模型分析。

表6 商業(yè)銀行壓力指數(shù)一階差分ADF檢驗

再對商業(yè)銀行壓力指數(shù)的二階差分進行ADF單位根檢驗,由表7結果可知t的絕對值大于1%顯著性水平上的t值大小,因此商業(yè)銀行二階差分的時間序列是平穩(wěn)的,所以原始時間序列是二階單整的,記I(2),即d=2。

2.自相關圖和偏自相關圖的編制。找出適當?shù)膒,d和q值,運用ARIMA模型最關鍵的工具是自相關圖和偏自相關圖。由平穩(wěn)性檢驗可知商業(yè)銀行壓力指數(shù)是二階單整的,記I(2),即d=2。為了找到合適的p和q,對商業(yè)銀行壓力指數(shù)的二階差分變量DN進行自相關分析,繪制了商業(yè)銀行壓力指數(shù)二階差分的自相關圖和偏自相關圖,如圖4所示。

根據(jù)商業(yè)銀行壓力指數(shù)的自相關圖和偏自相關圖直觀可猜測:p=3,q=4,進行ARIMA(3,2,4)模型分析,實證結果顯示ARIMA(3,2,4)模擬效果不好。于是又進行了幾十次ARIMA模型的模擬實驗,發(fā)現(xiàn)模擬效果最好的是ARIMA(3,2,(3,4,7,8)),因此本文選擇ARIMA(3,2,(3,4,7,8))模型對商業(yè)銀行壓力指數(shù)進行短期預測。

表7 商業(yè)銀行壓力指數(shù)二階差分ADF檢驗

圖4 商業(yè)銀行壓力指數(shù)二階差分自相關圖和偏自相關圖

3.模型的適應性檢驗。為了檢驗模型的適用性,首先要對擬合模型ARIMA(3,2,(3,4,7,8))的適應性進行檢驗,實際上是對殘差序列進行白噪聲檢驗,若殘差序列不是白噪聲,則表明尚有一些重要的信息未被提取,此時應當重新設定模型。檢驗結果如表8。

表8 殘差序列ADF檢驗

從單位根檢驗結果來看,殘差序列不存在單位根,是平穩(wěn)的,因此殘差序列為白噪聲,所以本文擬合的模型是合適的。

4.ARIMA(3,2,(3,4,7,8))模型實證預測。運用Eviews軟件,根據(jù)模型ARIMA(3,2,(3,4,7,8))進行回歸,可得到如表9所示的回歸結果。

由以上回歸結果可以看到,回歸結果在5%的顯著性水平上都顯著,R2=92.8%,回歸結果較好。所以可以得到擬合函數(shù)為:Yt=μ-0.5664Yt-1-1.0267Yt-2-0.7648Yt-3+0.6588εt-3-1.3702εt-4+1.255εt-7-1.951εt-8+ε

(三)商業(yè)銀行壓力指數(shù)的擬合與預測

根據(jù)上述得到的回歸函數(shù),將商業(yè)銀行壓力指數(shù)二階差分的數(shù)據(jù)帶入可得到商業(yè)銀行壓力指數(shù)的二階差分的預測值,商業(yè)銀行二階差分的預測值和實際值的對比如圖5所示。

從上圖可以看出,利用ARIMA(3,2,(3,4,7,8))模型對商業(yè)銀行壓力指數(shù)二階差分的擬合效果較好,將二階差分倒加回去即可得商業(yè)銀行壓力指數(shù)的預測值,商業(yè)銀行壓力指數(shù)的預測值和實際值的折線圖6所示,由圖6可以看出商業(yè)銀行壓力指數(shù)的預測值與其實際值擬合得很好,預測值幾乎可以反映出商業(yè)銀行真實風險水平。

表9 ARIMA(3,2,(3,4,7,8))回歸結果

圖5 商業(yè)銀行壓力指數(shù)二階差分預測值與實際值

對商業(yè)銀行壓力指數(shù)進行樣本外預測,預測2017年第三、四季度的商業(yè)銀行壓力指數(shù),將預測結果進行歸一化處理,使得壓力指數(shù)落到(0,1)之間,將包括2017年第三、四季度預測值的商業(yè)銀行壓力指數(shù)繪制出折線圖圖7,具體數(shù)據(jù)為表10。

預測結果顯示2017年第三季度商業(yè)銀行壓力水平繼續(xù)上升達到高點,2017年第四季度壓力水平有所下降。雖然商業(yè)銀行壓力指數(shù)未來有增加的趨勢,但是短期并沒有壓力指數(shù)驟然增加的反常表現(xiàn),因此未來不會爆發(fā)大的銀行業(yè)危機。

未來,受美聯(lián)儲加息的影響,中國人民銀行貨幣政策轉向穩(wěn)健中性,政府出臺擠泡沫、降杠桿、去產能政策等一系列因素的影響,中國經濟增長的“三駕馬車”中,投資預計下行,消費預計平穩(wěn),出口預計疲軟拉動。中國經濟有著較大的下行壓力,這對商業(yè)銀行仍然有很大的沖擊,因此我們要實時對商業(yè)銀行壓力進行監(jiān)測,嚴防商業(yè)銀行壓力指數(shù)過大。

圖6 商業(yè)銀行壓力指數(shù)預測值和實際值對比圖

圖7 商業(yè)銀行季度壓力指數(shù)預測值折線圖

五、結論與建議

本文設計了中國商業(yè)銀行的壓力指數(shù),對壓力指數(shù)的風險構成做了具體分析,并將商業(yè)銀行壓力指數(shù)應用于銀行風險的短期預測。研究發(fā)現(xiàn):首先,中國的商業(yè)銀行的壓力指數(shù)整體上呈現(xiàn)波動上升的狀態(tài),2014年第4季度的壓力指數(shù)異常增大,很好地預測了2015年中國的經濟情況。其次,通過對商業(yè)銀行風險結構的分析,發(fā)現(xiàn)流動性風險、信用風險和市場風險均呈現(xiàn)波動上升的狀態(tài)。流動性風險和信用風險在商業(yè)銀行中占據(jù)較大比例,是商業(yè)銀行面臨的主要風險,其次是市場風險。雖然操作風險所占比重最小,但是它的波動幅度最大,最不穩(wěn)定。最后,短期預測結果顯示,未來商業(yè)銀行壓力指數(shù)緩慢上升,沒有異常波動,商業(yè)銀行處于較穩(wěn)定的狀態(tài)。

綜上所述,雖然銀監(jiān)會對商業(yè)銀的監(jiān)管指標均處于指標風險警戒線以內,但是由我們測算的商業(yè)銀行壓力指數(shù)可知商業(yè)銀行潛在的風險水平卻在逐漸升高,因此,本文提出以下建議:第一,要健全和優(yōu)化商業(yè)銀行風險監(jiān)管體系,銀行自身要加強內部風險管理機制,實時監(jiān)測商業(yè)銀行壓力指數(shù),使其保持在較低水平。第二,當商業(yè)銀行壓力指數(shù)過大,調整相應的指標,使各個指標保持在合理的水平。若商業(yè)銀行壓力指數(shù)預測結果異常增大時,必須重視,查找原因,尋求解決對策。第三,商業(yè)銀行要加強流動性風險和信用風險的管理,對管理層加強監(jiān)督,警惕操作風險的發(fā)生。最后,作為監(jiān)管機構的中國銀行業(yè)監(jiān)督管理委員會和中國人民銀行要切實履行監(jiān)管職責,保證商業(yè)銀行在安全水平上運行。政府也要加強對監(jiān)管機構的激勵和監(jiān)督,保證監(jiān)管層的有效和透明。

表10 商業(yè)銀行壓力指數(shù)具體數(shù)據(jù)