中國銀行業(yè)壓力測試的現(xiàn)狀以及在商業(yè)銀行中的運用
—— 以中國建設銀行為例

遼寧工業(yè)大學管理學院 陳英梅

浙江大學光華法學院 姜靜文

2006年，美國次貸危機爆發(fā)，導致我國實體經(jīng)濟以及尚未完全成熟的金融市場體系同時受到了嚴重的負面影響。因而，如何進行更有效的金融風險管理、如何更好地監(jiān)督金融市場，成為了我國金融行業(yè)思考的重點。壓力測試是指商業(yè)銀行對于不同經(jīng)濟沖擊的承受能力的途徑，其主要目的是評估銀行機構(gòu)承擔風險能力的強弱和檢驗銀行對宏觀經(jīng)濟因素的敏感程度。對于金融風險管理，壓力測試是一項非常重要而又實用的工具，壓力測試的正確使用能使我國商業(yè)銀行具備更強的抵御宏觀經(jīng)濟波動的能力，促進我國金融體系的不斷完善和健康發(fā)展。

1 Logit方法使用介紹

1.1 方法介紹

我國銀行業(yè)通常將常見的風險因子分為三種：違約概率(probability default,PD)、違約損失率(loss given default,LGD)及違約風險暴露(exposure at default,EAD)。EL是預期損失(Expected Loss,EL)，通常利用以下公式來計算：

文中選取了五個宏觀經(jīng)濟指標來研究宏觀經(jīng)濟對于PD的沖擊，五個指標包括GDP增長率，通貨膨脹率(INF)，貸款利率(LIR)，外貿(mào)依存度(FTD)和貨幣供應量。采用Logistic回歸模型，可將調(diào)查的宏觀經(jīng)濟指標全部代入模型，并且可保證PD的取值介于0～1之間。應用的數(shù)學模型表達如下：

pdt在此表達式中表示處于時間t的違約率，取值介于0～1之間；α為外生變量常數(shù)項；x表示各個宏觀經(jīng)濟變量處于時間t時的值；β表示各個宏觀經(jīng)濟變量對因變量造成影響的參數(shù)，進一步將式(2)變形處理可得：

1.1.1 樣本數(shù)據(jù)來源

本文選取2015—2018年三年的年度宏觀經(jīng)濟數(shù)據(jù)，包括GDP增長率、貸款利率、通貨膨脹率、貨幣供應量和外貿(mào)依存度等指標，作為備選展開研究。

1.1.2 承壓對象及承壓指標

本文所選取的承壓對象為中國建設銀行信貸資產(chǎn)的信用風險水平，使用銀行違約損失率(PD)作為測量指標，其中包含數(shù)量關(guān)系如下：

PD=當期貸款違約金額/期初貸款總金額

本文將通過2015—2018年中國建設銀行的相關(guān)數(shù)據(jù)對PD進行評估。

1.2 假設情景事件的確立

為確保本文的嚴謹性，參考已有文獻，采用假設情景事件的方法進行分析，所假設的壓力情景事件，如表1所示。

表1 本文采用的假設壓力情景事件

2 回歸模型建立與結(jié)果分析

2.1 模型建立

本文假定宏觀經(jīng)濟變量和違約率之間存在著非線性關(guān)系，運用最早的離散選擇模型——Logit模型。將違約率轉(zhuǎn)化為中介指標Z，將Z作為因變量，加入各宏觀經(jīng)濟變量作為自變量，進行多元線性回歸分析。通過資料的收集和對比分析，結(jié)合我國金融系統(tǒng)的特殊性，建立模型方程表達式如下：

其中，Z表示中介變量，PD表示違約率，Xi表示各宏觀經(jīng)濟變量，μ表示隨機干擾項。由于PD的取值介于0～1之間，因此需要用式(4)將PD轉(zhuǎn)換成Z，即有：

從式(4)中可知，PD與Z為正相關(guān)，即信用風險指標值越大，“中介指標”Z的值就越大。式(5)為一個線性方程，表明由信用風險指標轉(zhuǎn)化成的“中介指標”與各宏觀經(jīng)濟變量存在線性關(guān)系。

通過估計歷史數(shù)據(jù)的模型并引入處理后的信用風險指標，可以計算中間指標Z的估計值。將Z帶入式(5)，可以估計出回歸方程的系數(shù)，并以此回歸方程作為基礎進行壓力測試：假定不同壓力情境，不同壓力情景下的宏觀經(jīng)濟變量值納入估算方程式(5)得到Z值。最后，通過式(4)將轉(zhuǎn)換為違約率，就可以估計出壓力情景下金融機構(gòu)的信用風險。

2.2 變量的篩選及數(shù)據(jù)的選定

本文選取GDP增長率、居民消費價格指數(shù)(CPI)、外貿(mào)依存度(EM)、貨幣和準貨幣(M)、貸款利率(LR)五個變量作為解釋變量。將選擇2008—2018年度數(shù)據(jù)作為樣本，為了使模型的擬合優(yōu)度和顯著性更高，在選取指標及數(shù)據(jù)時，本文適當選取了增長率值代替了原始指標，所有數(shù)據(jù)均來源于公開資料。從回歸過程中篩選出了四個具有顯著水平的宏觀經(jīng)濟指標，模型的參數(shù)估計如表2所示。

表2 模型參數(shù)估計表

因此，構(gòu)建的模型如下：

模型的F檢驗結(jié)果、相關(guān)系數(shù)R、決定系數(shù)R2也表明模型具有良好的回歸性。

2.3 結(jié)果分析

通過Logistic多元線性回歸分析結(jié)果，得出以下基本結(jié)論：(1)GDP持續(xù)增長說明社會宏觀經(jīng)濟形勢較好，企業(yè)平均盈利能力較好，進而導致整體貸款違約概率下降；(2)CPI對違約的影響最為顯著，CPI上升，央行面臨貨幣政策和財政政策緊縮的風險，增加了違約風險；(3)貨幣供應量增加意味著商業(yè)銀行擴張信貸，對于客戶的風險審查有所放松，進而導致違約風險增加；(4)利率上升，企業(yè)的融資成本增加，如果企業(yè)的盈利能力不足以支撐融資成本，企業(yè)自然會面對違約的風險。

3 壓力情景測試——以建設銀行2017年為例

為進一步驗證本文所提出的壓力測試模型，將以建設銀行2017年數(shù)據(jù)為例進行實證研究。為了簡化計算，運用以下方式來確定三個參數(shù)。對于LGD參考BASEL II的要求，取LGD等于45%。EAD則通過銀行貸款余額作為近似來完成計算。PD則通過代入2018年的宏觀數(shù)據(jù)，由本文的上一部分求得Z，然后再反解可以得到。

2017年建設銀行的情況，LGD=45%，EAD=123329億元，貸款損失準備金=3289.68億元，核心資本=16913.32億元，資本金= 20030.72億元。利用上面的情景假設，得出溫和、中等和嚴重沖擊下的損失比較，各個參數(shù)變化的具體情況如表3所示。

表3 2017年建設銀行壓力情景測試結(jié)果

通過模型可以看到，即使在嚴重沖擊下，準備金和資本金都足以覆蓋壓力事件的損失。

4 結(jié)語

本文通過建立影響銀行違約損失率的相關(guān)變量之間的模型，得出利率變化的商業(yè)銀行的沖擊最為激烈的結(jié)論，同時在宏觀經(jīng)濟狀況良好的情況下，商業(yè)銀行經(jīng)營狀況較好，違約率較低；反之，當宏觀經(jīng)濟狀況勢微，企業(yè)盈利能力會受到?jīng)_擊，資金流動性減弱從而影響到債務償付，導致商業(yè)銀行違約率上升。通過定期分析報告等形式提出管理建議，根據(jù)內(nèi)外部管理需要采取措施，根據(jù)對未來宏觀經(jīng)濟波動的預測，提前制定最優(yōu)的風險管理方案，確保整體風險水平控制在設定的邊界范圍內(nèi)，對于銀行業(yè)具有深遠的指導意義。