宏观经济变量与银行信用风险的实证研究

【摘要】 文章基于2003年1季度至2009年2季度的数据,以不良贷款率作为评估商业银行信用风险的指标,选取对银行不良贷款率构成冲击的宏观经济变量进行多元回归,结果显示,CPI、GDP增长率,进口额增长率,贷款利率及房价指数均显著影响到银行的信用风险水平。进而依据回归结果在假设情景下对商业银行的信用风险进行压力测验,得出了贷款利率R的大幅上升比GDP增长率的大幅降低对商业银行体系信用风险的冲击幅度更大的结论。

【关键词】 商业银行;信用风险;宏观压力测试

一、引言

随着金融全球化进程加快、大型商业银行跨国活动增加、信贷衍生产品迅猛发展,新形势下商业银行信用风险管理问题日益突出。特别是2007年底次贷危机的爆发,使得各国商业银行的资产质量严重恶化,大量银行纷纷破产,虽然我国的商业银行因为种种政策性原因,在这次危机中损失较小,但随着我国金融市场的进一步开放,我国商业银行和国际金融市场的完全融合,将对我国商业银行的信用风险管理水平提出挑战。

目前,宏观压力测试由于能模拟潜在金融危机等极端事件对商业银行体系稳定性的影响,已经引起了国际金融组织和各国政策当局广泛的重视,并在实践中得到迅速推广。本文运用宏观压力测试法,结合我国商业银行的特性,对商业银行的信用风险水平及其影响因素进行分析,这对现阶段我国商业银行信用风险管理具有现实意义。

二、文献综述

宏观压力测试是用于评估一国金融体系在受到“异常但合理”宏观经济冲击时的稳定程度,其通过情景设定或历史事件,来衡量宏观经济冲击对整个对整个金融体系的影响。自20世纪90年代末以来,国外对宏观压力测试的研究及其在实践中的应用都已取得了丰硕的成果,其中最具代表性的是Wilson(1997a,1997b)用各工业部门违约概率与一系列宏观经济变量的敏感度直接建模,通过模拟将来违约概率分布的路径,得到了资产组合的预期异常损失,进而模拟出在宏观经济波动冲击下的违约概率值。Boss M(2002)和Virolainen (2004)利用Wilson提出的模型,根据加总的企业违约概率估计出宏观经济信贷模型来分析澳大利亚和芬兰银行部门的压力情境。

而在国内对宏观压力测试的研究还尚在起步阶段。在理论研究方面,徐明东、刘晓星(2008)通过对国际上流行的几种宏观压力测试方法的比较,阐述了如何运用宏观压力测试方法去评估一国金融体系的稳定性。在模型研究和实证方面,任宇航、孙啸坤等(2007)利用Logit回归测试的方法,通过收集我国的宏观经济数据和金融机构的数据,对我国银行业信用风险损失作出了合理估计。但国内的这些研究只是借鉴了压力测试的思想,使用传统的方法,通过模拟情境下宏观经济因素异动,由Logit模型最终得出稳定性指标期望值的点估计来评价银行体系的稳定性。这种方法存在一定的缺陷:其不能有效地反映出宏观变动冲击对银行体系的影响,不能具体看出压力情境下哪些宏观经济变量对银行信用风险的影响最大,这就有进一步研究的必要。

三、模型构建与实证研究

宏观压力测试是对微观层面压力测试的有益补充,它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用风险的模型中,通过压力情境的构建,预测在极端情形下宏观经济变动对银行系统信用风险的影响。

(一)模型构建

本文在研究我国商业银行信用风险水平与宏观经济变量的关系时借鉴了Wilson(1997a, 1997b),Boss(2002),and Virolainen(2004)所提出的模型。该模型主要包括:建立了一个信用风险水平和宏观经济变量间的联立方程;用蒙特卡洛法模拟了违约损失的分布。

具体来说,假定商业银行将贷款贷给了J个经济部门,其中j部门在t时刻违约的概率为pj,t,在这里j=1,2,…,J,pj,t介于0和1之间,用它的Logit转换值yj,t作为回归值,即:

进而,设定yt=(y1,t,……,yj,t)*,yt为转换指标。本文所采用的模型是基于M个宏观经济变量的现在值和滞后期的值所构成的一个线性方程:

yt=m+A1xt+…+A1+sxt-sη1yt-1+…+ηkyt-k+vt (2)

式(2)中明确表示了各宏观经济变量与违约转换指标yt之间的关系。其中,xt=(x1,t,x2,t…xm,t)表示宏观经济变量,其为M×1阶向量;m为截距项,其为J×1阶向量;A1……A1+s和η1……ηk为系数,它们分别为J×M阶和J×J阶矩阵;vt为随机误差项,其为J×1阶向量。

同时为了考虑各宏观经济变量之间的相关性,根据Wilson模型中关于宏观经济变量的等式系统,本文采用了下列的描述:

xt=n+δ1xt-1+…+δpxt-p+μ1yt-1+…+μqyt-q+ξt (3)

其中,n为M×1阶列向量,系数δ1,…δp和μ1,…μq分别为M×M和M×J阶矩阵向量,随机误差项ξt为M×1阶向量。

本文所考虑的模型在Wilson(1997a,1997b),Boss (2002)和Virolainen(2004)基础上,进行了两点改进:一是考虑了宏观经济变量对商业银行信用风险影响的时滞效应;二是模型的设定还考虑了商业银行体系对宏观经济变量的回馈效应。考虑到我国商业银行在国民经济中所占有的重要地位,该模型更符合我国的实际情况,因而用其来研究我国商业银行信用风险水平与宏观经济变量间的关系,具有很强的适用性。

(二)变量的选取与数据描述

为了建立商业银行信用风险水平和宏观经济变量之间的实证关系,本文收集了2003年1季度到2009年2季度共26个季度的商业银行不良贷款率和相关宏观经济数据,并通过参考国内外学者在研究宏观压力测试时的变量选择,考虑我国商业银行信用风险以及宏观经济发展的特点,对相关变量做了如下选择。

1.被解释变量

本文综合考虑了我国商业银行经营的特殊性和相关数据的可得性,选用了商业银行体系的信用风险为被解释变量,以不良贷款率为其衡量指标,即:商业银行体系的不良贷款率越高,其信用风险水平就越高。我国商业银行的不良贷款率的数据来源于中国银监会网站和国研网的统计数据库,其中,商业银行的样本包括了国有商业银行、股份制商业银行、城市商业银行、农村商业银行和外资银行。根据《贷款质量评估指导原则》,中国的贷款按照五级分类法进行分类,不良贷款率=(次级+可疑+损失)/贷款总额。

2.解释变量

在解释变量方面,鉴于我国宏观经济的运行情况以及相关数据的获取难度,选取了GDP增长率、CPI指数(用以表示通货膨胀率)、广义货币增长率M2、进口额同比增长率M、三至五年期贷款利率R、房地产价格指数RE、失业率U七个宏观变量,数据来源于锐思数据库和国泰安数据库。

3.数据描述

从表1可以看出:(1)我国商业银行的不良贷款率经过Logit模型转换为yt后,其波动率仍然较大。(2)从选取的宏观经济变量来看,我国的宏观经济进入了高增长、低通胀、低失业、适度宽松货币政策的繁荣时期,但房价指数RE和进口额增长率M的波动较大。

(三)实证研究与结果分析

1.实证研究

根据上述的模型设定,首先对Pj,t运用Logit模型进行转换,得到转换指标yt,再将对商业银行信用风险构成冲击的各宏观经济变量及其yt的一阶滞后变量(考虑到宏观经济冲击的滞后性往往为一年)的数据代入,利用Eviews5.0与yt进行多元线性回归,结果显示:GDP增长率ZGDP、通货膨胀率CPI、房价指数RE、贷款利率R、进口总额同比增长率M以及yt的一阶滞后变量这六个变量显著,而失业率U和广义货币增长率M2不显著,被剔除。然后再利用式(3)进行各宏观经济变量的自回归。回归结果如表2。

从表2可以看出:(1)在1%到10%的显著性水平上,CPI指数、GDP增长率、进口额增长率M、贷款利率R以及房价指数RE均显著影响到了我国商业银行的信用风险水平,且信用风险的转换指标受其滞后一期值的显著影响;(2)各宏观经济变量均受到其滞后项的显著影响,且除商品房销售价格指数RE外其余宏观经济变量还受到了转换指标滞后一期值的影响。

2.结果分析

从上述模型中,可以看出在宏观经济变量中贷款利率R对转换指标的影响最大,R的上升代表企业的融资成本增加,为了按期还本付息,企业就必须拿出更多的利润交给银行,如果融资成本大于企业盈利能力,那企业就有违约的冲动,使得商业银行的信用风险加大。而CPI对银行信用风险的影响与R则恰恰相反,其上升预示着国家在实行宽松的货币政策,使得企业融资成本降低,企业的盈利大幅上升,减少银行的信用风险。GDP增长预示着整个社会的宏观经济比较景气,经济处于上升繁荣期,企业平均盈利能力较好,不良贷款率也将随之下降。进口总额增长率M上升,对我国的出口企业造成负面影响,致使其业绩下降,进而会增加银行的信用风险。房地产销售价格指数的上升,会使得大量的资金涌入房地产市场,产生泡沫经济,鉴于目前我国房屋贷款在银行贷款中的比重,将会使银行的不良贷款率显著提高,进而增大银行的信用风险。同时,也可以发现转换指标的滞后一期对当期影响显著。显然,模型的回归结果符合经济学上的解释。

四、宏观压力情景的设定及其风险分析

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。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。整个程序通常分为两大步:一是情境设定;二是重新评估。

(一)情境设定

分析上述模型的回归结果,可以发现贷款利率R对银行信用风险的影响最大,而GDP增长率则是判定一国经济发展最重要的指标,同时考虑到大多数危机的冲击期会持续四个季度,因而假定2009年2季度为基期,模拟从2009年3季度到2010年2季度共4个时间点涵盖了一年期的未来路径。本文设定了两个压力情境:一是GDP指数突然大幅下降的情境。假定我国GDP季度增长率自2009年2季度起在未来的4个季度里每季度均会同比下降一个百分点。二是贷款利率R大幅上升的情境。设定我国的贷款利率自2009年2季度起在未来的4个季度里,每季度均会同比上升一个百分点。为了便于计算,假定这两个冲击是相互独立的,即当一个宏观解释变量受到冲击,其它解释变量仍然保持不变。

(二)重新评估

设定情景下的冲击结果如表3。

从表3中可以看出,在设定的两种压力情境下,我国商业银行的信用风险水平明显增加,其不良贷款率显著提高。同时,还可以发现,贷款利率R的大幅升高比GDP增长率的降低对商业银行体系信用风险的冲击幅度更大,这也充分说明了货币政策在调控宏观经济中的重要性及其对商业银行的显著影响。

为了更清晰地表现两种压力情境下银行体系信用风险的变化,将上述结果绘在图1中。

图1中P1代表了GDP增长率突然下降情境下的我国商业银行体系的不良贷款率,P2代表了贷款利率R上升时我国商业银行体系的不良贷款率。从图1中可以清楚地看到P2一直在P1的上方,即贷款利率R的大幅上升比GDP增长率的大幅降低对商业银行体系信用风险的冲击幅度更大。

五、结论

本文采用我国2003年1季度到2009年2季度的宏观经济数据和商业银行的不良贷款率数据,基于Wilson (1997a, 1997b),Boss(2002)及Virolainen(2004)所提出的模型,通过Eviews5.0软件建立了商业银行信用风险转换指标 与各宏观经济变量及转换指标滞后一阶的回归方程,结果表明GDP增长率、通货膨胀率、房价指数、贷款利率、进口总额同比增长率对我国商业银行的信用风险影响显著。进而利用得出的回归方程,依据假设情景对我国商业银行的信用风险进行了压力测验,在宏观压力测试的情境分析中,得出了贷款利率R的大幅上升比GDP增长率的大幅降低对商业银行体系信用风险的冲击幅度更大的结论。

鉴于本文的研究结论,可以看出宏观经济变量和商业银行信用风险之间有着密切的联系,在本轮的次贷危机中我国的商业银行虽没有受到大的冲击,但应该吸取欧美大银行在这次危机中的教训,防患于未然,提高自身的风险意识,继续降低银行的不良贷款率。另外,政府在遇到宏观经济问题时,货币政策起着至关重要的作用。一国货币当局在面对危机时,应该审时度势,制定正确的货币政策,确保经济的快速增长。

【参考文献】

[1] Wilson T C. Portfolio credit risk I [ J ]. Risk, 1997, 9(10) : 111 - 170.

[2] Wilson T C. Portfolio credit risk II [ J ]. Risk, 1997, 10(10) : 56 - 61.

[3] BossM. A Macroeconomic credit risk model for Stress Testing the Austrian credit portfolio [ J ]. Financial Stability Report, 2002(4): 64 - 82.

[4] 熊波. 中国银行体系稳定性评估―指标分析与压力测试[D]. 成都:西南财经大学,2006.

[5] 华晓龙. 基于宏观压力测试方法的商业银行体系信用风险评估[J].数量经济技术经济研究,2009(4):117-128.