宏观压力测试在区域金融稳定评估中的应用研究.docx
- 文档编号:24006678
- 上传时间:2023-05-23
- 格式:DOCX
- 页数:17
- 大小:136.44KB
宏观压力测试在区域金融稳定评估中的应用研究.docx
《宏观压力测试在区域金融稳定评估中的应用研究.docx》由会员分享,可在线阅读,更多相关《宏观压力测试在区域金融稳定评估中的应用研究.docx(17页珍藏版)》请在冰豆网上搜索。
宏观压力测试在区域金融稳定评估中的应用研究
宏观压力测试在区域金融稳定评估中的应用研究
-基于甘肃实证
摘要:
目前宏观压力测试在我国区域金融稳定评估中的应用研究正处于探索阶段。
本文在FSAP框架下尝试构建了一个检测区域银行体系承受宏观经济冲击能力的压力测试模型以测度假设的经济冲击对信用风险指标的影响,并进一步运用蒙特卡罗模拟分析风险指标在施压情况下的频率分布状况,以此揭示甘肃银行体系在面临经济冲击时所暴露出来的脆弱性及评估承受冲击的能力。
关键词:
宏观压力测试;区域金融稳定;信用风险;VAR(向量自回归模型);蒙特卡罗模拟
JEL分类号:
C15,C51,C53,G32文献标识码:
文章编号:
一、引言
据IMF统计,自20世纪80年代以来,全球共有31个国家发生41起威胁金融稳定的危机事件,从诸如东南亚金融危机到次贷危机的此类事件通常具有突发性强、危害性大、影响范围广等特征,往往在导致金融职能缺失的同时会造成巨大的经济损失。
为了评估金融体系经受这类极端状况冲击时的承受能力,做到未雨绸缪,FSAP使用宏观压力测试工具识别在假设的受压状态下金融体系暴露出来的脆弱性因素,并作为衡量金融体系稳健程度的依据。
压力测试可以分为两个层次:
一是针对金融机构个体的微观压力测试,二是针对金融体系整体的宏观压力测试。
2004年以来,银监会陆续发布《商业银行市场风险管理指引》、《商业银行压力测试指引》引导和要求商业银行开展压力测试,在此背景下国内围绕微观压力测试的研究与应用逐渐增多。
与此同时,随着中国加入FSAP进程的加快,国内宏观压力测试的理论探讨和阐述也陆续开展起来,但有关的实证分析尚不多见。
目前宏观压力测试的研究对象以国家(或香港等具有独立经济体特征的地区)为主,针对区域金融体系的相关参考文献为数不多,但已有的研究成果仍然为我们探索此方面的研究提供了理论支持和实证经验。
在追求整体目标为特征的FSAP框架内,我们认为测试区域金融体系的受压能力仍具有较大的研究价值和拓展空间。
一方面中国的省级行政区划之间经济结构和发展方式不同,金融服务完善程度和金融效率落差较大,使得区域金融稳定环境具有相对独立性以及区域金融风险具有差异性,这决定了开展区域金融体系压力测试的必要性;另一方面影响区域金融体系稳健运行的风险变量及其发展路径相对简单,进而模型架构及其包含变量可以相对简化,数据选择及获取方面也相对便利,从而利用宏观压力测试评估区域金融稳定程度具有可行性。
二、区域金融体系宏观压力测试的概念和方法阐述
关于宏观压力测试的概念、方法体系以及发展现状在IMF及其他机构的研究文献中已有充分表述,本文不再引用。
但应该说明的是将测试对象的视线范围从主权经济体转向区域性经济体,须对研究路径的每个节点进行重新设计以达到测试结果与未来场景高度拟合的目标。
(一)确定测试范围和诊断部位
从宏观经济学的角度看,金融体系是为实体经济提供金融服务的一个“模块”,但是进入到模块内部,以金融体系履行融资功能的方式(哲肯克伦)、资源配置功能的方式(泽曼)以及解决不确定性风险功能的方式(莱布泽斯基)等多个标准进行剖析,会发现其存在多个层级结构并具备差异分布的特征。
就甘肃金融体系而言,其层级结构和差异分布的特征性极为明显:
一是金融行业之间风险分布明显不均衡,以资产为代表的金融风险敞口集中于银行体系;二是金融组织机构的发展水平落差较大,专业人员、经营网点、市场份额等资源主要向银行业倾斜配置,在银行业内部,股份制银行、国有银行以及法人机构运营效率由高到低的层级也非常明显。
因此我们将压力测试的范围限定于银行业体系,并强调评估法人机构的稳健程度。
(二)区域性金融风险因素的识别与分析
识别风险因素即确认影响区域金融体系稳健性的脆弱性因素。
一方面多种金融脆弱性理论都将风险归结在影响银行资产负债表的因素上;另一方面从审视历史数据的实证角度出发,可以看到冲击银行业信贷安全的因素较多,李德(2006)根据IMF的有关统计数据指出“威胁金融系统安全运行的主要风险仍然是不良贷款问题”。
审视甘肃银行业信贷资产安全性相对不高的现实,我们关注造成银行信用风险的冲击因素。
尽管确认脆弱性因素的过程和方法是简单的,但是宏观压力测试对于这种确认的必要性却非常重视,PaulHilbers等人(2004)认为“以系统为核心的压力测试应被看作以识别特定弱点为开始的一个过程,这样有利于测试者深刻理解金融体系运行的背景和认清冲击的来源”。
(三)施压场景的设计标准与规划
冲击场景的设计要符合经济、金融运行的逻辑,至少应该经受历史变迁的检验。
为了反映极端事件并尽可能拟合现实状况,冲击参数的设置应选取回归过程中具有显著水平的指标。
冲击规模可以根据孙连友(2006)提出的计算一定时期内相关风险因素最大的波动幅度(从峰顶到低谷)或者基于条件的和非条件的历史方差。
在场景设计方面,虽然理论上直接利用历史场景是可取的,但是在转轨体制下金融体系运行并不具备完备的市场化特征,政策干预变量不容忽视。
相对而言,由于假设场景可以基于市场化的基准状态进行合理判断,在设计上更加具备弹性和前瞻性,因此较历史场景而言优势明显。
(四)压力测试架构的选择
在压力测试执行架构的方法选择上,尽管自上而下或是自下而上的方法都能够被强调整体的宏观压力测试所应用,但是由于本地商业银行压力测试水平参差不齐和技术选择的多样化,由下而上的方法会增加中央银行汇总测试结果的难度。
而从中央银行分支机构维护区域金融稳定的角度出发,对汇总后的资产负债表进行测试更能反映维护总体稳定的目标,因此我们选择自上而下的方法。
(五)建立计量模型及说明
由于造成信用风险的因素很多,因此有必要在检验模型中加入控制变量,而VAR(向量自回归)模型正好满足这一要求,其优点是不必区分外生变量和内生变量,估计结果具有更高的可靠性,因此我们使用VAR模型来建立冲击变量与风险变量之间的数量联系。
需要说明的是应用计量模型难以回避以下问题:
一是在考虑极端事件的冲击效果方面欠佳,诸如目前很难估量次贷危机造成的真实损失;二是并不能反映测试场景发生的概率,使得人们对计量结果并不能持正确的态度;三是在自上而下的方法中,由于中央银行将金融体系看作为一个“整盒”,模型不能够反映银行之间的风险传染机制以及回馈效应可能带来的内生风险(孙连有,2006)。
(六)计量模型的拓展-蒙特卡罗模拟
蒙特卡罗模拟可以简单表述为一个随机数字生成器,在已知变量间关系即计量模型确定的情况下,反复的从预先定义的特定变量概率分布中随机生成情景样本,将之应用于既有数量模型计算出大量的预测结果,当模拟样本充分大时,可以将预测值的频率分布作为判断历史数据延伸路径的依据。
在实际应用中我们建立基于历史分布的随机过程,使它的参数等于问题的解,通过对随机过程的观察,计算出参数的统计特征,从而求出问题的近似值。
它的优点在于:
一是可以产生大量的随机情景样本,模拟出来的风险分布较历史模拟法更为精确;二是作为一种全值估计,可以处理非线性、大幅波动等问题;三是可以通过指定置信区间来计算风险事件发生的概率。
三、实证分析
(一)建模思路
我们借鉴黄学元等人(2006)提出的“检测香港银行业信贷风险的宏观压力测试架构”以及Wilson(1997)、Boss(2002)及Virolainen(2004)的研究思路,采取系统建模的方法发展适合的压力测试架构:
一是建立反映宏观经济变化冲击银行信用风险指标的VAR模型;二是进行核心经济变量冲击的敏感性压力测试;三是开展不同冲击程度的场景压力测试。
作为非结构化的联立方程模型,VAR模型是把系统中每一个内生变量作为其滞后值的函数来构造模型,从而将单变量自回归模型推广到多元时间序列变量组成的“向量”自回归模型,其数学表达式为:
t=1,2,…,T
(1)
其中:
是
维内生变量向量,
是
维外生变量向量,
是滞后阶数,
是样本个数,
维矩阵
,
,
和
维矩阵
是要被估计的系数矩阵。
是
维扰动向量,它们相互之间可以同期相关,但不与自己的滞后值相关及不与等式右边的变量相关,假设
是
的协方差矩阵,是一个
的正定矩阵。
式
(1)可以展开表示为:
t=1,2,…T
(2)
即含有k个时间序列变量的
模型由k个方程组成。
对于建模我们需要说明的是:
一是由于数据可得性的问题,数据序列仅在一个经济景气区间内,不能反映完整的经济周期变化,因而建模和预测效果会打折扣。
二是由于利率、法定存款准备金率等政策性变量在数据期限内总体上呈现出单向趋势变动,这些变量在进行蒙特卡罗模拟时难以进行分布拟合而找到合适的分布形态,加之我们在设计场景时考虑到了这些政策因素对于经济变量的影响,从而在模型中剔除了这些政策性变量。
三是由于数据较短,我们选择滞后1期而不是通常的2期进行回归、方差分解等操作。
(二)单变量冲击下的敏感性压力测试
为了简化宏观经济冲击分析,我们首先选取回归分析中显著性最强的冲击指标进行信用风险的敏感性压力测试。
本研究用不良贷款率(NPL)表示信贷风险,并设定其会受到下述宏观经济变量的影响:
地区生产总值增长率(GDP)、地区固定资产投资增长率(FA)、地区居民消费价格指数(CPI)、甘肃企业经济景气指数(CI)、兰州市房地产价格指数(PPP)。
对上述变量进行ADF检验显示其均为I
(1)序列,故利用其一阶差分序列建立无约束的VAR模型。
表1:
VAR模型的估计结果
变量
DNPL
DGDP
DCPI
DCI
DFA
DPPP
D(NPL(-1))
-0.125
-0.148
-0.022
0.078
-2.100
-0.084
D(GDP(-1))
0.309
0.053
-0.627
0.331
-1.161
1.497
D(FA(-1))
-0.062
0.017
-0.234
-0.049
0.517
-0.109
D(CPI(-1))
0.633
-0.200
1.395
0.553
1.931
1.380
D(CI(-1))
0.001
-0.001
-0.282
-0.004
-0.273
0.129
D(PPP(-1))
0.207
0.079
0.475
0.005
-0.292
-0.097
C
-0.456
0.115
-0.173
0.134
0.776
-0.139
R2
0.374
0.073
0.379
0.597
0.169
0.485
AIC
3.803
3.454
6.778
1.486
7.725
4.787
SC
4.149
3.800
7.124
1.833
8.072
5.133
接下来利用方差分解计算各解释变量对NPL产生的影响份额。
可以看到(见表2)长期影响不良率变化的外部因素中GDP的贡献度最大(约占11.66%左右)。
表2:
变量DNPL的方差分解表
Period
S.E.
D(NPL)
D(GDP)
D(FA)
D(CPI)
D(CI)
D(PPP)
5
1.802
67.105
11.664
3.829
6.382
5.433
5.586
6
1.802
67.095
11.665
3.832
6.380
5.437
5.590
7
1.802
67.094
11.665
3.832
6.380
5.437
5.591
8
1.802
67.094
11.666
3.832
6.380
5.438
5.591
9
1.802
67.093
11.666
3.832
6.380
5.438
5.591
10
1.802
67.093
11.666
3.832
6.380
5.438
5.591
我们选取GDP作为冲击源,并假设其冲击影响持续8个季度,以2007年末作为当前环境,并假设GDP逐季衰减(见表3),以此检测在受压情况下NPL在未来8个时点的变化趋势。
另外,我们利用ARIMA模型对未来8个时点的GDP进行了预测,并以预测值作为相应时期内GDP的潜在增长率,以同一VAR模型计算潜在GDP所对应的NPL。
表3:
敏感性压力测试的结果
时间
2008Q1
2008Q2
2008Q3
2008Q4
2009Q1
2009Q2
2009Q3
2009Q4
潜在GDP
11.59
11.93
11.9
12.12
12.17
12.33
12.42
12.56
潜在NPL
14.06
14.1
13.96
13.88
13.73
13.62
13.51
13.41
受压GDP
11.5
11.3
11
10
10.5
9.8
9.6
8.8
受压NPL
15.67
16.22
16.69
16.88
17.02
17.24
17.43
17.55
从结果来看:
一方面在GDP持续受到冲击的状态下,NPL偏离基准情况的分化趋势明显;另一方面随着GDP的持续走低,NPL的边际增量是递减的,这可以由银行体系历史数据所反映出来的反馈效应解释,即银行采取各种措施降低NPL。
(三)经济系统条件下的场景测试
孤立的研究宏观经济环境中某个自变量变化对NPL的影响是不符合实际的,为了考察在多维宏观经济变量冲击下的安全性边界,我们根据甘肃经济发展的内生性特征以及对国家经济形势暨政策变量的基本走向进行判断,结合陶金等人(2004)对经济指标稳定性区间及临界值的定义,设置能够进行复合冲击的虚拟宏观经济场景:
由于外贸顺差和热钱持续流入,我国金融体系的流动性依然过剩,国际上粮食、原油和金属等大宗商品价格居高不下等因素推动国内暨甘肃的通胀形势依然严峻。
为防止经济由偏快转为过热,防止结构性价格上涨转为全面通货膨胀,央行继续施行从紧的货币政策,多次上调存款准备金率并适当加息,由此冻结了省内银行体系的大量资金,并给企业融资带来困难。
另外,甘肃不断转变经济发展方式,在关停并转落后产能工业企业的同时限制部分“两高一资”行业的发展,但是结构调整的经济效应不会在短期内显现,综合因素导致反映甘肃经济基本面的诸多指标出现回调,固定资产投资增速下滑,企业盈利能力降低,经济增速放缓。
最终,经济下滑造成银行违约客户增多,不良贷款率增加。
为了测度不同强度经济冲击造成的信用风险,我们设置了温和、中度和严重三个不同的经济冲击场景(见表4)。
表4:
宏观压力测试假设场景表
GDP
FA
CPI
CI
PPP
温和冲击
↓0.5%
↓2%
↑4.5%
↓3%
↓1
中度冲击
↓1%
↓3%
↑8%
↓4%
↓1.5
严重冲击
↓1.5%
↓4%
↑11%
↓6%
↓3
根据假设的经济场景,我们以2007年末作为当前环境,并假设冲击指标逐季变化,则不同压力场景下甘肃银行体系面临的信用风险如下(见表5)。
表5:
在不同场景下的压力测试结果
项目
2008Q1
2008Q2
2008Q3
2008Q4
2009Q1
2009Q2
2009Q3
2009Q4
温和冲击
NPL
14.97
15.28
15.31
15.59
15.8
16.04
16.14
16.38
中度冲击
NPL
16.44
17.18
17.87
18.59
19.19
19.76
20.29
20.97
严重冲击
NPL
18.32
19.21
20.19
21.92
22.44
23.74
24.23
25.44
四、基于蒙特卡罗模拟的压力测试
显而易见,当样本来源于历史数据以及假设值只有一种变迁路径时,对应的压力测试结果也只有一种。
但这种结果毕竟是预测值,如果不能达到很高精度要求的话,将很难作为管理决策的依据,因而计算预测值在一定置信水平下的概率分布是必要的,由此我们将视角转向基于蒙特卡罗模拟的压力测试。
(一)技术路线
1.我们仍然以前述回归得出的非线性关系作为映射函数(见图1)。
需要指出的是,我们根据上述3种不同的场景建立起3个不同的VAR模型而不是在同一个模型内设定3个场景,以方便蒙特卡罗方法在不同经济背景下模拟出更多的样本情景。
图1:
作为概率统计模型的VAR方程(温和冲击)
2.对模型中的解释变量建立随机抽样方法。
首先,我们利用RiskSimulator软件对不同假设场景的各解释变量进行分布拟合,分别求得其概率分布形态及参数;其次,以90%为置信水平在计算机上进行5000次的样本情景模拟(随机数由软件自动生成),结果见图2、图3和图4。
图2:
温和冲击下不良贷款率的概率分布状况
图3:
中度冲击下不良贷款率的概率分布状况
图4:
严重冲击下不良贷款率的概率分布状况
表6:
蒙特卡罗模拟结果的有关统计参数
统计量
结果
温和冲击
中等冲击
严重冲击
仿真次数
5000
均值
13.1153
15.4288
18.8115
中位数
13.0938
15.4618
18.8277
标准差
3.3101
5.3195
1.1022
偏度
-1.0171
0.9505
-0.1103
峰度
6.9111
3.5417
-0.2078
95%置信度的百分误
4.5069%
6.4263%
1.2601%
五、稳健性评估
鉴于法人银行业金融机构对于维护区域金融稳定的重要意义,我们使用蒙特卡罗模拟的测试结果对其进行评估(见表7),得到以下评估结论:
表7:
不同压力情景下的法人银行体系信贷损失及其影响单位:
亿元
温和冲击
中等冲击
严重冲击
信贷损失均值
不良贷款比例
13.11%
15.43%
18.81%
信贷损失发生额
29.05
34.20
41.69
占各项贷款
准备金的比率
96.28%
113.35%
138.18%
引起核心资本的变化
→
-12.47%
-35.66%
90%置信水平下的信贷损失上限
不良贷款比例
18.27%
18.56%
23.85%
信贷损失发生额
40.49
41.14
52.86
占各项贷款
准备金的比率
134.20%
136.36%
175.20%
引起核心资本的变化
-31.95%
-33.96%
-70.24%
数据来源:
根据省内有关法人银行业金融机构提供数据计算所得
第一,法人银行业体系整体抗风险能力较为稳健,权益性资本充足水平较高,可以依靠准备金和核心资本吸收所有信用风险造成的损失,即使在经受严重冲击的假设条件下,也没有发生核心资本被消耗殆尽的情况。
第二,各种冲击下的信贷损失分布不符合严格意义的对称的正态分布,中等冲击的风险损失分布与温和冲击较为接近,只有在严重冲击的假设条件下,各项风险损失数据才会大幅上升,据此可以推断,全省法人银行业金融机构的经营风格较为审慎,放贷标准比较严格。
第三,各项贷款损失准备金的计提仍不充足。
总体来看,尽管近年来法人机构的拨备水平不断提高,但尚未达到银监会于2004年颁布实施的《商业银行资本充足率管理办法》的要求,计提的各项贷款损失准备金仍然有较大缺口。
在本模拟试验中,银行仅能够依靠准备金覆盖温和冲击造成的损失,而中等和严重以及极端条件下的冲击则必须由核心资本来冲抵。
第四,信贷业务的扩张规模偏大。
商业银行的信贷拓展空间除了受制于风险管控能力,还取决于以资本为衡量指标的风险消化能力。
我省法人银行业的资本充足率虽然总体上达到了监管要求,但是信贷业务的扩张较快逐渐呈现出与既有资本规模不相匹配的一面,一旦经济发生逆转或爆发某类极端事件,庞大的信贷规模所形成的信用风险将对法人机构形成很大冲击。
基于以上评估结论,从中央银行防范系统性金融风险的角度出发,我们提出如下对策建议:
一是监管部门加强对商业银行的风险提示,帮助和引导银行业金融机构有效识别风险、规避风险和处置风险,督促其加强资产准确分类、充足拨备和核销呆坏账,提高自主防范和化解风险的能力;
二是银行业要密切关注宏观经济形势和各项政策的调整变化及其趋势,找准经济运行周期、国家政策和区域经济发展的结合点,尤其是在经济下滑周期应及时调整信贷政策以应对信用风险。
在经营方面继续强化授权授信管理,严格执行信贷标准。
三是商业银行应加强调控信贷节奏和规模的能力,密切监测自身具备的经济资本和准备金水平,不但依据自身控制和防范风险的能力而且还要结合消化风险的能力开展信贷业务,合理的进行信贷规模扩张,实施审慎经营策略。
六、简要结论
本文应用FSAP框架下进行宏观压力测试的概念和方法体系,以VAR模型为基础搭建了一个检测全省银行业在假设的宏观经济冲击下承担信用风险损失能力的压力测试架构,运用敏感性测试和场景测试延伸出风险变量在施压状态下的变迁路径。
进而我们以该架构为计算背景,运用蒙特卡罗模拟得出不同程度冲击下信用风险发生的概率分布情况,使一定置信区间下的预测结果更加具有实证意义。
运用蒙特卡罗模拟得到的结果进行分析,我们认为:
我省法人银行业的总体抗风险能力得到了检验,现有的资本和拨备规模能够吸收假设冲击造成的风险损失,并没有出现理论上的资不抵债或破产情况,法人机构运营的安全性边界较高。
但是,构成法人机构稳健运行的基础还不牢固,拨备计提不充足,以资本为判断指标,信贷资产业务的扩张速度和规模还显得不尽合理。
本文的创新和贡献在于:
将宏观压力测试的视角转到评估区域金融体系稳定程度的方面上来,并在实证中完成了这一目标,不但模拟出被解释变量的变迁路径,而且得到了其在一定置信水平下的概率分布情况,为评估我省法人银行业的经营稳健程度和抗风险能力提供了依据。
当然本文也有一定局限。
一是进行蒙特卡罗模拟时,随机数的产生与数量选择由软件自动完成,这种操作影响结论的机制我们还无从知晓。
另外模型内部的风险传染机制,银行体系的“回馈效应”等本文尚未探讨的问题都是我们下一步的研究方向。
参考文献
[1]曹雷、顾祥栢,徐文星,黄明,2007:
《蒙特卡罗模拟风险分析中概率分布函数的选择》,《石油化工设计》第24卷第3期,第46-49页。
[2]陈德胜、姚伟峰、冯宗宪,2004:
《极端波动情景中的压力测试和极值理论方法研究》,《价值工程》第7期,第20-22页。
[3]蔡明杰、陈四清,2007:
《风险型量本利分析模型的建立》,《中国管理信息化》2007年第10卷第11期,第31-33页。
[4]江海峰,2007:
《MonteCarlo模拟及其在概率统计中的应用》,《安徽工业大学学报》,第24卷第2期第37-39页。
[5]李德,2006:
《我国系统性金融风险因素分析和防范对策》,《海南金融》第8期,第4-8页。
[6]黄学元、蔡家辉、方栢荣,2006:
《检测香港银行信贷风险的宏观压力测试架构》,《香港金融管理局季报》2006年12月第23-35页。
[7]郭春松,2005:
《商业银行压力测试研究》,《福建金融》第10期,第17-19页。
[8]高全胜,2006:
《宏观压力背
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 宏观 压力 测试 区域 金融 稳定 评估 中的 应用 研究
![提示](https://static.bdocx.com/images/bang_tan.gif)