论文部分内容阅读
【摘要】本文从LGD的定义和性质出发，分析了LGD的研究难点，介绍了国际上LGD主流建模方法，并结合国情分析了我国LGD的影响因素，对开发LGD计量模型提出了建议。
【关键词】LGD 影响因素 计量模型
一、背景介绍
LGD（违约损失率，Loss Given Default）是指某一债项违约导致的损失金额占该违约债项风险暴露的比例，即损失占风险暴露总额的百分比。从贷款回收的角度看，LGD决定了贷款的回收程度。违约损失率估计应基于经济损失。经济损失包括由于债务人违约造成的较大的直接和间接的损失或成本，同时还应考虑违约债项回收金额的时间价值和商业银行自身处置和清收能力对贷款回收的影响。
二、LGD研究的难点
LGD研究的难点主要体现在：（1）参考资料和文献不足。贷款和债券在发行的方式和违约处理程序上存在一定的差异，不能完全照搬债券的模式来研究贷款的违约损失率；（2）我国的特殊国情。我国的LGD研究不能照搬国外现有的研究结论，而应该在辨明我国LGD影响因素的基础上，基于历史清收数据建立自己的统计模型，实现LGD的定量分析框架构建。
三、LGD的影响因素
LGD的影响因素较多，且均较为复杂，这也是LGD量化模型构建后对数据的拟合程度无法提高的一个关键原因。因此影响LGD的因素一直是研究重点。我国不良贷款的LGD影响因素分为四个大的方面：客户因素、债项因素、宏观经济环境因素、其他因素。
（一）客户因素
1.地區因素。地区经济、司法、要素市场等环境的不同，导致了地区回收率水平有显著的差异。比如江浙沪地区不良贷款回收率普遍较高，中西部地区不良贷款回收率相对较低。
2.行业因素。不同的行业有不同的经营特点，决定了行业是LGD的重要影响因素。比如说现阶段大规模爆发的钢贸行业不良贷款，行业的经营特点决定了钢贸企业的财务杠杆较高，并且抵押物较少质押物较多，质押往往存在瑕疵（仓单反复质押），导致其出现不良后给经营行的清收工作造成了很大困难，回收率也较低。
3.经营状况。引入不良贷款债务人的经营情况来描述债务人的财务和经营情况，实践证明在不同经营状况下债务人的LGD期望相差较大，随着经验状况从有到无、从好到差，回收率呈明显递减的情况，特别是破产终结的企业回收率出现明显的骤减。
4.注册资本。总资产难以用来来描述一个债务人当前阶段的经营规模，注册资本作为一个可获取的变量，在某种程度上说明了不良贷款债务人经营公司的规模，注册资本的多少与回收率的高低呈现正相关的关系。
（二）债项因素
1.违约风险暴露（EAD）。影响EAD的因素有：循环信贷、限制条款、重组、债务人特征、合约期限、债务人动用剩余授信额度的可能性及债务人可获得的信用筹资渠道等。
2.担保情况。由于不良贷款第一还款来源往往枯竭，第二还款来源成为不良贷款回收率高低的决定性因素。已有研究均发现，信用资产的担保特性对于LGD具有最大的影响贡献度。
3.贷款分类。银行根据每笔贷款的履约可能性，将贷款进行五级分类。不良贷款都是次级、可疑、损失类贷款。五级分类是刻画不良贷款回收率的一个重要参考指标。
（三）宏观经济环境因素
宏观因素是影响不良贷款回收率的时变因素，对宏观经济如何影响LGD，一般是通过直接分析宏观经济变量。当经济形势向好时，不良贷款债务人经营情况向好，抵押物的价格上涨，市场资金充裕，不良贷款回收率自然上升；反之，当经济形势转差时，回收率亦下降。
（四）其他因素
1.处置方式。有观点认为，不良资产的质量特征决定了采用不同的处置方式。综合考虑客户因素以及债项因素便可以决定到底选择哪种方式进行处置。
2.相关性。对于不良贷款个体与不良贷款总体之间的相关性系数对回收率的影响，国内尚无学者对其进行实证研究。实践中，我们发现陷入担保圈的不良贷款回收率往往较低，与之对应，关系独立的不良贷款回收率相对较高。
四、LGD研究模型分类
（一）历史数据回归分析法
根据违约资产的LGD历史数据和理论因子模型，采用统计回归分析和模拟的方法建立起预测模型，将特定项目的相关数据输入预测模型中得出该项目的LGD预测值。
（二）市场数据隐含分析法
通过分析市场上尚未出现违约的正常债券或贷款的信用升水幅度，得出其中隐含的风险信息。该方法的理论前提是市场对债券定价是有效的，且能够及时有效地反映债券发行企业信用风险的变化。目前该方法应用在债券定价和信用衍生产品的定价，但是在銀行贷款风险中应用很少。
（三）清收数据贴现法
与上述两种方法利用违约的历史数据或债券交易的市场数据不同，清收数据贴现法是通过预测已经违约的不良资产在清收过程的现金流，计算出其贴现值而得出LGD。采用这种方法的关键点在于，一是对清收现金流的数额及其时间分布的估计要合理；二是确定采用与风险水平相应的贴现率。
五、后续建议
随着信用风险监管资本内部评级高级法的开发应用，以及现实经营中大规模处置不良资产的需要，开发LGD计量模型已经刻不容缓。
（一）统一数据标识
目前，国内对LGD建模所采用的数据都来源于LossMetrics数据库。可借鉴LossMetrics数据库的字段设置，开发自己的不良贷款清收数据库。在数据采集上，应尽可能包含前文所述所有可能影响LGD的因素，进而达到更好的建模效果。
（二）建立团队
建议建立由特殊资产经营部门主导，或风险管理部主导特资部门重点参与的LGD模型开发团队。
（三）分步骤进行模型建设工作
由于我国不良贷款回收率较国际平均水平有更明显的双峰分布特征（0和1的极端回收占比较大），建议首先建立极端回收判别模型，将极端回收的情况从数据库中判别出来。在此基础上，对回收率在（0，1）之间的不良贷款建立广义线性预测模型。在完成上述工作后，可加入经济增长因子，实现由静态因素模型发展到动态宏观因素模型，最终系统构建不良贷款回收率的量化估计和预测框架。
参考文献
[1]唐跃.中国不良贷款回收率地区差异的原因分析.系统工程理论与实践.
[2]王凤玲.不良资产处置方式及影响因素分析.数据统计与管理.
[3]代太山.不同担保类型之下LGD的结构特征：针对中国的实证.南方经济.
[4]陈浩.我国资产管理公司违约贷款回收的时间效应实证.系统工程理论与实践.
[5]陈浩.不良贷款有无回收判别：可选变量的支持向量机方法.系统工程理论与实践.
作者简介：时小龙（1986-），男，江苏南通人，工程师，经济学，北京大学金融学硕士在读。
【关键词】LGD 影响因素 计量模型
一、背景介绍
LGD（违约损失率，Loss Given Default）是指某一债项违约导致的损失金额占该违约债项风险暴露的比例，即损失占风险暴露总额的百分比。从贷款回收的角度看，LGD决定了贷款的回收程度。违约损失率估计应基于经济损失。经济损失包括由于债务人违约造成的较大的直接和间接的损失或成本，同时还应考虑违约债项回收金额的时间价值和商业银行自身处置和清收能力对贷款回收的影响。
二、LGD研究的难点
LGD研究的难点主要体现在：（1）参考资料和文献不足。贷款和债券在发行的方式和违约处理程序上存在一定的差异，不能完全照搬债券的模式来研究贷款的违约损失率；（2）我国的特殊国情。我国的LGD研究不能照搬国外现有的研究结论，而应该在辨明我国LGD影响因素的基础上，基于历史清收数据建立自己的统计模型，实现LGD的定量分析框架构建。
三、LGD的影响因素
LGD的影响因素较多，且均较为复杂，这也是LGD量化模型构建后对数据的拟合程度无法提高的一个关键原因。因此影响LGD的因素一直是研究重点。我国不良贷款的LGD影响因素分为四个大的方面：客户因素、债项因素、宏观经济环境因素、其他因素。
（一）客户因素
1.地區因素。地区经济、司法、要素市场等环境的不同，导致了地区回收率水平有显著的差异。比如江浙沪地区不良贷款回收率普遍较高，中西部地区不良贷款回收率相对较低。
2.行业因素。不同的行业有不同的经营特点，决定了行业是LGD的重要影响因素。比如说现阶段大规模爆发的钢贸行业不良贷款，行业的经营特点决定了钢贸企业的财务杠杆较高，并且抵押物较少质押物较多，质押往往存在瑕疵（仓单反复质押），导致其出现不良后给经营行的清收工作造成了很大困难，回收率也较低。
3.经营状况。引入不良贷款债务人的经营情况来描述债务人的财务和经营情况，实践证明在不同经营状况下债务人的LGD期望相差较大，随着经验状况从有到无、从好到差，回收率呈明显递减的情况，特别是破产终结的企业回收率出现明显的骤减。
4.注册资本。总资产难以用来来描述一个债务人当前阶段的经营规模，注册资本作为一个可获取的变量，在某种程度上说明了不良贷款债务人经营公司的规模，注册资本的多少与回收率的高低呈现正相关的关系。
（二）债项因素
1.违约风险暴露（EAD）。影响EAD的因素有：循环信贷、限制条款、重组、债务人特征、合约期限、债务人动用剩余授信额度的可能性及债务人可获得的信用筹资渠道等。
2.担保情况。由于不良贷款第一还款来源往往枯竭，第二还款来源成为不良贷款回收率高低的决定性因素。已有研究均发现，信用资产的担保特性对于LGD具有最大的影响贡献度。
3.贷款分类。银行根据每笔贷款的履约可能性，将贷款进行五级分类。不良贷款都是次级、可疑、损失类贷款。五级分类是刻画不良贷款回收率的一个重要参考指标。
（三）宏观经济环境因素
宏观因素是影响不良贷款回收率的时变因素，对宏观经济如何影响LGD，一般是通过直接分析宏观经济变量。当经济形势向好时，不良贷款债务人经营情况向好，抵押物的价格上涨，市场资金充裕，不良贷款回收率自然上升；反之，当经济形势转差时，回收率亦下降。
（四）其他因素
1.处置方式。有观点认为，不良资产的质量特征决定了采用不同的处置方式。综合考虑客户因素以及债项因素便可以决定到底选择哪种方式进行处置。
2.相关性。对于不良贷款个体与不良贷款总体之间的相关性系数对回收率的影响，国内尚无学者对其进行实证研究。实践中，我们发现陷入担保圈的不良贷款回收率往往较低，与之对应，关系独立的不良贷款回收率相对较高。
四、LGD研究模型分类
（一）历史数据回归分析法
根据违约资产的LGD历史数据和理论因子模型，采用统计回归分析和模拟的方法建立起预测模型，将特定项目的相关数据输入预测模型中得出该项目的LGD预测值。
（二）市场数据隐含分析法
通过分析市场上尚未出现违约的正常债券或贷款的信用升水幅度，得出其中隐含的风险信息。该方法的理论前提是市场对债券定价是有效的，且能够及时有效地反映债券发行企业信用风险的变化。目前该方法应用在债券定价和信用衍生产品的定价，但是在銀行贷款风险中应用很少。
（三）清收数据贴现法
与上述两种方法利用违约的历史数据或债券交易的市场数据不同，清收数据贴现法是通过预测已经违约的不良资产在清收过程的现金流，计算出其贴现值而得出LGD。采用这种方法的关键点在于，一是对清收现金流的数额及其时间分布的估计要合理；二是确定采用与风险水平相应的贴现率。
五、后续建议
随着信用风险监管资本内部评级高级法的开发应用，以及现实经营中大规模处置不良资产的需要，开发LGD计量模型已经刻不容缓。
（一）统一数据标识
目前，国内对LGD建模所采用的数据都来源于LossMetrics数据库。可借鉴LossMetrics数据库的字段设置，开发自己的不良贷款清收数据库。在数据采集上，应尽可能包含前文所述所有可能影响LGD的因素，进而达到更好的建模效果。
（二）建立团队
建议建立由特殊资产经营部门主导，或风险管理部主导特资部门重点参与的LGD模型开发团队。
（三）分步骤进行模型建设工作
由于我国不良贷款回收率较国际平均水平有更明显的双峰分布特征（0和1的极端回收占比较大），建议首先建立极端回收判别模型，将极端回收的情况从数据库中判别出来。在此基础上，对回收率在（0，1）之间的不良贷款建立广义线性预测模型。在完成上述工作后，可加入经济增长因子，实现由静态因素模型发展到动态宏观因素模型，最终系统构建不良贷款回收率的量化估计和预测框架。
参考文献
[1]唐跃.中国不良贷款回收率地区差异的原因分析.系统工程理论与实践.
[2]王凤玲.不良资产处置方式及影响因素分析.数据统计与管理.
[3]代太山.不同担保类型之下LGD的结构特征：针对中国的实证.南方经济.
[4]陈浩.我国资产管理公司违约贷款回收的时间效应实证.系统工程理论与实践.
[5]陈浩.不良贷款有无回收判别：可选变量的支持向量机方法.系统工程理论与实践.
作者简介：时小龙（1986-），男，江苏南通人，工程师，经济学，北京大学金融学硕士在读。