论文部分内容阅读
摘 要：精准科学地度量和描述信用风险及传染机制有利于银行信贷资产证券化的高效健康发展和货币市场系统性风险的防范。运用修正KMV模型测度银行信贷资产证券化产品在不同时期的信用风险，并采用最小生成树（MST）算法考察银行间信用风险的传染机制。结果显示：政策性银行和大型商业银行发行的产品在各个时期信用风险均处于较低水平；股份制银行、城商行和农商行发行的产品违约率前期略高于前兩类银行，但后期明显下降；后三类银行位于银行股票收益率网络的中心位置，具有传递信息和维系网络稳定的重要作用。
关键词： 商业银行；信贷资产证券化；信用风险；修正KMV模型；最小生成树（MST）
中图分类号：F830.91 文献标识码： A 文章编号：10037217（2018）03000207
一、引 言
中共十九大报告指出，应“深化金融体制改革，增强金融服务实体经济能力，提高直接融资比重”，强调守住不发生系统性金融风险底线。资产证券化作为一种直接融资的创新模式和“三去一降一补”的重要工具，在盘活资金、分散信贷资产风险以及去杠杆方面具有独特价值，发展潜力巨大。当前我国信贷资产证券化业务进入了重要发展时期，但总体而言仍处于起步阶段，依旧面临严峻挑战。
利率市场化改革的不断深化一方面推动银行信贷资产证券化发展，降低资产的流动性风险，另一方面也会加大银行业整体的集中与竞争格局，放大信贷资产证券化的信用风险。鉴此，本文使用修正KMV模型和MST算法，有效度量和描述信贷资产证券化信用风险及传染机制，以帮助银行提高风险监控能力，防范系统性风险，推动信贷资产证券化市场健康稳定发展。
关于信贷资产证券化动机的研究，Affinito和Tagliaferri认为资本较少、盈利能力较弱、流动性较差且背负着不良贷款的银行会更早进行证券化，且规模更大[1]。Gong等分析了影响资产证券化的因子，其中企业所得税是银行证券化的动机 [2]。Farruggio和Uhde进一步发现，欧洲银行信贷资产证券化的决定因素是交易类型、标的资产组合以及银行操作的监管和制度环境[3]。曹彬证实信贷资产证券化有利于改善银行的盈利能力，对规模较小的银行有显著正向影响[4]。Loutskina通过构建“证券化指数”，证明证券化可以提高银行贷款能力，降低对资金冲击的敏感性和市场危机[5]。但是，Battaglia等以及Trapp和Gregor认为在危机时期发行证券化的银行面临系统风险和特殊风险的可能性日益增大，在市场低迷时脆弱性会更高，具有造成市场危机的可能性[6，7]。
在经历由资产证券化引发的次贷危机后，学者们研究的焦点更多集中在信用风险评估和市场监管、制度完善等方面。Adelino等认为，高收益的资产证券化产品信用等级下降速度比低收益的要快，信息不对称程度与违规的证券化贷款相关[8]。Guo和Wu发现，在资产证券化过程中风险保留和信息披露有利于联合监管风险，改正信息不对称造成的扭曲，同时提高社会福利[9]。Campbell等对定期资产支持证券贷款工具进行考察，发现其降低了部分证券产品的利率息差，并改善了证券化市场的条件[10]。严佳佳等运用CPV及KMV模型对建元20051住房抵押贷款支持证券的信用风险进行了度量[11]。薛海舟和赵薇以及潘秀丽等认为，应加强对资产证券化的宏观审慎、金融监管和信息披露，维护资产证券化市场的有序发展[12-14]。
二、模型构建
（一）信贷资产证券化信用风险度量：基于修正的KMV模型
信用风险一直是金融领域的研究热点，目前主流的信用风险度量模型有Credit Metrics模型、Credit Risk+模型、CPV模型和KMV模型等①。相较于其他模型，KMV模型无需使用信用转移矩阵且更易实现，因此本文选用KMV模型进行信用风险度量。
由于KMV模型原本用于度量上市公司信用风险，因此，在对资产证券化产品进行信用评级及违约测算时，需要对模型中的相关参数进行合理的修正。
（1） 将违约点（Default Point， DP）定义为证券化产品到期应支付的证券本息和。
（2） 资产池整体价值的波动性通过资产池内信贷资产累积本息回收率的波动来估计。
假设证券的到期日为T，令VT为资产池内所有资产T时期的未来现金流，BT表示T时期内所应偿还的价值，σ表示资产未来现金流收入的波动率。当证券化产品到期时，如果资产的未来现金流之和小于应支付给投资者的价值，即VT 假设资产的未来现金流围绕其均值呈正态分布，则违约概率p可以表示为：
p=EDF=P[VT 其中，N为标准正态分布函数。KMV模型定义的违约距离（Distance to Default， DD）为：
DD=VT-BTσ
带入式（1），可得：
p=N（-DD） （2）
与BS模型一致，假设资产池中的未来现金流收入呈现对数正态分布，且VT服从标准几何Brown运动，则下式成立：
dV=μVdt+σVdz， t>0 （3）
令t=0时，V（0）=V，由式（3）可得：
VT=Vexp [（μ-1/2σ2）t+σtZT] （4）
其标准差和均值分别为：
E[ln VT]=ln V+μt-1/2σ2t （5）
Var[ln VT]=σ2t （6）
则当T=1时，可得到资产未来现金流收入的波动率σ和现金流收入增长率的均值μ为：
μ=1n-1∑n-1i=1ln Vi+1Vi+12σ2 （7） σ=1n-2∑n-1i=1（ln Vi+1Vi-1n-1∑n-1i=1ln Vi+1Vi）2 （8）
若信贷资产证券化产品到期违约，则违约概率p可以进一步表示为：
p=P[VT 由此，得到需要计算的违约概率和违约距离为：
p=N（-DD）=
N（ln BT-ln V-μT+1/2σ2TσT） （10）
DD=ln （VT/BT）+μT-1/2σ2TσT （11）
（二）银行股票收益率联动性研究：基于最小生成树的复杂网络
根据复杂网络思想，可以将各银行机构视为网络中的节点，节点间的连边为各银行股票收益率的距离长度。最小生成树MST（Minimum Spanning Tree， MST）具有连边距离总和最小的特点，通过其构建的网络意味着最强连接性，在系统性风险出现时，最有可能沿MST在网络中快速传染、扩散。因此，通过分析上市银行股票网络结构有利于各家银行更高质量地开展资产证券化业务，预防系统性风险，获取更高的投资回报。构建银行股票网络的具体步骤为：
（1） 计算各只股票的对数收益率，并根据收益率序列计算任意两股之间相关系数，构成整体的相关系数矩阵。假设股票网络中共包含N支股票，则各股的收益率为：
Si（t）=ln Pi（t）-ln Pi（t-1） （12）
其中，Pi（t）为股票i在时间t的收盘价，根据收益率序列计算两两股票间的相关系数为：
ρij=E（SiSj）-E（Si）E（Sj）[E（S2i）-（E（Si））2][E（S2j）-（E（Sj））2] （13）
其中，E（·）代表交易期内变量的平均值，即：
E（Si）=1N∑Ni=1Si，E（Sj）=1N∑Nj=1Sj，E（SiSj）=1N2∑Ni，j=1SiSj，E（S2i）=1N∑Ni=1S2i，E（S2j）=1N∑Nj=1S2j
显然，ρij∈[-1， 1]。由此可以构成整个股票网络的N阶相关系数矩阵。当ρ取值为-1时，表示两支股票间完全负相关，此涨彼跌或此跌彼涨；相反，当ρ取值为1时，意味着两支股票完全正相关，即同涨同跌；当ρ为0时，则证明两支股票不相关，不具有联动性。
（2） 分析网络间的内在空间性质。将相关系数转换成Euclide距离即股票网络的权重，再将相关系数矩阵转换为距离矩阵，计算式为：
dij=2（1-ρij） （14）
其中，dij∈[0， 2]，并且满足三条性质：当且仅当i=j时，dij=0；dij=dji；dij≤dik+dkj，i≠j≠k且i， j， k∈N。
（3） 根据距离矩阵数据和MST算法构建股票网络。通过Kruskal算法可以将N个节点以（N-1）条边连接在一起。MST中不存在“环”且各连边距离总和最短，具有惟一性。
三、实证分析
（一）样本选取与数据处理
1. 银行信贷资产证券化产品信息。
2014年资产证券化发行由审批制改为备案制，发行机构数和产品数均呈现井喷式增长，最具代表性且数据相对完整，因此本文选取该年16家银行发行的31只信贷资产证券化产品作为样本，各产品基本情况见表1。
2. 上市银行股票价格数据。
2013年7月20日，央行取消金融机构贷款利率下限，标志着贷款利率市场化的基本实现。截至2010年，沪深A股市场共计16家银行上市，之后5年内无新增上市银行。到2017年底，A股市场共计25家上市银行，且均发行信贷资产证券化产品。为更好地考察利率市场化后各类上市银行股票收益率间的联动性，本文将所有上市银行分为两组：第一组为截至2017年的全部25家上市银行，其中张家港行于2017年11月上市，因此将样本期确定为2017年12月1日至2018年3月30日，共计285个交易日；第二组为2016年以前上市的全部16家银行，样本期为2013年7月20日至2018年3月30日，共计1146个交易日。股票价格数据来源于Wind资讯。
（二）信贷资产证券化产品信用风险度量
假设各产品资产池内的贷款间相关系数为0，各地区的法律环境及银行追偿能力相同，则利息回收率主要与资产质量直接相关。根据上文所述，各资产池中价值的波动通过各银行历史本息回收率的波动水平反映，经修正KMV模型计算的相关结果见表2。
央行和银监会明确规定，信贷资产证券化风险自留比例不得低于单只产品发行规模的5%。因此，假设样本中各产品发债规模为资产池总量的95%，资产池的价值均值通过入池本金与剩余应收贷款利息和来计算，利用修正的KMV模型测算各产品发行首年及2016年度的一年期违约距离及违约概率，所得结果如表3。
由表3可以發现，2014年发行的31只信贷资产证券化产品首年的违约距离处于2.77～10.02之间，对应的违约概率绝大多数小于0.02%，总体来说，31只产品均具有较高的信用评级，出现违约的概率较低。这可能是因为该年作为发行制度改革首年，市场快速扩张，发行机构秉承谨慎选择、审慎发行的态度，整体基础资产处于优质水平，加之5%的风险自留规定，进一步降低了违约概率。
“开元20141”和“开元20142”两只产品违约率最低，一是因为国开行本身利息收益率高、资产质量稳定；二是发行经验多、业务能力强；三是这两只产品均为铁路专项，资产池贷款来源为中国铁路总公司，贷款信用质量高，借款人具有充足的偿债能力，因此具有最低违约概率。
“汉银20141”首年度的预期违约率为样本中的最大值，其原因可能是汉口银行资产池中贷款的次级占比和地区集中度高，借款人信用评级较低，影响资产信用质量。但在产品存续期间会有相应的内部增信措施，因此该产品整体仍具有较高的信用等级。 “招行20141”和“平安20141小型贷款” 两只产品的违约概率低，其基础贷款类型分别为汽车贷款和消费贷款，入池资产笔数较多，资产相对分散，少量逾期、违约现象对整体风险的影响较小，相较于汽车贷款，消费贷款债务人会具有更小的违约成本和更大违约可能。
通过观察表3数据和图1中违约距离的走势可以发现，在发行首年，城商行和农商行的违约距离普遍较低即具有更高的违约概率，可能是因为这两类银行基础资产的种类和地区集中度较高，在宏观经济下行压力较大时，资产池总体信用质量易受到影响。但是，个别经营业绩良好、基础资产更加多元、资产未来现金流收入波动率较小的城商行，如北京银行和南京银行，其发行的信贷资产支持证券也具有较低的信用风险。
同时还不难发现，大部分产品2016年度的违约距离高于发行首年的违约距离，说明随着时间的推移，大部分债券的兑付和内部增信措施的实行能有效降低各产品的违约概率。政策性银行和大型商业银行所发行的产品在各时期内基本均具有较高违约距离；股份制商业银行违约距离波动小，整体情况较稳定；城商行及农商行在2016年的违约距离明显高于发行首年，其原因在于贷款利率市场化使得部分借款人能从市场上获取更低成本的资金，提前偿付之前的高利率债务，此举致使资产池资金回流较快，部分债券提前清偿兑付，降低违约概率。如若提前偿付金额大且距法定到期日时间长，则很有可能影响发起机构和证券化载体（Special Purpose Vehicle， SPV）的再投资行为，造成兑付危机。
（三）贷款利率市场化下商业银行股票网络结构分析
图2和图3分别反映了贷款利率市场化后两组上市银行股票收益率相关系数的分布。
总体来说上市银行间股票收益率呈现正向联动性。2016年前上市的16家银行股票收益率相关系数均分布于[0.4， 0.8]间，相关性较强，而基于短期数据考察的全部25家上市银行股票收益率相关系数分布跨度较大，多分布于[0.1， 0.5]间，相关性中等。其原因可能为2016年后新增的9家银行中有5家为农商行，与其它20家银行性质不相同，且样本期较短因此造成部分节点间相关系数较小。
从图4可以看出，光大银行与交通银行距离最短（0.53），两者股票收益率关联性最大；节点度大的分别为兴业银行、光大银行和农业银行，其中兴业银行占据网络中心位置，具有更明显的系统重要性，其收益波动风险更容易传染到其它股票，关系着整体网络的稳定性。
从图5可以看出，建设银行与工商银行间距离最短（0.60），在25家银行股票MST图中，光大银行、民生银行、兴业银行、江苏银行和常熟农商行占据网络的中心位置。
结合图4和图5不难发现，相较于大型商业银行，股份制银行、城商行以及农商行对贷款利率市场化中利率的变动更为敏感，联动性更强且更倾向于网络中心节点位置。同一性质的银行之间距离更为接近，在网络中聚集现象更为明显。
（四）基于MST算法的银行信贷资产证券化信用风险传染机理分析
当银行股票网络的某个节点受到来自外部因素（如宏观政策、突发事件等）冲击时，MST的最短距离总和特性致使其成为风险传染的最快途径，并快速传播至整个网络，形成系统性风险，进而影响其他金融市场。现阶段，银行信贷资产证券化产品主要在银行间发行与交易，各银行既是发行人也可能是投资人，当某家银行受到外部因素冲击时，可能会降低该银行盈利水平、减少其资产未来现金流收入，造成流动性风险，导致其发行的证券化产品承受兑付危机，进而影响到持有其产品的其他银行的投资收益。如若该银行处于网络中心节点处，风险将沿MST快速向外扩散，最终影响到整个银行网络，加快系统性风险的形成，造成经济危机出现。因此，降低网络中心位置银行的信用风险对整个网络的信息传递和稳定性起着至关重要的作用。
四、结论与建议
随着未来流通场所和不良资产证券化产品发行规模的扩大，精准有效的信贷资产证券化信用风险度量和风险传染机制研究对银行信贷资产证券化业务的高效发展具有重要意义。
在信贷资产证券化信用风险度量方面，总体而言信贷资产证券化产品仍以高信用等级为主，具有极低的违约概率。但在实际金融市场中资产池价值并不完全服从正态分布，存在厚尾现象，因此部分信贷资产证券化产品的信用风险可能被低估；对于中小型城商行和农商行而言，基于自身规模、资产池组成集中度高和发行经验等限制，目前还存在发行规模小、资产筛选难度大、专业人才缺口等问题，存在更多的违约隐患，容易受到风险的影响。在对信贷资产证券化信用风险的传染机制描述中可以发现，在贷款利率市场化下，股份制银行以及城商行和农商行更多的处于中心节点位置，成为风险传染的重要对象和载体，因此要重视其在网络中的中介作用，提高风险监管能力，防范系统性风险的产生。
针对现行银行信贷资产证券化业务运行过程中出现的问题，结合实证研究结果，提出以下几点建议：
（1） 完善相關信息披露制度和征信体系建设。信息不对称容易造成投资者群体的弱势和非理性行为，成为孕育系统性风险的温床。因此，应完善信贷资产证券化产品各重要时间点的信息披露和相关指标的公开。同时，资产证券化市场征信信息也并不完全透明，应完善相应的征信系统建设。
（2） 强化宏观审慎监管。应该从资产证券化市场运行制度优化、市场参与者行为规范和监管部门协调监管等方面加强管理。首先，要加强市场准入、运行、退出制度的建设；其次，应制定并运用相关法律法规及政策，规范参与者行为，维护市场秩序；最后要强化人民银行、银保监会、证监会等监管部门的职责，加强联合检查，消除真空地带，避免重复监管，提高监管效率。
（3） 灵活调整次级资产占比，防范系统性风险。近年来宏观经济形势承压，银行业整体资产信用水平下降。各时期处于中心节点位置的银行在发行资产证券化产品时可以适当降低次级资产占比，提升基础资产信用水平；在处于非中心位置时，适当提高次级资产占比，以此来防范系统性风险，保障投资收益。 （4） 在保证发行规模安全的前提下，可以尝试放开不良资产证券化试点。适量适时地推进不良资产证券化有利于进一步改善股份制银行及城商行和农商行的资产结构，提高资产的流动性、优化资源的配置。
注释：
① 这四种模型分别由J P Morgan银行等、Credit Suisse公司、Mckinsey公司和KMV公司分别于1997年、1997年、1998年和1993年提出。
参考文献：
[1] Affinito M， Tagliaferri E. Why do （or did？） banks securitize their loans？ Evidence from Italy[J]. Journal of Financial Stability， 2010， 6（4）： 189-202.
[2] Gong D， Hu S， Ligthart J E. Does corporate income taxation affect securitization？Evidence from OECD banks[J]. Journal of Financial Services Research， 2015， 48（3）： 193-213.
[3] Farruggio C， Uhde A. Determinants of loan securitization in European banking[J]. Journal of Banking & Finance， 2015， 56（7）： 12-27.
[4] 曹彬. 資产证券化对我国商业银行盈利能力影响研究[J]. 宏观经济研究， 2017（5）： 143-149.
[5] Loutskina E. The role of securitization in bank liquidity and funding management[J]. Journal of Financial Economics， 2011， 100（3）： 663-684.
[6] Battaglia F， Gallo A， Mazzuca M. Securitized banking and the Euro financial crisis：evidence from the Italian banks risktaking[J]. Journal of Economics & Business， 2014， 76（C）： 85-100.
[7] Trapp R， Weiβ G N F. Derivatives usage， securitization， and the crash sensitivity of bank stocks[J]. Journal of Banking & Finance， 2016， 71（C）： 183-205.
[8] Adelino M， Gerardi K， Willen P S. Why don't lenders renegotiate more home mortgages？ Redefaults， selfcures and securitization[J]. Journal of Monetary Economics， 2013， 60（7）： 835-853.
[9] Guo G， Wu H M. A study on risk retention regulation in asset securitization process[J]. Journal of Banking & Finance， 2014， 45（1）： 61-71.
[10]Campbell S， Covitz D， Nelson W， et al. Securitization markets and central banking： An evaluation of the term asset-backed securities loan facility[J]. Journal of Monetary Economics， 2011， 58（5）： 518-531.
[11]严佳佳， 黄文彬， 张佳斌. 我国住房抵押贷款支持证券的信用风险度量研究[J]. 金融与经济， 2014（11）： 67-72.
[12]薛海舟， 赵薇. 中美金融业经营和监管体制的比较分析及启示——以金融危机和资产证券化为视角[J]. 宏观经济研究， 2014（2）： 131-136.
[13]潘秀丽. 中国金融机构资产证券化风险分析及建议[J]. 中央财经大学学报， 2010（9）： 38-43.
[14]谢赤，马有源.财务柔性价值的度量及其对现金股利分配的影响——来自沪深股市上市公司的经验证据[J].商业研究，2017（4）：55-62.
（责任编辑：钟 瑶）
关键词： 商业银行；信贷资产证券化；信用风险；修正KMV模型；最小生成树（MST）
中图分类号：F830.91 文献标识码： A 文章编号：10037217（2018）03000207
一、引 言
中共十九大报告指出，应“深化金融体制改革，增强金融服务实体经济能力，提高直接融资比重”，强调守住不发生系统性金融风险底线。资产证券化作为一种直接融资的创新模式和“三去一降一补”的重要工具，在盘活资金、分散信贷资产风险以及去杠杆方面具有独特价值，发展潜力巨大。当前我国信贷资产证券化业务进入了重要发展时期，但总体而言仍处于起步阶段，依旧面临严峻挑战。
利率市场化改革的不断深化一方面推动银行信贷资产证券化发展，降低资产的流动性风险，另一方面也会加大银行业整体的集中与竞争格局，放大信贷资产证券化的信用风险。鉴此，本文使用修正KMV模型和MST算法，有效度量和描述信贷资产证券化信用风险及传染机制，以帮助银行提高风险监控能力，防范系统性风险，推动信贷资产证券化市场健康稳定发展。
关于信贷资产证券化动机的研究，Affinito和Tagliaferri认为资本较少、盈利能力较弱、流动性较差且背负着不良贷款的银行会更早进行证券化，且规模更大[1]。Gong等分析了影响资产证券化的因子，其中企业所得税是银行证券化的动机 [2]。Farruggio和Uhde进一步发现，欧洲银行信贷资产证券化的决定因素是交易类型、标的资产组合以及银行操作的监管和制度环境[3]。曹彬证实信贷资产证券化有利于改善银行的盈利能力，对规模较小的银行有显著正向影响[4]。Loutskina通过构建“证券化指数”，证明证券化可以提高银行贷款能力，降低对资金冲击的敏感性和市场危机[5]。但是，Battaglia等以及Trapp和Gregor认为在危机时期发行证券化的银行面临系统风险和特殊风险的可能性日益增大，在市场低迷时脆弱性会更高，具有造成市场危机的可能性[6，7]。
在经历由资产证券化引发的次贷危机后，学者们研究的焦点更多集中在信用风险评估和市场监管、制度完善等方面。Adelino等认为，高收益的资产证券化产品信用等级下降速度比低收益的要快，信息不对称程度与违规的证券化贷款相关[8]。Guo和Wu发现，在资产证券化过程中风险保留和信息披露有利于联合监管风险，改正信息不对称造成的扭曲，同时提高社会福利[9]。Campbell等对定期资产支持证券贷款工具进行考察，发现其降低了部分证券产品的利率息差，并改善了证券化市场的条件[10]。严佳佳等运用CPV及KMV模型对建元20051住房抵押贷款支持证券的信用风险进行了度量[11]。薛海舟和赵薇以及潘秀丽等认为，应加强对资产证券化的宏观审慎、金融监管和信息披露，维护资产证券化市场的有序发展[12-14]。
二、模型构建
（一）信贷资产证券化信用风险度量：基于修正的KMV模型
信用风险一直是金融领域的研究热点，目前主流的信用风险度量模型有Credit Metrics模型、Credit Risk+模型、CPV模型和KMV模型等①。相较于其他模型，KMV模型无需使用信用转移矩阵且更易实现，因此本文选用KMV模型进行信用风险度量。
由于KMV模型原本用于度量上市公司信用风险，因此，在对资产证券化产品进行信用评级及违约测算时，需要对模型中的相关参数进行合理的修正。
（1） 将违约点（Default Point， DP）定义为证券化产品到期应支付的证券本息和。
（2） 资产池整体价值的波动性通过资产池内信贷资产累积本息回收率的波动来估计。
假设证券的到期日为T，令VT为资产池内所有资产T时期的未来现金流，BT表示T时期内所应偿还的价值，σ表示资产未来现金流收入的波动率。当证券化产品到期时，如果资产的未来现金流之和小于应支付给投资者的价值，即VT
p=EDF=P[VT
DD=VT-BTσ
带入式（1），可得：
p=N（-DD） （2）
与BS模型一致，假设资产池中的未来现金流收入呈现对数正态分布，且VT服从标准几何Brown运动，则下式成立：
dV=μVdt+σVdz， t>0 （3）
令t=0时，V（0）=V，由式（3）可得：
VT=Vexp [（μ-1/2σ2）t+σtZT] （4）
其标准差和均值分别为：
E[ln VT]=ln V+μt-1/2σ2t （5）
Var[ln VT]=σ2t （6）
则当T=1时，可得到资产未来现金流收入的波动率σ和现金流收入增长率的均值μ为：
μ=1n-1∑n-1i=1ln Vi+1Vi+12σ2 （7） σ=1n-2∑n-1i=1（ln Vi+1Vi-1n-1∑n-1i=1ln Vi+1Vi）2 （8）
若信贷资产证券化产品到期违约，则违约概率p可以进一步表示为：
p=P[VT
p=N（-DD）=
N（ln BT-ln V-μT+1/2σ2TσT） （10）
DD=ln （VT/BT）+μT-1/2σ2TσT （11）
（二）银行股票收益率联动性研究：基于最小生成树的复杂网络
根据复杂网络思想，可以将各银行机构视为网络中的节点，节点间的连边为各银行股票收益率的距离长度。最小生成树MST（Minimum Spanning Tree， MST）具有连边距离总和最小的特点，通过其构建的网络意味着最强连接性，在系统性风险出现时，最有可能沿MST在网络中快速传染、扩散。因此，通过分析上市银行股票网络结构有利于各家银行更高质量地开展资产证券化业务，预防系统性风险，获取更高的投资回报。构建银行股票网络的具体步骤为：
（1） 计算各只股票的对数收益率，并根据收益率序列计算任意两股之间相关系数，构成整体的相关系数矩阵。假设股票网络中共包含N支股票，则各股的收益率为：
Si（t）=ln Pi（t）-ln Pi（t-1） （12）
其中，Pi（t）为股票i在时间t的收盘价，根据收益率序列计算两两股票间的相关系数为：
ρij=E（SiSj）-E（Si）E（Sj）[E（S2i）-（E（Si））2][E（S2j）-（E（Sj））2] （13）
其中，E（·）代表交易期内变量的平均值，即：
E（Si）=1N∑Ni=1Si，E（Sj）=1N∑Nj=1Sj，E（SiSj）=1N2∑Ni，j=1SiSj，E（S2i）=1N∑Ni=1S2i，E（S2j）=1N∑Nj=1S2j
显然，ρij∈[-1， 1]。由此可以构成整个股票网络的N阶相关系数矩阵。当ρ取值为-1时，表示两支股票间完全负相关，此涨彼跌或此跌彼涨；相反，当ρ取值为1时，意味着两支股票完全正相关，即同涨同跌；当ρ为0时，则证明两支股票不相关，不具有联动性。
（2） 分析网络间的内在空间性质。将相关系数转换成Euclide距离即股票网络的权重，再将相关系数矩阵转换为距离矩阵，计算式为：
dij=2（1-ρij） （14）
其中，dij∈[0， 2]，并且满足三条性质：当且仅当i=j时，dij=0；dij=dji；dij≤dik+dkj，i≠j≠k且i， j， k∈N。
（3） 根据距离矩阵数据和MST算法构建股票网络。通过Kruskal算法可以将N个节点以（N-1）条边连接在一起。MST中不存在“环”且各连边距离总和最短，具有惟一性。
三、实证分析
（一）样本选取与数据处理
1. 银行信贷资产证券化产品信息。
2014年资产证券化发行由审批制改为备案制，发行机构数和产品数均呈现井喷式增长，最具代表性且数据相对完整，因此本文选取该年16家银行发行的31只信贷资产证券化产品作为样本，各产品基本情况见表1。
2. 上市银行股票价格数据。
2013年7月20日，央行取消金融机构贷款利率下限，标志着贷款利率市场化的基本实现。截至2010年，沪深A股市场共计16家银行上市，之后5年内无新增上市银行。到2017年底，A股市场共计25家上市银行，且均发行信贷资产证券化产品。为更好地考察利率市场化后各类上市银行股票收益率间的联动性，本文将所有上市银行分为两组：第一组为截至2017年的全部25家上市银行，其中张家港行于2017年11月上市，因此将样本期确定为2017年12月1日至2018年3月30日，共计285个交易日；第二组为2016年以前上市的全部16家银行，样本期为2013年7月20日至2018年3月30日，共计1146个交易日。股票价格数据来源于Wind资讯。
（二）信贷资产证券化产品信用风险度量
假设各产品资产池内的贷款间相关系数为0，各地区的法律环境及银行追偿能力相同，则利息回收率主要与资产质量直接相关。根据上文所述，各资产池中价值的波动通过各银行历史本息回收率的波动水平反映，经修正KMV模型计算的相关结果见表2。
央行和银监会明确规定，信贷资产证券化风险自留比例不得低于单只产品发行规模的5%。因此，假设样本中各产品发债规模为资产池总量的95%，资产池的价值均值通过入池本金与剩余应收贷款利息和来计算，利用修正的KMV模型测算各产品发行首年及2016年度的一年期违约距离及违约概率，所得结果如表3。
由表3可以發现，2014年发行的31只信贷资产证券化产品首年的违约距离处于2.77～10.02之间，对应的违约概率绝大多数小于0.02%，总体来说，31只产品均具有较高的信用评级，出现违约的概率较低。这可能是因为该年作为发行制度改革首年，市场快速扩张，发行机构秉承谨慎选择、审慎发行的态度，整体基础资产处于优质水平，加之5%的风险自留规定，进一步降低了违约概率。
“开元20141”和“开元20142”两只产品违约率最低，一是因为国开行本身利息收益率高、资产质量稳定；二是发行经验多、业务能力强；三是这两只产品均为铁路专项，资产池贷款来源为中国铁路总公司，贷款信用质量高，借款人具有充足的偿债能力，因此具有最低违约概率。
“汉银20141”首年度的预期违约率为样本中的最大值，其原因可能是汉口银行资产池中贷款的次级占比和地区集中度高，借款人信用评级较低，影响资产信用质量。但在产品存续期间会有相应的内部增信措施，因此该产品整体仍具有较高的信用等级。 “招行20141”和“平安20141小型贷款” 两只产品的违约概率低，其基础贷款类型分别为汽车贷款和消费贷款，入池资产笔数较多，资产相对分散，少量逾期、违约现象对整体风险的影响较小，相较于汽车贷款，消费贷款债务人会具有更小的违约成本和更大违约可能。
通过观察表3数据和图1中违约距离的走势可以发现，在发行首年，城商行和农商行的违约距离普遍较低即具有更高的违约概率，可能是因为这两类银行基础资产的种类和地区集中度较高，在宏观经济下行压力较大时，资产池总体信用质量易受到影响。但是，个别经营业绩良好、基础资产更加多元、资产未来现金流收入波动率较小的城商行，如北京银行和南京银行，其发行的信贷资产支持证券也具有较低的信用风险。
同时还不难发现，大部分产品2016年度的违约距离高于发行首年的违约距离，说明随着时间的推移，大部分债券的兑付和内部增信措施的实行能有效降低各产品的违约概率。政策性银行和大型商业银行所发行的产品在各时期内基本均具有较高违约距离；股份制商业银行违约距离波动小，整体情况较稳定；城商行及农商行在2016年的违约距离明显高于发行首年，其原因在于贷款利率市场化使得部分借款人能从市场上获取更低成本的资金，提前偿付之前的高利率债务，此举致使资产池资金回流较快，部分债券提前清偿兑付，降低违约概率。如若提前偿付金额大且距法定到期日时间长，则很有可能影响发起机构和证券化载体（Special Purpose Vehicle， SPV）的再投资行为，造成兑付危机。
（三）贷款利率市场化下商业银行股票网络结构分析
图2和图3分别反映了贷款利率市场化后两组上市银行股票收益率相关系数的分布。
总体来说上市银行间股票收益率呈现正向联动性。2016年前上市的16家银行股票收益率相关系数均分布于[0.4， 0.8]间，相关性较强，而基于短期数据考察的全部25家上市银行股票收益率相关系数分布跨度较大，多分布于[0.1， 0.5]间，相关性中等。其原因可能为2016年后新增的9家银行中有5家为农商行，与其它20家银行性质不相同，且样本期较短因此造成部分节点间相关系数较小。
从图4可以看出，光大银行与交通银行距离最短（0.53），两者股票收益率关联性最大；节点度大的分别为兴业银行、光大银行和农业银行，其中兴业银行占据网络中心位置，具有更明显的系统重要性，其收益波动风险更容易传染到其它股票，关系着整体网络的稳定性。
从图5可以看出，建设银行与工商银行间距离最短（0.60），在25家银行股票MST图中，光大银行、民生银行、兴业银行、江苏银行和常熟农商行占据网络的中心位置。
结合图4和图5不难发现，相较于大型商业银行，股份制银行、城商行以及农商行对贷款利率市场化中利率的变动更为敏感，联动性更强且更倾向于网络中心节点位置。同一性质的银行之间距离更为接近，在网络中聚集现象更为明显。
（四）基于MST算法的银行信贷资产证券化信用风险传染机理分析
当银行股票网络的某个节点受到来自外部因素（如宏观政策、突发事件等）冲击时，MST的最短距离总和特性致使其成为风险传染的最快途径，并快速传播至整个网络，形成系统性风险，进而影响其他金融市场。现阶段，银行信贷资产证券化产品主要在银行间发行与交易，各银行既是发行人也可能是投资人，当某家银行受到外部因素冲击时，可能会降低该银行盈利水平、减少其资产未来现金流收入，造成流动性风险，导致其发行的证券化产品承受兑付危机，进而影响到持有其产品的其他银行的投资收益。如若该银行处于网络中心节点处，风险将沿MST快速向外扩散，最终影响到整个银行网络，加快系统性风险的形成，造成经济危机出现。因此，降低网络中心位置银行的信用风险对整个网络的信息传递和稳定性起着至关重要的作用。
四、结论与建议
随着未来流通场所和不良资产证券化产品发行规模的扩大，精准有效的信贷资产证券化信用风险度量和风险传染机制研究对银行信贷资产证券化业务的高效发展具有重要意义。
在信贷资产证券化信用风险度量方面，总体而言信贷资产证券化产品仍以高信用等级为主，具有极低的违约概率。但在实际金融市场中资产池价值并不完全服从正态分布，存在厚尾现象，因此部分信贷资产证券化产品的信用风险可能被低估；对于中小型城商行和农商行而言，基于自身规模、资产池组成集中度高和发行经验等限制，目前还存在发行规模小、资产筛选难度大、专业人才缺口等问题，存在更多的违约隐患，容易受到风险的影响。在对信贷资产证券化信用风险的传染机制描述中可以发现，在贷款利率市场化下，股份制银行以及城商行和农商行更多的处于中心节点位置，成为风险传染的重要对象和载体，因此要重视其在网络中的中介作用，提高风险监管能力，防范系统性风险的产生。
针对现行银行信贷资产证券化业务运行过程中出现的问题，结合实证研究结果，提出以下几点建议：
（1） 完善相關信息披露制度和征信体系建设。信息不对称容易造成投资者群体的弱势和非理性行为，成为孕育系统性风险的温床。因此，应完善信贷资产证券化产品各重要时间点的信息披露和相关指标的公开。同时，资产证券化市场征信信息也并不完全透明，应完善相应的征信系统建设。
（2） 强化宏观审慎监管。应该从资产证券化市场运行制度优化、市场参与者行为规范和监管部门协调监管等方面加强管理。首先，要加强市场准入、运行、退出制度的建设；其次，应制定并运用相关法律法规及政策，规范参与者行为，维护市场秩序；最后要强化人民银行、银保监会、证监会等监管部门的职责，加强联合检查，消除真空地带，避免重复监管，提高监管效率。
（3） 灵活调整次级资产占比，防范系统性风险。近年来宏观经济形势承压，银行业整体资产信用水平下降。各时期处于中心节点位置的银行在发行资产证券化产品时可以适当降低次级资产占比，提升基础资产信用水平；在处于非中心位置时，适当提高次级资产占比，以此来防范系统性风险，保障投资收益。 （4） 在保证发行规模安全的前提下，可以尝试放开不良资产证券化试点。适量适时地推进不良资产证券化有利于进一步改善股份制银行及城商行和农商行的资产结构，提高资产的流动性、优化资源的配置。
注释：
① 这四种模型分别由J P Morgan银行等、Credit Suisse公司、Mckinsey公司和KMV公司分别于1997年、1997年、1998年和1993年提出。
参考文献：
[1] Affinito M， Tagliaferri E. Why do （or did？） banks securitize their loans？ Evidence from Italy[J]. Journal of Financial Stability， 2010， 6（4）： 189-202.
[2] Gong D， Hu S， Ligthart J E. Does corporate income taxation affect securitization？Evidence from OECD banks[J]. Journal of Financial Services Research， 2015， 48（3）： 193-213.
[3] Farruggio C， Uhde A. Determinants of loan securitization in European banking[J]. Journal of Banking & Finance， 2015， 56（7）： 12-27.
[4] 曹彬. 資产证券化对我国商业银行盈利能力影响研究[J]. 宏观经济研究， 2017（5）： 143-149.
[5] Loutskina E. The role of securitization in bank liquidity and funding management[J]. Journal of Financial Economics， 2011， 100（3）： 663-684.
[6] Battaglia F， Gallo A， Mazzuca M. Securitized banking and the Euro financial crisis：evidence from the Italian banks risktaking[J]. Journal of Economics & Business， 2014， 76（C）： 85-100.
[7] Trapp R， Weiβ G N F. Derivatives usage， securitization， and the crash sensitivity of bank stocks[J]. Journal of Banking & Finance， 2016， 71（C）： 183-205.
[8] Adelino M， Gerardi K， Willen P S. Why don't lenders renegotiate more home mortgages？ Redefaults， selfcures and securitization[J]. Journal of Monetary Economics， 2013， 60（7）： 835-853.
[9] Guo G， Wu H M. A study on risk retention regulation in asset securitization process[J]. Journal of Banking & Finance， 2014， 45（1）： 61-71.
[10]Campbell S， Covitz D， Nelson W， et al. Securitization markets and central banking： An evaluation of the term asset-backed securities loan facility[J]. Journal of Monetary Economics， 2011， 58（5）： 518-531.
[11]严佳佳， 黄文彬， 张佳斌. 我国住房抵押贷款支持证券的信用风险度量研究[J]. 金融与经济， 2014（11）： 67-72.
[12]薛海舟， 赵薇. 中美金融业经营和监管体制的比较分析及启示——以金融危机和资产证券化为视角[J]. 宏观经济研究， 2014（2）： 131-136.
[13]潘秀丽. 中国金融机构资产证券化风险分析及建议[J]. 中央财经大学学报， 2010（9）： 38-43.
[14]谢赤，马有源.财务柔性价值的度量及其对现金股利分配的影响——来自沪深股市上市公司的经验证据[J].商业研究，2017（4）：55-62.
（责任编辑：钟 瑶）