论文部分内容阅读
［摘 要］在我国,信贷资产是银行业的主要资产,信用风险也自然成为银行业的主要风险。本文利用因子模型和蒙特卡洛模拟研究我国代表性中小型商业银行的信用风险分布并计算了风险分布的VAR值。实证结果表明,我国中小商业银行的信用风险分布具有尖峰等特征。运用同样方法,本文进一步计算出了单个商业银行风险分布VAR值并进行了比较。
［关键词］信用风险；商业银行；因子模型；蒙特卡洛模拟；风险分布
［中图分类号］F830.33 ［文献标识码］A-F ［文章编号］1005-6432（2009）01-0038-02
1 引 言
信用风险不同程度地存在于金融行业的各个分支中,了解风险分布并有效加以控制,是金融行业需要解决的问题,而对于银行业来说尤其关键。在我国,借贷业务一直是银行的核心业务,信贷资产也是银行资产的主要部分,因此银行必须花费大量的努力来管理其产生的信用风险。
随着我国金融业的开放,银行业得到了快速发展。在与国际接轨的过程中,如何在风险控制机制上与国际接轨亟待解决。要控制信用风险,首先需要度量信用风险。
信用风险评价并不存在单一的“实践最好”模型。在过去的国外研究文献中提出了很多种模型,主要通过两种思路研究信用风险问题。
第一种研究思路着重于风险因素中独立决定信用风险的因素和使用市场风险VAR模型来综合信用风险。主要的模型有：巴赛尔协议的IRB方法、“CrdetMtetrics”方法、KMV公司的信用评级模型等。另一种研究思路则是根据数据拟合信用风险的边缘分布。研究中所采用分布函数和方法有很多种,比较经典的是三参数的weibull分布和因子分析法。
虽然国外文献对信用风险已经做了大量的实证,但受数据量的影响,国内实证研究主要集中在第一种研究思路上。本文采用第二种研究思路,通过因子模型有效解决了历史数据不足的问题,度量了银行的信用风险的分布并计算了VAR值。本文将因子模型和蒙特卡洛模拟结合,显著改善了VAR计算的精确性,从而为银行以及监管层提供了有效的参考。
2 研究设计
2.1 银行样本和数据
本文选取成立较早的浦发银行、华夏银行、招商银行、民生银行四个银行作为样本1,采用2003年4月到2008年3月共20个季度数据。本文用利息净收入和发放贷垫款净额的比来表示银行的信用风险。较低的银行净利息收益率就对应着较大的信用风险损失,因而可以用利息净收益率分布来表示银行信用风险的分布。
2.2 因子模型的建立
度量信用风险的前提是找到一个合适的度量模型。因子模型认为银行的信用风险可以由一些可观测的客户特征因子表示。信用风险的因子风险模型将信用风险表示为选取因子的函数,模型表述如下：
ri=αi+β′ixt+εi,t
式中,基于信用风险资产的银行利息收入可以被一系列的风险因子序列xt线性表示。本文将运用面板数据来估计出各个系数β′i的值，然后将各因子的日度数据带入因子模型,得到ri的估计值。通过因子模型,本文可以获得大量的历史数据来模拟信用风险的风险分布。
在选择因子时,应尽量选择信用跨度比较大的两个因子,例如Joshua V.Rosenberg和Til Schuermann 2005年发表在Journal of Finance上的一篇论文选用了AA级客户贷款利率指数与同期限国债指数基差以及BBB级客户贷款利率指数与同期限债指数基差两个因子。
在我国,债券评级尚未成熟,类似于AA级债券指数的一系列指数尚未成形。因而,在尽可能保证信用跨度的原则下,需要选择符合我国信用体系的指数。我国金融债券的信用级别较高,而企业债券指数的信用级别相对较低。银行主要企业客户的信用等级可以被金融债券指数和企业债券指数之间的跨度所涵盖。因此,本文运用中债金融债券指数、中债企业债券指数和中债国债指数的基差作为因子。
2.3 蒙特卡洛模拟
在因子模型的基础上,本文将模拟信用风险分布。首先将日度基差数据带入回归方程,得到1254个贷款净利息率的季度值。利用matlab进行基于GARCH模型的蒙特卡洛模拟,模拟出一组四个数据,四个季度数据加总就得到年度数据,重复这一模拟20000次即可得到20000个年度数据。然后,对20000个数据进行排序,计算出每个数据所处的位置除以20000,即得到累积分布函数,这个函数的逆函数即信贷资产收益的分布。信贷资产所面临的风险主要是信用风险,因而我们可以用信贷资产面临风险的分布来表示商业银行信用风险的分布（Joshua V.Rosenberg和Til Schuermann,2005）。
3 实证结果分析
华夏银行和招商银行的2003年第二季度的数据缺失,因此因子模型的数据量为78。本文采用固定截面效应模型,由于常数项不是本文的研究重点,所以在下述因子模型的结果中省略。因子模型结果如表1所示：
回归的因变量是月度贷款净收益率,解释变量是金融债券指数基差以及企业债券指数基差。回归中的因子数据采用了季度每日平均值。
从回归分析中R2的值为0.784,显然有一部分信用风险并没有被本文所选取的因子所覆盖。出现这种现象的原因之一是各个银行的特有风险在总风险中占有重要的比重,二是操作风险也是净收益的一个重要影响因素,关于这一部分风险,所选取的因子并没有覆盖。
通过程序运算,我们计算出了信用风险分布所对应的VAR值,表2中VAR值反映了我国中型商业银行的信用风险状况。中型商业银行的风险分布呈现尖峰,反映了我国商业银行面临的利息收益相对集中,其中收益率98%可能处于3.9322%~4.7548%,跨度为0.8226%；以90%的可能性处于4.0859%~4.6171%,跨度为0.5312%。
银行管理风险时,需要考虑合理安排资本以达到合适的风险承受能力。VAR值是一项非常重要的指标,给出了银行某一概率下最大的损失（最小收益）。
通过运用本文中的模型得到每一个银行的信用风险分布。模型的结果如表2所示：
由表2可以看出,单个银行因子模型的系数均显著,说明本文所选择因子也可以很好地表示单个银行的信用风险。金融债券指数基差系数普遍大于企业债券指数基差系数,说明商业银行对高等级客户信用风险的变化更加敏感,也反映了我国商业银行主要贷款给信用级别高的企业。基于因子模型的结果,本文应用蒙特卡洛模拟计算出了单个银行的VAR值。通过对比本文发现,民生银行的贷款风险最小,即民生银行的可能贷款损失最小。民生银行在99%的概率下可以获得的最小收益为4.42%,高于浦发银行接近0.1%,高于华夏银行1.08%,高于招商银行0.81%,可以看出,民生银行和浦发银行的差距不大,明显优于华夏银行和招商银行。
4 结论与启示
本文首先研究了代表性中型商业银行的信用风险分布。实证研究结果表明,我国中型商业银行风险分布具有尖峰等特性。我国中型商业银行的贷款收益率集中在4%~4.6%,跨度较小,说明我国代表性中型商业银行的经营状况良好。同时,本文还进一步将模型推广到单个商业银行信用风险分布的拟合以及VAR的计算,得出了单个银行99%、95%以及90%概率下的VAR值。通过本文发现民生银行和浦发银行的信用风险相对较小,优于华夏银行和招商银行。
参考文献：
［1］Joshua V.Rosenberg,Til Schuermann,A general approach to integrated risk management with skewed,fat-tailed risks［J］.Journal of Financial Economics,2006（58）：569-614.
［2］王春峰,万海晖,张维.金融市场风险测量模型-VaR［J］.系统工程学报,2000,15(1):68-75.
［收稿日期］2008-12-10
［作者简介］金钢（1987—）,男,山东聊城人，西南财经大学金融学院硕士研究生,研究方向：风险管理。
［关键词］信用风险；商业银行；因子模型；蒙特卡洛模拟；风险分布
［中图分类号］F830.33 ［文献标识码］A-F ［文章编号］1005-6432（2009）01-0038-02
1 引 言
信用风险不同程度地存在于金融行业的各个分支中,了解风险分布并有效加以控制,是金融行业需要解决的问题,而对于银行业来说尤其关键。在我国,借贷业务一直是银行的核心业务,信贷资产也是银行资产的主要部分,因此银行必须花费大量的努力来管理其产生的信用风险。
随着我国金融业的开放,银行业得到了快速发展。在与国际接轨的过程中,如何在风险控制机制上与国际接轨亟待解决。要控制信用风险,首先需要度量信用风险。
信用风险评价并不存在单一的“实践最好”模型。在过去的国外研究文献中提出了很多种模型,主要通过两种思路研究信用风险问题。
第一种研究思路着重于风险因素中独立决定信用风险的因素和使用市场风险VAR模型来综合信用风险。主要的模型有：巴赛尔协议的IRB方法、“CrdetMtetrics”方法、KMV公司的信用评级模型等。另一种研究思路则是根据数据拟合信用风险的边缘分布。研究中所采用分布函数和方法有很多种,比较经典的是三参数的weibull分布和因子分析法。
虽然国外文献对信用风险已经做了大量的实证,但受数据量的影响,国内实证研究主要集中在第一种研究思路上。本文采用第二种研究思路,通过因子模型有效解决了历史数据不足的问题,度量了银行的信用风险的分布并计算了VAR值。本文将因子模型和蒙特卡洛模拟结合,显著改善了VAR计算的精确性,从而为银行以及监管层提供了有效的参考。
2 研究设计
2.1 银行样本和数据
本文选取成立较早的浦发银行、华夏银行、招商银行、民生银行四个银行作为样本1,采用2003年4月到2008年3月共20个季度数据。本文用利息净收入和发放贷垫款净额的比来表示银行的信用风险。较低的银行净利息收益率就对应着较大的信用风险损失,因而可以用利息净收益率分布来表示银行信用风险的分布。
2.2 因子模型的建立
度量信用风险的前提是找到一个合适的度量模型。因子模型认为银行的信用风险可以由一些可观测的客户特征因子表示。信用风险的因子风险模型将信用风险表示为选取因子的函数,模型表述如下：
ri=αi+β′ixt+εi,t
式中,基于信用风险资产的银行利息收入可以被一系列的风险因子序列xt线性表示。本文将运用面板数据来估计出各个系数β′i的值，然后将各因子的日度数据带入因子模型,得到ri的估计值。通过因子模型,本文可以获得大量的历史数据来模拟信用风险的风险分布。
在选择因子时,应尽量选择信用跨度比较大的两个因子,例如Joshua V.Rosenberg和Til Schuermann 2005年发表在Journal of Finance上的一篇论文选用了AA级客户贷款利率指数与同期限国债指数基差以及BBB级客户贷款利率指数与同期限债指数基差两个因子。
在我国,债券评级尚未成熟,类似于AA级债券指数的一系列指数尚未成形。因而,在尽可能保证信用跨度的原则下,需要选择符合我国信用体系的指数。我国金融债券的信用级别较高,而企业债券指数的信用级别相对较低。银行主要企业客户的信用等级可以被金融债券指数和企业债券指数之间的跨度所涵盖。因此,本文运用中债金融债券指数、中债企业债券指数和中债国债指数的基差作为因子。
2.3 蒙特卡洛模拟
在因子模型的基础上,本文将模拟信用风险分布。首先将日度基差数据带入回归方程,得到1254个贷款净利息率的季度值。利用matlab进行基于GARCH模型的蒙特卡洛模拟,模拟出一组四个数据,四个季度数据加总就得到年度数据,重复这一模拟20000次即可得到20000个年度数据。然后,对20000个数据进行排序,计算出每个数据所处的位置除以20000,即得到累积分布函数,这个函数的逆函数即信贷资产收益的分布。信贷资产所面临的风险主要是信用风险,因而我们可以用信贷资产面临风险的分布来表示商业银行信用风险的分布（Joshua V.Rosenberg和Til Schuermann,2005）。
3 实证结果分析
华夏银行和招商银行的2003年第二季度的数据缺失,因此因子模型的数据量为78。本文采用固定截面效应模型,由于常数项不是本文的研究重点,所以在下述因子模型的结果中省略。因子模型结果如表1所示：
回归的因变量是月度贷款净收益率,解释变量是金融债券指数基差以及企业债券指数基差。回归中的因子数据采用了季度每日平均值。
从回归分析中R2的值为0.784,显然有一部分信用风险并没有被本文所选取的因子所覆盖。出现这种现象的原因之一是各个银行的特有风险在总风险中占有重要的比重,二是操作风险也是净收益的一个重要影响因素,关于这一部分风险,所选取的因子并没有覆盖。
通过程序运算,我们计算出了信用风险分布所对应的VAR值,表2中VAR值反映了我国中型商业银行的信用风险状况。中型商业银行的风险分布呈现尖峰,反映了我国商业银行面临的利息收益相对集中,其中收益率98%可能处于3.9322%~4.7548%,跨度为0.8226%；以90%的可能性处于4.0859%~4.6171%,跨度为0.5312%。
银行管理风险时,需要考虑合理安排资本以达到合适的风险承受能力。VAR值是一项非常重要的指标,给出了银行某一概率下最大的损失（最小收益）。
通过运用本文中的模型得到每一个银行的信用风险分布。模型的结果如表2所示：
由表2可以看出,单个银行因子模型的系数均显著,说明本文所选择因子也可以很好地表示单个银行的信用风险。金融债券指数基差系数普遍大于企业债券指数基差系数,说明商业银行对高等级客户信用风险的变化更加敏感,也反映了我国商业银行主要贷款给信用级别高的企业。基于因子模型的结果,本文应用蒙特卡洛模拟计算出了单个银行的VAR值。通过对比本文发现,民生银行的贷款风险最小,即民生银行的可能贷款损失最小。民生银行在99%的概率下可以获得的最小收益为4.42%,高于浦发银行接近0.1%,高于华夏银行1.08%,高于招商银行0.81%,可以看出,民生银行和浦发银行的差距不大,明显优于华夏银行和招商银行。
4 结论与启示
本文首先研究了代表性中型商业银行的信用风险分布。实证研究结果表明,我国中型商业银行风险分布具有尖峰等特性。我国中型商业银行的贷款收益率集中在4%~4.6%,跨度较小,说明我国代表性中型商业银行的经营状况良好。同时,本文还进一步将模型推广到单个商业银行信用风险分布的拟合以及VAR的计算,得出了单个银行99%、95%以及90%概率下的VAR值。通过本文发现民生银行和浦发银行的信用风险相对较小,优于华夏银行和招商银行。
参考文献：
［1］Joshua V.Rosenberg,Til Schuermann,A general approach to integrated risk management with skewed,fat-tailed risks［J］.Journal of Financial Economics,2006（58）：569-614.
［2］王春峰,万海晖,张维.金融市场风险测量模型-VaR［J］.系统工程学报,2000,15(1):68-75.
［收稿日期］2008-12-10
［作者简介］金钢（1987—）,男,山东聊城人，西南财经大学金融学院硕士研究生,研究方向：风险管理。