基于 CPV模型的商业银行信用风险宏观压力测试
马菁菁 广东白云学院
摘 要：近几年进入经济增长“新常态”后，我国经济增长追求质与量的双赢，经济增速的下滑伴随着高质量“去杠杆”的压力使得银行业风险的进一步积累加剧。本文在梳理我国商业银行信用风险生成机制的基础上，运用蒙特卡罗模拟技术，剖析商业银行在宏观经济下滑和房地产价格下跌的压力测试。
关键词：信用风险；压力测试；蒙特卡洛模拟
一、引言
2018年以来，世界经济格局的深度变化给中国金融体系带来更多外部的不确定性，同时中国经济也面临着供给侧结构性改革的进一步深化，中国经济下行的压力增大，再加上互联网金融及消费金融公司在国内异军突起，不断瓦解商业银行传统业务，使得国内银行业备受冲击。银行业的安全与稳定关乎各国经济安全和金融市场的稳定，加强银行业风险的监管势在必行。兼具前瞻性及科学性的压力测试成为商业银行风险预警体系的关键要素，同时也成为银行监管机构和宏观审慎监管机构的核心工具。
二、相关文献综述
从理论方法的探究上讲，早期学者是在与VaR 体系做对比后，阐述压力测试的基本概念、特征、程序、使用方法及其缺陷；或者是对国外先进机构在进行压力测试的经验进行介绍。随着理论的发展，后期学者们开始关注宏观压力测试建模技术的完善，如袁吉伟（2013）将信用风险宏观压力测试模型分为宏观经济建模和信用风险建模两个部分，分别介绍了建模技术方法和实证研究成果，为建模技术研究提供经营总结。曹麟（2014）分别从国际银行业的实践、风险传导及情景生成部分、风险计量过程三个部分，介绍了 Credit Risk+、Credit Metrics 和 Credit Portfolio View等在国际银行业宏观压力测试实践中被广泛使用的模型。
在实证关系探索方面，学者们研究的差异点主要集中在以下几个方面：一是承压指标的选择，二是压力传导模型的构建，三是宏观经济模型的选取，四是压力情景的设计。
在信用风险承压指标的选取上各学者采用的指标差异较大。部分学者出于统计计量口径上的统一及信息需求者理解和使用上的考量，采用不良贷款率为承压指标，如谭晓红（2011）、苏为华（2014）、王天宇和杨勇（2017）、张乐柱和黄文苑（2018）等。国际上也有学者采用违约概率来衡量信用风险，如Merton （1974）。相比利用历史数据来衡量信用风险违约概率，Merton 提出的违约概率的计算更具前瞻性，但是其以股价变动值为计算基础要求必需为上市公司，而我国中小商业银行的客户中大部分为中小企业，无法获取相关信息。
在宏观经济模型的选择方面，目前普遍使用是 VaR模型，该模型在经济方程估计上的运用有较高的准确度，VaR 模型将所有的变量视为内生变量，不带任何先约束条件，避开了所有变量滞后值函数的建模问题，所以被学者们广泛使用，如苏为华和郭远爱（2014）、施文俊和叶德磊（2016）等。部分学者认为 VaR 模型考虑了内生变量滞后项影响，却没有显性考虑内生变量当期变化对其他变量的影响，所以发展了结构化向量自回归模型SVAR，比如施建军和周源（2011）、尹钊和谭畅（2015）。
在压力传导模型的构建上，主要模型有 MF-Logistic 模型、Merton-Vasicek 模型、CPV 模型等。Logistics 模型是度量信用风险的传统方法，对自变量做回归预测来对某件事情发生的概率进行推测，主要用于解决因变量为虚拟变量的问题。在宏观经济压力测试用，对于违约变量的预测就被当作是一个虚拟变量问题来解决，如李关政（2011）。Merton-Vasicek 模型是根据违约风险和宏观风险计算资本计提要求时使用的经典模型，如张岩和段楠（2015）。
压力情景设计方面，主要有两种方法：传统方法和模特卡罗模拟法。传统方法进行压力测试具体方法大致可分为敏感性分析和情景分析。国内多数学者采用情景分析来执行压力测试，通过设置不同的宏观经济情形来分析对商业银行造成的影响，如张能福和康翔（2013）、农行压力测试课题组（2011）、段月娇（2015）等。蒙特卡罗模拟法在金融计量领域有着广泛的应用，能够有效解决历史样本不足的问题，适用于对资产风险价值的度量。在设置压力情景下，蒙特卡罗模拟大量未来某期的违约数据，然后就受压于基准情况得出违约率的估计频率分布，但是由于技术复杂，只有少部分学者采用蒙特卡罗模拟法对压力测试的风险传导机制进行分析，如杨剑（2011）、苏为华（2014）、王祥云（2016）；但是实证结果显示蒙特卡罗模拟法得到的压力情景更加具有现实意义。
本文仍然选用 CPV模型对我国商业银行的信用风险进行，在宏观压力情景生成方面选择VaR模型，运用蒙特卡洛模拟违约数据。本文研究创新之处在于利用最新的数据，针对不同类型的银行采用蒙特卡洛模拟技术进行压力风险测。这既是对当前研究的有益补充，也具有很好的实践意义。
三、构建信用风险宏观压力测试模型
1.模型构建
（1）压力传导模型的构建
本文在借鉴 Wilson（1997）的研究基础上设定贷款违约率与各宏观经济变量存在非线性关系的假定，将不良贷款率（NPL）进行 Logit 转化成中介指标Yt，然后将 Yt与宏观经济变量建立压力传导模型。压力传导模型的具体形式如下：
（1） （2）其中 NPLt代表商业银行的不良贷款率，反映其信用风险状况；Yt 表示与不良贷款率相对应的中介指标，X1、…......Xk 代表与商业银行不良贷款相关的宏观经济变量。
（2）宏观压力情景生成模型的构建
在压力情景生成方面，向量自回归模型（VaR模型）因其具有较高的准确度是使用非常普遍的宏观经济模型。
（3） Xt 表示宏观经济变量，Zt表示与银行相关的外生变量，p表示滞后阶数，考虑到宏观变量之间的相关性，采用联立方程来建模。在实证方法上，考虑到联立方程间的误差项可能存在异方差和同期相关，本文采用似不相关回归对各参数进行估计。2.变量选择与说明本文宏观经济指标的选取上秉着与商业银行稳健经营的密切度的原则：（1）实际产出因素：包括国内生产总值增长率（GDP）和工业增加值（IRV）。GDP衡量的是整个宏观经济的运行状态，它影响整个社会经济各单位的还款能力。（2）资产价格因素：固定资产投资完成额（INFA）、房地产开发投资完成额（REDI）、国房景气指数（RE）等四个变量；因近年来房地产贷款在商业银行中贷款占比较高，房地产行业的景气程度对房地产企业及住房贷款产生影响；（3）物价水平因素：居民消费者价格增长率（CPI）、工业产品出厂价格指数（PPI）等两个指标，CPI、PPI 衡量价格的稳定性，物价的稳定性直接关系到宏观经济的稳定性；（4）金融市场因素：金融市场的稳定关乎金融资产持有者的还款能力及金融产品价格的稳定性，故选取广义货币供应量增长率（M2）、短期贷款利率（SL）等指标。（5）其他外生因素：选取美元汇率（DCR）、社会消费品零售总额增长率（RSCG）等变量，在后续的模型构建过程中，再根据变量时间序列的平稳性及显著性进行筛选。3.样本数据的选择与来源
我国银行 NPL的季度数据是从 2003 年第四季度才开始公布，所以全部指标样本选取均为 2004 年 -2019 年。为了保持变量之间频度的一致，本文均采用季度数据，对月度数据通过几何平均处理统一为季度数据；所有数据均源于Wind 数据库。4.模型估计与实证结果分析（1）变量的稳定性检验与“协整检验”
本文选取 ADF检验对所有变量的平稳性进行检验，检验结果如表一。检验结果表明，在5%的显著性水平下，变量的原始序列都是非平稳的；在对原序列进行一阶差分处理后，各宏观变量都是一阶单整序列。由此可进一步对相关变量进行协整分析。
利用 johansen 检验对上述变量进行协整检验，经检验发现各宏观经济变量之间存在三阶协整关系，变量 INFA、REDI、CPI、DCR、SL、M2、IRV 之间满足建立VaR模型的条件。（2）模型变量的筛选与形式的确立
根据 FPE 和 QIC 检验准则判断 VaR 模型最佳滞后阶数为2，AIC准则判断出来的最佳滞后阶数为 4，BIC 准则判断出来的最佳滞后阶数为1，考虑到如果方程中含有过多待估变量可能影响参数估计的有效性，综合考量R2 及方程的稳定性，本文在建立 VAR模型时最终选择最佳滞后阶数为2阶。在模型变量的筛选上，考虑各变量显著性和拟合情况，最终选取有显著影响的INFA、REDI、CPI、DCR、SL、M2、IRV 七个变量。
（3）模型估计与结果解释由于各自变量之间存在相互影响的动态结果特征，整个信用风险宏观压力测试模型被构建为一个反映相关关系的系统，将模型（2）和模型（3）联立方程组，构建联立方程模型系统，考虑到联立方程间的误差项可能存在异方差和同期相关，采用似无相关回归方法（SUR），对模型进行估计，SUR 的两阶段估计过程，可以消除自相关问题，实现估计量的一致性且渐近有效。对模型进行估计，剔除不显著项后，得到的估计结果如表 3。
***P<0.01,**P<0.05,*P<0.1
从表4的回归结果可以看出，模型以及各变量系数均较显著，且系数的符号与预期相符。其中工业增加值（IRV）、固定资产投资完成额（INFA）、房地产开发完成额（REDI）的回归系数为负，说明随着工业增加值、固定资产投资、房地产开发完成额、短期贷款利率（SL）的增加，不良贷款率会降低；居民消费者价格增长率（CPI）、广义货币供应量增长率（M2）、美元汇率（DCR）在模型中的回归系数为正，说明商业银行的不良贷款率会随着居民消费者价格、广义货币供应量增长率、短期贷款利率、美元汇率的增长而上升。
四、宏观压力因素冲击对商业银行信用风险影响分析
为了检验商业银行在宏观经济下行情况下的抗压能力，根据上文的信用风险压力测试的模型，运用蒙特卡洛随机模拟技术模拟在不同的宏观经济冲击情形下，不良贷款率的估计频率分布。随着近几年“去杠杆”、“控风险”、“一带一路”等宏观政策背景下，经济增速明显放缓，本文压力情景选择 INFA、REDI 增速下滑及 CPI 陡然上升作为压力冲击因子，测试在轻度、中度、重度三种压力情形下商业银行不良贷款率变化，来检验我国商业银行抗压能力。经济下滑不同程度给商业银行不良贷款率带来冲击的蒙特卡洛模拟结果如下表：