中國銀行業壓力測試的現狀以及在商業銀行中的運用
—— 以中國建設銀行為例

遼寧工業大學管理學院 陳英梅

浙江大學光華法學院 姜靜文

2006年，美國次貸危機爆發，導致我國實體經濟以及尚未完全成熟的金融市場體系同時受到了嚴重的負面影響。因而，如何進行更有效的金融風險管理、如何更好地監督金融市場，成為了我國金融行業思考的重點。壓力測試是指商業銀行對于不同經濟沖擊的承受能力的途徑，其主要目的是評估銀行機構承擔風險能力的強弱和檢驗銀行對宏觀經濟因素的敏感程度。對于金融風險管理，壓力測試是一項非常重要而又實用的工具，壓力測試的正確使用能使我國商業銀行具備更強的抵御宏觀經濟波動的能力，促進我國金融體系的不斷完善和健康發展。

1 Logit方法使用介紹

1.1 方法介紹

我國銀行業通常將常見的風險因子分為三種：違約概率(probability default,PD)、違約損失率(loss given default,LGD)及違約風險暴露(exposure at default,EAD)。EL是預期損失(Expected Loss,EL)，通常利用以下公式來計算：

文中選取了五個宏觀經濟指標來研究宏觀經濟對于PD的沖擊，五個指標包括GDP增長率，通貨膨脹率(INF)，貸款利率(LIR)，外貿依存度(FTD)和貨幣供應量。采用Logistic回歸模型，可將調查的宏觀經濟指標全部代入模型，并且可保證PD的取值介于0～1之間。應用的數學模型表達如下：

pdt在此表達式中表示處于時間t的違約率，取值介于0～1之間；α為外生變量常數項；x表示各個宏觀經濟變量處于時間t時的值；β表示各個宏觀經濟變量對因變量造成影響的參數，進一步將式(2)變形處理可得：

1.1.1 樣本數據來源

本文選取2015—2018年三年的年度宏觀經濟數據，包括GDP增長率、貸款利率、通貨膨脹率、貨幣供應量和外貿依存度等指標，作為備選展開研究。

1.1.2 承壓對象及承壓指標

本文所選取的承壓對象為中國建設銀行信貸資產的信用風險水平，使用銀行違約損失率(PD)作為測量指標，其中包含數量關系如下：

PD=當期貸款違約金額/期初貸款總金額

本文將通過2015—2018年中國建設銀行的相關數據對PD進行評估。

1.2 假設情景事件的確立

為確保本文的嚴謹性，參考已有文獻，采用假設情景事件的方法進行分析，所假設的壓力情景事件，如表1所示。

表1 本文采用的假設壓力情景事件

2 回歸模型建立與結果分析

2.1 模型建立

本文假定宏觀經濟變量和違約率之間存在著非線性關系，運用最早的離散選擇模型——Logit模型。將違約率轉化為中介指標Z，將Z作為因變量，加入各宏觀經濟變量作為自變量，進行多元線性回歸分析。通過資料的收集和對比分析，結合我國金融系統的特殊性，建立模型方程表達式如下：

其中，Z表示中介變量，PD表示違約率，Xi表示各宏觀經濟變量，μ表示隨機干擾項。由于PD的取值介于0～1之間，因此需要用式(4)將PD轉換成Z，即有：

從式(4)中可知，PD與Z為正相關，即信用風險指標值越大，“中介指標”Z的值就越大。式(5)為一個線性方程，表明由信用風險指標轉化成的“中介指標”與各宏觀經濟變量存在線性關系。

通過估計歷史數據的模型并引入處理后的信用風險指標，可以計算中間指標Z的估計值。將Z帶入式(5)，可以估計出回歸方程的系數，并以此回歸方程作為基礎進行壓力測試：假定不同壓力情境，不同壓力情景下的宏觀經濟變量值納入估算方程式(5)得到Z值。最后，通過式(4)將轉換為違約率，就可以估計出壓力情景下金融機構的信用風險。

2.2 變量的篩選及數據的選定

本文選取GDP增長率、居民消費價格指數(CPI)、外貿依存度(EM)、貨幣和準貨幣(M)、貸款利率(LR)五個變量作為解釋變量。將選擇2008—2018年度數據作為樣本，為了使模型的擬合優度和顯著性更高，在選取指標及數據時，本文適當選取了增長率值代替了原始指標，所有數據均來源于公開資料。從回歸過程中篩選出了四個具有顯著水平的宏觀經濟指標，模型的參數估計如表2所示。

表2 模型參數估計表

因此，構建的模型如下：

模型的F檢驗結果、相關系數R、決定系數R2也表明模型具有良好的回歸性。

2.3 結果分析

通過Logistic多元線性回歸分析結果，得出以下基本結論：(1)GDP持續增長說明社會宏觀經濟形勢較好，企業平均盈利能力較好，進而導致整體貸款違約概率下降；(2)CPI對違約的影響最為顯著，CPI上升，央行面臨貨幣政策和財政政策緊縮的風險，增加了違約風險；(3)貨幣供應量增加意味著商業銀行擴張信貸，對于客戶的風險審查有所放松，進而導致違約風險增加；(4)利率上升，企業的融資成本增加，如果企業的盈利能力不足以支撐融資成本，企業自然會面對違約的風險。

3 壓力情景測試——以建設銀行2017年為例

為進一步驗證本文所提出的壓力測試模型，將以建設銀行2017年數據為例進行實證研究。為了簡化計算，運用以下方式來確定三個參數。對于LGD參考BASEL II的要求，取LGD等于45%。EAD則通過銀行貸款余額作為近似來完成計算。PD則通過代入2018年的宏觀數據，由本文的上一部分求得Z，然后再反解可以得到。

2017年建設銀行的情況，LGD=45%，EAD=123329億元，貸款損失準備金=3289.68億元，核心資本=16913.32億元，資本金= 20030.72億元。利用上面的情景假設，得出溫和、中等和嚴重沖擊下的損失比較，各個參數變化的具體情況如表3所示。

表3 2017年建設銀行壓力情景測試結果

通過模型可以看到，即使在嚴重沖擊下，準備金和資本金都足以覆蓋壓力事件的損失。

4 結語

本文通過建立影響銀行違約損失率的相關變量之間的模型，得出利率變化的商業銀行的沖擊最為激烈的結論，同時在宏觀經濟狀況良好的情況下，商業銀行經營狀況較好，違約率較低；反之，當宏觀經濟狀況勢微，企業盈利能力會受到沖擊，資金流動性減弱從而影響到債務償付，導致商業銀行違約率上升。通過定期分析報告等形式提出管理建議，根據內外部管理需要采取措施，根據對未來宏觀經濟波動的預測，提前制定最優的風險管理方案，確保整體風險水平控制在設定的邊界范圍內，對于銀行業具有深遠的指導意義。