基于同業(yè)存單信用利差的商業(yè)銀行隱含違約率測算方法分析

摘要：包商銀行負面事件發(fā)生后，市場越來越關注中小商業(yè)銀行的違約風險。自2019年起，低評級和高評級銀行發(fā)行的同業(yè)存單信用利差明顯走闊，監(jiān)管層面強調加強中小銀行信用風險防范和化解。在銀行類金融機構歷史違約數據缺失的情況下，本文基于風險中性市場假設，借助2021年商業(yè)銀行同業(yè)存單的信用利差推算商業(yè)銀行的隱含違約率，并在此基礎上進行實證分析，實現對樣本外商業(yè)銀行隱含違約率的預測。

關鍵詞：隱含違約率 同業(yè)存單 信用利差 財務指標

中小銀行是我國銀行體系的重要組成部分，但也是當前相對薄弱的環(huán)節(jié)。2019年包商銀行負面事件發(fā)生后，市場對中小銀行信用風險的關注度上升，同業(yè)存單發(fā)行主體的信用利差也隨之走闊。在此背景下，對不同商業(yè)銀行違約概率的有效估算愈發(fā)重要。

當前對公司違約概率的估算方法主要有三類。第一類方法是基于相關歷史數據構建主體信用評級及其與違約概率的映射模型，以此進行違約概率測算，如標準普爾、穆迪和惠譽開發(fā)了各自的評級體系，逐年公布信用評級與違約概率的映射關系表及遷移矩陣。此類方法對歷史數據的要求很高，但國內商業(yè)銀行的違約事件很少，運用該方法進行測算的準確性有待驗證。第二類方法是借助公司關鍵財務指標、市場因素等構建違約概率測算模型，包括Logistic模型、Probit模型、熵權法模型等，由于財務信息和市場因素信息相對方便獲取，這些模型更具實用性。但以上模型均假設估計量具備無偏性，同樣由于缺少有效樣本數據，難以直接套用模型進行測算。第三類方法是基于風險中性市場假設，通過市場價格數據推導隱含違約率。利用股票價格可以構建Merton Model和KMV Model，利用債券價格可以構建基于信用利差求解隱含違約率的模型。當前在A股上市的商業(yè)銀行有41家，而僅在2021年發(fā)行同業(yè)存單的商業(yè)銀行數量達到348家，其同業(yè)存單發(fā)行規(guī)模約占商業(yè)銀行債券發(fā)行規(guī)模的35.3%。基于數據可得性及定價公允性，通過債券價格推導隱含違約率更具可行性。

得益于國內金融市場的持續(xù)強監(jiān)管以及多年來宏觀經濟的持續(xù)穩(wěn)定增長，我國商業(yè)銀行違約事件很少。在此背景下，本文借助同業(yè)存單發(fā)行主體的信用利差推測樣本銀行的隱含違約率，并以銀行關鍵財務指標為自變量建立回歸模型，進行實證分析。

同業(yè)存單發(fā)行市場概況

（一）同業(yè)存單發(fā)行規(guī)模總體呈上升趨勢

2013年央行發(fā)布《同業(yè)存單管理暫行辦法》，明確同業(yè)存單是指由銀行業(yè)存款類金融機構法人在全國銀行間市場上發(fā)行的記賬式定期存款憑證。同業(yè)存單是商業(yè)銀行主動進行負債管理的重要工具，采取電子化的方式在全國銀行間市場上公開發(fā)行或定向發(fā)行。

相較以往的同業(yè)存款類產品，同業(yè)存單具有操作風險低、價格市場化、發(fā)行公開透明、流動性好、支持場內質押等優(yōu)點，自產品創(chuàng)設以來發(fā)行規(guī)模總體呈上升趨勢。2021年，同業(yè)存單發(fā)行數量合計為29955只（見表1），占當年全市場新發(fā)行債券總量的55.6%;發(fā)行金額合計為217972億元，占當年全市場新發(fā)行債券總規(guī)模的35.3%。同業(yè)存單已成為銀行類金融機構、非銀行類金融機構和資管產品進行資產配置的最重要部分。

（二）較低評級的同業(yè)存單發(fā)行主體利差自2019年起逐步走闊

本文以1年期AAA級主體發(fā)行的同業(yè)存單到期收益率與同期限A+級主體、A級主體、A-級主體發(fā)行的同業(yè)存單到期收益率之差作為發(fā)行主體信用利差的觀察對象。根據萬得（Wind）統(tǒng)計，2019年這三個主體利差均維持在相對平穩(wěn)的區(qū)間，2019年下半年主體利差顯著擴大，AAA級和A+級的信用利差由80BP左右擴大至100BP左右，AAA級和A級的信用利差由不超過110BP快速走闊至150BP左右，AAA級和A-級的信用利差由130BP左右迅速走闊至190BP以上（見圖1）。

主體信用利差走闊，體現出2019年后投資者對于較低評級主體所發(fā)行的同業(yè)存單較之前要求更高的風險溢價。

商業(yè)銀行隱含違約率的測算

風險中性定價理論的測度方法，是指在進行資產交易的市場上，所有投資者對于任何資產的預期收益率相同，任何資產的價格均可通過無風險利率作為折現因子，對未來現金流予以折現計算。基于風險中性假設的模型，可對違約概率進行前瞻性預測。

（一）隱含違約率測算方法

根據中債金融估值中心有限公司公布的中債市場隱含違約率計算方法，市場隱含違約率是基于主體利差推導出的，但主體利差既反映信用風險因素，也體現了流動性及市場情緒等。故其結合歷史收益率數據和違約數據，對主體利差進行調整得出信用利差，以此提升隱含違約率測算的精確度。本文著眼點于商業(yè)銀行的違約概率，在缺失商業(yè)銀行歷史違約數據的情況下，對以上方法適當簡化，假定主體利差即為信用利差。

假設投資人投資票面金額為1元的1年期同業(yè)存單，若1年內未發(fā)生違約，投資人到期將收回投資本金及利息合計1元;若1年內發(fā)生違約，投資人到期后僅能收回扣除違約損失率對應部分的金額。對到期收回金額的期望值以存單到期收益率折現，基于風險中性假設，應等于1元按無風險利率進行折算的現值。

記PDNCD為1年期同業(yè)存單的違約概率，LGD為違約損失率，rNCD為1年期同業(yè)存單的發(fā)行利率，rf為1年期的無風險利率，則有：

通過將（1）式變形，得到（2）式和（3）式，對于1年期同業(yè)存單的違約概率計算簡化為信用利差除以違約損失率，記CSNCD為信用利差，則有：

（二）樣本選擇和數據準備

由于同業(yè)存單流動性較好，債券市場認可度較高，為便于計算，本文假設主體利差即為信用利差。以發(fā)行時點1年期國開債的到期收益率作為無風險利率，對于發(fā)行多筆同業(yè)存單的銀行，以發(fā)行金額進行加權平均，違約損失概率參考穆迪公司于2018年披露的數據1。

本文選擇2021年1年期同業(yè)存單發(fā)行規(guī)模超過100億元且關鍵財務信息披露完整的78家商業(yè)銀行作為樣本銀行，包括國有大型銀行、股份制銀行、城市商業(yè)銀行（以下簡稱“城商行”）及農村商業(yè)銀行（以下簡稱“農商行”）。2021年樣本銀行共發(fā)行1年期同業(yè)存單9.89萬億元。

（三）隱含違約率的測算結果

經測算，樣本銀行的隱含違約率為0.7%～2.6%。從總體上看，國有大型銀行和股份制銀行的隱含違約率相對偏低，而城商行和農商行的隱含違約率相對偏高。因篇幅所限，表2僅列出部分銀行的隱含違約率測算結果。

實證分析

（一）實證方法介紹

商業(yè)銀行的財務指標是分析其經營和風險水平最重要的參考因素，當前大部分機構進行商業(yè)銀行信用評價的最主要方法是通過構建財務指標映射打分表，以具體分值結合定性指標綜合進行風險評價。以某評級公司公布的銀行業(yè)評級方法與模型為例，其進行銀行評級時考慮的四大影響因素依次為財務、外部環(huán)境、公司行為和外部支持，其中財務因素的影響權重最大。因此，本文選取部分關鍵財務指標，以此作為分析對象，構建其與隱含違約率之間的回歸模型。

（二）公司關鍵財務指標的選取

本文結合數據可得性，初選了規(guī)模、盈利性、資產質量、資本充足性、成長性這五類財務指標，并細化為12個具體的財務指標，綜合反映商業(yè)銀行的信用風險情況。

規(guī)模指標取2020年末總資產和凈資產的自然對數，盈利性指標選取2020年末資產收益率（ROA）、凈資產收益率（ROE）和凈息差;資產質量指標選取2020年末資產減值損失與營業(yè)收入之比、非正常貸款（不良貸款和關注類貸款）占比和撥備覆蓋率;資本充足性指標選取2020年末核心一級資本充足率;成長性指標選取2018—2020年平均總資產增長率、凈資產增長率和營業(yè)收入增長率（見表3）。

（三）基于信用利差與多元線性回歸的銀行隱含違約率測算模型

1.隱含違約率的形式變換

隱含違約率（PDNCD）作為被解釋變量，取值區(qū)間為[0，1]。為便于線性回歸分析，本文借鑒Logistic模型對概率的處理思路，將公式進行變換，得到與第i個樣本PDNCD，i相對應的概率分位點yi，如（4）式所示：

上述變換可使得概率分位點yi的取值范圍與關鍵財務指標相同，可呈線性相關關系，故多元線性回歸模型的因變量為概率分位點yi。

2.構建多元線性回歸模型

如果自變量之間的相關性較高，則會導致多重共線性問題，故由Pearson相關性系數判斷自變量之間的相關性，對于相關性系數的絕對值高于0.7的自變量，本文予以刪除，僅保留一個財務指標。

根據SPSS計算結果，自變量指標ln（總資產）和ln（凈資產）、ROA和ROE、ROA和資產減值損失與營業(yè)收入之比之間的相關性系數較高，以上六個自變量指標中刪除ln（凈資產）和ROA。

在去除相關性較高的自變量后，對剩余的自變量和因變量yi進行回歸，以95%置信區(qū)間為標準去除不合格的因子，最終僅保留四個自變量：ln（總資產）、ROE、資產減值損失與營業(yè)收入之比、非正常貸款占比。通過SPSS計算，線性回歸方程如（5）式所示：

根據計算結果，度量擬合優(yōu)度的可決系數R2為0.697，調整R2為0.681，整體的擬合程度較好。

根據SPSS計算得出的方差分析，該線性回歸方程通過F檢驗，在以上自變量的系數中，至少有一個顯著不為0，說明該模型的構建是有意義的。同時，四個自變量的系數均通過t檢驗，在95%的置信區(qū)間顯著不為0。

3.模型的合理性分析

將PDNCD帶入回歸模型，如（6）式所示：

由以上回歸模型可見，PDNCD與自變量ln（總資產）、ROE和資產減值損失與營業(yè)收入之比呈負相關關系，而與自變量非正常貸款占比呈正相關關系，這與經驗判斷的結論一致。

ln（總資產）代表商業(yè)銀行的資產規(guī)模，商業(yè)銀行的規(guī)模越大，資產的區(qū)域和行業(yè)分布越分散，所受到的監(jiān)管和社會監(jiān)督也越嚴格，整體而言出現信用違約事件的概率越低。

ROE可體現商業(yè)銀行盈利能力，商業(yè)銀行自身的盈利水平越高，其產生的利潤越多，可用于補充資本的資金越充足，其抵御風險的能力也越強。

資產減值損失與營業(yè)收入之比，即當年撥備計提的規(guī)模占比。一般來說，撥備計提越充足，未來處置不良資產的能力越強。

從銀行資產端的質量分析，非正常貸款占比越高，意味著資產質量承壓越大，當非正常貸款占比大于特定值后，銀行會存在資不抵債的風險，也就意味著違約風險上升。

此外，根據以上指標的標準系數，可得出自變量對于因變量的影響作用大小排序為：ln（總資產）>ROE>非正常貸款占比>資產減值損失與營業(yè)收入之比。

結論

本文通過實證研究發(fā)現，商業(yè)銀行的資產規(guī)模指標、ROE指標、非正常類貸款指標和計提撥備指標對于隱含違約率具有一定的解釋作用。對于同業(yè)存單投資，可從信用利差和關鍵財務指標分析兩方面入手，判斷商業(yè)銀行的隱含違約率。在缺少歷史違約數據的情況下，可根據財務指標推算出各商業(yè)銀行的隱含違約率，并據此進行風險大小的對比。

本文的局限性在于：考慮的財務指標偏少，且未對商業(yè)銀行按性質分類，也未引入定性指標構建模型。對此，可從多個角度不斷優(yōu)化，進而提升隱含違約率的預測水平。

參考文獻

[1]曹勇，李孟剛，李剛，洪雅惠.基于信用利差與Logistic回歸的公司違約概率測算模型與實證研究[J].運籌與管理，2016（6）.

[2]管七海，馮宗憲.信用違約概率測度研究：文獻綜述與比較[J].世界經濟，2004（11）.

[3]李妍，朱道敏，李喬.中債市場隱含違約率方法論（試行）[EB/OL]. （2021-1-22）[2021-1-22]. https：//www.chinabond.com.cn/.

[4]周雯，呼延玉瑾，朱清艷，涂文婕.以違約率為核心的評級質量驗證機制研究[J].征信，2022（2）.