零售信貸類資產證券化內部評級模型開發與應用

黃仲凱

自2013年第三輪信貸資產證券化試點及2014年《證券公司及基金管理公司子公司資產證券化業務管理規定》發布以來，我國近幾年資產證券化市場規模呈逐年幾何式增長，其中發行規模最大、發行筆數最多的產品為零售信貸類作為基礎資產的資產支持證券，因此對零售信貸類資產支持證券建模存在現實必要性。此外，零售信貸類資產支持證券的基礎資產符合大數定律，可以通過數學建模的方式對凈現金流進量化處理，這也為內部評級模型的開發提供理論基礎。

資產支持證券風險特征及行業分析

資產支持證券風險特征 資產證券化（Asset-Backed Security， ABS）是指以缺乏流動性但具有可預期且穩定的未來現金流的基礎資產未來所產生的現金流為償付支持，經結構化設計進行信用增級，并通過一級市場融資的過程。不同于傳統債券風險評估，資產支持證券在信用風險和市場風險兩方面表現均有別于標準債券。

信用風險方面，資產支持證券信用風險主要來源于不同類型的基礎資產，例如收益權類基礎資產信用風險主要來自原始權益人，不同原始權益人類型對應的信用風險各不相同。市場風險方面，不同于標準債券現金流為按期付票息、到期償還本金，資產支持證券每期還款現金流不固定，難以估值。因此，資產支持證券需要建立一套獨立的信用風險評估體系和評級模型。

行業發展情況分析 自2013年第三輪信貸資產證券化試點及2014年《證券公司及基金管理公司子公司資產證券化業務管理規定》發布以來，我國近幾年資產證券化市場規模呈逐年幾何式增長：截至2023年4月末資產證券化市場已累計發行10564單產品、近16.32萬億元。

截止2023年4月末發行筆數和金額最多的產品為零售信貸類作為基礎資產的資產支持證券，主要包括個人消費貸款、住房抵押貸款、個人汽車貸款、個人消費金融等，合計發行規模近10.80萬億元，占累計發行資產支持證券的比重超過65%，因此建立對應的評級模型或信用評估方法有著較強的現實意義。

零售類資產支持證券風險特征及建模過程

零售類資產支持證券風險特征描述 回溯零售類資產支持證券的風險本源——即基礎資產現金流入已經無法滿足某一結構化層級證券本息兌付。因此，零售類債權資產支持證券的信用風險可以從流入端和流出端分別捕捉。

從流入端來看：一，零售類債權資產支持證券投向的單筆貸款金額小且借款人分散，但池內貸款筆數龐大（往往超過1000筆），貸款同質性強但相關性較低；二，基礎資產池內貸款一般具有明顯的場景特征，且單筆貸款違約對基礎資產影響較小，基礎資產池整體資產質量服從大數定律；三，基礎資產的償還方式多為等額本息和等額本金，其產生的現金流分布均勻，較為穩定，具有很強的可預測性。

從流出端來看：一，證券的本息償付頻率較高，通常采用與基礎資產的還款周期相對應的償付模式（如過手攤還）；二，優先/劣后結構化設計作為主要信用增級措施，優先級在償還本息順位靠前；三，現金流兌付機制靈活多樣，證券往往設置與基礎資產信用水平相關或與管理人盡職能力相關的信用觸發事件；四，除結構化分層外，原始權益人不提供差額補足或回購。

以“21工元致遠1”為例，該資產支持證券為工商銀行于2021年9月發行的以汽車分期貸款為基礎資產的資產支持證券，流入端初始參數為：池內貸款規模1.32億元，于2021年6月打包，法定到期日為2029年6月，筆數為1050筆，單筆平均金額12.58萬元，還款方式為等本等息，加權平均貸款年化利率為3.16%，加權平均賬齡和剩余期限分別為5.41月和45.17月，非循環池；流出端證券分為“21工元致遠1優先”和“21工元致遠1C”，合計金額為1.32億元，支付方式均為過手攤還，兩者分別于2023年12月26日及2026年6月26日到期，其中后者占比為23.54%，前者發行利率為2.95%。

從流入端來看，根據2021年6月至2023年4月間的表現，基礎資產池累計違約金額約136萬元，累計違約率為1.03%，其中4月份流入本息313.76?萬元。假設流入端資產池累計違約率不變，回收率與早償率均為0%。然而，池內汽車貸款每個月表現相互獨立，正常支付本息、逾期后償還、違約等事件均可能發生，任何一筆未結清的正常類貸款未來仍可能違約。

從流出端來看，截至4月末，“21工元致遠1優先”和“21工元致遠1C”分別為1，317.04萬元、3，108.79萬元。假設流入端資產池累計違約率不變，回收率與早償率均為0%，則5月“21工元致遠1優先”過手攤還回收本息300.85?萬元，剩余51.79萬元可過手攤還 “21工元致遠1C”，或留存收益增強優先級安全墊。

假設未來發生極端情況，池內未結清汽車貸款出現大面積違約，即當且僅當累計違約率飆升至FA%且回收率和早償率均為0%，導致“21工元致遠1優先”在存續期內未按時兌付本息，而FA%即為“21工元致遠1優先”違約概率，稱為BDR（Break-even Default Rate）。

因此，零售類債權資產支持證券內部評級模型建設的根本目的是尋找到“資產池內貸款累計違約率飆升至FA%”發生的概率。

內部評級模型建設過程 首先，本模型基于以下假設：（1）作為基礎資產的資產池服從大數定律，樣本參數及對應統計量為總體參數的無偏估計；（2）外部宏觀環境、金融市場環境、相關法律框架及監管政策等不會發生根本性變化，以及不會出現具有重大影響的不可抗力因素（如自然災害、戰爭等）；（3）模型中涉及的信息真實、完整，不存在任何虛假記載、誤導性陳述的情況。

其次，模型的評級分析方法主要分為四個步驟：

第一、根據歷史資產池表現及構建外推矩陣。通過發行說明書，了解到“21工元致遠1”樣本歷史靜態池表現情況，即以自2018年10月起至2021年7月為觀察期，工商銀行每個月發放汽車貸款在觀察期內表現，每一期靜態池觀察期區間為貸款發放月至2021年7月共計最多33個月內正常還款、早償、逾期情況，明確逾期超過30天為違約，且違約貸款包括已經回收的不良貸款。此外，當期凈清收額與當期違約金額比值為當期回收率，當期早償金額與當期貸款本金比值為當期早償率。

以此類推可計算2018年10月至2021年7月共計34個靜態池在觀察期內的表現，然而貸款發放月份越接近“21工元致遠1”發行日，對應靜態池的觀察期數越少，因此需要利用外推法“構造”虛擬觀察期，確保每期靜態池觀察期都為34期。

第二、通過vintage分析，驗證并構建對數正態分布。vintage起源于葡萄酒業，由于每年采摘的葡萄會受到日照、氣溫、降水等因素的影響，最終釀造的葡萄酒品質會存在差異，在窖藏一定年份后葡萄酒的品質將趨于穩定，這段年份數被稱為vintage。運用于零售信貸風控領域時，其核心思想是隨著信貸資產進入vintage，客戶的“好”和“壞”有顯著區分。主要方法是對同一類型貸款在不同發放時間的資產質量進行跟蹤分析，從而反映借款客群質量和變化情況，即對于某一個月份發放的資產，可以在其生命周期中的某一個觀察期去觀察這筆資產的逾期情況，從而在橫向上去了解這筆資產在整個生命周期中的逾期率變化，確定最終的資產損失。

通過vintage分析，按照“21工元致遠1”每一期歷史靜態池所在的月份作為統計的基準，然后追蹤這個放款月份里在貸資金在接下來幾個月中，發生違約的比率。根據觀察發現每一期歷史靜態池的累計違約率表現均為在期初數個賬期內快速上升，上升到第23個賬期后，逐步穩定。值得注意的是，不同期數的歷史靜態池表現出的不同的違約率上升幅度及最終違約率，可能是由于某個月份貸款審批政策更為審慎或更為寬松導致的，但并不影響累計違約率趨于穩定。

由于假設基礎資產違約和損失服從對數正態分布，利用靜態樣本池歷史數據構建樣本累計違約率的樣本均值和方差，通過極大似然估計方法，估計其累計違約率X分布參數，即ln（X）∽N（μ，σ2），其中μ是ln（X）的均值，σ是ln（X）的標準差。

通過擬合，得出“21工元致遠1”假設服從的對數正態分布的參數μ=-3.06，σ=0.63。

第三、參數及模型調節。隨后，根據靜態池和擬證券化資產池的特征差異，以及基礎資產類型和原始權益人特征對分布的均值μ和標準差σ等參數進行調整，從而最終確定基礎資產的違約分布：例如，從原始權益人來看，商業銀行、汽車金融公司、互聯網金融企業、消費類貸款公司、小額貸款公司在風險偏好、業務客群、風控邏輯等方面不同，此外不良率也是池內貸款未來資產質量的重要參考；從基礎資產類別來看，參考中債資信專題報告，近十年汽車貸款ABS、RMBS、消費貸ABS的累計違約率分別為0.10%、0.42%、0.83%，累計違約率低表明風控策略嚴格，或者貸款周期短；從貸款貨值比來看，擔保物價格對貸款本息覆蓋程度越高，貸款越安全；從借款人主要職業來看，自雇人士比例越低，池內貸款還款越穩定。通過多元線性回歸分析，尋找到調整因子。

第四、通過壓力測試尋找BDR。為保障充足的證券還款觀察期，假設當前時點是2022年10月30日，根據wind數據顯示，“21工元致遠1”資產池內貸款余額與“21工元致遠1優先”證券余額分別為7019.55萬元、3679.43萬元，剩余期限分別為45期、17期。違約判別的依據有兩條：（1）每一期資產池流入金額小于“21工元致遠1優先”應計利息金額；（2）第17期結束后“21工元致遠1優先”剩余本金大于0。

在流入端，當期本金收入為當期計劃本金收入減去當期違約金額，并與當期利息收入歸集進入收入賬戶，其中計劃本金收入和利息收入金額參考《資產池現金流歸集表》。在流出端，因為“21工元致遠1優先”為過手攤還模式，因此本期利息收入為根據年化收益率2.95%與上期剩余證券本金計算得利息，本金收入為資產池收入賬戶減去本期利息收入，當期剩余本金為上期本金減去本期本金收入。

假設壓力測試的場景為：資產池貸款在剩余期限內累計違約率為30.5%且違約金額在剩余期限內均勻分布，同時回收率和早償率均為0%。如表6和表7所示，在此情境下，第17期恰好償還“21工元致遠1優先”全部本金，若累計違約率略微上升，將會導致期末本金違約。因此“21工元致遠1優先”BDR對應的累計違約率為30.5%。

將BDR等于30.5%代入參數μ=-3.06、σ=0.63的對數正態分布，得對應概率為0.15%，即在無早償和壞賬回收的情況下，導致“21工元致遠1優先”出現違約的概率為0.15%。

考慮到資產證券化市場不斷發展，建立一套針對資產支持證券尤其是零售類債權資產支持證券內部評級模型及體系迫在眉睫：一方面能夠協助投資經理識別資產池流入端存在的信用風險隱患，并降低對外部評級的依賴；另一方面通過相應內部評級體系建設，為資產減值、可投庫準入、白名單設計等工作提供依據。此外，基于零售類債權資產支持證券評級模型的開發思路，也為后續批發類債權資產支持證券評級模型的開發打下部分理論基礎。