我国逆周期超额资本释放机制研究

摘 要：逆周期超额资本释放机制的良好与否与这一宏观审慎工具的作用效果息息相关，因此建立良好的逆周期超额资本释放机制具有非常重要的意义。文章提出一种基于KLR危机预警模型筛选理想预警指标并评估危机发生概率的方法，进而以理想预警指标为核心建立逆周期资本释放机制。同时，运用我国1980～2013年的数据进行实证分析后得出我国2～5年后发生银行危机的概率约为46.97%，没有必要进行逆周期超额资本的释放。

关键词：逆周期超额资本释放机制 KLR模型 实证分析

中图分类号：F830

文献标识码：A

文章编号：1004-4914（2015）12-015-02

逆周期超额资本是监管当局可以运用的一系列宏观审慎工具之一，在金融繁荣期的计提能够降低银行因信贷过度投放而积累的系统性风险，并在金融衰退期通过释放在保证银行清偿能力的前提下防止银行信贷过度紧缩。逆周期超额资本的释放作用机制为：在金融衰退期监管当局通过释放逆周期超额资本以弥补贷款损失和降低信贷投放成本，从而降低银行信贷紧缩造成实体经济状况恶化给银行带来的风险。然而，我国《商业银行资本管理办法（试行）》中并未明确说明逆周期超额资本的释放机制，因此有必要对这一问题进行研究。

一、文献综述

《巴塞尔协议Ⅲ》提出逆周期超额资本的计提要求后，国内外相关学者进行了大量研究，然而对逆周期超额资本释放的研究并不多见，多数学者进行了预警指标法的研究。预警指标法指通过选择对衰退期或银行危机有较好预警效果的指标作为预警指标或挂钩变量来为逆周期超额资本的释放提供指示的方法。Drehmann等（2011）提出，逆周期超额资本释放的指示变量应当能够准确识别金融衰退期，并对宏观经济、银行部门行为、融资成本三方面的指标进行实证分析后发现识别效果均不理想。Drehmann和Juselius（2012）首次引入负债比率这一指标，研究发现负债比率在系统性银行危机前提供了可靠的预警信号。这为本文采用负债比率作为逆周期超额资本释放的备择预警指标之一提供了支持。Drehmann和Juselius（2013）采用受试者工作特征曲线的检验法对一系列预警指标用26个国家自1980年至2012年的数据进行了评估，发现信贷/GDP和负债比率这两个指标满足作为系统性银行危机预警指标的要求。Drehmann和Tsatsaronis（2014）指出，逆周期超额资本是应对金融周期的工具，其作用是减少银行所受银行危机而非经济衰退的影响。因此，逆周期超额资本的计提与释放不必考虑所处的经济周期，而预警指标的选择也应当以能够准确预测银行危机为准。

综上所述，研究逆周期超额资本释放机制的文献并不多见。本文将提出一种基于KLR危机预警模型筛选理想预警指标并评估危机发生概率的方法，进而以理想预警指标为核心建立逆周期资本释放机制。

二、逆周期超额资本释放时机的确定与KLR模型

正确把握释放逆周期超额资本的时机的关键在于能够正确预测银行危机，Kaminsky等建立的金融危机预警的信号分析模型（KLR模型）提供了一种很好的方法。KLR模型的原理是选择一系列指标并根据其历史数据确定临界值，当预警指标突破临界值时就发出未来一段时间内将要发生危机的信号，这段未来的时间区间称为信号区间。由于预警信号发出的太早会使应对措施变得高费且低效，发出的太晚则会使效果严重受制于生效时滞，因此笔者采用Drehmann（2013）的标准，选择信号区间为预警信号发出后2～5年。

KLR模型的关键在于预警信号的识别， 而预警信号识别的关键在于临界值的设定。可以根据噪声-信号比最小化原则来确定临界值。如果发出预警信号后2～5年内发生了银行危机就认为预警指标发出了正确信号，否则认为发出了错误的信号。在某个观察期内，设A为预警指标发出正确信号的次数，B为发出错误信号的次数，C为应发出而未发出信号的次数，D为不应发出也未发出信号的次数。A/（A+C）表示预警指标发出正确信号的概率，B/（B+D）表示预警指标发出错误信号的概率。定义噪声-信号比为[B/B+D]/[A/（A+C）]，找到使这一比率达到最小的临界值就是预警指标的最佳临界值。

预警指标的取值与危机的发生之间一般存在正相关、负相关和不相关三种关系。正相关关系表示预警指标取值越大则未来发生危机的可能性越大，负相关关系则相反，不相关或相关性较小的指标不宜作为预警指标。

由于各个国家金融结构的差异，相同的预警指标在不同国家的表现可能相差甚远，因此正确选择和使用适合本国实际情况的预警指标非常重要。笔者选择GDP增长率、广义信贷增长率、信贷/GDP、负债比率、房地产价格指数和股票价格指数这六个最能反映我国经济金融状况的指标作为备择预警指标，下面将分别予以介绍：GDP增长率即国内生产总值增长率，异常的高于长期趋势的GDP增长率背后很可能是激增的信贷，这表明银行业已经积聚了很高的系统性风险。广义信贷即包括私人部门的所有债务资金来源，由于银行危机爆发前往往经历着信贷持续高增长，因此信贷增长率可能会成为针对银行业危机的十分有效的预警变量。信贷/GDP是用于计提逆周期超额资本的参考指标，它对于金融繁荣期的识别效果较好，但对于金融危机衰退期，尤其是银行危机的预警效果有待检验。负债比率这一指标最早用于银行危机预警指标的检验。负债比率表达式为DSR=i*D/Y。i表示平均贷款利率，D表示总贷款存量，Y表示总收入。这一复合指标可以反映融资成本，从而体现银行所面临的压力状况，高于长期趋势的负债比率可能意味着银行存在较高的系统性风险。房地产价格指数反映房地产价格在不同时期的涨跌幅，股票价格指数用于描述股票市场总的价格水平变化，它们都可以反映金融的繁荣或衰退。以上6个指标相对长期趋势的偏离度与危机的发生之间都存在正相关关系。

根据噪声—信号比最小化原则确定临界值之后，将预测正确率表示为R=A/（A+B）。预警指标应当达到2/3以上的预测正确率，这是为了保证银行危机预测的准确性和稳定性。选择满足这个要求的备择预警指标作为逆周期超额资本释放机制的预警指标之一。因为预测正确率反映的是某指标突破临界值后未来银行危机发生的频率，所以当样本较多时可以将其看作是对未来银行危机发生的概率P的近似，即P=A/（A+B）。

笔者建立逆周期超额资本释放机制如下：当满足条件的预警指标有k个时，设它们反映未来发生银行危机的概率分别为P1、P2，…，Pk。则将各预警指标结合预测未来银行危机的发生概率为P*=1-（1-P1）（1-P2）…（1-Pk）。

三、实证分析

因数据的可得性，笔者采用年度数据进行实证分析。在本文中认为我国发生银行危机的日期为1998年。笔者选取中国1980-2013年的GDP增长率、广义信贷增长率、信贷/GDP、负债比率、房地产价格指数、股票价格指数六个指标进行筛选。数据来源于Wind数据库和世界银行网站，由笔者计算整理。将各指标进行平滑因子为100的HP滤波处理得到其长期趋势，并用各指标取值减去对应时间的趋势值得到偏离度后计算确定临界值。

经过计算，GDP增长率的临界值为0.062，广义信贷增长率的临界值为-0.002，信贷/GDP的临界值为-0.14，负债比率的临界值为0.016，房地产价格指数的临界值为-8.5，股票价格指数的临界值为-570。其中满足预测正确率要求的指标只有GDP增长率与负债比率。因此，笔者选择GDP增长率与负债比率两个指标构建我国的逆周期超额资本释放机制。因为每次新加入数据后HP滤波趋势会发生改变，所以每次进行预测时都要在加入当年数据后结合历史数据重新进行HP滤波处理筛选预警指标。

根据上文所述方法，我国逆周期超额资本释放机制设计为：设P1为GDP增长率预测的银行危机发生率，P2为负债比率预测的银行危机发生率，那么未来2～5年内发生危机的概率可以估计为P*=1-（1-P1）（1-P2）。根据计算，2013年GDP增长率偏离度为-0.02，预测危机发生概率约为1/6，负债比率偏离度为0.025，预测危机发生概率约为4/11。于是得到2013年后2-5年发生银行危机的概率P*=1-（1-1/6）（1-4/11）=31/66=46.97%，说明未来发生银行危机的可能性不大，监管当局可以保持观察而不采取行动。

四、结论

逆周期超额资本的作用是在金融繁荣期通过计提一定的超额资本降低银行因信贷过度投放而积聚的系统性风险。当银行危机前银行已受到压力时，通过已释放出的逆周期资本吸收损失，并降低因信贷供给减少而带来的风险，从而提高银行的抗风险能力和生存率。

本文提出一种基于KLR模型筛选理想预警指标和评估未来银行危机发生概率的方法，并以满足预测正确率要求的预警指标为核心建立我国的逆周期资本释放机制。在采用本文方法对逆周期超额资本释放的必要性进行判断时，有条件者可采用季度数据进行分析，这样可以提高临界值的精确度与预测正确率，以助于更好地对未来发生银行危机的概率进行评估。另外，监管当局在进行决策时还需要综合考察其他相关信息，以利于做出正确的决策。

参考文献：

[1] Drehmann，M， C Borio and K Tsatsaronis， Anchoring countercyclical capital buffers： the role of credit aggregates[EB/OL]， International Journal of Central Banking， no 7， November， 2011.

[2] Drehmann，M and M Juselius， Do debt service costs affect macroeconomic and financial stability [EB/OL]， BIS Quarterly Review， 21-34， September， 2012.

[3] Drehmann，M and M Juselius， Evaluating early warning indicators of banking crises： satisfying policy requirements[EB/OL]， International Journal of Forecasting， forthcoming （also BIS Working Papers， no 421）， August， 2013.

[4] Drehmann，M and K Tsatsaronis， The credit-to-GDP gap and countercyclical capital buffers： questions and answers[EB/OL]， BIS Quarterly Review， 55-73， March， 2014.

[5] Laeven， L and F Valencia， Systemic banking crises database： An update[EB/OL]， IMF Working Paper， WP/12/163， June， 2012.

（作者单位：山西财经大学财政金融学院 山西太原 030006）

（作者简介：范瀚文（1990—），男，山西太原人，研究方向：金融工程与风险管理）

（责编：李雪）