中国商业银行压力指数的设计及应用

沈 丽,甘新亚,李文君

(山东财经大学 金融学院,济南 250014)

一、引言

目前,中国商业银行部分核心监管指标逐渐向监管红线靠近。中国银行业监督管理委员会公布的数据显示，2012年商业银行的不良贷款率为0.94%,之后逐年升高,2017年高达1.74%,逼近不良贷款率2%的风险警戒线;2010年商业银行的人民币存贷比为64%,2017年为69%,始终处于一个较高的水平并且在逐渐增大,十分接近75%的安全底线。

历史上,因银行风险爆发而导致的中外银行倒闭案屡见不鲜。如1998年,海南发展银行正是由于不良资产比例过大、资本金不足导致支付困难而倒闭。作为新中国金融史上第一次由于支付危机而关闭的银行,海南发展银行的倒闭影响极大不可避免地引起了社会各界的广泛关注。这件事直接导致海南省的金融持续弱化,银行等金融机构对贷款的审查业务活动更加谨慎。再如1995年,英国的商业投资银行——巴林银行因为经营中的操作失误而倒闭,此事直接导致东京股市英镑对马克的汇率跌至近两年最低点,进而导致伦敦股市和纽约股市也出现暴跌。

商业银行的倒闭或者风险的爆发不仅严重影响金融系统的稳定性,更会对一国的经济造成重创。健全金融监管体系,守住不发生系统性金融风险的底线,必须重视对商业银行整体风险状况的研究。因此,在中国商业银行风险逐渐增大的背景下,有必要构造一个商业银行压力指数,通过这个指数来监测和预警商业银行的风险水平,进而实现对商业银行风险更有效、有针对性的管理。

二、文献回顾

通过对已有文献的梳理,发现不少国内外学者构造了金融压力指数。Illing和Liu最早提出了金融压力的概念并开创了构建综合压力指数来衡量系统性金融压力的先河,他们选取银行、股票、外汇和债券4个市场的11个指标构造了加拿大的金融压力指数。之后的学者相关研究基本是在此基础上,构造的金融压力指数指标都会涵盖银行、股票、债券和外汇等核心金融市场,其中银行业选取的指标主要是不良贷款率、超额存款准备金率、银行间市场7天回购加权平均利率波动率、收益率以及银行信用评级等。部分国内学者单独对银行的脆弱性进行了分析,孙小琰等选取存贷利差、不良资产率、资本充足率、流动性比率等7个指标作为衡量银行脆弱性的指标。刘春航等采用国际通用的“骆驼(CAMELs)评级体系”的定量指标对银行业脆弱性进行了分析。本文在前人构造金融压力指数的基础上,并结合学者们对银行脆弱性的研究,从信用风险、市场风险、流动性风险和操作风险四个方面选取指标,设计代表中国商业银行风险的压力指数。综上可以看出,不良贷款率是影响商业银行风险的重要指标,并且对经济增长有着较大影响[1-10]。

尽管国内外学者在指标选择上基本一致,但在压力指数的测算方法上却不尽相同,主要采用等方差权重法、信用加总权重法和主成分分析法。王春丽等通过各自标准差的倒数来确定金融压力指数各指标的权重,这种等方差的权重设计法可以避免由于一个分指数出现剧烈波动而导致整个合成指数大幅波动的现象。刘春航等以单家银行在银行业中的资产占比作为这家银行指标权重,据此求得整个银行业的脆弱性指数。由于等方差权重法要求数据的正态分布的假设可能难以实现的实际情况、信用加总权重法有较大的主观性,叶永刚等采用主成分分析计算各个指标的权重,测算出中国金融监管指数。鉴于主成分分析法选取指标方便,用贡献率确定的权重具有客观性和合理性,克服了别的方法确定权重的缺陷,因此本文选取主成分分析法测算中国的商业银行压力指数[11-12]。

目前我国对商业银行压力指数的研究还处于起步阶段,关于商业银行风险的预测更是不多。Jeanne and Masson和Fratzscher最早在危机预测研究中引入马尔科夫机制,Knedlik and Scheufele运用马尔科夫模型对于发生于2006年6月的南非货币危机进行预测,2006年4月就发出了明显的危机信号。他们仅对已经发生的危机做了预测,并没有对风险的未来趋势进行分析。苏治等利用计算机人工智能,采取人工神经网络模型(BP)对金融市场的数据做预测分析,但是网络规模和应用问题的实例规模之间的矛盾问题,BP神经网络至今难以解决。王春丽等利用ARIMA模型对中国的金融风险进行了短期预测[13]，由于经济数据常常是自相关非平稳的时间序列,ARIMA模型能比较有效地处理自相关非平稳数据,因此,本文选择ARIMA模型对商业银行压力指数做短期预测。

本文可能的边际贡献在于,设计中国商业银行压力指数,对商业银行的总体风险以及具体的风险构成进行度量,并对商业银行未来的风险做短期的预测,这能提前了解商业银行风险并采取风险防控的措施,对商业银行正常安全运行具有积极的影响。

三、中国商业银行压力指数的设计

(一)中国商业银行压力指数设计指标体系

本文从中国银行业监督管理委员会对商业银行的监管指标中选取了能代表商业银行四种风险的六个指标:不良贷款率、拨备覆盖率、累计外汇敞口头寸比例、人民币存贷款比率、资本充足率和操作风险加权资产/资本净额。根据各个指标与商业银行风险大小的关系,可以对指标的属性做具体划分,将这些指标分为正向指标和逆向指标。表1为本文设计的中国商业银行压力指数指标体系。

表1 中国商业银行压力指数指标体系

`

(二)中国商业银行压力指数的测算

本文选取2010年第四季度-2017年第二季度的季度数据,运用主成分分析测算商业银行压力指数。在利用SPSS进行主成分分析之前,首先对逆向指标做正向化处理,使得每个指标的数值越大代表的商业银行压力指数越大。通过因子分析,可以得到表2的KMO检验,从KMO检验结果看到,KMO>0.5,因此可以对数据进行主成分分析。进行主成分分析之后,主成分提取结果如表3所示。

表2 KMO检验

主成分分析中,主成分个数的提取原则有两种:一种是主成分对应的特征值大于1的前n个主成分,另一种是累计方差贡献率大于等于80%的前n个主成分。根据这两个标准,从表3主成分提取结果可看出成份1和成份2的特征值都大于1,而且前2个成分的方差累计贡献率达到81.320%,超过了80%。所以,我们把成份1和成份2看做主成分,用2个新的变量来代替原来的6个变量。

得到初始因子载荷矩阵如表4,表中的每一个载荷量代表主成分与对应变量的相关系数大小。

表4 初始因子载荷矩阵

注:已提取了 2 个成份, 提取方法:主成份。

因子载荷阵使各变量在某单个因子上有高额载荷,从初始因子载荷矩阵表可以看到,不良贷款率、拨备覆盖率、累计外汇敞口头寸比例、人民币存贷比和资本充足率在第一主成分上有较高载荷,说明了第一主成分基本反映了这些指标的信息;操作风险加权资产/资本净额在第二主成分上有较高载荷,说明第二主成分基本反映了这一指标的信息。所以本文提取的这两个主成分基本上可以反映出全部指承载的信息,因此可以用两个新变量代替原来的六个变量。但是两个新变量的表达式不能直接由初始因子载荷矩阵得到,需要将每一个载荷量除以主成分相对应的特征值开平方根,才能得到两个主成分中每个指标所对应的系数。两个主成分的表达式如下所示:

F1=0.4981x1+0.4650x2-0.3726x3+0.4594x4-0.4232x5-0.0822x6,

清洗身体，躺在她的单人床上尝试入睡。她的发丝散发出清香气味，密密层层，铺垫在他的脸颊之下。拥抱中的身体如同少女，可触摸到纤瘦骨骼。大约5点多钟，他醒过来，重新充盈起饱满欲望，于是开始第二次。这一次她完全敞开，如同一朵春日海棠，在瞬间绽放之后，只能以肆意的力度沉沦下去。肉身展示出对这种与异质交换能量的天然趋向，热烈有力，单纯赤诚。尽力敞开所有通道，与他交换、汇聚、融合，但这又是无法被言语道尽的孤独。

F2=-0.0845x1-0.1803x2-0.3925x3+0.1643x4+0.0573x5+0.8808x6.

根据以上两个式子,以每个主成分所对应的方差贡献率占所提取主成分的累计方差贡献率的比例作为权重计算得到主成分综合评价函数模型:F=0.3627x1+0.3150x2-0.3772x3+0.3908x4-0.3115x5+0.1416x6.

将综合评价函数中各个变量的系数与标准化的系数矩阵相乘即可得到中国商业银行压力指数。对所得到的商业银行压力指数进行归一化处理,使中国商业银行压力指数落到[0-1]之间,测算公式为Yij=(Xij-Xmin)/(Xmax-Xmin),Xij为中国商业银行压力指数,Xmax为商业银行压力指数中的最大值,Xmin为商业银行压力指数中的最小值。经调整后的中国商业银行压力指数越大,代表商业银行的风险水平越高。将计算得出的中国商业银行季度压力指数绘制出折线图,结果如图1。

图1显示,中国商业银行季度压力指数在个别季度有所下降,但是总体呈现出逐季度波动走高的态势,在2017年第二季度达到了最大。根据商业银行压力指数的走势,可以将其分为分为三个阶段。第一阶段为2010年第4季度-2014年第3季度,该段时间压力指数缓慢波动上升;第二阶段为2014年第4季度-2015年第4季度,该阶段压力指数加速上升,从附录数据能看到,2014年第4季度的商业银行压力指数加倍增长,这种反常规的表现刚好预测了2015年中国的经济状况。2015年由于中国制造业危机的爆发,导致制造业企业大规模的破产倒闭,继而引发银行的坏账危机,银行坏账率远远高于2008年金融危机时期的美国,产生一系列连锁反应,导致中国股市暴跌。第三阶段为2016年至今,商业银行压力指数在一个相对较高的水平上缓慢增长。

(三)中国商业银行压力指数的风险构成分析

图1 中国商业银行季度压力指数走势图

以上分析了商业银行的压力指数,反映了商业银行整体的风险发展趋势。为了具体分析商业银行所面临的四种类别风险的状况,本文对商业银行压力指数的风险构成进行分析,根据主成分分析的结果,计算得到在商业银行压力指数中信用风险占比35.69%,市场风险占比19.86%,流动性风险占比36.99%,操作风险占比7.46%。根据标准化数据计算出商业银行四种风险的大小,绘制出商业银行四种风险的折线图图2。

图2商业银行压力分指数的风险构成显示,信用风险从2010年第4季度至2012第2季度是下降趋势,之后逐渐上升,市场风险和流动性风险也是逐季度波动上升,操作风险的走势明显和前三种风险走势不同,操作风险波动较大,并且极不具有规律性,在2013年第3季度操作风险最大,这是由于操作风险的不确定性决定的,这种风险也给银行的监管带来一定的挑战性。将商业银行压力指数与四种风险绘制于一个折线图中。

图2 商业银行压力指数风险构成

从图3可以看到,流动性风险指数和信用风险指数的走势与商业银行压力指数走势最为接近,因此可以推断流动性风险和信用风险是商业银行面临的主要风险,其次是市场风险、操作风险。这也印证了上述计算的风险权重结果。所以我们要着重加强流动性风险和信用风险管理。虽然操作风险在商业银行压力指数中所占的比重较小,但是其不确定性却很高,该种风险一旦发生后果严重,因此不能忽略操作风险这个潜在风险隐患。

四、中国商业银行压力指数的应用

(一)ARIMA模型的构建

ARIMA(p,d,q)模型是由三部分构成:AR(p)为自回归过程,它指一个时间序列的当前数值能表示成滞后p期观测值的线性组合;I(d)为单整,它表示时间序列的d阶差分是平稳序列;MA(q)为移动平均过程,即模型值可以表示为q阶残差项的线性函数。其中,自回归移动平均形式ARMA(p,q)函数模型如下所示:Yt=μ+φ1Yt-1+φ2Yt-2+…+φpYt-p+εt+θ1εt-1+θ2εt-2+…+θqεt-q.

模型构建完成之后,首先,对商业银行压力指数原序列进行平稳性检验,如果原时间序列不平稳,然后进行差分,直至得到一个平稳序列,则未知参数 d 便等于差分次数。其次,在平稳时间序列的基础上识别ARMA 模型阶数。平稳时间序列的自相关图和偏相关图为识别模型参数 p和q的值提供有价值的信息。

(二)利用ARIMA模型对商业银行风险的实证研究

1.单位根检验。我们首先对上述计算出来的商业银行压力指数进行ADF单位根检验,来判断时间序列是否平稳,结果如表5。

由于t的绝对值小于10%显著性水平上的t值大小,所以得知,商业银行压力指数存在单位根,该时间序列不平稳,不能进行ARIMA模型分析。

表5 商业银行压力指数ADF检验

因此我们又对商业银行压力指数的一阶差分进行了ADF单位根检验,得到的结果如表6所示,由于t的绝对值小于10%显著性水平上的t值大小,所以商业银行压力指数的一阶差分也存在单位根,该时间序列的一阶差分序列不平稳,不能进行ARIMA模型分析。

表6 商业银行压力指数一阶差分ADF检验

再对商业银行压力指数的二阶差分进行ADF单位根检验,由表7结果可知t的绝对值大于1%显著性水平上的t值大小,因此商业银行二阶差分的时间序列是平稳的,所以原始时间序列是二阶单整的,记I(2),即d=2。

2.自相关图和偏自相关图的编制。找出适当的p,d和q值,运用ARIMA模型最关键的工具是自相关图和偏自相关图。由平稳性检验可知商业银行压力指数是二阶单整的,记I(2),即d=2。为了找到合适的p和q,对商业银行压力指数的二阶差分变量DN进行自相关分析,绘制了商业银行压力指数二阶差分的自相关图和偏自相关图,如图4所示。

根据商业银行压力指数的自相关图和偏自相关图直观可猜测:p=3,q=4,进行ARIMA(3,2,4)模型分析,实证结果显示ARIMA(3,2,4)模拟效果不好。于是又进行了几十次ARIMA模型的模拟实验,发现模拟效果最好的是ARIMA(3,2,(3,4,7,8)),因此本文选择ARIMA(3,2,(3,4,7,8))模型对商业银行压力指数进行短期预测。

表7 商业银行压力指数二阶差分ADF检验

图4 商业银行压力指数二阶差分自相关图和偏自相关图

3.模型的适应性检验。为了检验模型的适用性,首先要对拟合模型ARIMA(3,2,(3,4,7,8))的适应性进行检验,实际上是对残差序列进行白噪声检验,若残差序列不是白噪声,则表明尚有一些重要的信息未被提取,此时应当重新设定模型。检验结果如表8。

表8 残差序列ADF检验

从单位根检验结果来看,残差序列不存在单位根,是平稳的,因此残差序列为白噪声,所以本文拟合的模型是合适的。

4.ARIMA(3,2,(3,4,7,8))模型实证预测。运用Eviews软件,根据模型ARIMA(3,2,(3,4,7,8))进行回归,可得到如表9所示的回归结果。

由以上回归结果可以看到,回归结果在5%的显著性水平上都显著,R2=92.8%,回归结果较好。所以可以得到拟合函数为:Yt=μ-0.5664Yt-1-1.0267Yt-2-0.7648Yt-3+0.6588εt-3-1.3702εt-4+1.255εt-7-1.951εt-8+ε

(三)商业银行压力指数的拟合与预测

根据上述得到的回归函数,将商业银行压力指数二阶差分的数据带入可得到商业银行压力指数的二阶差分的预测值,商业银行二阶差分的预测值和实际值的对比如图5所示。

从上图可以看出,利用ARIMA(3,2,(3,4,7,8))模型对商业银行压力指数二阶差分的拟合效果较好,将二阶差分倒加回去即可得商业银行压力指数的预测值,商业银行压力指数的预测值和实际值的折线图6所示,由图6可以看出商业银行压力指数的预测值与其实际值拟合得很好,预测值几乎可以反映出商业银行真实风险水平。

表9 ARIMA(3,2,(3,4,7,8))回归结果

图5 商业银行压力指数二阶差分预测值与实际值

对商业银行压力指数进行样本外预测,预测2017年第三、四季度的商业银行压力指数,将预测结果进行归一化处理,使得压力指数落到(0,1)之间,将包括2017年第三、四季度预测值的商业银行压力指数绘制出折线图图7,具体数据为表10。

预测结果显示2017年第三季度商业银行压力水平继续上升达到高点,2017年第四季度压力水平有所下降。虽然商业银行压力指数未来有增加的趋势,但是短期并没有压力指数骤然增加的反常表现,因此未来不会爆发大的银行业危机。

未来,受美联储加息的影响,中国人民银行货币政策转向稳健中性,政府出台挤泡沫、降杠杆、去产能政策等一系列因素的影响,中国经济增长的“三驾马车”中,投资预计下行,消费预计平稳,出口预计疲软拉动。中国经济有着较大的下行压力,这对商业银行仍然有很大的冲击,因此我们要实时对商业银行压力进行监测,严防商业银行压力指数过大。

图6 商业银行压力指数预测值和实际值对比图

图7 商业银行季度压力指数预测值折线图

五、结论与建议

本文设计了中国商业银行的压力指数,对压力指数的风险构成做了具体分析,并将商业银行压力指数应用于银行风险的短期预测。研究发现:首先,中国的商业银行的压力指数整体上呈现波动上升的状态,2014年第4季度的压力指数异常增大,很好地预测了2015年中国的经济情况。其次,通过对商业银行风险结构的分析,发现流动性风险、信用风险和市场风险均呈现波动上升的状态。流动性风险和信用风险在商业银行中占据较大比例,是商业银行面临的主要风险,其次是市场风险。虽然操作风险所占比重最小,但是它的波动幅度最大,最不稳定。最后,短期预测结果显示,未来商业银行压力指数缓慢上升,没有异常波动,商业银行处于较稳定的状态。

综上所述,虽然银监会对商业银的监管指标均处于指标风险警戒线以内,但是由我们测算的商业银行压力指数可知商业银行潜在的风险水平却在逐渐升高,因此,本文提出以下建议:第一,要健全和优化商业银行风险监管体系,银行自身要加强内部风险管理机制,实时监测商业银行压力指数,使其保持在较低水平。第二,当商业银行压力指数过大,调整相应的指标,使各个指标保持在合理的水平。若商业银行压力指数预测结果异常增大时,必须重视,查找原因,寻求解决对策。第三,商业银行要加强流动性风险和信用风险的管理,对管理层加强监督,警惕操作风险的发生。最后,作为监管机构的中国银行业监督管理委员会和中国人民银行要切实履行监管职责,保证商业银行在安全水平上运行。政府也要加强对监管机构的激励和监督,保证监管层的有效和透明。

表10 商业银行压力指数具体数据