中国银行业压力测试的现状以及在商业银行中的运用—— 以中国建设银行为例

辽宁工业大学管理学院 陈英梅

浙江大学光华法学院 姜静文

2006年，美国次贷危机爆发，导致我国实体经济以及尚未完全成熟的金融市场体系同时受到了严重的负面影响。因而，如何进行更有效的金融风险管理、如何更好地监督金融市场，成为了我国金融行业思考的重点。压力测试是指商业银行对于不同经济冲击的承受能力的途径，其主要目的是评估银行机构承担风险能力的强弱和检验银行对宏观经济因素的敏感程度。对于金融风险管理，压力测试是一项非常重要而又实用的工具，压力测试的正确使用能使我国商业银行具备更强的抵御宏观经济波动的能力，促进我国金融体系的不断完善和健康发展。

1 Logit方法使用介绍

1.1 方法介绍

我国银行业通常将常见的风险因子分为三种：违约概率(probability default,PD)、违约损失率(loss given default,LGD)及违约风险暴露(exposure at default,EAD)。EL是预期损失(Expected Loss,EL)，通常利用以下公式来计算：

文中选取了五个宏观经济指标来研究宏观经济对于PD的冲击，五个指标包括GDP增长率，通货膨胀率(INF)，贷款利率(LIR)，外贸依存度(FTD)和货币供应量。采用Logistic回归模型，可将调查的宏观经济指标全部代入模型，并且可保证PD的取值介于0～1之间。应用的数学模型表达如下：

pdt在此表达式中表示处于时间t的违约率，取值介于0～1之间；α为外生变量常数项；x表示各个宏观经济变量处于时间t时的值；β表示各个宏观经济变量对因变量造成影响的参数，进一步将式(2)变形处理可得：

1.1.1 样本数据来源

本文选取2015—2018年三年的年度宏观经济数据，包括GDP增长率、贷款利率、通货膨胀率、货币供应量和外贸依存度等指标，作为备选展开研究。

1.1.2 承压对象及承压指标

本文所选取的承压对象为中国建设银行信贷资产的信用风险水平，使用银行违约损失率(PD)作为测量指标，其中包含数量关系如下：

PD=当期贷款违约金额/期初贷款总金额

本文将通过2015—2018年中国建设银行的相关数据对PD进行评估。

1.2 假设情景事件的确立

为确保本文的严谨性，参考已有文献，采用假设情景事件的方法进行分析，所假设的压力情景事件，如表1所示。

表1 本文采用的假设压力情景事件

2 回归模型建立与结果分析

2.1 模型建立

本文假定宏观经济变量和违约率之间存在着非线性关系，运用最早的离散选择模型——Logit模型。将违约率转化为中介指标Z，将Z作为因变量，加入各宏观经济变量作为自变量，进行多元线性回归分析。通过资料的收集和对比分析，结合我国金融系统的特殊性，建立模型方程表达式如下：

其中，Z表示中介变量，PD表示违约率，Xi表示各宏观经济变量，μ表示随机干扰项。由于PD的取值介于0～1之间，因此需要用式(4)将PD转换成Z，即有：

从式(4)中可知，PD与Z为正相关，即信用风险指标值越大，“中介指标”Z的值就越大。式(5)为一个线性方程，表明由信用风险指标转化成的“中介指标”与各宏观经济变量存在线性关系。

通过估计历史数据的模型并引入处理后的信用风险指标，可以计算中间指标Z的估计值。将Z带入式(5)，可以估计出回归方程的系数，并以此回归方程作为基础进行压力测试：假定不同压力情境，不同压力情景下的宏观经济变量值纳入估算方程式(5)得到Z值。最后，通过式(4)将转换为违约率，就可以估计出压力情景下金融机构的信用风险。

2.2 变量的筛选及数据的选定

本文选取GDP增长率、居民消费价格指数(CPI)、外贸依存度(EM)、货币和准货币(M)、贷款利率(LR)五个变量作为解释变量。将选择2008—2018年度数据作为样本，为了使模型的拟合优度和显著性更高，在选取指标及数据时，本文适当选取了增长率值代替了原始指标，所有数据均来源于公开资料。从回归过程中筛选出了四个具有显著水平的宏观经济指标，模型的参数估计如表2所示。

表2 模型参数估计表

因此，构建的模型如下：

模型的F检验结果、相关系数R、决定系数R2也表明模型具有良好的回归性。

2.3 结果分析

通过Logistic多元线性回归分析结果，得出以下基本结论：(1)GDP持续增长说明社会宏观经济形势较好，企业平均盈利能力较好，进而导致整体贷款违约概率下降；(2)CPI对违约的影响最为显著，CPI上升，央行面临货币政策和财政政策紧缩的风险，增加了违约风险；(3)货币供应量增加意味着商业银行扩张信贷，对于客户的风险审查有所放松，进而导致违约风险增加；(4)利率上升，企业的融资成本增加，如果企业的盈利能力不足以支撑融资成本，企业自然会面对违约的风险。

3 压力情景测试——以建设银行2017年为例

为进一步验证本文所提出的压力测试模型，将以建设银行2017年数据为例进行实证研究。为了简化计算，运用以下方式来确定三个参数。对于LGD参考BASEL II的要求，取LGD等于45%。EAD则通过银行贷款余额作为近似来完成计算。PD则通过代入2018年的宏观数据，由本文的上一部分求得Z，然后再反解可以得到。

2017年建设银行的情况，LGD=45%，EAD=123329亿元，贷款损失准备金=3289.68亿元，核心资本=16913.32亿元，资本金= 20030.72亿元。利用上面的情景假设，得出温和、中等和严重冲击下的损失比较，各个参数变化的具体情况如表3所示。

表3 2017年建设银行压力情景测试结果

通过模型可以看到，即使在严重冲击下，准备金和资本金都足以覆盖压力事件的损失。

4 结语

本文通过建立影响银行违约损失率的相关变量之间的模型，得出利率变化的商业银行的冲击最为激烈的结论，同时在宏观经济状况良好的情况下，商业银行经营状况较好，违约率较低；反之，当宏观经济状况势微，企业盈利能力会受到冲击，资金流动性减弱从而影响到债务偿付，导致商业银行违约率上升。通过定期分析报告等形式提出管理建议，根据内外部管理需要采取措施，根据对未来宏观经济波动的预测，提前制定最优的风险管理方案，确保整体风险水平控制在设定的边界范围内，对于银行业具有深远的指导意义。