余 静
银行业号称百业之母,即它的兴起与发展必将与一个国家的经济发展息息相关。 正是由于银行业板块收益的状况对整个股票市场至关重要,对银行股收益率的研究有着重要的理论价值与实际意义。
本次研究是通过对银行业的收入端和支出端进行业绩拆解分析,找到影响银行业绩的核心因子,建立选股模型,以不良率作为核心因子进行研究,得出在经济状态变差的情况下,不良率低的投资组合的收益率高于不良率高的投资组合的收益率的结论,结合对不良率的预测,认为在接下来的一段时间里银行的不良率大概率会呈现上升趋势,目前正处在经济变差的状态中,建议投资者配置不良率低的银行股。
1. 数据来源
本次研究主要针对的是所有A 股上市银行公司(共33家),通过choice 金融终端获取2010 ~2018 年的相关数据进行实证检验。
2. 样本数据的处理
(1)虽然关于核心因子(净息差、资产规模、资产减值损失)的相关数据均可从银行财报中获取,但考虑到银行财报的滞后性,本次研究选取更高频的经济指标(月度数据)对这三个核心因子进行建模预测。
(2)由于本研究在对核心因子进行建模预测的时候选择的是更高频的月度数据,而行业净息差数据为季度数据,政府目标CPI 为年度数据,十年国债到期收益率数据为日数据,因此,在进行相关分析时需要将月存贷利差数据、CPI 代理变量数据、债券收益率数据等均转换成季度数据。
(3)由于利率市场化是央行一直在推进的政策,而这个政策会使得整个行业的息差中枢下移,因此,考虑将其作为控制变量加入模型中,在2015 年10 月24 日之后的样本数据利息机制的返回值为1,其他为0。
(4)剔除不良率,月收益率数据中的缺失值。
1. 从收入端和支出端对业绩进行拆解,确定影响银行业绩的核心业务
通过典型公司(工商银行)为例,从收入端和支出端对业绩进行拆解,分别计算收入和支出各部分绝对量占比以及收入、支出的各部分对收入、支出增长的贡献率,从而确定影响银行业绩的核心业务。
2. 利用更加高频的经济指标预测影响银行业绩的核心因子
(1)探讨存贷业务与行业净息差的关系
本研究将一年期的短期贷款利率-活期存款利率作为存贷利差的代理变量,即存贷利差=短期贷款利率-活期存款利率。 然后利用可视化的操作查看行业净息差与存贷利率之间的走势关系。
(2)探讨通胀与行业净息差的关系
基于存贷利差这一变量的指导意义较弱,本研究主要从控制通胀的角度出发,构建实际CPI-政府目标CPI 作为新的代理变量,探讨实际CPI-政府目标CPI 与行业净息差的走势关系,以及(当季、领先一季、领先两季的)实际CPI-政府目标CPI 与行业净息差之间的回归分析。
(3)探讨债券收益率与行业净息差的关系
利用十年国债到期收益率作为债券收益率的代理变量,分别将债券收益率当季、债券收益率领先一季、债券收益率领先两季、债券收益率领先三季、债券收益率领先四季、债券收益率领先五季数据与行业净息差数据做回归分析。
(4)将利率市场化政策作为一项政策变量,利用0,1 虚拟变量添加到整个模型中
(5)预测行业净息差
本研究中利用通胀、债券收益率这两大宏观变量以及利率机制这一政策变量构建回归预测行业净息差。
(6)预测不良率
本研究中将新增人民币贷款增速作为企业贷款增速的代理变量,工业企业利润增速作为企业利润增速的代理变量,通过比较企业贷款增速、企业利润增速预测不良率。
(7)预测资产规模
本研究中使用两个口径(社会融资与金融机构)的新增人民币贷款增速作为两个代理变量,利用这两个变量的原始数据分别求取社融新增人民币贷款累计同比增速和金融新增人民币贷款累计同比增速,将其与人民币存款准备金率对比分析,预测银行行业资产规模的变动。
(8)利用核心因子对银行行业所有上市公司构建选股策略
本研究在构建选股策略时以其中一个核心因子不良率为例进行研究。 对于各期数据,将所有上市银行的银行股按不良率高低分成三组(p=0,1,2,其中0,1,2 分别对应低、中、高不良率)。 分别计算个股的季度收益率数据、市场指数季度收益率数据和各个投资组合的等权收益率、年收益率。
利用企业利润增速按年度区分经济状态,在上述模型中加入经济状态,探究不同经济状态下的不良率与投资组合收益率的关系。
1. 影响银行收入和支出的核心业务分析
通过分析银行行业各部分收入(支出)的绝对量占比以及银行行业各部分收入(支出)对营业收入(支出)的贡献可知,影响银行行业收入(支出)的核心业务是:利息净收入与资产减值损失。
2. 利用更加高频的经济指标预测影响银行业绩的核心因子
(1)存贷利差与行业净息差
由存贷利差与行业净息差的相关系数(>0.9)可知存贷利差与行业净息差有很强的相关性。 观察存贷利差与行业净息差的走势可知,在央行加息时,存贷利差上升,行业净息差也呈上升趋势,反之,存贷利差下降时,行业净息差也呈下降趋势。 但在2016 年以后存贷利差几乎没有变动,而行业净息差却是波动的,由此可知,虽然存贷利差和行业净息差之间有很强的相关性,但其同步性却在逐步减弱,因此,本研究考虑构建新的代理变量预测行业净息差。
(2)通货膨胀与行业净息差
本研究将实际CPI-政府目标CPI 作为新的代理变量,探究通胀与行业净息差的关系。 从走势上看,行业净息差与实际CPI-目标CPI 的走势在整体上是趋同的,但是CPI 数据的变动领先于行业净息差。 此外,将实际CPI-目标CPI(当季、领先一季、领先两季)分别与行业净息差做回归分析,其中CPI 领先两季数据和行业净息差做回归分析得到P值小于0.05,可通过显著性检验。 由此可知,实际CPI-目标CPI 是可以作为影响银行净息差的领先指标,这一代理指标的领先期大致是两个季度。
(3)债券收益率与行业净息差
分别用当季的债券收益率和领先一至五季的债券收益率与行业净息差做回归分析,回归结果中R2随着债券收益率领先季度的增加不断增大,表明此时模型的拟合优度是不断变好的,此外,回归结果中所有的P值均小于0.05,可以通过显著性检验,由此可知债券收益率这一代理变量是行业净息差的显著指标。
(4)行业净息差预测
本研究中利用通胀、债券收益率这两大宏观变量以及利率机制这一政策变量构建回归模型预测行业净息差。 通过对比预测的行业净息差与实际的行业净息差可发现,预测的行业净息差走势与实际行业净息差走势趋同。
(5)不良率预测
本研究中主要通过企业利润增速、企业贷款增速与历史不良率数据的走势来预测未来一段时间的银行行业的不良率走势。 从分析数据可以得到关于不良率走势的大概结论:当企业利润增速大于贷款增速时,银行的不良率会降低,反之,银行的不良率会增加。 并且通过结果分析可知,在接下来的一段时间内企业的贷款增速是大于企业的利润增速的,由此我们判断在接下来的一段时间里银行行业的不良率大概率会呈现出上升的趋势。
(6)资产规模预测
本研究中,采用将社会融资口径下的新增人民币贷款增速和金融机构融资的新增人民币贷款增速作为银行行业资产规模的代理变量。 通过比较这两个口径下的新增人民币贷款增速和人民币存款准备金率的走势来预测银行行业资产规模的变动。
由分析可知,2012 ~2013 年、2015 ~2016 年、2018~2019 年分别是三个降准周期,在这三个降准周期里,新增人民币贷款增速总体上均呈现上升的趋势。 由此可知:银行资产规模与货币的宽松或紧缩环境有关,当货币处于宽松环境中,比如,降准周期内,新增人民币贷款增速会上升。 根据当前数据来看,货币依然处在宽松环境中,因此,本研究预判未来一段时间里新增人民币贷款增速仍然处于上升趋势。
(7)选股策略分析
在本研究中将所有上市银行股按不良率的高低分成三组,构建不同的投资组合,分别计算各投资组合的投资收益率。
通常情况下,我们认为不良率低的投资组合对应的收益率应该高于不良率高的投资组合的收益率。 但从分析结果中可以看出,不良率低的投资组合的收益率为142.399467,低于不良率高的投资组合的收益率(261.891237)。 由此,本研究认为在整个持有期间执行以单纯不良率高低为分组依据的投资策略并不理想。
基于上述分析,我们在投资组合收益率表中新添加一列“不良率低-不良率高”数据,在新的结果中“不良率低-不良率高” 为正数的年份只有2012 年(21.383951)、2014 年(7.498276)、2015 年(8.629802)、2018 年(3.240968)。 由此,我们试图探究在这些年份中影响投资组合收益率变动的因素。 于是,在本研究中引入“经济状态”这一变量。
通过分析不同的经济状态下各投资组合的收益率的情况可知,在2012 年、2014 年、2015 年、2018 年这些年份中不良率低的投资组合的收益率大于不良率高的收益率。 此外,在低不良率的投资组合里收益率较高的年份中(2012、2014、2015、2018)经济状态均是变差的,而在经济状态变好的年份中(2013、2016、2017),低不良率的投资组合的收益率均是小于高不良率的投资组合的收益率的(-12.73148、-80.164857、-5.142110)。 由此本研究认为不良率低的银行股并不是总能跑赢不良率高的银行股的。
本研究选取了我国所有上市银行银行股2010 ~2018 年的数据,以不良率这一核心因子为例依照不良率高低构建了不同的选股策略,在研究中我们发现,在经济状态变差的情况下,不良率低的投资组合的收益率要高于不良率高的投资组合的收益率,由此,本研究认为在经济变差的年份(如:2012、2014、2015、2018),不良率低的银行股表现更好。 结合前述关于不良率的预测可知,在接下来的一段时间里银行行业的不良率大概率会呈现出上升的趋势,目前处在经济变差的阶段,因此建议投资者配置不良率低的银行股。