基于信用溢價的融資租賃企業(yè)信用風(fēng)險的測度

任維哲，劉 浴，陸啟浩(1.中國(西安)絲綢之路研究院；.西安財經(jīng)學(xué)院 經(jīng)濟(jì)學(xué)院，陜西 西安 710100)

一、引 言

融資租賃行業(yè)在中國經(jīng)濟(jì)增速下行的大背景下依然保持著營業(yè)收入的大幅增長，以渤海金控為例：該公司2016年實現(xiàn)營業(yè)總收入242億元，同比上升147%，其中租賃業(yè)務(wù)創(chuàng)造的營收占64%。融資租賃作為不同于銀行信貸業(yè)務(wù)的一項新型融資方式，與銀行信貸相比有幾個重要特點：其一，融資租賃資金的借貸與償還都圍繞標(biāo)的物展開；其二，融資租賃必定屬于長期借貸；其三，融資租賃存在標(biāo)的物所有權(quán)的轉(zhuǎn)換；其四，融資租賃中承租人屬于重資產(chǎn)結(jié)構(gòu)的制造業(yè)[1]。

根據(jù)融資租賃的特點可知，信用風(fēng)險仍是融資租賃企業(yè)所面臨的最主要的風(fēng)險。中國融資租賃業(yè)還沒有達(dá)到使用計量模型來管理信用模型的階段，但在其他金融機構(gòu)中信用風(fēng)險的計量已經(jīng)取得了大量的研究成果。本文參考商業(yè)銀行信用風(fēng)險計量方法，在KMV理論的基礎(chǔ)上更進(jìn)一步利用信用溢價刻畫信用風(fēng)險[2]。KMV模型與Credit Metric模型是目前現(xiàn)代信用中最主要的兩種模型，但兩種模型的適用性、側(cè)重點及輸出結(jié)果都完全不同：對于金融機構(gòu)而言，KMV模型多用于有貸款需求的標(biāo)的企業(yè)資質(zhì)審查；而Credit Metric模型多用于衡量金融機構(gòu)信貸資產(chǎn)面臨的風(fēng)險大小，是一個動態(tài)的過程。Credit Metric模型基于在險價值(VaR)進(jìn)行計算，多用于金融機構(gòu)對自身的信貸資產(chǎn)可能出現(xiàn)最大損失的計量，但是Credit Metric模型需要成熟的信用等級評價體系，在中國的適用性不強；KMV模型是以期權(quán)定價理論為基礎(chǔ)的違約預(yù)測模型，只要一家公司財務(wù)披露詳盡便可計算出其違約概率，KMV模型認(rèn)為相同違約距離的公司具有相同的違約沖動，違約率便是樣本里相同違約距離的企業(yè)中違約公司數(shù)量的占比?？傊?，雖然KMV模型在中國使用率非常高，但違約率的衡量只是發(fā)生在貸款行為發(fā)生之前，金融機構(gòu)信貸資產(chǎn)未來可能出現(xiàn)的最大損失才是對信用風(fēng)險的準(zhǔn)確衡量。

二、信用風(fēng)險量化相關(guān)理論

風(fēng)險是指決策者在面臨不確定情況時作出決策并承擔(dān)由此帶來自身利益的增加或者減少[3]，信用風(fēng)險的量化模型主要經(jīng)歷了兩個階段：第一階段中，信用風(fēng)險的度量是根據(jù)貸款公司的財務(wù)比率基礎(chǔ)信息而建立的單變量模型以及后來產(chǎn)生的多變量模型，以Logistic模型、Probit模型、Z計分模型和ZETA模型為代表，運用這一類模型可預(yù)測某種性質(zhì)事件發(fā)生的可能性，從而規(guī)避此類風(fēng)險的發(fā)生；第二階段中，由于整個市場借貸規(guī)模上升，傳統(tǒng)的信用風(fēng)險管理方法已無法應(yīng)對市場多樣性的變化，以資本市場理論和信息科學(xué)為支撐的信用風(fēng)險模型便應(yīng)運而生，例如基于股票價格的KMV模型、J.P.Morgan的Credit Metric模型、CBFB的Crredit Risk+模型。

信用溢價指的是剩余期限與現(xiàn)金流結(jié)構(gòu)相同的企業(yè)債和國債的到期收益率之間的差異[4]。通常用來代表二級市場企業(yè)債的信用風(fēng)險，其信用溢價越高風(fēng)險越大。中國企業(yè)債流動性不足，與其他種類債券相比，交易量也明顯偏低[5]，但是中國股票二級市場交易活躍，較債市相比可以更加全面反映市場信息。因此，本文采用承租人公司二級市場股票價格來替代企業(yè)債計算信用溢價。

對于融資租賃公司而言，租賃資產(chǎn)的租金能否得到償付取決于承租人的市場價值是否高于其債務(wù)[6]。在期權(quán)理論下，可將出租人看作賣出看跌期權(quán)的一方；將每年的租金償還看作債務(wù)利息，其支付相當(dāng)于賣出一份承租人資產(chǎn)的看跌期權(quán)；將承租人看作買入看跌期權(quán)的一方且因融資租賃資金償還是分期進(jìn)行，所以承租人在租金償付完之前，每當(dāng)發(fā)生資產(chǎn)價值下跌到負(fù)債之下時，承租人均可履約買入看跌期權(quán)(即承租方違約)。根據(jù)融資租賃業(yè)務(wù)具有的期權(quán)性質(zhì)，可使用KMV模型計算其資產(chǎn)價值波動與違約距離。

期權(quán)定價普遍以Black-Scholes模型作為定價基礎(chǔ)，即：

E=V·N(d1)-D·e-r·t·N(d2)

其中E作為股權(quán)價值，Merton提出的內(nèi)生信用溢價公式為[7]：

其中V是標(biāo)的資產(chǎn)價值；D是承租企業(yè)債務(wù)，也是企業(yè)的違約點；r是無風(fēng)險年利率；t是債務(wù)期限；σV是資產(chǎn)的波動率；N(·)是標(biāo)準(zhǔn)正態(tài)分布函數(shù)。市場上可以直接觀測到只有股票價值和股價收益率的波動率，故需通過股權(quán)價值收益率的波動率計算承租人的資產(chǎn)價值V以及資產(chǎn)價值的波動率σV。根據(jù)Black-Scholes公式，股權(quán)價值波動率σE和資產(chǎn)價值波動率σV之間的關(guān)系為：

其中股權(quán)價值E可以用企業(yè)的流通股股數(shù)、每日收盤價、非流通股股數(shù)、每股凈資產(chǎn)來計算；股權(quán)價值的波動率σE采用目前對中國股市波動率最好的建模方法GARCH(1,1)模型進(jìn)行估計和擬合，并用Matlab軟件進(jìn)行運算。

三、各參數(shù)計算與實證分析

(一)數(shù)據(jù)來源

從中國融資租賃資產(chǎn)行業(yè)分布看，融資租賃資產(chǎn)總額排名前五位的行業(yè)分別是：交通運輸設(shè)備、通用機械設(shè)備、工業(yè)裝備、建筑工程設(shè)備、基礎(chǔ)設(shè)施及不動產(chǎn)，前五大行業(yè)融資租賃資產(chǎn)總額占總?cè)谫Y租賃資產(chǎn)總額的50.0%[8]，見圖1。

圖1 2014年融資租賃資產(chǎn)行業(yè)分布情況圖

以建筑工程設(shè)備行業(yè)為例，大型建筑企業(yè)在項目施工過程中會經(jīng)常采用轉(zhuǎn)租賃的方式加速施工生產(chǎn)。大型建筑公司作為工程承包方，會將項目工程各分部或分項工程承包給專業(yè)的分包企業(yè)，而分包企業(yè)在實施工程之前則需采購的一些專項設(shè)備就來自于總承包方的轉(zhuǎn)租賃，而大型建筑企業(yè)就是融資租賃的承租人[9]。

本文以從事建筑施工總承包項目的A股上市公司北新路橋(002307)為例，計算其信用溢價。收集北新路橋2014年1月1日—2017年5月9日每個交易日收盤價、每個季度的每股凈資產(chǎn)、流動負(fù)債、長期負(fù)債、流通股股數(shù)、非流通股股數(shù)、每日無風(fēng)險利率，共采集到818天的觀察數(shù)據(jù)。本文設(shè)定債務(wù)到期時間為1年，無風(fēng)險年利率采用SHIBOR銀行間隔夜拆借利率[10]。

(二)參數(shù)計算

1.計算股權(quán)價值E。中國A股上市公司的股權(quán)分為二級市場可交易的流通股與非流通股，流通股通過每日收盤價確定其價值，而非流通股根據(jù)每股凈資產(chǎn)來確定其價值，所以上市公司股權(quán)價值E的計算公式為：

E=CLOSE*TRADSHARE+BVPS*

NONTRADSHARE

其中CLOSE為每日收盤價，TRADSHARE為流通股股數(shù)，NONTRADSHARE為非流通股股數(shù)，BVPS為每股凈資產(chǎn)，股權(quán)價值E可由收集的上市公司數(shù)據(jù)簡單計算得出。收集北新路橋2014年1月1日—2017年5月9日每個交易日的流通股股數(shù)、非流通股股數(shù)、每日收盤價、每股凈資產(chǎn)，便可得到818個股權(quán)價值E的樣本數(shù)據(jù)。

2.計算違約點D。KMV模型假設(shè)：當(dāng)公司資產(chǎn)價值等于公司債務(wù)的賬面價值時，公司一般不會選擇違約，而且負(fù)債總額中的長期負(fù)債并沒有帶給公司過多的償還債務(wù)的壓力，公司違約時的資產(chǎn)價值被定義為違約點，違約點位于流動債務(wù)與債務(wù)總額這個區(qū)間之內(nèi)，其計算公式為：D=SL+K*LL，其中SL是流動負(fù)債，LL是同期的長期負(fù)債，KMV模型選取K=0.5來確定違約點，違約點D也可由收集到的上市公司數(shù)據(jù)簡單計算得出。收集北新路橋2014年1月1日—2017年5月9日每個交易日的流動負(fù)債、長期負(fù)債，便可以得到818個違約點D的樣本數(shù)據(jù)。

(1)股權(quán)價值收益率估計前的分析：將817天的股權(quán)價值E的日收益率進(jìn)行ACF和PACF檢驗，以檢驗金融時間序列的相關(guān)性；用日收益率平方的ACF來檢驗金融時間序列的高階相關(guān)性；由均值殘差Ljung-BoxQ和ARCH檢驗可檢驗金融時間序列的ARCH效應(yīng)，通過這些先驗診斷可以確定金融時間序列的特性，為估計模型選擇奠定基礎(chǔ)[13]，見圖2～5。

圖2 日收益率圖

圖3 自相關(guān)系數(shù)圖

圖4 偏自相關(guān)系數(shù)圖

圖5 平方自相關(guān)系數(shù)圖

從圖2～5可以看出：股權(quán)價值收益率具有波動聚集性(收益率的一個大的波動后面接著一個大的收益率波動，而一個小的波動后面的波動也比較小)[14]；日收益率自相關(guān)與偏自相關(guān)截尾；平方自相關(guān)有明顯的相關(guān)性。

Q檢驗在軟件的輸入公式：

[H,pValue,Stat,CriticalValue]=lbqtest(returne1-mean(returne1),[10 15 20],0.05)，得出結(jié)果見表1。

表1 Q檢驗計算結(jié)果表

ARCH檢驗在軟件的輸入公式：

[H,pValue,Stat,CriticalValue]=archtest(returne1-mean(returne1),[10 15 20],0.05)，得出結(jié)果見表2。

表2 ARCH檢驗計算結(jié)果表

Q檢驗H=0，說明序列總體樣本具有隨機性；ARCH檢驗H=1，說明序列具有ARCH效應(yīng)。

(2)GARCH模型參數(shù)計算及檢驗：GARCH模型通式為GARCH(p,q)，由兩部分組成，分別是均值方程與方差方程：

yt=μ+εt(均值方程)

依據(jù)金融數(shù)據(jù)常用的GARCH(1，1)、GARCH(1，2)、GARCH(2，1)、GARCH(1，3)幾個模型對817天的股權(quán)價值E的日收益率進(jìn)行t檢驗，最后只有GARCH(1，3)模型中各項參數(shù)統(tǒng)計量根據(jù)t統(tǒng)計量在5%的置信水平下顯著，故收益率數(shù)據(jù)可以建立GARCH(1，3)模型測算方差，GARCH(1，3)模型通用方程為：

yt=μ+εt

通過軟件輸入公式可得各參數(shù)估計值預(yù)期t檢驗值：

Mdreturne1=garch('GARCHLags'，1，'ARCHLags'，3，'Offset'，NaN)

EstMdreturne1=estimate(Mdreturne1，returne1)

運行后得到計算結(jié)果，見表3。

表3 GARCH(1，3)模型計算結(jié)果表

根據(jù)t檢驗值，可見各參數(shù)在5%的置信水平下顯著。

GARCH(1,3)條件平均值與條件異方差方程：

E=0.002 683 5+εt

根據(jù)GARCH模型系數(shù)要求，GARCH (1,3)條件異方差各參數(shù)大于0，0.056 581 7+0.922 605<1，滿足平穩(wěn)條件。此處得到的σt就是股權(quán)價值E的波動率σE，股權(quán)價值E與其波動率σE是可以直接觀察計算出的數(shù)據(jù)，共817項。

(3)計算資產(chǎn)價值與資產(chǎn)價值波動率。根據(jù)本文提到的期權(quán)定價的4個公式，可以建立非線性方程組，其中已計算出的變量為股權(quán)價值E、股權(quán)價值波動率σE、違約點D；收集到數(shù)據(jù)債務(wù)時間t、無風(fēng)險年利率r；需計算的4個未知變量為資產(chǎn)價值V、資產(chǎn)價值波動率σV、內(nèi)生變量d1與d2。

圖6 2014—2016年北新路橋信用溢價統(tǒng)計圖

4.計算信用溢價的在險價值。北新路橋信用溢價2014—2017年共有817個數(shù)據(jù)，數(shù)據(jù)數(shù)量充足，通過Matlab軟件使用歷史模擬法計算其置信度95%與99%的在險價值。編程公式為：confidence=prctile(zr,[95 99]);display(confidence,'hs')，得出北新路橋信用溢價在置信度95%之下的在險價值為0.088 6，在置信度99%之下的在險價值為0.427 5。

信用溢價與信用風(fēng)險成正比關(guān)系。圖6中共顯示了817個交易日中上市公司北新路橋的風(fēng)險溢價值，可明顯看出2014年7月14日、10月14日、2016年1月28日、2017年1月15日、2017年5月3日信用溢價出現(xiàn)突然增大；對比北新路橋公告可以發(fā)現(xiàn)，在信用溢價劇烈波動的交易日北新路橋出現(xiàn)了股價的連續(xù)漲停與重要財務(wù)變動，這種變動對發(fā)展其業(yè)務(wù)的融資租賃公司而言都是信用風(fēng)險的體現(xiàn)。本文使用歷史模擬法得出北新路橋信用溢價在兩種置信度下的在險價值，由此可以推斷在下一個持有期，投資北新路橋與投資無風(fēng)險資產(chǎn)之間的收益率之差，其實證表明信用溢價對風(fēng)險的度量是有效的。

四、結(jié) 論

通過信用溢價來量化融資租賃企業(yè)的信用風(fēng)險是對KMV模型的延伸，而通過計算信用溢價的在險價值，在一定程度上豐富了計算融資租賃行業(yè)承租人公司違約信用風(fēng)險在險價值的計量方法。然而，本文還有很多不足之處，歷史模擬法計算在險價值具有局限性，而且放大了風(fēng)險的數(shù)值，應(yīng)當(dāng)擬合信用溢價為Beta分布，再采用蒙特卡羅模擬法進(jìn)行計算數(shù)值更加精確；同時，若樣本中參考多家固定行業(yè)上市公司，則可進(jìn)行行業(yè)內(nèi)對比以增加說服力。

[1] 王箏.金融租賃公司風(fēng)險管理體系構(gòu)建初探[J].中央財經(jīng)大學(xué)學(xué)報,2015(3).

[2] 王宗潤,汪武超,陳曉紅,周艷菊.我國上市銀行信用溢價的實證研究[J].管理學(xué)報,2012(7).

[3] 張成虎,武博華.中國P2P網(wǎng)絡(luò)借貸信用風(fēng)險的測量[J].統(tǒng)計與信息論壇,2017(5).

[4] 朱慧明,郝立亞,虞克明,等.基于MCMC模擬的貝葉斯復(fù)合狀態(tài)信用溢價模型研究[J].中國管理科學(xué),2011(3).

[5] 秦軍.關(guān)于我國企業(yè)債券市場發(fā)展的思考[J].金融與經(jīng)濟(jì),2010(5).

[6] 程東躍.我國金融租賃風(fēng)險管理研究[D].浙江大學(xué),2005.

[7] Merton R C.On the Pricing of Corporate Debt：The Risk Structure of Interest Rates[J].The Journal of Finance，1974(2).

[8] 沈宗慶,李孟剛.基于多元Copula函數(shù)的融資租賃行業(yè)風(fēng)險相關(guān)性研究[J].云南財經(jīng)大學(xué)學(xué)報,2016(3).

[9] 杜玉琴.國有大型建筑企業(yè)融資方式存在問題及對策[J].鐵道工程學(xué)報,2012(5).

[10] 扈文秀,韓仁德,盧妮.中國金融資產(chǎn)定價中無風(fēng)險利率的選擇研究[J].經(jīng)濟(jì)問題探索,2005(6).

[11] 劉龐龐.期權(quán)市場對現(xiàn)貨市場波動率影響的實證分析——基于上證50ETF期權(quán)上市前后的比較[J].統(tǒng)計與信息論壇,2017(10).

[12] 鄒建軍,張宗益,秦拯.GARCH模型在計算我國股市風(fēng)險價值中的應(yīng)用研究[J].系統(tǒng)工程理論與實踐,2003(5).

[13] 李興緒,崔建福.MATLAB在金融時間序列分析及建模中的應(yīng)用[J].計算機工程與科學(xué),2004(7).

[14] 江河.基于GARCH模型的上證綜指日收益率波動特征研究[J].西安財經(jīng)學(xué)院學(xué)報,2011(5).