銀行信貸資產證券化信用風險度量及傳染研究

謝赤　凌毓秀

摘 要：精準科學地度量和描述信用風險及傳染機制有利于銀行信貸資產證券化的高效健康發(fā)展和貨幣市場系統(tǒng)性風險的防范。運用修正KMV模型測度銀行信貸資產證券化產品在不同時期的信用風險，并采用最小生成樹（MST）算法考察銀行間信用風險的傳染機制。結果顯示：政策性銀行和大型商業(yè)銀行發(fā)行的產品在各個時期信用風險均處于較低水平；股份制銀行、城商行和農商行發(fā)行的產品違約率前期略高于前兩類銀行，但后期明顯下降；后三類銀行位于銀行股票收益率網絡的中心位置，具有傳遞信息和維系網絡穩(wěn)定的重要作用。

關鍵詞： 商業(yè)銀行；信貸資產證券化；信用風險；修正KMV模型；最小生成樹（MST）

中圖分類號：F830.91 文獻標識碼： A 文章編號：10037217（2018）03000207

一、引 言

中共十九大報告指出，應“深化金融體制改革，增強金融服務實體經濟能力，提高直接融資比重”，強調守住不發(fā)生系統(tǒng)性金融風險底線。資產證券化作為一種直接融資的創(chuàng)新模式和“三去一降一補”的重要工具，在盤活資金、分散信貸資產風險以及去杠桿方面具有獨特價值，發(fā)展?jié)摿薮?。當前我國信貸資產證券化業(yè)務進入了重要發(fā)展時期，但總體而言仍處于起步階段，依舊面臨嚴峻挑戰(zhàn)。

利率市場化改革的不斷深化一方面推動銀行信貸資產證券化發(fā)展，降低資產的流動性風險，另一方面也會加大銀行業(yè)整體的集中與競爭格局，放大信貸資產證券化的信用風險。鑒此，本文使用修正KMV模型和MST算法，有效度量和描述信貸資產證券化信用風險及傳染機制，以幫助銀行提高風險監(jiān)控能力，防范系統(tǒng)性風險，推動信貸資產證券化市場健康穩(wěn)定發(fā)展。

關于信貸資產證券化動機的研究，Affinito和Tagliaferri認為資本較少、盈利能力較弱、流動性較差且背負著不良貸款的銀行會更早進行證券化，且規(guī)模更大[1]。Gong等分析了影響資產證券化的因子，其中企業(yè)所得稅是銀行證券化的動機 [2]。Farruggio和Uhde進一步發(fā)現(xiàn)，歐洲銀行信貸資產證券化的決定因素是交易類型、標的資產組合以及銀行操作的監(jiān)管和制度環(huán)境[3]。曹彬證實信貸資產證券化有利于改善銀行的盈利能力，對規(guī)模較小的銀行有顯著正向影響[4]。Loutskina通過構建“證券化指數(shù)”，證明證券化可以提高銀行貸款能力，降低對資金沖擊的敏感性和市場危機[5]。但是，Battaglia等以及Trapp和Gregor認為在危機時期發(fā)行證券化的銀行面臨系統(tǒng)風險和特殊風險的可能性日益增大，在市場低迷時脆弱性會更高，具有造成市場危機的可能性[6，7]。

在經歷由資產證券化引發(fā)的次貸危機后，學者們研究的焦點更多集中在信用風險評估和市場監(jiān)管、制度完善等方面。Adelino等認為，高收益的資產證券化產品信用等級下降速度比低收益的要快，信息不對稱程度與違規(guī)的證券化貸款相關[8]。Guo和Wu發(fā)現(xiàn)，在資產證券化過程中風險保留和信息披露有利于聯(lián)合監(jiān)管風險，改正信息不對稱造成的扭曲，同時提高社會福利[9]。Campbell等對定期資產支持證券貸款工具進行考察，發(fā)現(xiàn)其降低了部分證券產品的利率息差，并改善了證券化市場的條件[10]。嚴佳佳等運用CPV及KMV模型對建元20051住房抵押貸款支持證券的信用風險進行了度量[11]。薛海舟和趙薇以及潘秀麗等認為，應加強對資產證券化的宏觀審慎、金融監(jiān)管和信息披露，維護資產證券化市場的有序發(fā)展[12-14]。

二、模型構建

（一）信貸資產證券化信用風險度量：基于修正的KMV模型

信用風險一直是金融領域的研究熱點，目前主流的信用風險度量模型有Credit Metrics模型、Credit Risk+模型、CPV模型和KMV模型等①。相較于其他模型，KMV模型無需使用信用轉移矩陣且更易實現(xiàn)，因此本文選用KMV模型進行信用風險度量。

由于KMV模型原本用于度量上市公司信用風險，因此，在對資產證券化產品進行信用評級及違約測算時，需要對模型中的相關參數(shù)進行合理的修正。

（1） 將違約點（Default Point， DP）定義為證券化產品到期應支付的證券本息和。

（2） 資產池整體價值的波動性通過資產池內信貸資產累積本息回收率的波動來估計。

假設證券的到期日為T，令VT為資產池內所有資產T時期的未來現(xiàn)金流，BT表示T時期內所應償還的價值，σ表示資產未來現(xiàn)金流收入的波動率。當證券化產品到期時，如果資產的未來現(xiàn)金流之和小于應支付給投資者的價值，即VT

假設資產的未來現(xiàn)金流圍繞其均值呈正態(tài)分布，則違約概率p可以表示為：

p=EDF=P[VT

其中，N為標準正態(tài)分布函數(shù)。KMV模型定義的違約距離（Distance to Default， DD）為：

DD=VT-BTσ

帶入式（1），可得：

p=N（-DD） （2）

與BS模型一致，假設資產池中的未來現(xiàn)金流收入呈現(xiàn)對數(shù)正態(tài)分布，且VT服從標準幾何Brown運動，則下式成立：

dV=μVdt+σVdz， t>0 （3）

令t=0時，V（0）=V，由式（3）可得：

VT=Vexp [（μ-1/2σ2）t+σtZT] （4）

其標準差和均值分別為：

E[ln VT]=ln V+μt-1/2σ2t （5）

Var[ln VT]=σ2t （6）

則當T=1時，可得到資產未來現(xiàn)金流收入的波動率σ和現(xiàn)金流收入增長率的均值μ為：

μ=1n-1∑n-1i=1ln Vi+1Vi+12σ2 （7）

σ=1n-2∑n-1i=1（ln Vi+1Vi-1n-1∑n-1i=1ln Vi+1Vi）2 （8）

若信貸資產證券化產品到期違約，則違約概率p可以進一步表示為：

p=P[VT

由此，得到需要計算的違約概率和違約距離為：

p=N（-DD）=

N（ln BT-ln V-μT+1/2σ2TσT） （10）

DD=ln （VT/BT）+μT-1/2σ2TσT （11）

（二）銀行股票收益率聯(lián)動性研究：基于最小生成樹的復雜網絡

根據復雜網絡思想，可以將各銀行機構視為網絡中的節(jié)點，節(jié)點間的連邊為各銀行股票收益率的距離長度。最小生成樹MST（Minimum Spanning Tree， MST）具有連邊距離總和最小的特點，通過其構建的網絡意味著最強連接性，在系統(tǒng)性風險出現(xiàn)時，最有可能沿MST在網絡中快速傳染、擴散。因此，通過分析上市銀行股票網絡結構有利于各家銀行更高質量地開展資產證券化業(yè)務，預防系統(tǒng)性風險，獲取更高的投資回報。構建銀行股票網絡的具體步驟為：

（1） 計算各只股票的對數(shù)收益率，并根據收益率序列計算任意兩股之間相關系數(shù)，構成整體的相關系數(shù)矩陣。假設股票網絡中共包含N支股票，則各股的收益率為：

Si（t）=ln Pi（t）-ln Pi（t-1） （12）

其中，Pi（t）為股票i在時間t的收盤價，根據收益率序列計算兩兩股票間的相關系數(shù)為：

ρij=E（SiSj）-E（Si）E（Sj）[E（S2i）-（E（Si））2][E（S2j）-（E（Sj））2] （13）

其中，E（·）代表交易期內變量的平均值，即：

E（Si）=1N∑Ni=1Si，E（Sj）=1N∑Nj=1Sj，E（SiSj）=1N2∑Ni，j=1SiSj，E（S2i）=1N∑Ni=1S2i，E（S2j）=1N∑Nj=1S2j

顯然，ρij∈[-1， 1]。由此可以構成整個股票網絡的N階相關系數(shù)矩陣。當ρ取值為-1時，表示兩支股票間完全負相關，此漲彼跌或此跌彼漲；相反，當ρ取值為1時，意味著兩支股票完全正相關，即同漲同跌；當ρ為0時，則證明兩支股票不相關，不具有聯(lián)動性。

（2） 分析網絡間的內在空間性質。將相關系數(shù)轉換成Euclide距離即股票網絡的權重，再將相關系數(shù)矩陣轉換為距離矩陣，計算式為：

dij=2（1-ρij） （14）

其中，dij∈[0， 2]，并且滿足三條性質：當且僅當i=j時，dij=0；dij=dji；dij≤dik+dkj，i≠j≠k且i， j， k∈N。

（3） 根據距離矩陣數(shù)據和MST算法構建股票網絡。通過Kruskal算法可以將N個節(jié)點以（N-1）條邊連接在一起。MST中不存在“環(huán)”且各連邊距離總和最短，具有惟一性。

三、實證分析

（一）樣本選取與數(shù)據處理

1. 銀行信貸資產證券化產品信息。

2014年資產證券化發(fā)行由審批制改為備案制，發(fā)行機構數(shù)和產品數(shù)均呈現(xiàn)井噴式增長，最具代表性且數(shù)據相對完整，因此本文選取該年16家銀行發(fā)行的31只信貸資產證券化產品作為樣本，各產品基本情況見表1。

2. 上市銀行股票價格數(shù)據。

2013年7月20日，央行取消金融機構貸款利率下限，標志著貸款利率市場化的基本實現(xiàn)。截至2010年，滬深A股市場共計16家銀行上市，之后5年內無新增上市銀行。到2017年底，A股市場共計25家上市銀行，且均發(fā)行信貸資產證券化產品。為更好地考察利率市場化后各類上市銀行股票收益率間的聯(lián)動性，本文將所有上市銀行分為兩組：第一組為截至2017年的全部25家上市銀行，其中張家港行于2017年11月上市，因此將樣本期確定為2017年12月1日至2018年3月30日，共計285個交易日；第二組為2016年以前上市的全部16家銀行，樣本期為2013年7月20日至2018年3月30日，共計1146個交易日。股票價格數(shù)據來源于Wind資訊。

（二）信貸資產證券化產品信用風險度量

假設各產品資產池內的貸款間相關系數(shù)為0，各地區(qū)的法律環(huán)境及銀行追償能力相同，則利息回收率主要與資產質量直接相關。根據上文所述，各資產池中價值的波動通過各銀行歷史本息回收率的波動水平反映，經修正KMV模型計算的相關結果見表2。

央行和銀監(jiān)會明確規(guī)定，信貸資產證券化風險自留比例不得低于單只產品發(fā)行規(guī)模的5%。因此，假設樣本中各產品發(fā)債規(guī)模為資產池總量的95%，資產池的價值均值通過入池本金與剩余應收貸款利息和來計算，利用修正的KMV模型測算各產品發(fā)行首年及2016年度的一年期違約距離及違約概率，所得結果如表3。

由表3可以發(fā)現(xiàn)，2014年發(fā)行的31只信貸資產證券化產品首年的違約距離處于2.77～10.02之間，對應的違約概率絕大多數(shù)小于0.02%，總體來說，31只產品均具有較高的信用評級，出現(xiàn)違約的概率較低。這可能是因為該年作為發(fā)行制度改革首年，市場快速擴張，發(fā)行機構秉承謹慎選擇、審慎發(fā)行的態(tài)度，整體基礎資產處于優(yōu)質水平，加之5%的風險自留規(guī)定，進一步降低了違約概率。

“開元20141”和“開元20142”兩只產品違約率最低，一是因為國開行本身利息收益率高、資產質量穩(wěn)定；二是發(fā)行經驗多、業(yè)務能力強；三是這兩只產品均為鐵路專項，資產池貸款來源為中國鐵路總公司，貸款信用質量高，借款人具有充足的償債能力，因此具有最低違約概率。

“漢銀20141”首年度的預期違約率為樣本中的最大值，其原因可能是漢口銀行資產池中貸款的次級占比和地區(qū)集中度高，借款人信用評級較低，影響資產信用質量。但在產品存續(xù)期間會有相應的內部增信措施，因此該產品整體仍具有較高的信用等級。

“招行20141”和“平安20141小型貸款” 兩只產品的違約概率低，其基礎貸款類型分別為汽車貸款和消費貸款，入池資產筆數(shù)較多，資產相對分散，少量逾期、違約現(xiàn)象對整體風險的影響較小，相較于汽車貸款，消費貸款債務人會具有更小的違約成本和更大違約可能。

通過觀察表3數(shù)據和圖1中違約距離的走勢可以發(fā)現(xiàn)，在發(fā)行首年，城商行和農商行的違約距離普遍較低即具有更高的違約概率，可能是因為這兩類銀行基礎資產的種類和地區(qū)集中度較高，在宏觀經濟下行壓力較大時，資產池總體信用質量易受到影響。但是，個別經營業(yè)績良好、基礎資產更加多元、資產未來現(xiàn)金流收入波動率較小的城商行，如北京銀行和南京銀行，其發(fā)行的信貸資產支持證券也具有較低的信用風險。

同時還不難發(fā)現(xiàn)，大部分產品2016年度的違約距離高于發(fā)行首年的違約距離，說明隨著時間的推移，大部分債券的兌付和內部增信措施的實行能有效降低各產品的違約概率。政策性銀行和大型商業(yè)銀行所發(fā)行的產品在各時期內基本均具有較高違約距離；股份制商業(yè)銀行違約距離波動小，整體情況較穩(wěn)定；城商行及農商行在2016年的違約距離明顯高于發(fā)行首年，其原因在于貸款利率市場化使得部分借款人能從市場上獲取更低成本的資金，提前償付之前的高利率債務，此舉致使資產池資金回流較快，部分債券提前清償兌付，降低違約概率。如若提前償付金額大且距法定到期日時間長，則很有可能影響發(fā)起機構和證券化載體（Special Purpose Vehicle， SPV）的再投資行為，造成兌付危機。

（三）貸款利率市場化下商業(yè)銀行股票網絡結構分析

圖2和圖3分別反映了貸款利率市場化后兩組上市銀行股票收益率相關系數(shù)的分布。

總體來說上市銀行間股票收益率呈現(xiàn)正向聯(lián)動性。2016年前上市的16家銀行股票收益率相關系數(shù)均分布于[0.4， 0.8]間，相關性較強，而基于短期數(shù)據考察的全部25家上市銀行股票收益率相關系數(shù)分布跨度較大，多分布于[0.1， 0.5]間，相關性中等。其原因可能為2016年后新增的9家銀行中有5家為農商行，與其它20家銀行性質不相同，且樣本期較短因此造成部分節(jié)點間相關系數(shù)較小。

從圖4可以看出，光大銀行與交通銀行距離最短（0.53），兩者股票收益率關聯(lián)性最大；節(jié)點度大的分別為興業(yè)銀行、光大銀行和農業(yè)銀行，其中興業(yè)銀行占據網絡中心位置，具有更明顯的系統(tǒng)重要性，其收益波動風險更容易傳染到其它股票，關系著整體網絡的穩(wěn)定性。

從圖5可以看出，建設銀行與工商銀行間距離最短（0.60），在25家銀行股票MST圖中，光大銀行、民生銀行、興業(yè)銀行、江蘇銀行和常熟農商行占據網絡的中心位置。

結合圖4和圖5不難發(fā)現(xiàn)，相較于大型商業(yè)銀行，股份制銀行、城商行以及農商行對貸款利率市場化中利率的變動更為敏感，聯(lián)動性更強且更傾向于網絡中心節(jié)點位置。同一性質的銀行之間距離更為接近，在網絡中聚集現(xiàn)象更為明顯。

（四）基于MST算法的銀行信貸資產證券化信用風險傳染機理分析

當銀行股票網絡的某個節(jié)點受到來自外部因素（如宏觀政策、突發(fā)事件等）沖擊時，MST的最短距離總和特性致使其成為風險傳染的最快途徑，并快速傳播至整個網絡，形成系統(tǒng)性風險，進而影響其他金融市場?，F(xiàn)階段，銀行信貸資產證券化產品主要在銀行間發(fā)行與交易，各銀行既是發(fā)行人也可能是投資人，當某家銀行受到外部因素沖擊時，可能會降低該銀行盈利水平、減少其資產未來現(xiàn)金流收入，造成流動性風險，導致其發(fā)行的證券化產品承受兌付危機，進而影響到持有其產品的其他銀行的投資收益。如若該銀行處于網絡中心節(jié)點處，風險將沿MST快速向外擴散，最終影響到整個銀行網絡，加快系統(tǒng)性風險的形成，造成經濟危機出現(xiàn)。因此，降低網絡中心位置銀行的信用風險對整個網絡的信息傳遞和穩(wěn)定性起著至關重要的作用。

四、結論與建議

隨著未來流通場所和不良資產證券化產品發(fā)行規(guī)模的擴大，精準有效的信貸資產證券化信用風險度量和風險傳染機制研究對銀行信貸資產證券化業(yè)務的高效發(fā)展具有重要意義。

在信貸資產證券化信用風險度量方面，總體而言信貸資產證券化產品仍以高信用等級為主，具有極低的違約概率。但在實際金融市場中資產池價值并不完全服從正態(tài)分布，存在厚尾現(xiàn)象，因此部分信貸資產證券化產品的信用風險可能被低估；對于中小型城商行和農商行而言，基于自身規(guī)模、資產池組成集中度高和發(fā)行經驗等限制，目前還存在發(fā)行規(guī)模小、資產篩選難度大、專業(yè)人才缺口等問題，存在更多的違約隱患，容易受到風險的影響。在對信貸資產證券化信用風險的傳染機制描述中可以發(fā)現(xiàn)，在貸款利率市場化下，股份制銀行以及城商行和農商行更多的處于中心節(jié)點位置，成為風險傳染的重要對象和載體，因此要重視其在網絡中的中介作用，提高風險監(jiān)管能力，防范系統(tǒng)性風險的產生。

針對現(xiàn)行銀行信貸資產證券化業(yè)務運行過程中出現(xiàn)的問題，結合實證研究結果，提出以下幾點建議：

（1） 完善相關信息披露制度和征信體系建設。信息不對稱容易造成投資者群體的弱勢和非理性行為，成為孕育系統(tǒng)性風險的溫床。因此，應完善信貸資產證券化產品各重要時間點的信息披露和相關指標的公開。同時，資產證券化市場征信信息也并不完全透明，應完善相應的征信系統(tǒng)建設。

（2） 強化宏觀審慎監(jiān)管。應該從資產證券化市場運行制度優(yōu)化、市場參與者行為規(guī)范和監(jiān)管部門協(xié)調監(jiān)管等方面加強管理。首先，要加強市場準入、運行、退出制度的建設；其次，應制定并運用相關法律法規(guī)及政策，規(guī)范參與者行為，維護市場秩序；最后要強化人民銀行、銀保監(jiān)會、證監(jiān)會等監(jiān)管部門的職責，加強聯(lián)合檢查，消除真空地帶，避免重復監(jiān)管，提高監(jiān)管效率。

（3） 靈活調整次級資產占比，防范系統(tǒng)性風險。近年來宏觀經濟形勢承壓，銀行業(yè)整體資產信用水平下降。各時期處于中心節(jié)點位置的銀行在發(fā)行資產證券化產品時可以適當降低次級資產占比，提升基礎資產信用水平；在處于非中心位置時，適當提高次級資產占比，以此來防范系統(tǒng)性風險，保障投資收益。

（4） 在保證發(fā)行規(guī)模安全的前提下，可以嘗試放開不良資產證券化試點。適量適時地推進不良資產證券化有利于進一步改善股份制銀行及城商行和農商行的資產結構，提高資產的流動性、優(yōu)化資源的配置。

注釋：

① 這四種模型分別由J P Morgan銀行等、Credit Suisse公司、Mckinsey公司和KMV公司分別于1997年、1997年、1998年和1993年提出。

參考文獻：

[1] Affinito M， Tagliaferri E. Why do （or did？） banks securitize their loans？ Evidence from Italy[J]. Journal of Financial Stability， 2010， 6（4）： 189-202.

[2] Gong D， Hu S， Ligthart J E. Does corporate income taxation affect securitization？Evidence from OECD banks[J]. Journal of Financial Services Research， 2015， 48（3）： 193-213.

[3] Farruggio C， Uhde A. Determinants of loan securitization in European banking[J]. Journal of Banking & Finance， 2015， 56（7）： 12-27.

[4] 曹彬. 資產證券化對我國商業(yè)銀行盈利能力影響研究[J]. 宏觀經濟研究， 2017（5）： 143-149.

[5] Loutskina E. The role of securitization in bank liquidity and funding management[J]. Journal of Financial Economics， 2011， 100（3）： 663-684.

[6] Battaglia F， Gallo A， Mazzuca M. Securitized banking and the Euro financial crisis：evidence from the Italian banks risktaking[J]. Journal of Economics & Business， 2014， 76（C）： 85-100.

[7] Trapp R， Weiβ G N F. Derivatives usage， securitization， and the crash sensitivity of bank stocks[J]. Journal of Banking & Finance， 2016， 71（C）： 183-205.

[8] Adelino M， Gerardi K， Willen P S. Why don't lenders renegotiate more home mortgages？ Redefaults， selfcures and securitization[J]. Journal of Monetary Economics， 2013， 60（7）： 835-853.

[9] Guo G， Wu H M. A study on risk retention regulation in asset securitization process[J]. Journal of Banking & Finance， 2014， 45（1）： 61-71.

[10]Campbell S， Covitz D， Nelson W， et al. Securitization markets and central banking： An evaluation of the term asset-backed securities loan facility[J]. Journal of Monetary Economics， 2011， 58（5）： 518-531.

[11]嚴佳佳， 黃文彬， 張佳斌. 我國住房抵押貸款支持證券的信用風險度量研究[J]. 金融與經濟， 2014（11）： 67-72.

[12]薛海舟， 趙薇. 中美金融業(yè)經營和監(jiān)管體制的比較分析及啟示——以金融危機和資產證券化為視角[J]. 宏觀經濟研究， 2014（2）： 131-136.

[13]潘秀麗. 中國金融機構資產證券化風險分析及建議[J]. 中央財經大學學報， 2010（9）： 38-43.

[14]謝赤，馬有源.財務柔性價值的度量及其對現(xiàn)金股利分配的影響——來自滬深股市上市公司的經驗證據[J].商業(yè)研究，2017（4）：55-62.

（責任編輯：鐘 瑤）