刘精山 赵沛 田静

摘 要：流动性错配是流动性风险产生的根本，有必要从资产端和负债端研究和度量商业银行流动性风险。在综合外部因素的基础上，通过理论和实证两个层面构建我国商业银行流动性錯配指数（LMI），并对我国18家上市银行的流动性风险进行度量、识别和压力测试。研究表明：我国商业银行流动风险存在异质性和时变性，LMI的压力测试结果显示，不同类型银行压力测试和抵御风险的能力具有显著的异质性。为有效地管理和防范商业银行流动性风险，需要严格控制流动性错配程度，密切关注宏观经济形势和资产价格的波动，并建立相应的风险监测和管理机制。

关键词： 流动性错配;流动性错配指数;流动性风险;压力测试

中图分类号：F830.33 文献标识码： A 文章编号：1003-7217（2019）06-0016-08

一、引言

商业银行是经营货币的特殊企业，其“短借长贷”的经营模式决定了流动性是商业银行生存的基石，在此过程中必然伴随着资产与负债结构错配的现象[1]。随着我国经济、金融体制改革的不断深入，我国商业银行面临的外部和内部微观环境日益严峻和复杂，使得商业银行期限和流动性错配现象愈发复杂。由于期限错配是商业银行流动性风险形成的内在原因，因此，当前复杂的宏、微观经济形势无疑加剧了商业银行流动性风险。

商业银行流动性风险具有冲击破坏力大、不确定性高和传染性强的特点，是“商业银行最致命的风险”。而我国是银行主导型的金融体系，商业银行无论是在资源配置、服务实体经济还是在风险防范方面都处于异常关键的位置。尤其是在全面深化金融体制改革和经济增速放缓的背景下，防范金融风险是经济工作的重中之重，2017年中央经济工作会议指出“要把防控金融风险放到更加重要的位置……确保不发生系统性金融风险。”因此，在这一背景下研究商业银行流动性性风险具有重要的现实意义。

商业银行流动性风险一直是学界关注的热点问题，目前关于商业银行流动性风险的研究主要集中于传统流动性风险的度量，而从流动性错配角度的研究相对较少。因此，为了更加全面客观地分析期限错配、流动性错配与流动性风险之间的关系，本文从两方面对已有文献进行梳理，一是期限错配、流动性错配与流动性风险之间的关系，二是对现有流动性度量方法进行梳理。

（一）期限错配、流动性错配与流动性风险

期限错配理论最早来自于Morris（1976），他认为企业为了减少资产现金流与负债现金流不匹配带来的风险，应将资产和债务的期限匹配起来，从而减少错配带来的不确定风险[2]。关于银行期限、流动性错配与流动性风险的关系最早可以追溯到Diamond和Dybvig（1983）提出的经典银行挤兑模型D-D模型，该模型指出商业银行具有将短期流动性负债转化为非流动性资产的特点，并解释了银行流动性风险产生的根源，即在流动性转化过程中产生的期限错配和流动性错配[3]。这一理论揭示了银行危机的本质是由于流动性错配导致的流动性不足进而引发挤兑的现象。流动性的错配一方面是由于期限错配所致;另一方面，是由资产和负债属性的不同而导致期限能力的不同，因此，期限错配本质上是一种流动性错配[4]。

基于期限和流动性错配的分析框架，国内外学者进行了大量的研究。如Rajan（2001）研究认为商业银行资产负债的期限错配会导致流动性风险[5]。Brunnermeier等（2011）认为流动性错配水平可以用来度量银行流动性风险[6]。基于这一思想，Banerjee（2012）、Giordana等（2013）以及Schmitt（2017）等从流动性错配的角度分别论证了流动性错配程度测度流动性风险的有效性[7-9]。国内学者大都延续这一思路，如裘翔（2015）研究认为期限错配风险可能引发流动性风险，并用流动性错配衡量了期限错配程度[10]。彭建刚等（2014）、王一鸣和梁志兵（2015）以及易浩（2016）等从期限错配的角度研究了银行流动性风险[11-13]。

（二）商业银行流动性风险度量

在流动性风险度量方面，目前存在三种主流的方法：（1）基于传统指标的度量，一般包括静态指标和动态指标。如流动性比率、存贷比、核心存款比率、流动性缺口、融资缺口、净流动性头寸以及美联储Jim Pierce提出的流动性指数等相关指标。这一方法主要是根据不同的资产分类和权重来测度不同的比率。在具体应用方面，Arora和Kohli（2018）从存贷比和流动性比率度量了流动性风险，并进一步研究了其与银行所有权性质之间的关系[14]。钟永红和曹丹蕊（2013）根据流动性比率、核心负债率、流动性缺口等15个指标构建了流动性风险综合评价模型[15，16]。2010年，Basel Ⅲ协议①虽然引入了LCR和NSFR指标，但该指标构成系数相对稳定，不能及时反映市场变化，降低了该指数度量的时效性和准确性。（2）

基于现金流视角的度量。Driga（2012）基于资产负债表，并利用资金的流入、流出以及流动性资产的缺口来度量商业银行流动性风险[17]。沈沛龙和闫照轩（2011）基于现金流和资产质量提出了净流动性缺口等三个指标来刻画商业银行流动性风险的大小[18]。然而，他们均忽略了外部的影响，因此，Andren等（2012）在风险暴露的CFaR（Exposure-Based Cash-Flow-at-Risk）模型基础上引入了宏观因子变量用以测算现金流，并进一步利用VaR方法估计一般企业的流动性风险[19]。此后，Yan等（2014）、Fall和Viviani（2016）将CFaR方法应用到测度英国商业银行的融资性流动性风险[20]。（3）基于VaR损失的流动性风险度量。Berkowit（2000）运用VaR模型度量了流动性风险，此后Garleanu和Pedersen（2007）、Varotto（2011）等在VaR的基础上研究了商业银行流动性风险[21-23]。由于VaR方法存在不满足次可加性等缺陷，Acerbi和Tasche（2002）提出了风险的预期损失ES测度法 [24]。我国学者刘晓星和王金定（2010）、任庆华等（2013）也分别利用该方法对商业银行流动性风险进行了度量[25，26]。李政等（2019）还从尾部视角将预期损失进行了拓展[27]。虽然ES方法克服了VaR的弊端，消除了尾部风险，但目前关于尾部风险缺少统一的计量方法。

综上分析，可以发现传统的比率法一方面忽略了外部环境的变化;另一方面，部分指标权重的设定主观性较强，降低了该指数度量的时效性和准确性。流动性缺口法没有考虑不同期限资产融资能力的差异，也忽略了资产质量的差异。CFaR方法虽然引入了外部宏观经济因子，但是其对资产和负债考察并不全面。总体而言，现有研究方法对流动性风险的考察相对比较单一，虽然从某一维度上测度了流动性风险，但是没有充分利用资产负债表[28]，而且忽略了外部宏观环境的变化，不能实时有效地反映商业银行的流动性状况。为克服这些问题，Brunnermeier等（2011）提出了流动性错配指数（LMI），他认为商业银行流动性风险应该同时考虑资产端的市场流动性和负债端的融资性流动性[6]。Bai等（2017）拓展了这一思想并全面构建了流动性错配指数[29]。因此，本文在他们的基础上，从期限错配和流动性错配的视角，通过建立动态递归模型，并综合考虑期限因素和市场波动因素后，引入动态时变的权重因子来度量和研究我国商业银行的流动性风险。并通过改进流动性错配指数度量方法[6，29]，结合中国的实际情况，引入债券指数、资产价格指数等作为动态时变的权重因子，使得流动性错配指数LMI能够实时地反映商业银行的流动性状况。并在构建流动性错配指数的基础之上分别提出了单因子和多因子压力测试方法，以便商业银行和监管机构及时发现商业银行流动性风险的来源。

二、理论模型：流动性错配指数的构建

（一）流动性错配指数的构建思路和原理

流动性错配指数（Liquidity Mismatch Index， LMI）是根据商业银行资产负债的结构和差异，按照一定的权重对资产和负债进行加权，用以反映资产端和负债端流动性错配水平的指数[6]。该指数反映了银行或其他金融机构在压力事件时资产变为“现金等价物”的能力。为构建模型需要，假定商业银行符合理性人假设，即符合“自身最优假设”和“对手最优假设”。基于此，构建商业银行i的LMI如下：

（二）负债端LMI构建

三、我国流动性错配指数的构建及度量

（一）样本选择及数据说明

由于非上市银行数据存在较大缺失，所以，选取上市银行作为研究对象。截至2017年一季度，共有24家A股上市银行，考虑样本数据的长短，剔除2016年上市的6家银行，因此，选取其中的18家银行作为研究对象，样本期选择为2006Q4—2017Q1。

所有银行数据均来自BankScope，债券、股票以及银行间同业拆借利率等相关金融数据均来自Wind，PMI指数、企业景气指数、CPI指数以及房地产景气指数等宏观经济数据来自国家统计局。在数据预处理方面，对日频数据和月频数据通过季度平均的方式转化为季度数据。同时，为消除量纲影响，对时间序列进行标准化处理。

（二）资产端流动性权重的估计

根据我国的会计准则以及各类资产的流动性不同，结合我国商业银行自身特点对商业银行资产进行分类。

根据商业银行资产的分类，结合市场运行状况以及前面的理论基础，对不同类型的资产赋予不同的流动性权重。一般而言，现金类资产可以进行直接变现，设其权重为1;固定资产、无形资产等不能在短期内变现，设其权重为0。其他类资产需要进行估算，虽然我国融资融券业务中有债券的折算率，但是该折算率有上下限规定，并且期限较短，因此，不能全面有效地反映不同市场的整体情况。鉴于此，结合Krishnamurthy等（2015）[30]关于权重（1-折扣率）测算方法，根据资产标的采取相应的价格指数或者景气指数作为权重估算的基准。具体而言，黄金类选择黄金指数;债券类选择中证综合、企业债、国债、金融债指数;房地产及抵押类贷款选择国房景气指数;企业商业贷款选择PMI和企业景气指数;消费和零售贷款选择消费者信心和消费价格指数;结构性产品和权益类（股票）选择沪深综合指数;融资成本选择shibor-tbill。

（三）负债端流动性权重的估计

商业银行负债即商业银行资金来源，主要包括自有资金和吸收的外部资金两部分。自有资金又称权益性资金，外部资金主要包括吸收存款、向中央银行借款、同業拆借、金融债券等其他形式的各种筹资，其中吸收存款是最主要的负债。

负债端流动性权重是期限与利差的函数，反映了市场流动性的稀缺程度[30]。国外学者一般采用LIBOR、Tbill和OIS两两之差作为流动性溢价的度量[32]。因此，本文采用3个月期银行间同业拆借利率与国债收益率利差作为基准，并结合时间期限对不同期限的负债赋权，估算负债影响因子。

（四）我国商业银行流动错配指数（LMI）度量结果分析

1. 描述性统计分析。根据构建的理论模型以及商业银行资产负债表，分别构建18家上市商业银行在2006Q4-2017Q1期间的LMI指数。将其分为三组，第一组为5家大型国有商业银行（LMIsb），第二组为8家股份制商业银行（LMIjb），第三组为5家城市商业银行（LMIcb）。基本统计量见表1。

表1展示了18商业银行流动性错配的描述性统计，结果显示不同银行LMI指数各不相同，流动性错配情况差异较大。从2006年四季度以来，上市商业银行的流动性错配指数并未出现系统性的显著负值，仅仅是少数几家银行有负值出现，商业银行流动性的异质性特点突出。从分组情况来看，大型国有商业银行的流动错配指数均值明显高于股份制商业银行和城商行，表明大型商业银行的流动性状况要优于股份制商业银行和城商行。大型国有商业银行平均流动性错配指数为1400.29，股份制商业银行为117.78，城商行为93.47。

2. 我国商业银行LMI度量结果分析。根据构建的LMI指数，将18家商业银行的LMI进行汇总，得到银行业的LMI指数（见图1）。结果显示，18家商业银行流动性错配水平在样本期内仅在2008年四季度小于0，呈现出流动性不足现象，规模约为-0.8万亿人民币，表明18家商业银行该时期内存在一定的流动性压力。另外，在2013年二季度以及2016年一季度，分别呈现出相对的低点，虽然LMI并没有小于0，但这也在一定程度上表明该时点上银行业面临着不同程度的流动性压力。

图2展示了分组情况下的流动性错配水平，结果显示，5家国有大型商业银行的LMI指数显著高于股份制商业银行和城商行，并且只有股份制商业银行在2008年四季度的LMI指数显著小于0，说明该时点股份制商业银行存在显著的流动性不足问题。

，削弱了横向的可比性，因此，进一步考察单位资产的流动性敞口比率（LMI/总资产）来分析各组银行的流动性状况（如图3和图4）。结果显示，大型国有商业银行、股份制商业银行以及城商行流动性敞口占比平均水平分别为9.21%、6.61%、10.72%，银行业流动性敞口占比平均水平为8.73%。从度量结果来看，三组银行流动性敞口比率平均值均为正，并且国有大型商业银行最大，城商行次之，股份制商业银行最小，表明我国银行业潜在流动性风险较低。与此同时，从三组银行分类来看，仅有股份制商业银行低于行业平均水平，表明股份制商业银行潜在流动性风险相对较大。

根据LMI缺口程度显示，在2008年四季度，银行业LMI缺口资金占总资产的比例约为-1.87%，股份制商业银行LMI缺口占比高达-24.97%，而同时期的城商行仅为10.16%。可见，无论在规模上，还是在比例上，股份制商业银行的潜在压力程度都要高于国有大型商业银行和城商行。

从流动性风险形成原因来看，银行业在2008Q4、2013Q2、2014Q3、2016Q1存在流动性风险均有其特定的原因。尤其是2008年四季度，受全球金融危机影响，我国商业银行也出现了不同程度的流动性风险，银行业流动性错配缺口达2万亿。虽然在2013Q2、2014Q3、2016Q1时点尚无资金缺口，但是都处于相对低谷位置，存在潜在的流动性风险。2013年二季度银行业流动性处于阶段性低点，主要是受光大银行与兴业银行债券违约“黑天鹅”事件影响，导致“银行钱荒”。受此事件影响，银行业流动性趋于紧张，出现阶段性潜在流动性风险。2014年三、四季度商业银行流动性紧张的原因之一是受到政府宏观调控的影响，土地出让减缓并影响到地方政府融资平台的偿还能力。与此同时，房地产业不景气，房价连续六个月下跌进一步加剧了银行的潜在流动性风险。2015年二季度直到2016年一季度，流动性先是上升，然后急转直下，进入流动性紧张阶段，主要是受2015年“股灾”事件影响。由于杠杆资金大规模入市，推动股票等金融资产价格持续上涨。当股市下跌时，在杠杆效应和资产联动效应作用下，加速了股市的非理性下跌[33]，并引发了包括债券、基金、期货等其他金融资产的下跌，降低了商业银行资产价值，从而对银行的流动性形成一定冲击。

（五）我国商业银行流动性风险压力测试

压力测试与商业银行流动性风险管理具有天然的匹配性[34]。压力测试在一定程度上反映了流动性风险以及面临流动性冲击时银行系统的稳定程度，还可以作为银行的风险预警指标[29]。2008年金融危机后，各国为加强流动性管理，逐步重视流动性压力测试。

当商业银行面临外部冲击时，市场会通过时变影响因子影响商业银行的流动性，因此，本文通过捕捉影响因子的变动来考察LMI的变化，进而对商业银行的流动性风险进行压力测试。同时，仍将银行分为国有大型商业银行、股份制商业银行以及城商行三组，并在1σ、1.5σ、2σ和3σ情境下分别对每组银行进行压力测试，压力测试结果如图5～8所示。

压力测试结果显示，银行业及三组银行分别在2008年四季度、2013年二季度和2016年一季度出现显著的流动性缺口，该时间点分别对应了2008年金融危机、2013年“钱荒”事件以及2016年股市熔断暴跌三个重大事件。表明基于流动性错配指数的压力测试有效地捕捉了商业银行流动性压力事件。

四、结论及建议

以上基于商业银行资产负债表，结合动态市场因子构建了商业银行流动性错配指数（LMI），考量了市场流动性和融资性流动性;同时，构建了我国18家上市商业银行在2006Q4-2017Q1期间的流动性错配指数（LMI），并分析其流动性风险，结果显示：（1）构建的流动性错配指数能够适时准确地捕捉和刻画我国商业银行的流动性水平，及时反映金融危机、钱荒以及2015年股災对银行业流动性的冲击。（2）无论是从流动性错配缺口规模，还是从流动性错配风险占总资产的比例来看，股份制商业银行的流动性风险最高，相对风险最小的是国有大型商业银行。（3）压力测试捕捉了重要事件对商业银行流动性的冲击程度以及银行潜在的流动性风险水平，而且股份制商业银行、城商行和大型国有商业银行应对风险的能力存在明显的差异。

鉴此，提出如下政策建议：（1）从商业银行的角度来看，一方面，商业银行应加强内部管控，提升创新能力以严格控制期限错配程度，降低潜在的流动性风险;另一方面，商业银行还应关注宏观经济形势和市场资产价格的波动，防止其对商业银行流动性产生冲击。（2）从监管的角度来看，一方面，监管层应综合考虑商业银行不同类型的流动性风险，并构建更加全面、合理的流动性风险监管体系，尝试将LMI作为流动性日常监管工具;另一方面，在构建LMI的基础上，监管层应建立微观和宏观层面的压力测试和预警机制，以有效地防控流动性风险。

注释：

① 《Basel III：流动性风险计量、标准和监测的国际标准》。

② 从监管者的角度考虑，可以将该成本看做是商业银行在贴现窗口的贴现成本。

③ 基于以上LMI构建方法，可以构建单一银行和银行业两个层面的LMI，本文从微观和宏观两个层面评估银行业抗风险的能力。微观层面是对单一银行的流动性状况进行压力测试，宏观层面则是对银行业系统进行压力测试。

参考文献：

[1] Corneit M M， McNutt J J， Strahan P E， et al. Liquidity risk management and credit supply in the financial crisis[J]. Journal of Financial Economics， 2011， 101（2）： 297-312.

[2] Morris J R. On corporate debt maturity strategies[J]. Journal of Finance， 1976， 31（1）： 29-37.

[3] Diamond D W， Dybvig P H. Bank runs， deposit insurance， and liquidity[J]. Journal of Political Economy， 1983， 91（3）： 401-419.

[4] 費方域，江鹏. 巴塞尔协议还是货币政策？——银行业流动性监管的政策选择[J]. 现代管理科学， 2012（3）： 24-26.

[5] Rajan R S. Banks， maturity mismatches and liquidity crises： a simple model[R]. Working Papers， 2001.

[6] Markus K B， Gorton G， Krishnamurthy A. Risk topography[J]. NBER Macroeconomics Annual， 2012， 26（1）： 149-176.

[7] Banerjee R N. Banking sector liquidity mismatch and the financial crisis[R]. Working Papers， 2012.

[8] Giordana G A， Schumacher I. Bank liquidity risk and monetary policy：empirical evidence on the impact of Basel III liquidity standards[J]. International Review of Applied Economics， 2013， 27（5）： 633-655.

[9] Schmitt E. Liquidity gap report for stress testing structural liquidity risk[J]. International Journal of Financial Management， 2017， 7（4）：44-53.

[10]裘翔. 期限错配与商业银行利差[J]. 金融研究， 2015（5）： 83-100.

[11]彭建刚，王佳，邹克. 宏观审慎视角下存贷期限错配流动性风险的识别与控制[J]. 财经理论与实践， 2014， 35（4）： 2-8.

[12]王一鸣，梁志兵. 期限错配， 流动性危机和资产价格——理论模型和数值模拟[J]. 南方金融， 2015（3）： 21-26.

[13]易浩. 从期限错配看商业银行流动性风险[J]. 金融经济， 2016（6）： 19-23.

[14]Arora A， Kohli H K. Liquidity risk and asset-liability management： a comparative study of public and private sector banks[J]. IUP Journal of Applied Finance， 2018， 24（4）：18-23.

[15]钟永红，曹丹蕊. 中国上市银行流动性风险综合评价[J]. 金融论坛， 2013 （1）： 15-19.

[16]刘志洋，宋玉颖. 商业银行流动性风险与系统性风险贡献度[J]. 南开经济研究， 2015， 1（1）：131-143.

[17]Imola D. Financial risks analysis for a commercial bank in the romanian banking system[J]. Annales Universitatis Apulensis： Series Oeconomica， 2012， 14（1）： 164.

[18]沈沛龙，闫照轩. 商业银行流动性缺口管理的改进方法及实证分析[J]. 金融论坛， 2011， 16（3）： 10-15.

[19]Andrén N， Jankensgrd H， Oxelheim L. Exposure-based cash-flow-at-risk： an alternative to VaR for industrial companies[J]. Journal of Applied Corporate Finance， 2005， 17（3）： 76-86.

[20]Fall M， Viviani J L. A new multi-factor risk model to evaluate funding liquidity risk of banks[J]. European Journal of Finance， 2016， 22（11）： 985-1003.

[21]Berkowitz J. Incorporating liquidity risk into value-at-risk models[J]. Journal of Derivatives， 2000，5：32-44.

[22]Garleanu N， Pedersen L H. Liquidity and risk management[J]. American Economic Review， 2007， 97（2）： 193-197.

[23]Varotto S. Liquidity risk， credit risk， market risk and bank capital[J]. International Journal of Managerial Finance， 2011， 7（2）： 134-152.

[24]Acerbi C， Tasche D. On the coherence of expected shortfall[J]. Journal of Banking & Finance， 2002， 26（7）： 1487-1503.

[25]刘晓星，王金定. 我国商业银行流动性风险研究——基于 Copula 和高阶 ES 测度的分析[J]. 广东商学院学报， 2010， 25（5）： 26-33.

[26]任庆华，陈平，李科. 商业银行流动性风险的信贷维度分解： 模型与实证[J]. 金融经济学研究， 2013（2）： 120-128.

[27]李政，梁琪，方意. 中国金融部门间系统性风险溢出的监测预警研究——基于下行和上行ΔCoES指标的实现与优化[J]. 金融研究， 2019（2）：40-58.

[28]Hanson S G， Shleifer A， Stein J C， et al. Banks as patient fixed-income investors[J]. Journal of Financial Economics， 2015， 117（3）： 449-469.

[29]Bai J， Krishnamurthy A， Weymuller C H. Measuring liquidity mismatch in the banking sector[J]. Journal of Finance， 2018， 73（1）： 51-93.

[30]Krishnamurthy A， Vissing-Jorgensen A. The impact of treasury supply on financial sector lending and stability[J]. Journal of Financial Economics， 2015， 118（3）： 571-600.

[31]Hutton A P， Marcus A J， Tehranian H. Opaque financial reports， R2， and crash risk[J]. Journal of Financial Economics， 2009， 94（1）： 67-86.

[32]Gallitschke J， Seifried S， Seifried F T. Interbank interest rates： funding liquidity risk and XIBOR basis spreads[J]. Journal of Banking & Finance， 2017， 78：142-152.

[33]Praet P， Herzberg V. Market liquidity and banking liquidity： linkages， vulnerabilities and the role of disclosure[J]. Banque de France Financial Stability Review， 2008（2）：95-109.

[34]Matz L， Neu P. Liquidity risk measurement and management： a practitioner's guide to global best practices[M]. John Wiley & Sons， 2006.

（責任编辑：宁晓青）