熊一鹏，熊正德，姚 柱,2

(1.湖南大学工商管理学院，湖南 长沙 410082；2.同济大学经济与管理学院，上海 201804)

1 引言

“压力测试”最早是在20世纪90年代中期由国际证券监管机构组织提出，是指市场在极端不利的情形下，分析对银行资产组合的作用效果。它主要用于评估在遇到宏观经济环境重大变化时，资产组合的脆弱性以及损失的严重程度，因其衡量金融危机等极端环境下的风险特性，成为VAR等传统模型的重要补充，并受到零售银行的愈发关注[1-2]，应用亦愈发广泛[3-4]。被巴塞尔委员会指定为识别、计量和控制流动性风险的重要工具。压力测试通过计算资产组合在异常情况(即压力情景)下的潜在损失，可以将风险更透明化地展示，帮助金融机构决定资本配置的一系列模型和管理系统。新资本协议(NCA)要求银行建立“评估资本充足率的健全的压力测试过程”，要求压力测试应包括：(1)确定可能发生的事件或经济状况将来的变化(如经济或行业衰退、市场风险事件)等情况，这些情况可能会对银行的信用风险暴露产生不利影响；(2)评估银行在多大程度上能抵御这种变化。银监会亦提出了类似的要求：银行应建立压力测试框架，以有效管理资本，使得在经济周期各个阶段持有足够的资本抵御风险。按照巴塞尔委员会的要求，压力测试不仅是一种风险分析方法(测算极端不利情况下的潜在信贷损失)，还是内部流程，因此金融机构应将压力测试纳入其风险管理流程并定期开展压力测试，为银行经营管理提供决策参考。

目前国内外对压力测试的研究主要集中在理论研究和实践应用两个方面。在理论研究方面，Cihák[5]和Matz和Neu[6]分别给出了压力测试的理论框架，并将压力测试分为敏感性分析和情景测试两种，在进行压力测试之前，首先应该构建压力情景。Swinburne[7]等分析了微观压力测试与宏观压力测试的区别，并对宏观压力测试方法进行了比较。巴曙松和朱元倩[1]通过总结国内外大量的文献和调查报告，对压力测试的定义、国际实践经验和执行流程等方面进行总结，归纳出压力测试的优缺点及在数据较少的国家如何有效地实施压力测试的方法进行了阐述。Hale和Krainer[8]研究了压力测试如何衡量银行在不利条件下生存的能力，认为其完全取决于使用的统计建模方法，银行可以利用贷款特征的数据来准确估计个人违约风险，但需要利用好压力测试的宏观经济场景、银行各项投资报告等资料，这时将模型应用于中间水平的数据的中间道路方法能够产生准确和稳定的结果。盛斌和石静雅[9]通过研究压力测试在我国的适用性问题，提出压力测试应作为银行整体治理和风险管理文化的重要组成部分，同时银行应详细制定方案中的定性与定量标准，并定期审核压力测试方案等建议。此外，还有Kieran、Ondera等[10-14]学者分别从模型构成、金融环境、多主体建模、反向压力测试等方面对压力测试进行了研究。

在实践应用方面，丁建臣等[15]通过分析美国、欧洲、日本等银行在进行压力测试时存在的缺陷(如组织工作松散、测试范围相对狭窄、情景假设保守、测试标准单一、测试方法僵硬、测试结果应用局限及测试信息披露封闭)，有针对性的提出：构建高效银行压力测试评估体系、完善测试的方法与技术、强化测试信息披露、统一测试标准和发挥测试风险预警作用。也有学者以某商业银行为对象，通过模拟即时融资能力，评估备付率是否能处在安全临界点以内，来判断压力测试有效性[16]，并通过历史模拟法，选择相关因子和设计情景，对某商业银行进行流动性压力测试，同时对相关情景参数进行回测和对测试模型进行反馈与重估。彭建刚等[17]基于系统性风险防范的金融压力测试新理念，构建了多元风险因子模型，对不同行业信贷资产间的违约相关性展开了研究，构建了基于行业相关性的信用风险宏观压力测试方法，提出应根据宏观经济因子的周期性变化规律设置宏观压力测试情景。王天宇和杨勇[18]基于信贷组合观点理论来构建信用风险宏观经济压力测试模型系统，通过筛选出对商业银行风险产生影响的宏观经济变量及案例分析得出，该模型对分析我国商业银行在宏观经济压力下的信用风险具有一定的适用性。此外，还有Aboagye和Ahenkora[19]、Dua和Kapur[20]等学者对加纳、印度等地方的银行展开压力测试，并提出了一些针对性的建议。

综上，国内零售银行压力测试方法暂时还没有完全统一标准，各种测量模型在不同的情景设置下的适用性还需要进行进一步的检验，且结合国内宏观经济变量探讨对零售银行信用风险的研究更是少之又少。本文根据某商业银行(下文简称“A银行”)零售信贷产品业务发展规划和风险偏好，依据我国宏观经济运行规律，结合A银行零售信贷产品政策和业务运作模式，以及相关历史数据的可获得性，设计零售信贷组合的压力测试方案，为完善我国金融系统稳定性评估体系提供借鉴。本文的创新点在于：(1)将宏观经济因子引入宏观变量预测模型，并考虑商业银行零售信贷产品住房按揭PD；(2)在考察宏观经济和商业银行实际情况的基础上，按照确定的压力因素和压力指标设计了压力情景；(3)运用对VAR模拟训练和高阶项回归等方法，较为准确地判断了零售银行客户的违约概率。

2 研究设计

根据银监会规定，银行可采用敏感性测试和情景测试两种主要压力测试方法。敏感性分析旨在测量单个重要风险因子或几个联系较紧的因子对银行风险暴露和承受能力的影响，要求假设的变动程度应达到足够的波动幅度，以反映极端情况对银行的影响。情景分析是指测量多个风险因子对银行风险暴露和承受能力的影响，主要考虑不同风险因子之间的相关性。

2.1 风险因素的确定

确定风险因素是为了解压力情景下受到影响的所有表现要素，如违约概率(Probability of Default，PD)、违约损失率(Loss Given Default，LGD)、利息、资金成本等，这些表现的驱动因素可能包括定价、贷款需求、批准、启用及流失率、资金成本、预期ROE、资本结构决策、PD、LGD、贷款策略等，银行应找出需测试的主要风险因素。为此，银行需分析这些风险因素彼此之间的相关性，以及与宏观经济因素的相关性。通常风险因素包括交易对手风险或债务人风险、行业集中度风险或行业风险、利率风险、市场风险或源自房屋价值、抵押资产价格的价格风险等。业内更常采用作为承压指标的主要风险因素是主要资产组合的信用风险参数(PD、LGD、EAD、经济资本)。考虑到PD受宏观经济因素影响较为明显[21]，房价波动和房贷规模影响银行安全[22]，当前针对PD进行风险压力测试的方法论(Thomas C.Wilson的Portfolio Credit Risk模型[23])较为成熟，同时鉴于不同类型的信用风险暴露的差异性，本文选取住房抵押贷款PD进行风险压力测试。

在确定住房抵押贷款的衡量指标时，本文采用银监会建议的压力因素，同时考虑建立银行统一压力情景的需求，并根据彭建刚等[17]、孙玉莹和闫研[24]关于压力测试中风险因素确定的宏观经济指标，初步筛选包括国内生产总值(GDP)、房产价格指数(HPI)、消费价格指数(CPI)、广义货币供应量(M2)、工业品出厂价格指数(PPI)和利率(IR)在内的宏观经济指标。通过将宏观经济指标和住房按揭PD进行回归模型，最终发现对住房按揭具有预测作用的宏观经济指标，具体指标情况如表1所示。

表1 宏观风险因子与情景

2.2 设计压力情景

压力测试情景设计非常重要，银行应吸取历史事件经验并根据压力测试目标的需要设计事件或开发假设情景，以反映最近市场动态中的风险。假设情景设计可采取自上而下或自下而上的方法。自上而下的方法，是假定一个危机事件，并确定该事件对风险因素的影响；而自下而上的方法，则是在没有设定任何具体危机情景的情况下，测试风险因素的直接变化。对于压力测试的目的，主要的挑战则是选择正确的情景，即更适合银行当前和未来潜在风险状况的情景。历史情景并不总是最好的解决方案(如：过去的经验并不反映当前合理的情景；或银行需要测试新的风险因素组合及其变化效果等)，因此，假设危机情景更切合实际情况。此外，用假设方法设计危机情景，分析人员可确保没有遗漏相关风险因素，且各风险因素中的同步变化是合理的。按照确定的压力因素和压力指标，设置压力情景如表2所示。

表2 压力情景假设条件设定

2.3 数据来源

本文的压力测试数据主要来自银行内外部数据，内部数据是指A银行内部系统提供的数据，通过微观层面进行逐笔分析获得，如违约率、违约损失率等。外部数据主要来源于国家和地方统计局等官方网站，具体数据长度和来源如表3所示。

表3 压力测试数据说明

2.4 选择假设条件

许多研究表明[25-27]，压力事件与经济衰退、缺乏流动性，对冲失败和快速蔓延的冲击等有相关性。风险根源与以下方面因素相关：交易对手(债务人偿债能力恶化、还款意愿的降低等对PD等方面造成影响)、环境(金融市场因素、行业、经济、监管、政治、社会、生态等方面)、模型(假设、持有期)、分析(相关性、转移矩阵、波动性)。对于每个压力测试工作，银行应完整考虑：压力测试的严重程度、持续时间和后续冲击、记录压力测试的假设(特别是每个压力测试所选择的风险因素)以及这些假设是如何形成的等因素。压力测试的类型一旦确定，就要确定压力测试的情景假定条件。

一些监管机构对压力测试提供了具体的指引(如银监会)，当前普遍做法是假定3种不同的“严重程度”，包括轻度压力、中度压力和严重压力。即使轻度压力也必须比正常状况要严重。设定压力强度的方法主要根据历史压力时期取值、历史数据分位数，在此基础上进行专家判断来确定。根据专家法，同时结合当前中国宏观经济形势和中国银监会设定标准[27]，本次零售资产压力测试针对不同类型的压力指标采用如表3所示的压力情景设定，具体考虑如下：

(1) 国内生产总值(GDP)同比增长率。根据中国历年GDP增长率的历史数据分位数(仅观察1978年之后的数据)，可以设置GDP增长率的严重程度。由于当前时点(模拟施压时点)的GDP水平处于历史较低水平，因此采用历史压力情景的方法可能不能充分体现施压的程度，鉴于此，本次设定GDP的压力情景时采用专家给定的方法，考虑历史上的GDP的整体水平，最终采用如下压力情景设定：轻度压力：GDP同比增长率下降5%；中度压力：GDP同比增长率下降10%；重度压力：GDP同比增长率下降15%。

(2) 房产价格指数(HPI)同比增长率。根据中国百城房价指数的历史分位数，采用历史情景法给定如下压力情景：轻度压力：HPI增长率-0.48%(历史数据的25%分位数)；中度压力：HPI增长率-1.57%(历史数据的15%分位数)；重度压力：HPI增长率-3.15%(历史数据的5%分位数)。

(3) 消费者价格指数(CPI)同比增长率。根据中国历年的消费者价格指数(CPI)的同比增长率的历史分位数，采用历史情景法给定如下压力情景：轻度压力：CPI增长率1.57%(历史数据的25%分位数)；中度压力：CPI增长率1.30%(历史数据的15%分位数)；重度压力：CPI增长率-0.98%(历史数据的5%分位数)。

(4) 货币供应量(M2)同比增长率。根据观察历史货币供应量同比增长率的变化趋势，可以发现当前的M2同比增长率处于历史较低水平，因此确定压力情景时采用专家给定的方式进行设定,也即在当前较低水平的基础上继续模拟施压：轻度压力：M2增长率降低5%；中度压力：M2增长率降低10%；重度压力，M2增长率降低15%。

(5) 工业品出厂价格指数(PPI)同比增长率。根据中国历年的工业品出厂价格指数(PPI)的同比增长率的历史分位数，采用历史情景法给定如下压力情景：轻度压力：PPI增长率为-2.72%(历史数据的25%分位数)；中度压力：PPI增长率为-4.56%(历史数据的15%分位数)；重度压力：PPI增长率为-5.97(历史数据的5%分位数)。

(6) 利率(IR)。根据观察历史利率的变化趋势，可以发现当前的IR处于历史较低水平，因此确定压力情景时采用专家给定的方式进行设定,也即在当前较低水平的基础上继续模拟施压：轻度压力：IR增长率提高5%；中度压力：IR增长率提高10%；重度压力，IR增长率提高15%。

2.5 压力传导模型

信用风险压力测试模型的传导机制有自上而下方法、自下而上方法以及自上而下和自下而上相结合的方式三种方法。

自上而下方法大多是用于宏观经济压力测试或测试对象的内部结构不是非常清晰的情况，它将所有测试对象组成一个整体，集中同时进行测试；自下而上方法是指在个体层面进行测试，再将测试结果汇总得出整体的结果。具体操作是通过在压力指标之间建立关系，并将单个测试结果通过处理汇总成最终的结果，这一压力测试的结果比较精细和相对客观；自上而下和自下而上相结合的方式是指通过专题讨论的方式，由专家根据历史经验和主观判断，在分析目标资产组合的构成特征的基础上，得到承压指标的最终取值[28]。

目前，国际上常用的压力测试统计模型框架源有Thomas C.Wilson的Portfolio Credit Risk模型[23]，以单风险因素模型的具体步骤如下：

第一步，对违约概率进行Logit转换：

(1)

其中PDt表示某个时刻t的违约概率。

第二步，建立VAR(Vector Auto Regression)模型预测风险因子：

xi,t=γi+xi,t+1+xi,t-2+…

(2)

其中(x1,x2,x3,…,xn)是自变量向量，代表多个风险因子。

第三步，求解线性方程：

(3)

通过求解式(1)-式(3)，再将压力测试情景导入即可计算承压指标的运算结果。

与非零售风险暴露不同，零售风险暴露的分池驱动因素多为人口信息(婚姻状况、教育程度、行业信息、地区等)、借据信息(贷款期限、还款方式、账龄等)、还款信息(最近12个月的平均还款率等)、逾期信息等，驱动因素较为复杂且受宏观经济因素的影响程度不如非零售风险暴露明显，因此，零售风险暴露不建议选择自下而上的方法，而是选择自上而下的方式，首先对每个产品组合通过自上而下方法就按从压力因素到承压对象间的影响，进而得到压力因素(宏观经济变量)对整个零售风险暴露的影响结果。

3 实证分析

根据A银行获取的住房按揭贷款的月度数据，并进行每月PD计算，最终获取可用于压力测试的数据。数据时间长度如表3所示。

3.1 宏观变量预测模型

选取宏观经济指标的滞后1-5阶的组合以及住房按揭贷款的滞后1阶的值(进行逻辑转换后)与住房按揭的PD(进行逻辑转换后)进行线性回归的模拟[29]，观察拟合结果，选取对PD预测显著(显著性水平：0.15)同时符合经济规律(宏观经济指标对PD的影响和实际经济运行逻辑一致)的宏观经济指标的组合。通过将宏观经济指标和住房按揭PD进行回归模型，最终发现对住房按揭具有预测作用的宏观经济指标为：GDP同比增长率(X1)、HPI同比增长率(X2)和CPI同比增长率(X3)。

3.2 宏观经济因子VAR模型训练

选取第一步确定的宏观指标组合进行VAR模型计算，通过观察不同滞后阶数组合VAR模型的AICC值，确定预测能力最强滞后阶数的变量组合(AICC值最低)，故选取GDP、HPI、CPI进行VAR模型计算。表4为滞后阶数为1-8时VAR模型的AICC统计指标结果，通常这一指标越小，表明模型预测效果越好。从上述结果可以看出阶数为6时模型预测能力最好，对应的各变量系数如表5所示：

表4 住房抵押贷款不同阶数时AICC指标结果

3.3 宏观经济因子高阶项回归方程构建

根据第一步的回归结果，最终选取满足显著性水平要求，同时滞后阶数较低的变量组合作为最终的线性回归模型的入模变量。本次回归模型构建过程中，不仅考虑了对住房按揭贷款PD具有预测作用的宏观经济变量，同时还考虑了上一个月的PD值对本月PD(即预测的PD)有影响作用，故选择了预测变量自身的滞后1阶值作为模型变量。

本文通过对线性方程式(3)的求解，得到PD与宏观经济变量的关系，考虑到通常宏观因素对PD的影响有一定的滞后效应，故本文对不同的宏观变量选取不同的滞后时点进行尝试。

具体的尝试方法为：对确定三个宏观变量作为回归变量，在每种尝试情况下，遍历每个回归变量从过去1个月到过去6个月的所有情况，从中选择回归结果最为显著同时对压力情景最为敏感的结果(如表6)。

从表6可以看出：(1)每个回归变量的系数符合压力场景中宏观变量的含义(GDP同比增长率、CPI同比增长率、HPI同比增长率的系数均应为负值，而预测变量的自身滞后1阶值的系数应为正值)；(2)变量满足同统计检验的显著性水平要求(本次设定的显著性水平为P值低于0.15)；(3)回归结果较为显著且对压力情景较为敏感。从而确立的模型为：

(4)

表5 住房抵押贷款VAR模型参数估计值

续表5 住房抵押贷款VAR模型参数估计值

3.4 PD模型预测测试结果

根据之前设定的压力场景，在某一确定时点进行施压，观察之后6个月PD的变化情况，并与未施压场景下的PD结果进行对比分析。再对2016年12月的宏观经济数据依照设定进入不同程度的压力情景，并在后续6个月中依照VAR模型的结果进行预测，得到压力情景下的PD测试值如表7所示。

表7 不同程度的压力情景下的PD测试值

同时，为方便观察不同压力情景下PD的变化值，本文亦画出其折线图(如图1)。

图1 不同压力情景下1月至6月PD变化值

从图1中可以看出，从施压时点开始，不同压力情景下的PD均开始缓慢增长的趋势，其中重度情景下的PD增幅最大，这说明本文选取的风险因子针对性较强，各宏观因子在压力测试中与PD的相关性较强，因而本模型可以较为准确的判断零售银行客户的违约概率，对零售银行规避风险具有重要意义。

3.5 稳健性检验

为进一步检验估计结果的稳健性，本文还对样本进行了调整。根据之前设定的压力场景，在某一确定时点进行施压，观察2017年6月之后6个月PD的变化情况，并与未施压场景下的PD结果进行对比分析。再对2016年12月的宏观经济数据依照设定进入不同程度的压力情景，并在2017年6月之后6个月中依照VAR模型的结果进行预测，得到压力情景下的PD测试折线图(图2)。

图2 不同压力情景下7月至12月PD变化值

从图2中可知，从施压时点开始，不同压力情景下的PD均开始缓慢增长的趋势，其中重度情景下的PD增幅最大，虽然增幅的程度与图1相比有所不同，但变化方向基本保持一致，这充分说明本文的实证结果是稳健、可信的。

4 结语

压力测试的结果有助于银行在高于第一支柱最低监管资本要求的基础之上运作业务，应用也愈发普遍。本文通过确定宏观经济因子，设计压力情景和假设条件，建立压力传导模型，以A银行的真实数据来验证针对零售信贷产品压力测试方案有效性。本文研究结论与贡献如下：

(1)有助于加强零售信贷领域风险管理。压力测试是商业银行信用风险的重要工具，亦是银行日常风险管理的一个重要环节。本文以A银行的实际情况为依据，在借鉴国内外理论研究与实践经验的基础上，基于宏观经济因子的周期性变化规律设置具有层次性的前瞻性的宏观压力测试情景，有效甄别GDP、HPI、CPI的有效性，首次构建并度量多元风险因子高阶模型对零售银行个人信贷违约率的影响，尝试构建了一套适合当前国内多数商业银行信用风险零售压力测试方法，以期望这套压力测试方法被应用在管理银行实践中，成为建立起各零售银行间信用风险计量和评估的标准，加强零售业务的风险管理，同时也为商业银行向零售银行转型提供了理论参考。

(2)开发了确定资本水平的有效工具。在回归模型构建过程中，系统性运用金融压力测试风险防范的新理念，不仅考虑了对住房按揭贷款PD具有预测作用的宏观经济变量，同时考虑到上一个月的PD值对本月的PD(即预测的PD)亦有影响作用，通过观察不同滞后阶数组合VAR模型的AICC值，确定预测能力最强的变量组合(AICC值最低)，在此基础上构建PD预测模型，得到住房抵押贷款压力测试结果，因而本文基于宏观经济因子高阶项构建PD预测模型的信用风险宏观压力测试方法可以作为确定零售银行逆周期缓释资本水平和留存缓释资本水平的有效分析工具。

(3)有助于持有足够的资本抵御风险。当银行业遭受宏观经济冲击，信贷风险通过机构之间相互影响，导致整个零售银行业信贷资产的风险价值增量可能会迅速加大；若不借助一些资本工具对其进行适当约束，这又会导致系统性金融风险的发生。本文实证演绎、描述、捕捉了这一压力传导过程，发现从施压时点开始，不同压力情景下的PD均开始缓慢增长的趋势，其中重度情景下的PD增幅最大，宏观压力测试从动态的角度对零售银行信用风险做出了准确的预测，这有助于在经济周期各个阶段持有足够的资本抵御风险，抑制信贷资产的盲目扩张和资产质量的恶化。

(4)对风险来源与作用机理的确定提供理论依据。通过多元风险因子来测算零售银行信用风险时能反映不同宏观经济指标与信贷资产间的违约相关特性，不仅能评估宏观经济冲击对某一零售业务信贷资产造成的直接影响，还可以评估这一影响引起的风险在其他零售信贷资产间的扩散效应，从而揭示出银行业系统性风险的主要来源及其作用机理。