信用风险宏观压力测试建模技术研究

1、信用风险宏观压力测试建模技术研究摘要：2008年全球金融危机爆发后，信用风险 宏观压力测试逐渐成为宏观审慎监管体系的重要组成部分， 用以评价一国金融体系面对系统性风险的脆弱性，有利于监 管部门提早制定应对措施。目前，信用风险宏观压力测试已 在全球主要国家得到推广和开展，压力测试技术方法不断得 到完善。然而，信用风险宏观压力测试发展时间较短，现有 技术模型仍在不断改进和提高，加之国内相关研究较少，因 而有必要加强信用风险宏观压力测试建模研究和经验总结， 以促进我国更好地开展银行业信用风险宏观压力测试。关键词：信用风险；压力测试；系统性风险；宏观审 慎监管中图分类号：f830. 1文献标识码：a文

2、章编号：1006-3544 (2013) 05-0011-07引言信用风险压力测试已成为金融机构风险管理的重要组 成部分，在极端事件风险管理、资本规划、业务发展战略等 方面得到广泛应用1 o然而，2008年爆发的金融危机使 得全球大型金融机构遭受重创，信用风险压力测试并没有使 金融行业很好地应对金融危机。巴塞尔委员会认为，此前进 行的压力测试，宏观压力情景假设要比现实宏观经济衰退 程度更弱、持续时间更短，而且忽视了经济体系间的相互影 响及反馈效应。由此，如何将系统性风险与金融监管、银行 压力测试有效结合起来成为新课题。近年来，宏观审慎金融 监管体系逐步形成，信用风险宏观压力测试在全球得到较 快

3、推广，用以评价系统性风险可能对银行业造成的影响，有 利于监管部门提早制定应对措施，提高银行业经营稳健性。 然而，信用风险宏观压力测试发展较晚，相关建模技术方法 仍处于探索和研究当中，全球范围内尚没有形成统一规范 或者最佳实践，世界主要经济组织、各国央行以及全球主要 金融机构都在不断完善信用风险宏观压力测试建模技术方 法。本文力图通过对全球信用风险宏观压力测试建模技术 方法及实践的分析，为我国金融监管部门及金融机构有效评 估系统性风险影响提供借鉴。一、信用风险宏观压力测试流程及实践分析信用风险宏观压力测试主要包括环境分析与制定压力 测试目标、设定压力情景、构建压力测试模型、重新评估压 力情景、压

4、力测试结果分析和报告等5个步骤。信用风险宏 观压力测试需要根据银行经营环境以及业务结构确定压力 测试目标，做到具体问题具体分析；银行根据已设定的压 力测试目标制定压力测试情景；压力测试建模部分包括宏 观经济模型构建和信用风险模型构建，压力测试建模非常关 键，直接关系到压力测试评估有效性；根据压力测试情景以 及模型进行压力测试和评估；银行需要深入分析压力测试 结果，并向监管部门、经营管理层汇报，以制定相关应对 措施2 o从信用风险宏观压力测试实施方式看，可以分 为自上而下和自下而上两种形式。自上而下的信用风险宏观 压力测试主要是由监管部门利用银行业整体数据实施的压 力测试。该模式能够对压力测试实

5、施统一的前提假设和建模 技术，保持了统一性，有利于行业间或国家间的相互比较， 而且实施起来简便、节省资源，但是该模式忽略了金融机构 间的差异性，无法判断各金融机构压力情景下的表现3。该模式适用于金融机构微观数据不足的情况。自下而上的信 用风险宏观压力测试是由各金融机构自行开展信用风险宏 观压力测试，然后将压力测试结果上报汇总至监管部门。该 模式的优势在于能够充分体现各金融机构的差异性，更真实 地反映金融行业存在的脆弱性；能够充分利用金融机构内部 良好的信用风险管理工具，取得更好的压力测试效果，有利 于金融机构为极端事件做好充分准备。然而，该模式由金融 机构自行设计压力测试情景及建模，导致压力测

6、试的可比性 较差，透明性降低，而且该模式实施起来也较为繁琐，需要 金融机构的密切配合3。自上而下和自下而上的两种信 用风险宏观压力测试实施方法并不相互排斥，而是相互验 证、相互补充的。在条件允许下，部分国家监管部门会同时 进行两种模式的压力测试，以提高信用风险宏观压力测试质 量和可信度。国际货币基金组织(imf)上世纪90年代末已开展了基 于系统性风险视角的信用风险压力测试，目前已成为金融部 门评估项目(fsap)、全球金融稳定性评估报告(gfsrs)的 重要组成部分，进而评价各国金融体系的稳定性4 o 2009 年，美国针对大型控股银行公司进行了前瞻性评估，确定银 行面临宏观经济压力下的资本

7、充足性o2010年.2011年，欧 盟也针对成员国的主要银行进行了宏观压力测试，评价银行 体系在欧债危机背景下受宏观经济冲击的脆弱性和资本充 足性。2010年，我国针对房地产市场泡沫可能引发的信用 风险，亦开展了相关压力测试，主要评价房价下降可能对银 行信贷质量的影响。信用风险宏观压力测试在全球主要国家 得到应用和广泛开展，信用风险宏观压力测试建模方法得到 不断完善和创新，并获得较多的研究和实践成果，进而支持 宏观审慎监管理念的落实。信用风险宏观压力测试理念和相关应用已取得较多成 果，然而作为信用风险宏观压力测试的核心部分一一压力测 试建模还存在很多不成熟、不完善的地方，这也是各国监 管部门加

8、强研究和推进的重要方面。信用风险宏观压力测 试建模包括宏观经济建模和信用风险建模两个部分。宏观经 济建模方面，监管部门需要事先将制定的压力情景转变为具 体的宏观经济指标波动，即首先预测未来一段时间内的宏观 经济走势，即基准情景，然后在基准情景基础上根据压力测 试情景需求对宏观经济施加压力，得到压力状态下的相关宏 观经济指标，这部分建模技术相对成熟。信用风险建模方面, 信用风险建模主要解决宏观经济压力情景向微观金融机构 传导的机制问题，即将金融机构信用风险因子与宏观经济指 标建立起关联关系，这部分建模技术方法发展相对不是很 成熟。下文将一一介绍宏观经济建模和信用风险建模技术 方法和实证研究成果。

9、二、宏观经济情景建模技术方法分析信用风险宏观压力测试首先需要解决宏观经济情景建 模问题，其建模方法主要包括结构性计量模型、向量自相关 回归模型（var）以及统计方法5。从实践看，很多监管 部门主要使用已有的经济预测模型构建宏观压力情景，在部 分情况下，现有宏观经济模型无法包括所有压力测试情景 指标，这就需要扩展已有模型。（一）结构性计量模型结构性计量模型是比较理想的宏观经济压力情景模型， 结构性模型是根据经济理论和现实经济关系，建立起宏观经 济主要变量和因素之间的关系。结构性计量模型能够囊括实 体经济部门、政府部门以及金融部门，进而能够进行政策 分析，有利于提升宏观经济模型的完整性和现实性。同

10、时， 结构性计量模型所得到的经济指标预测结果具有内在一致性。结构性模型最主要的形式就是动态随机一般均衡模型(dynamic stochastic general equilibrium, 简称 dsge)，dsge模型通常假定家庭或企业部门存在一个代表性个体、 理性预期和无摩擦的完全竞争市场，随着研究的深入，模型 假设逐步放松，逐步引入交易成本、粘性价格、垄断竞争、 信息不对称、有限理性预期、劳动力市场摩擦、金融市场摩 擦等假设，模型更加贴近现实经济运行状态。但是，结构性 计量模型本身也存在一定局限，主要是涉及众多方程式，模 型本身求解难度较大；由于多数用于分析货币政策的结构性 宏观经济模型都

11、是线性模型，该类模型可能无法捕捉压力情 景下各经济变量间的非线性关系，而且也很难给出特定宏观 压力情景出现的概率5-6 o一个简单的结构化计量模型可以表示为生产部门、居民部门以及政府部门的三部门方程组，即:其中，(1) - (6)式分别为生产函数、技术增长、资本累积、资源约束、效用函数、居民部门支出约束、政府支出 约束。y为产出量，k为资本，n为劳动力投入，？啄为折旧 率，i为投资，c为消费，g为政府消费，？准t为偏好系 数，w为实际工资，rt为资本税前报酬率，？子n为劳动收 入税率，？子k为资本收入税率，？追为定额税。代表性居 民通过选择资本、消费和劳动使效用最大化，而政府部门支 出资金主要

12、来自于劳动和资本收入税以及定额税。从实践看，瑞典、捷克、匈牙利、加拿大、罗马尼亚、 美国、法国等国央行的宏观经济预测模型都是结构性计量模 型，而且大部分为dsge模型。(二)var模型var模型也是使用非常普遍的宏观经济模型，具有简 便、灵活的特点，该模型不再区分内生变量和外生变量，而 是将所有变量视为内生变量，对于所有宏观经济指标的预测 具有内在一致性5-6。当var模型受到外部初始冲击的 时候，向量可以用来预测冲击对于整个经济指标的影响程 度。如果需要加入类似于结构性计量模型的经济结构关系， 还可以将基于经济、金融理论的变量之间的结构性关系引 入var模型，构造结构向量自回归模型(stru

13、ctural vector autoregression,简称svar),由此可以捕捉模型系统内各 变量之间的即时结构关系。型设置宏观经济压力情景。日本央行所使用的var模型 包含五个宏观经济变量，分别为gdp、通货膨胀率、银行信 贷余额、有效汇率、隔夜拆借利率，数据期限为1978年第 一季度至2008年第一季度，基于aic准则确定模型滞后阶 数为4阶7 o由于var模型脉冲效应对于变量的排序敏 感性很高，日本央行通过对模型变量排序施加递归约束，以 此确定模型的新息影响。除此之外，var模型还可以用于跨 国压力测试。castren et al. (2008)基于26个var模型 建立了 gva

14、r (global var)模型，gvar模型中国内和国外 宏观经济变量同时相互作用，以分析欧元区的信用风险 8。该模型使用的主要宏观经济变量包括实际产出、通货 膨胀率、实际有效汇率、长短期利率、石油价格。英国宏观 经济模型使用的是两个国家的gavr模型，两个国家为英国 和美国，其中英国表示为一个小型开放国家，而美国被看 作是其他世界经济部分。该模型宏观经济变量包括产出缺 口、名义短期利率、实际汇率、通货膨胀率。(三)统计模型oesterreichische nationalbank ( oenb )使 用多元 t-copula模型为宏观经济变量和金融变量建模，该模型的好 处在于一方面边缘分布

15、不同于联合分布，另一方面宏观、金 融变量之间呈现尾部相依性，有利于模拟极端压力情景 10。统计模型预测准确度较高，然而，统计模型并不利 于政策分析，无法获知政策传导渠道。从实践看，该类模型 在各国央行的实际应用中并不常见，更适合对于计量精度要 求更高的金融机构使用。三种宏观经济模型构建技术方法各有优势和不足，各国 央行及金融机构根据自身实际情况进行选择，主要还是根据 已有数据序列长度、模型预测准确性和稳健性综合进行考 量，最终选取更为合适的模型构建宏观经济压力测试情景。 从实践看，前两种模型应用范围较广，统计模型应用范围较 小。宏观经济模型之前就已开始应用于政策分析，建模技术 已相对成熟。三、

16、信用风险建模技术方法分析设定好宏观经济压力情景后，还需要建立宏观-信用风 险因子传导机制，即建立信用风险模型。这涉及三个主要方 面，第一是选取合适的因变量，第二是选择恰当的自变量， 第三是选择恰当的模型和传导机制。（一）信用风险模型变量选取分析1.信用风险因子选取分析因变量方面，因变量主要是用来反映金融机构信用风险 变化情况的指标，即信用风险因子。从实证研究看，不良贷 款率、信贷损失准备金率、违约率、信用转移概率等都经常 用来作为信用风险因子。然而不同指标仍有其自身的局限 性，不良贷款率属于滞后指标，一般要慢于经济周期变化； 而信贷准备率虽然也具有一定顺周期性，但是其人为调整的 因素更大；违约

17、率相对更为理想，但是由于数据累积受到很 大限制，尤其是发展中国家，银行违约率数据序列累计相 对较短，经常不能满足建模需求；信用转移概率数据累计 也相对不足，在实证研究中较少得到应用5-6。当然， 因变量的选择还是要根据具体情况来看，例如在我国，由于 银行业经历过不良资产剥离的情况，因而不良率并不适合构 建模型需要。因变量的选择还涉及数据层次的选择，因变量 选取涉及行业层次和微观层次两个方面。如果相关信用风 险因子数据较少，一般使用行业整体数据建模；如果信用 风险因子微观数据较丰富而且可得，那么信用风险建模就会 使用银行机构微观层次数据。奥地利、加拿大使用了行业违 约率作为因变量，匈牙利、捷克使

18、用不同资产组合作为因变量，而保加利亚、斯洛伐克则根据企业部门和居民部门的违 约率数据分别构建信用风险模型6。上述提及的 信用风险因子都是基于历史数据，具有后向性质，无法很好 地预测未来。预期违约概率(expected default frequencies, edf)具有前向性质，能够预测未来企业违约 的可能性。edf是根据kmv模型计算得到的，kmv模型是基 于默顿模型演变而来的，默顿模型最早由默顿于1974年提 出，将期权定价理论运用于贷款定价，并将违约债务看成是 企业资产的或有权益，认为某个企业的资产价值低于债务价 值时将发生违约。默顿结构模型的核心在于公司价值的波 动性是公司违约的主要

19、来源，当公司价值下降到一定边界值 时，就会违约。基于默顿模型和b-s模型，kmv公司成功开 发了基于市场信息的kmv模型，广泛应用于银行和其他金 融机构对于违约概率(pd)的预测11 o kmv模型根据s 模型可得等式：由上述公式可以看出，资产价值、资产风险、杠杆是决 定公司违约的三大主要因素，而上述模型参数可由公司的股 票价格、其波动性和账面债务求得。asberg and shahnazarian (2008), casen, fitzpatrick and sydow (2008)均使用edf作为银行信用风险因子12-13。asberg and shahnazarian (2008)分析了

20、瑞典非金融上市 企业的edf,并将所有企业edf中位数与工业生产指数、消 费者价格指数、短期利率建立相关关系，利用vecm模型检 验了信用风险与宏观经济的关系。实证研究表明，利率对edf 的影响最大，工业生产指数下降或者通货膨胀上升会导致 edf 上升。castr7 en, fitzpatrick and sydow (2008)用 欧元区公司edf的中位数衡量信用风险，并根据8个行业部 门分别计算edf。其模型将edf的解释变量确定为股价、gdp 等5个宏观经济变量。kmv模型具有一定前瞻性，相比利用 历史数据构建的信用风险建模，具有一定优势，不过edf数 据需要企业公开上市，这样才能获得其

21、股价变动的信息，然 而现实中银行客户中有很大一部分，尤其是很多中小企业， 均为非上市公司，这部分企业是无法应用kmv模型的。2.宏观经济指标分析自变量方面，自变量主要是宏观经济指标，由于各个国 家经济环境、银行业业务结构不同，所使用的宏观经济指标 并不相同。一般而言，gdp、通货膨胀率、汇率、利率指标 都是各国常用的，还有一部分则是个别国家使用的，诸如房 价、居民收入等。一般而言，当宏观经济处于繁荣时期，公 司违约率较低，但公司倾向于过度承担风险；当宏观经济处 于衰退期时，公司前期所承担的风险无法消化，违约率会大 幅上升。违约率与gdp的变化并不是同步，存在一定时滞。 实证研究都对gdp做了处

22、理，多数使用gdp增长率，也有实 证研究使用gdp-阶方差。实证研究结果表明，gdp确实与 违约率存在显著的负相关关系，这种影响具有普遍性。现实 中所能使用的利率形式有很多，诸如银行间借贷利率、市场 利率、基准利率、实际利率等，实证研究中并没有统一的形 式。然而，实证研究的结论具有一致性，认为利率与违约率 存在显著的正相关，而且diana bonfim (2007)研究认为建 设部门与利率的相关性最为显著14。利率对违约率影响 的机制在于，利率上升时，公司债务负担将增加，更容易出 现违约行为。通货膨胀与违约率为正相关，表现为通货膨胀 高时，货币政策会收紧，经济景气度将下降，企业债务偿付 能力将

23、下降；通货膨胀较低时，货币政策将放松，企业经营 景气度将逐步提升，债务偿付能力会进一步上升，违约率会 下降。(二)信用风险建模技术方法分析模型选择方面，宏观压力情景传导模型一般包括线性回 归分析、非线性回归模型、var模型以及综合性模型等等。 目前，宏观经济与信用风险因子的内在关系研究尚不充分， 这为构建信用风险模型增加了难度。1. 线性回归分析最小二乘法(ols)是最基本的线性回归模型，deventer (2005)通过线性回归分析对澳大利亚银行、日本三菱银行 及韩国、美国多家大型银行的研究表明，宏观因素影响着信 贷利差，从而意味着它影响银行信用风险15。但是，线 性回归并不能很好捕捉两个变

24、量之间的关系，在现实研究中 线性回归应用较少。为了改进简单ols回归可能产生的模型误差，金融机构 数据充足的国家可以使用面板数据分析模型，用以对主要金 融机构建立信用风险模型。希腊中央银行利用经济增速、失 业率、实际信贷利率等宏观经济变量，以及总资产、市场势 力、存贷比等银行特征变量，对不良贷款率进行面板数据分 析。波兰中央银行利用面板数据预测各个银行的信贷损失准 备金率，该模型所使用的宏观解释变量为3个月银行间拆借 利率、gdp增速、实际工资变动率，还包括银行特定解释 变量。lehmann and manz (2006)使用信贷准备金率衡量各 个银行的信贷质量，基于静态或者动态面板数据模型进

25、行 建模，模型以各银行特征变量作为控制变量，反映各银行对 于宏观经济变动的敏感性16。2. 非线性回归模型w订son (1997)、boss (2003)设定宏观经济因素和贷 款违约率之间的非线性关系，使用logit模型将贷款违约 率转化为宏观综合指标y,以指标y作为因变量与宏观经济 因素进行多元线性回归分析，以更好地利用各宏观经济指标 所提供的信息17-18。该模型可以表示为：其中，pt为贷款的平均违约率，yt是pt经过logistic 函数转换得到，xt为主要宏观经济变量，？琢为解释变量的 系数。（18）式各宏观经济变量的时间序列模型，考虑各宏 观经济变量可能存在滞后性，因而对其进行p阶自

26、回归分析。 模型中假定？滋t和？着t序列不相关。该模型一是考虑了 宏观经济变量对信用风险的滞后效应；二是考虑了金融体系 对宏观经济的反馈效应。wilson （1997）用各工业部门违约概率与一系列宏观经 济变量的敏感度直接建模，通过模拟将来违约概率分布的 路径，得到了资产组合的预期损失，进而模拟出在宏观经济 波动冲击下的违约概率值。boss m （2004）利用w订son提 出的模型，根据加总的企业违约概率估计出宏观经济信贷模 型来分析澳大利亚和芬兰银行部门的压力情景。目前，基于 w订son模型的宏观压力传导机制得到广泛应用。国外方面, imf对各国银行体系稳健性评估、各国央行自身风险评估以

27、及部分学术研究都使用该模型；国内方面，华晓龙（2009）、 沈阳、马望舒（2010）对我国商业银行信用风险宏观压力测 试也都运用了该模型19-20。3. var模型var模型除了用于前述的宏观压力情景设定外，也逐步 应用于信用风险模型，并且取得了较好的效果。alessandri et al. (2007), marcucci and quagliariello (2008)使 用违约率基于var模型分别构建了住户部门和工商部门的信 用风险模型21-22 o其中，公司部门模型的变量包括违 约率、产出缺口、通货膨胀、短期利率和实际汇率5个指标。 在结构设置方面，两个模型认为违约率滞后于宏观变量。其

28、 研究通过脉冲响应发现，除了通货膨胀其他宏观经济指标均 对违约率具有非常重要的影响。glenn hoggarth et al.(2005)通过var模型建立了英国银行信贷核销率与产出 缺口、通货膨胀率、名义短期利率的内在联系。实证研究认 为，信贷核销率与产出缺口、通货膨胀率成反向关系，与名 义短期利率成正向关系。而且，不同经济部门信贷核销率受 到的宏观经济变量的影响是不同的，非金融企业部门的信 贷核销率对产出缺口变化非常敏感，而居民部门信贷核销率 对于收入的变化更为敏感。匈牙利中央银行使用var模型分 别对公司部门贷款和商业房地产贷款进行建模，其中公司部 门模型的解释变量为gdp增速、通货膨胀

29、率、名义有效汇率、 同业拆借利率。相比回归分析，var模型是近年来才刚刚开 始应用于信用风险建模的，因而应用范围有限，不过随着 var模型在信用分析建模方面的优势逐步得到显现和认可， 未来该模型应用范围有望得到不断扩展和延伸。4综合性信用风险模型上述信用风险模型仅是研究了信用风险因子与宏观经 济的关系，而没有考虑到金融机构之间的风险传染效应， 也忽视了金融体系对于宏观经济形成的反馈效应。因此，近 年来，更多的学术研究从经济金融理论出发，致力于构建更 加综合化的信用风险模型，使信用风险模型更加接近现实 状态。金融危机发生后，金融监管部门逐渐认识到，评估系 统性风险还需要进一步考虑不同风险因子之间

30、的关联关系 以及金融体系内的传染风险。传统的信用风险宏观压力测 试并不包含这些系统性效应，诸如同业拆借市场或者批发性 融资市场的崩溃、市场流动性和银行资金流动性风险之间 的反馈效应等等。最早出现的综合性压力测试模型是 oesterreichische nationalbank的系统性风险管理系统 (systemic risk monitor,简称srm),该系统通过统一信 用风险和市场风险的网络模型，评估银行违约概率23。 外部冲击对信用风险和市场风险敞口的冲击可能诱发银行 违约，在一个网络模型中会导致银行间风险的传染。另一 个相类似的模型是英格兰银行的ramsi模型21 o ramsi 包括

31、一个用贝叶斯var模型制定宏观经济情景、信用风险、 市场风险与净利息收入的银行间网络模型，以及一个模拟 资产迅速出售的价格函数。srm和ramsi模型均没有包含银 行对实体经济的反馈效应，ramsi模型包含了来自流动性风 险的反馈效应。在加拿大央行的模型中，资金流动性风险 是市场流动性、违约风险以及银行资金结构之间相互作用 的结果。daniel buncic and martin melecky (2012)根据全球 金融危机的教训，提出了一个新的、实用的宏观审慎压力测 试模型。该模型包括6个组成部分，一是根据一国特定统计 模型和跨国危机经验制定宏观压力情景；二是因外汇敞口而 产生的间接信用风

32、险；三是各银行不同的授信标准；四是 压力时期违约概率和违约损失之间较高的相关性；五是信 贷集中性以及剩余期限对于未预期损失产生的负面影响； 六是使用资本充足率作为衡量银行抵御系统性风险的指标。除了上述模型和研究，金融部门与实体经济之间的反馈 效应也得到更多关注，金融体系对实体经济的反馈效应主要 通过需求和供给因素实现25 o从需求端看，居民和企业 金融条件的恶化将会冲击到消费和投资需求；从供给端看， 借款者信用水平的降低将会促使银行提高授信标准，增加融 资成本。von peter (2009)建立起一个有效解释宏观经济 与金融间稳定关系的框架26。他尤其分析了由于宏观经 济冲击导致信贷损失后，

33、银行为了满足资本充足性会限制 信贷供给，这将如何影响宏观经济o goodhart, sunirand and tsomocos (2003)也提出了研究金融部门与实体经济之间 反馈效应的框架27。他们将金融脆弱性视作一种均衡问 题，即银行需要权衡信贷、投资机会的成本收益。在此框架 下，金融部门遭受冲击进而会通过信贷收缩影响到实体经 济。不过，整体看，当前综合性信用风险模型仍没有很好地 包含金融体系与实体经济之间的反馈效应。综合性信用风险宏观压力测试模型的不足在于，模型结 构的复杂性使得因果关系以及最终的结果透明性不高。因 此，该类模型可能会违背宏观压力测试的一些基本原则， 诸如模型需要足够简洁

34、、透明，具有弹性便于政策制定者和 公众进行沟通。另一方面，综合性模型包含了多种传导机制 以及反馈效应，能够更加完整地反映违约事件的可能影响。信用风险建模从简单到复杂，各有优势和劣势，简单模 型假设较少，压力测试所含有的误差较低，但是可能无法达 到更为深刻的研究目的；而复杂模型能够更好地刻画信用风 险和宏观经济变量之间的关系，但是复杂模型本身已包含了 一定前提假设，因而模型结果可能存在一定误差。不管怎样, 各种模型之间并不是完全排斥的，而是可以相互印证和补充 的。四、信用风险宏观压力测试建模方法所面临的难题实际上，信用风险宏观压力测试实践不长，尤其是在金 融危机后，监管部门加强了宏观审慎监管，同

35、时新巴塞尔协 议也强调金融机构要通过压力测试确保资本充足性。因而, 现在信用风险压力测试备受监管部门、金融机构重视，不断 有创新方法涌现。然而，当前信用风险宏观压力测试建模还 存在一定缺憾和不足之处，这也为未来信用风险宏观压力测 试建模研究指明了方向。1.信用风险宏观压力测试建模方法尚不完善。(1)当 前信用风险压力测试模型缺少反馈效应。当前信用风险压力 测试建模中仅考虑了宏观压力情景对金融体系的影响，但 是没有考虑到金融机构所进行的自我调整，从而反过来影响 宏观经济，进而形成反馈效应。诸如，宏观经济下滑，金融 机构风险增大，面临收入、资本充足率下降等难题，势必会 提高授信标准，降低信贷增速，

36、这会反作用于宏观经济，有 可能导致经济进一步衰退，进而再一次将宏观经济压力传 导到金融体系。现有信用风险压力测试缺乏对反馈效应的考 虑，或者对于反馈效应的构建过于简单，这也使得当前信用 风险压力测试表现为静态测试，而非动态测试。(2)当前信 用风险压力测试缺乏传染效应。当前信用风险压力测试过程 中，单个金融机构仅考虑自身情况，或者将整个行业作为 一个互不相关的整体，然而从现实情况可以看出，金融机构 信用风险具有一定传染性，尤其是挤兑风险。同时，随着全 球经济一体化进程的加快，各国经济、金融联系日益紧密， 信用风险传导的渠道更加多样化，尤其是不同国家之间的 传导渠道也更为通畅，这对于金融行业较为

37、开放的国家尤其 如此。当前，信用风险压力测试并没有考虑上述传染效应， 这显然并不符合现实情况，因而压力测试缺乏可信性和实用性，对于危机的考虑不够充分。2.压力测试模型尚没有正确的考虑到危机时期非线性或者结构性断裂关系。当 前信用风险压力测试建模多为非线性回归或者var模型。然 而，实证研究发现，当危机来临或者市场处于压力情境下， 宏观经济变量与金融风险指标通常是非线性的，甚至会发生 一定跳跃或者结构性断裂，这种特殊关系是现有模型并没有 充分考虑到的。3. 宏观经济变量与金融风险指标关系仍有待探索。从 现有的模型看，多数模型都是解决违约率、不良贷款率与宏 观经济指标的关系，而对于lgd、ead等

38、风险指标，因受到 数据限制，相关研究很少，在压力测试中的应用也不多，很 多时候都是采用常数数值，这种简便方法可能会低估风险的 存在。4. 信用风险压力测试模型缺乏完善的校正。除了上述 模型不完整、不完全等情况，更为关键的是，当前的信用风 险压力测试模型缺乏有效的评估和回测检验。由于当前金融 风险与宏观经济变量建模时间短、相关数据累积较少，甚 至尚无法覆盖完整的经济周期，这使得所构建的模型可能有 所偏颇，甚至存在较大的模型风险。因而，不能为了计算结 果而建模，而是要使建模具有真正的现实意义，其结果经 得起推敲和现实检验，否则建模的意义就不大了。五、政策建议我国信用风险宏观压力测试刚刚起步，尤其是

39、在建模技 术方法方面发展相对滞后，未来还需要加强此方面的工作, 政策建议如下：第一，重视信用风险宏观压力测试。一方面，信用风险 宏观压力测试是新巴塞尔协议对于使用内部评级法的金融 机构的重要要求，以此确保金融机构资本保有的充足性；另 一方面，信用风险宏观压力测试也是监管部门落实宏观审慎 监管的重要切入点和抓手。目前，基于宏观审慎监管的信用 风险压力测试在我国开展仍处于起步阶段，监管部门要加强 信用风险压力测试的常规性推进，做到每年、每季度定期性 有效开展，以此确保我国银行业有效应对外部系统性风险的 冲击和稳健经营。第二，加强信用风险宏观压力测试理论研究。信用风险 宏观压力测试建模需要进一步深入

40、结合我国实际情况，加强 相关理论、实证研究，推进对于相关领域研究，进而不断探 索出适应我国国情的信用风险宏观压力测试模型。同时，还 需要加强与imf等国际金融组织及各国央行的合作和交流， 充分了解国际相关领域研究进展。第三，注重专业人才的培养。信用风险宏观压力测试专 业性较强，需要具有数据挖掘、金融理论、计量方法等多种 理论背景的专业人才，因而需要加强此方面专业人才的培 养，为信用风险宏观压力测试发展奠定人才基础和保障。第四，加强相关数据累积。信用风险宏观压力测试建模 涉及大量的基础数据，包括宏观经济数据、行业数据、金融 系统的相关数据、金融机构经营数据等等，而且建模对于数 据的质量和累积长度

41、也有很高要求，因而需要注重数据累 积，确保信用风险宏观压力测试的有效进行。参考文献：1 the committee on the global financial system. stress testing at major financial institutions： survey results and practicer. www. , january 2005.2 andreas a. jobst, li lian ong and chris tian schmieder. a framework for macroprudential bank solvency s

42、tress testing： applica.tion to s25 and other g20 country fsaps r imf working paper no. 68, 2013.3 jos e vi ? m als. macrofinancial stress testing一principles and practices r imf, www. imf. org4 marina moretti , st e phanie stolz , andmark swinburne stress testing at the imfr imf working paper no. 206

43、, .5 foglia, a. . stress testing credit risk： a survey of authorities approachesj international journal of central banking, vol.6, no. 2,2009.6 martin melecky and anca mar i a podpiera macroprudential stress-testing practices of central banks in central and south eastern europe r the worl

44、d bank policy research working paper, no. 5434. september2010.7 akira otani , shigenori shiratsuka macro stress-testing on the loan portfolio of japanese banksr. bank of japan working paper series ， no.09-e-l, march 2009.8 castren, 0. , dees , s. ， zaher, f. global macro-financial shocks and expecte

45、d defauit frequencies in the euro area, ecb working paper no. 875, 2008.9sklar, a.fonetions de repartition ?滋 a n dimensions et leurs margesj publications deinstitut de statistique de v universit ? e de paris, 8, 229-231, 1959.10 seidner, m. the systemic risk monitor and the macro stress testing at

46、the oenb： status quo and future developmentsr workshop “advances in stress testing in central and south eastern europev , thessaloniki, 19-20 may 2010.11 peter j. crosbie, jeffrey r bohn. modeling default riskrwww. kmv. com, 2002.12 asberg, p. , andh. shahnazarian. macroeconomic impact on expected d

47、efauit frequencyr sveriges riksbank working paper no. 219 , january 2009.13 castr' en, 0. ， s. d? ees, and f zaher. global macro-financial shocks and expected defauit frequencies in the euro arear ecb working paper, no. 875, february 2008.14 diana bonfim. credit risk drivers： evaluating the cont

48、ribution of firm level information and of macroeconomic dynamicsr. working aper, 2007.15 deventer dv , kenji ii credi t risk models and the b asel a ccordsm beijing : renmin university of china press, 2005.16 lehmann, h. , andm. manz. the exposure of swiss banks to macroeconomic shocks一an empirical in vest igat ion r . swiss nati onal bank worki ng paper no. 4. 2006.17 wilson tc. portfolio credit riskj risk, 1997, 9 (10)： 111-1701.18 boss m