【《A城市商业银行普惠信贷风险压力测试分析案例》7300字】

A城市商业银行普惠信贷风险压力测试分析案例目录TOC\o"1-3"\h\u27368A城市商业银行普惠信贷风险压力测试分析案例 1278491.1压力测试概念 1224291.2压力测试方法与流程 1210331.2.1压力测试主要方法 1194861.2.2压力测试流程 244461.3压力测试模型的构建与分析 362591.3.1模型的构建 3281971.3.2变量的确定和数据来源 476601.3.3模型估计与结果分析 5263491.4A城市商业银行普惠信贷风险压力测试 95371.4.1压力测试的情景设定 942191.4.2压力测试的执行情况 91.1压力测试概念压力测试的涵义为在已经确定好了测定时间点（T），基于已经有的以前的压力因子的基础上，即T时间之前的时间段。在极端情景的前提下，测试主体提出假设，构建所选取的压力因子在以后的时间点（T+1,T+2,...,T+N）或者是某一个时间区间中的测试模型，把假设的不同情景放入到构建的压力传导模型中，最后能够得出符合压力主体需求的测试结果。能够对城市商业银行的平稳健康发展产生直接影响的主要因素，被称为各种宏观经济因素的变动。如果经济波动能够在可控范围之内，城市商业银行信用危机发生的概率就会降低。宏观压力测试是信贷风险管理的主要评估工具，它的主要作用是对有发生可能性且发生概率很小事件给城市商业银行带来严重损失进行分析和防范，目的是保证可能造成银行资产严重损失得以避免；同时，对各种不同种类风险要素进行量化，在风险发生前进行防范和处置，尽量将风险发生的可能性降到最小化，在最大程度上减少资产损失。1.2压力测试方法与流程1.2.1压力测试主要方法（1）敏感性分析法单因子分析法是敏感性分析法的另一种名称，其作用是在其他风险因子不变的前提下，检测其中一个风险因子变化时，能够对城市商业银行信用风险水平产生的影响程度。敏感性分析法的研究对象是一个风险因子的变动对整个整体的影响水平，但是无法涵盖因子的滞后变量对整个体系的冲击程度。开展压力测试的过程中，因子的滞后变量，有可能对整体的压力测试的结果带来一定程度的影响。风险因子之间是没有任何关联的，但是其中部分风险因子之间存在相关性的可能性很大，这在这种情况下，该种方法的有效性和实用性在一定程度上会被削弱。（2）情景分析法多因子分析法是情景分析法的另一种称呼，因为整体信用风险水平会因为多个经济变量的变动而发生变动，所以，情景分析法主要包括两种方法，一种是假设情景分析法，另一种是历史情景分析法。历史情景分析法的原理，主要是在以前的历史数据中筛选出不利情况最严重的情景，所选取的情景一方面是历史数据中情况最差的情景，也可以是根据分位点选取的最相似的不利情景，测试主体的测试目的是所选择情景的根本依据。历史情景法的原理是基于以前的历史数据或者与此相关的数据是历史情景法的主要依据，一般包括三个步骤：首先，认真选取历史数据，确定开展压力测试需要的相关风险指标。其次，对历史数据进行分析，做出在不同压力情景下风险指标的分布，或者构建对风险指标的直观认识。最后，基于对风险指标的直观认识或历史分布，设定不同的压力情景。专家情景法是假设情景法的另一种名称，它在专家判断与经验的基础上，为驱动因子设定所需的压力情景。这种方法的好处是，它把目前的经济社会环境考虑进去，使得所设定的压力情景具备一定的前瞻性。通常，经济学理论是设定情景分析法应用的必要条件，同时考虑专家的经验，开展综合判断。但是这种方法有一个缺点，就是主观性比较强，根源是在这个过程中需要考虑实际的经济变量，同时也要把预期经济变量纳入考量的范畴。所以，假设情景法的实际应用意义不大。基于以上分析能够发现，压力测试能够应用的方法不少，然而某个商业银行在开展压力测试前需要选取那种方法不是随便选的，而是要结合该商业银行的测试目的和自身的特点，来选取适合自己的方法。前面分析的历史情景法，如果要选用这种方法，就要求该商业银行能够有以前发生过的相似历史时间和完整的数据，如果能够满足这个条件，就可以应用假设情景法开展压力测试。1.2.2压力测试流程压力测试的作用主要体现在两个方面：一是用作某特定时期性的测试来用，二是可以作为一个临时性的测试来使用。压力测试能够在多种不同的情景中进行使用：商业银行的风险管理部门开展某特定时期的测试时，商业银行对目标资产或者业务开展临时测试，另一种情况是金融监管者针对整个金融体系开展特定时期测试。在任何一种情景下，压力测试的流程是相似的。压力测试流程一般包括七个方面，如下图所示。确认数据的可靠性确认数据的可靠性确立压力测试的对象和范围定义风险因子设置压力情景选择压力测试方法进行压力测试计算压力损失压力测试评估结果报告图1.1压力测试流程图1.3压力测试模型的构建与分析1.3.1模型的构建在研究城市商业银行信用风险时比较适合应用Wilson模型，本章对Wilson模型进行认真分析，基于该模型，对其依次开展相应的检验，并进行回归分析，构建了能够有效研究城市商业银行信用风险的压力测试模型。Wilson模型的公式5-（1）、5-（2）、5-（3）：5-（1）5-（2）5-（3）不是一个单一指标，是由公式5-（1）即Logit转换获得的一个综合性指标；代表年度是t时的贷款违约率；代表宏观经济因子，这些因子对贷款违约率产生一定程度的影响；和代表压力测试模型的参数估计，也就是常数项。,代表模型回归方程中变量的系数，这些系数可以解释变量对解释变量的影响程度；代表模型回归方程的系数，这套系数可以对变量间自相关关系进行解释；t代表时点。从公式5-（1）中能发现，与之间的关系属于负相关关系；对公式5-（1）、5-（2）和5-（3）进行综合分析能够发现，能够说明各个变量与商业银行贷款违约率间的关系；但是，在公式5-（2）与5-（3）中加入滞后变量后，能够达到让模型与现实情况更加契合的效果，各个变量间相互影响的效用，以及的回馈作用是一直存在的，要重视这种情况。开展压力测试的基础是上段的三个方程，主要包括四个步骤：首先，把被解释变量、解释变量确定好，收集对应的历史数据；其次，计对综合指标进行估计，具体方法是把贷款违约率代入公式5-（1）中，就能得到想要的结果；再次，把相应的解释变量数据、被解释变量数据分别代入到公式5-（2）中，把存在相关关系的变量去掉，能够构建一个多元回归方程，这个方程能够很好地表示贷款违约率与所有宏观经济变量之间的关系；最后，基于已经构建好的多元回归方程，确定好宏观变量后，在不同的压力情景下，开展压力测试，把需要测试的经济变量数据代入到公式5-（2）中，通过计算能够得到Y的数值，把计算得到的Y的数值代入公式5-（1）中，能够计算出在设定的压力情景下的贷款违约率的对应数值。基于已经建立的Wilson模型，对Wilson模型进行进一步的修订优化，把变量的滞后项分别代入公式5-（2）与5-（3）中去，这种方式能够同时兼顾到城市商业银行对变量的回馈效应和变量间的相互影响，致使模型能够更好的贴近现实。1.3.2变量的确定和数据来源（1）被解释变量普惠金融不良贷款率表示商业银行普惠金融不良贷款额除以普惠金融总贷款额得到的比值。能够说明商业银行运行状况的一个重要因素是商业银行信贷资产质量，普惠金融不良贷款率又是能够很好说明商业银行信贷资产安全性的重要指标。因为这个原因，在金融系统，普惠金融不良贷款率是非常重要的一个指标。商业银行普惠金融不良贷款率在具有很好的可获得性和很高的权威性，很多学者在把该指标广泛应用在了对商业银行信用风险问题的研究上。所以，本文把普惠金融不良贷款率这个指标当作被解释变量，来阐明商业银行信用风险变动问题。商业银行信用风险与普惠金融不良贷款率之间是正相关关系，普惠金融不良贷款率的增大，商业银行的信用风险增大，普惠金融不良贷款率的减小，商业银行的信用风险变小。（2）解释变量通过分析总结国内外学者研究成果，本文最终选定普惠金融利率（用短期贷款基准利率代表普惠金融利率）、广义货币供应量、股票价格指数、生产总值增长率、企业景气指数、固定资产投资总额增长、公共财政收入增长率、居民消费价格指数、社会消费品零售总额增长率9个指标作为宏观经济解释变量。由于A城市商业银行主要的经营范围为山东省，其经营机构遍布山东省17地市，因此其中有6个指标本文选取了山东省的数据，包括生产总值增长率（GDP）、企业景气指数（BCI）、固定资产投资总额增长（FINVEST）、公共财政收入增长率（PFI）、居民消费价格指数（CPI）、社会消费品零售总额增长率（SALES）6个指标，另外普惠金融利率（用短期贷款基准利率代表普惠金融利率）、广义货币供应量、股票价格指数这3个指标采用的全国数据指标进行研究。（3）数据的来源选取的数据为2011年1季度到2020年4季度之间的数据，大部分数据是通过国家统计局官网、统计局官网与WIND数据库获取，通过银保监会官网获取普惠金融利率数据。由于企业景气指数（BCI）、居民消费物价指数（CPI）、公共财政收入增长率（PFI）、普惠金融贷款利率（DR）指标数据属于月度数据，所以用这几个指标三个月数据的加和得出的数值代表季度指标值，应用到下面的研究分析中。在省统计局官网中，社会消费品零售总额增长率（SALES）生产总值（GDP）、固定资产投资总额增长率（FINVEST）三个指标的季度数值是季度累加值，以此计算出每个指标的季度增长率。最后，将普惠金融不良贷款率通过Logit方程转换成宏观综合指标Y。1.3.3模型估计与结果分析（1）模型估计基于前文给出的压力测试模型，将Logit转换后获得的综合指标Y及其滞后一阶变量Y（-1）与其他宏观经济变量，应用计量软件进行回归分析。因为综合指标Y是时间序列，首先要对其进行平稳性检验，然后对其开展回归分析。研究结果发现，SALES、Y、M2、CPI、PFI这5个指标是平稳的，FINVEST、GDP、DR、BCI、SIDEX经过一阶差分后才变得平稳。结果如下表所示：表1.1对各变量进行ADF单位根检验结果变量t检验值p检验值Y-3.85610.0057CPI-3.87290.0069M2-4.75020.0005SALES-3.26370.0256PFI-3.15620.0317DGDP-3.18820.0307DR-3.46150.0155DFINVEST-146.71280.0001DSIEDX-4.29150.0020DBCI-4.14150.0027通过上表可以发现，被解释变量Y和解释变量M2、CPI、SALES、DGDP、PFI、DR、DSIDEX、DFINVEST、DBCI都通过了ADF检验，这些变量被处理后都呈现平稳性。对其进行回归分析后得到的结果如下表所示：表1.2各变量的回归结果变量系数误差值t检验值P值C-0.5977540.540571-1.1057810.2798Y(-1)0.9826370.01127987.119980.0000CPI-0.0052520.006621-0.7933230.4354PFI0.0123530.0040633.0405390.0056M20.0044160.0064930.6801420.5029SALES0.0038390.0011273.4059740.0023DBCI0.0048550.0050060.9698640.3418DFINVEST0.0001890.0001421.3376660.1935DGDP-4.75E-050.000519-0.0915880.9278DR-0.0481930.043644-1.1042160.2804DSIDEX3.57E-051.73E-052.0619790.0502R-squared0.998104Meandependentvar3.911714AdjustedR-squared0.994927S.D.dependentvar0.893543S.E.ofregression0.046176Akaikeinfocriterion-3.058724Sumsquaredresid0.051386Schwarzcriterion-2.571347Loglikelihood64.49285Hannan-Quinncriter.-2.887624F-statistic1259.716Durbin-Watsonstat2.213579通过上表发现，R2=0.9981，经过处理修正，R2的值变为0.9949，压力测试模型呈现出较好的拟合效果。经过对p和t统计量的值进行分析发现，在95%置信区间上，某些变量无法通过T检验，表明这些变量的参数没有现实意义，没法对Y进行很好的解释。出现这种情况，原因可能是这些解释变量之间存在多重共线性和自相关关系的情况，该情况能够导致解释变量之间相互影响，进而使得解释变量无法对被解释变量进行充分解释，应该对变量进行多重共线性处理及自相关问题处理。如果在对解释变量进行处理时，还会一直出现系数与实际状况不相符以及解释能力弱的情况，应该将相应的变量进行剔除处理。通过分析发现，需要将DBCI、M2、DSIDEX、DGDP四个变量剔除掉，对剩余的解释变量与被解释变量重新进行回归分析，得到的结果如下图所示：表1.3剔除变量后的回归结果变量系数误差值t检验值p值C0.1289880.3642740.3540950.7258Y(-1)0.9817860.01111988.300170.0000DR-0.0133590.004863-2.7471640.0102PFI0.0136420.0035133.8828740.0005SALES0.0039710.0008434.7081100.0001DFINVEST0.0001707.41E-052.2878950.0296R-squared0.996932Meandependentvar3.903579AdjustedR-squared0.995478S.D.dependentvar0.891943S.E.ofregression0.047289Akaikeinfocriterion-3.106947Sumsquaredresid0.064937Schwarzcriterion-2.841305Loglikelihood60.38428Hannan-Quinncriter-3.000681F-statistic2407.498Durbin-Watsonstat2.051368Prob(F-statistic)0.000000通过上图发现：R2=0.9969，经过修正后得到R2=0.9955，拟合效果很高，在95%的置信区间内，解释变量均通过t检验，它们解释变量t统计量的伴随概率均不高于0.05，说明解释变量的系数与现实情况是契合的，也就是说Y(-1)、变量普惠金融利率（DR）、社会消费品零售总额增长率（SALES）、公共财政收入增长率（PFI）和一阶差分后的固定资产投资额增长率（DFINVEST）对城市商业银行的信用风险水平的影响是非常显著的。通过回归分析能够建立一个多元回归方程，该方程表示出四个宏观经济变量城市商业银行信用风险水平Y之间的关系，如下式所示：5-（4）（2）结果分析从得到的方程能够发现，普惠金融利率（DR）、社会消费品零售总额增长率（SALES）、公共财政收入增长率（PFI）、固定资产增长率（DFINVEST）、综合指标Y的一阶滞后变量（Y(-1)）这五个变量对综合指标Y都有显著影响。通过公式5-（4）能够发现，Y与普惠金融不良贷款率之间的关系是呈负相关的，也就是说普惠金融不良贷款率越低，Y越大，普惠金融不良贷款率越大，Y越小。以下内容进行具体分析：普惠金融贷款利率（DR）的系数为负，说明这个变量和Y之间的关系是负相关的，故而普惠金融股贷款利率和普惠金融不良贷款率之间的关系是则呈正相关的。也就是说，普惠金融贷款利率越高，普惠金融不良贷款率越高，普惠金融贷款利率越小，则普惠金融不良贷款率越小。普惠金融贷款利率越高，商业银行的信用风险越大，普惠金融贷款利率越低，商业银行的信用风险越小。城市商业银行一般具有地域性强的特点，如果某个地区普惠金融贷款利率高，那么会导致企业生产成本变高，在短期内其利润减少，企业的还款能力变弱，最终导致普惠金融不良贷款率会因此上升。普惠金融贷款利率的系数为-0.0139，这说明普惠金融贷款利率每变动1个单位能够导致Y从反方向变动单位数为0.0134。公共财政收入增长率（PFI）的系数为正，说明该变量与Y之间的关系是正相关的，与普惠金融不良贷款率之间的关系是负相关的，也就是说，公共财政收入增长率上升，普惠金融不良贷款率变小，反之，普惠金融不良贷款率变大。近年来，随着我国经济增长步伐的变慢，国家出台了进一步优化产业结构的经济政策，很多重污染且产能过剩企业相继被政府强制关闭，有些企业已经破产。此类企业主要涉及基建、钢铁煤炭、房地产行业，同时此类行业也是财政支出的主要领域。前期，银行因为贯彻落实政府相关产业政策，在这类企业投放的贷款数额较大，造成现在不良贷款率攀升的情况。社会消费品零售总额增长率（SALES）和固定资产投资额增长（DFINVEST）系数都是正数，这说明Y与这两个变量之间的关系是正相关的，普惠金融不良贷款率与这俩变量之间的关系是则负相关的。固定资产投资额增长率每变1个单位能够导致Y在同方向变动的单位数为0.0002。社会消费品零售总额增长率每变动1个单位，能够导致Y在同方向变动的单位数为0.013。社会消费品零售总额能够很好的说明零售市场发展情况以及居民的物质生活情况，如果社会消费品零售总额增长率越高，那么说明经济社会发展水平越高意味着社会经济越景气，城市商业银行的普惠金融不良贷款率则会变小。如果固定资产投资不断增大，那么就能够有效拉动国内经济快速增长。按照一般规律，固定资产投资数额越多，居民的物质生活条件水平就会进一步提高，在一定程度上能够使得固定资产的投资力度上升，能够有效促进经济又快又好发展。通过分析发现，这两个变量是有现实意义的，由于在模型中系数值较小，说明他们对银行普惠金融不良贷款率的影响也是很小的。原因在于，城市商业银行的经营范围和经营领域受到限制，同时城市商业银行的资产规模不大，加上受到地域性强的特点阻碍，导致固定资产投资额增长率和社会消费品零售总额增长率对商业银行的边际影响较小。综上所述，该模型符合宏观经济的实际情况，具有现实意义。利用该模型能够很好的对商业银行的普惠金融不良贷款率进行预测，并可以对商业银行的信用风险管理提供一定的决策参考。1.4A城市商业银行普惠信贷风险压力测试由前述模型可知，在所选取的宏观经济变量中，普惠金融贷款利率（DR）对综合指标Y的影响最大，系数为-0.0139。如果普惠金融贷款利率上升，A城市商业银行的普惠金融信贷资产会受到冲击，进而导致A城市商业银行普惠金融信贷风险受到冲击；A城市商业银行普惠金融不良贷款率会随着公共财政收入增长率上升而上升，契合现实的经济发展规律；零售市场发展情况和人民物质生活条件的情况能够很好的通过社会消费品零售总额这个指标反应出来；固定资产投资额增长率能够拉动经济增长。因此，本文选取A城市商业银行普惠金融贷款利率（DR）、公共财政收入增长率（PFI）、社会消费品零售总额增长率（SALES）、固定资产投资额增长率（DFINVEST）四个指标作为压力测试的情景变量。1.4.1压力测试的情景设定首先，对社会消费品零售总额增长率这个指标值进行情景设定，在轻度冲击下情景下设定为每季度降低0.1%，在中度冲击情景下设定为每季度降低0.3%，在重度冲击情景下设定为每季度降低0.5%。其次，对A城市商业银行普惠金融贷款利率这个指标，在轻度冲击情景下设定为每季度上升0.1%，在中度冲击情景下设定为每季度上升0.3%，在重度冲击情景下设定为每季度上升0.5%。对固定资产增长率这个指标，在轻度冲击情境下设定为每季度下降0.2%，在中度冲击情景下设定为每季度下降0.4%，在重度冲击情景下设定为0.6%。最后对公共财政收入增长率这个指标，在轻度冲击情景下设定为每季度降低0.5%，在中度冲击情景下设定为每季度下降1%，在重度冲击情景下设定为每季度降低1.5%。表1.4压力测试各变量情景设定情景情况DFINVEST（每季度）SALES（每季度）PFI（每季度）DR（每季度）轻度冲击降低0.2%降低0.1%降低0.5%上升0.1%中度冲击降低0.4%降低0.3%降低1%上升0.3%重度冲击降低0.6%降低0.5%降低1.5%上升0.5%1.4.2压力测试的执行情况基于上表中的三种情景设定情况，能够预测出2