信用風險宏觀壓力測試建模技術分析

摘 要：2008年全球金融危機爆發后，信用風險宏觀壓力測試逐漸成為宏觀審慎監管體系的重要組成部分，用以評價一國金融體系面對系統性風險的脆弱性，有利于監管部門提早制定應對措施。目前，信用風險宏觀壓力測試已在全球主要國家得到推廣和開展，壓力測試技術方法不斷得到完善。然而，信用風險宏觀壓力測試發展時間較短，現有技術模型仍在不斷改進和提高，加之國內相關研究較少，因而有必要加強信用風險宏觀壓力測試建模研究和經驗總結，以促進我國更好地開展銀行業信用風險宏觀壓力測試。

關 鍵 詞：信用風險；壓力測試；系統性風險；宏觀審慎監管

中圖分類號： F830.1 文獻標識碼：A 文章編號：1006-3544（2013）05-0011-07

引言

信用風險壓力測試已成為金融機構風險管理的重要組成部分，在極端事件風險管理、資本規劃、業務發展戰略等方面得到廣泛應用 [1] 。然而，2008年爆發的金融危機使得全球大型金融機構遭受重創，信用風險壓力測試并沒有使金融行業很好地應對金融危機。巴塞爾委員會認為，此前進行的壓力測試， 宏觀壓力情景假設要比現實宏觀經濟衰退程度更弱、持續時間更短，而且忽視了經濟體系間的相互影響及反饋效應。由此，如何將系統性風險與金融監管、銀行壓力測試有效結合起來成為新課題。近年來，宏觀審慎金融監管體系逐步形成， 信用風險宏觀壓力測試在全球得到較快推廣，用以評價系統性風險可能對銀行業造成的影響，有利于監管部門提早制定應對措施，提高銀行業經營穩健性。然而，信用風險宏觀壓力測試發展較晚，相關建模技術方法仍處于探索和研究當中， 全球范圍內尚沒有形成統一規范或者最佳實踐，世界主要經濟組織、各國央行以及全球主要金融機構都在不斷完善信用風險宏觀壓力測試建模技術方法。 本文力圖通過對全球信用風險宏觀壓力測試建模技術方法及實踐的分析，為我國金融監管部門及金融機構有效評估系統性風險影響提供借鑒。

一、 信用風險宏觀壓力測試流程及實踐分析

信用風險宏觀壓力測試主要包括環境分析與制定壓力測試目標、設定壓力情景、構建壓力測試模型、重新評估壓力情景、壓力測試結果分析和報告等5個步驟。信用風險宏觀壓力測試需要根據銀行經營環境以及業務結構確定壓力測試目標，做到具體問題具體分析； 銀行根據已設定的壓力測試目標制定壓力測試情景； 壓力測試建模部分包括宏觀經濟模型構建和信用風險模型構建，壓力測試建模非常關鍵，直接關系到壓力測試評估有效性；根據壓力測試情景以及模型進行壓力測試和評估； 銀行需要深入分析壓力測試結果， 并向監管部門、 經營管理層匯報，以制定相關應對措施 [2] 。 從信用風險宏觀壓力測試實施方式看，可以分為自上而下和自下而上兩種形式。自上而下的信用風險宏觀壓力測試主要是由監管部門利用銀行業整體數據實施的壓力測試。該模式能夠對壓力測試實施統一的前提假設和建模技術，保持了統一性，有利于行業間或國家間的相互比較，而且實施起來簡便、節省資源，但是該模式忽略了金融機構間的差異性，無法判斷各金融機構壓力情景下的表現 [3] 。該模式適用于金融機構微觀數據不足的情況。自下而上的信用風險宏觀壓力測試是由各金融機構自行開展信用風險宏觀壓力測試，然后將壓力測試結果上報匯總至監管部門。該模式的優勢在于能夠充分體現各金融機構的差異性，更真實地反映金融行業存在的脆弱性；能夠充分利用金融機構內部良好的信用風險管理工具，取得更好的壓力測試效果，有利于金融機構為極端事件做好充分準備。然而，該模式由金融機構自行設計壓力測試情景及建模，導致壓力測試的可比性較差，透明性降低，而且該模式實施起來也較為繁瑣，需要金融機構的密切配合 [3] 。自上而下和自下而上的兩種信用風險宏觀壓力測試實施方法并不相互排斥，而是相互驗證、相互補充的。在條件允許下，部分國家監管部門會同時進行兩種模式的壓力測試，以提高信用風險宏觀壓力測試質量和可信度。

國際貨幣基金組織（IMF）上世紀90年代末已開展了基于系統性風險視角的信用風險壓力測試，目前已成為金融部門評估項目（FSAP）、全球金融穩定性評估報告（GFSRs）的重要組成部分，進而評價各國金融體系的穩定性 [4] 。2009年，美國針對大型控股銀行公司進行了前瞻性評估，確定銀行面臨宏觀經濟壓力下的資本充足性。2010年、2011年， 歐盟也針對成員國的主要銀行進行了宏觀壓力測試，評價銀行體系在歐債危機背景下受宏觀經濟沖擊的脆弱性和資本充足性。2010年， 我國針對房地產市場泡沫可能引發的信用風險，亦開展了相關壓力測試，主要評價房價下降可能對銀行信貸質量的影響。信用風險宏觀壓力測試在全球主要國家得到應用和廣泛開展，信用風險宏觀壓力測試建模方法得到不斷完善和創新，并獲得較多的研究和實踐成果，進而支持宏觀審慎監管理念的落實。

信用風險宏觀壓力測試理念和相關應用已取得較多成果，然而作為信用風險宏觀壓力測試的核心部分——壓力測試建模還存在很多不成熟、 不完善的地方，這也是各國監管部門加強研究和推進的重要方面。 信用風險宏觀壓力測試建模包括宏觀經濟建模和信用風險建模兩個部分。宏觀經濟建模方面，監管部門需要事先將制定的壓力情景轉變為具體的宏觀經濟指標波動，即首先預測未來一段時間內的宏觀經濟走勢，即基準情景，然后在基準情景基礎上根據壓力測試情景需求對宏觀經濟施加壓力，得到壓力狀態下的相關宏觀經濟指標，這部分建模技術相對成熟。信用風險建模方面，信用風險建模主要解決宏觀經濟壓力情景向微觀金融機構傳導的機制問題，即將金融機構信用風險因子與宏觀經濟指標建立起關聯關系， 這部分建模技術方法發展相對不是很成熟。 下文將一一介紹宏觀經濟建模和信用風險建模技術方法和實證研究成果。

二、宏觀經濟情景建模技術方法分析

信用風險宏觀壓力測試首先需要解決宏觀經濟情景建模問題，其建模方法主要包括結構性計量模型、向量自相關回歸模型（VAR）以及統計方法 [5] 。從實踐看，很多監管部門主要使用已有的經濟預測模型構建宏觀壓力情景，在部分情況下， 現有宏觀經濟模型無法包括所有壓力測試情景指標，這就需要擴展已有模型。

（一）結構性計量模型

結構性計量模型是比較理想的宏觀經濟壓力情景模型，結構性模型是根據經濟理論和現實經濟關系，建立起宏觀經濟主要變量和因素之間的關系。結構性計量模型能夠囊括實體經濟部門、 政府部門以及金融部門， 進而能夠進行政策分析，有利于提升宏觀經濟模型的完整性和現實性。同時，結構性計量模型所得到的經濟指標預測結果具有內在一致性。結構性模型最主要的形式就是動態隨機一般均衡模型（dynamic stochastic general equilibrium，簡稱DSGE），DSGE模型通常假定家庭或企業部門存在一個代表性個體、 理性預期和無摩擦的完全競爭市場，隨著研究的深入，模型假設逐步放松，逐步引入交易成本、粘性價格、壟斷競爭、信息不對稱、有限理性預期、勞動力市場摩擦、金融市場摩擦等假設，模型更加貼近現實經濟運行狀態。但是，結構性計量模型本身也存在一定局限，主要是涉及眾多方程式，模型本身求解難度較大；由于多數用于分析貨幣政策的結構性宏觀經濟模型都是線性模型，該類模型可能無法捕捉壓力情景下各經濟變量間的非線性關系，而且也很難給出特定宏觀壓力情景出現的概率 [5-6] 。

一個簡單的結構化計量模型可以表示為生產部門、居民部門以及政府部門的三部門方程組，即：

其中，（1）-（6）式分別為生產函數、技術增長、資本累積、資源約束、效用函數、居民部門支出約束、政府支出約束。Y為產出量，K為資本，N為勞動力投入，？啄為折舊率，I為投資，C為消費，G為政府消費，？準t 為偏好系數，W為實際工資，rt 為資本稅前報酬率，？子n為勞動收入稅率，？子k為資本收入稅率，？追為定額稅。代表性居民通過選擇資本、消費和勞動使效用最大化，而政府部門支出資金主要來自于勞動和資本收入稅以及定額稅。

從實踐看，瑞典、捷克、匈牙利、加拿大、羅馬尼亞、美國、法國等國央行的宏觀經濟預測模型都是結構性計量模型，而且大部分為DSGE模型。

（二）VAR模型

VAR模型也是使用非常普遍的宏觀經濟模型， 具有簡便、靈活的特點，該模型不再區分內生變量和外生變量，而是將所有變量視為內生變量，對于所有宏觀經濟指標的預測具有內在一致性 [5-6] 。當VAR模型受到外部初始沖擊的時候，向量可以用來預測沖擊對于整個經濟指標的影響程度。如果需要加入類似于結構性計量模型的經濟結構關系，還可以將基于經濟、 金融理論的變量之間的結構性關系引入VAR模型，構造結構向量自回歸模型（Structural Vector Autoregression，簡稱SVAR），由此可以捕捉模型系統內各變量之間的即時結構關系。

型設置宏觀經濟壓力情景。日本央行所使用的VAR模型包含五個宏觀經濟變量，分別為GDP、通貨膨脹率、銀行信貸余額、有效匯率、隔夜拆借利率，數據期限為1978年第一季度至2008年第一季度，基于AIC準則確定模型滯后階數為4階 [7] 。由于VAR模型脈沖效應對于變量的排序敏感性很高，日本央行通過對模型變量排序施加遞歸約束，以此確定模型的新息影響。除此之外，VAR模型還可以用于跨國壓力測試。Castren et al.（2008） 基于26個VAR模型建立了GVAR（global VAR） 模型，GVAR模型中國內和國外宏觀經濟變量同時相互作用，以分析歐元區的信用風險 [8] 。該模型使用的主要宏觀經濟變量包括實際產出、通貨膨脹率、實際有效匯率、長短期利率、石油價格。英國宏觀經濟模型使用的是兩個國家的GAVR模型，兩個國家為英國和美國，其中英國表示為一個小型開放國家， 而美國被看作是其他世界經濟部分。該模型宏觀經濟變量包括產出缺口、名義短期利率、實際匯率、通貨膨脹率。

（三）統計模型

Oesterreichische Nationalbank（OeNB）使用多元t-Copula模型為宏觀經濟變量和金融變量建模，該模型的好處在于一方面邊緣分布不同于聯合分布，另一方面宏觀、金融變量之間呈現尾部相依性，有利于模擬極端壓力情景 [10] 。統計模型預測準確度較高，然而，統計模型并不利于政策分析，無法獲知政策傳導渠道。從實踐看，該類模型在各國央行的實際應用中并不常見，更適合對于計量精度要求更高的金融機構使用。

三種宏觀經濟模型構建技術方法各有優勢和不足，各國央行及金融機構根據自身實際情況進行選擇，主要還是根據已有數據序列長度、 模型預測準確性和穩健性綜合進行考量， 最終選取更為合適的模型構建宏觀經濟壓力測試情景。從實踐看，前兩種模型應用范圍較廣，統計模型應用范圍較小。宏觀經濟模型之前就已開始應用于政策分析，建模技術已相對成熟。

三、信用風險建模技術方法分析

設定好宏觀經濟壓力情景后，還需要建立宏觀-信用風險因子傳導機制，即建立信用風險模型。這涉及三個主要方面，第一是選取合適的因變量，第二是選擇恰當的自變量，第三是選擇恰當的模型和傳導機制。

（一）信用風險模型變量選取分析

1. 信用風險因子選取分析

因變量方面，因變量主要是用來反映金融機構信用風險變化情況的指標，即信用風險因子。從實證研究看，不良貸款率、信貸損失準備金率、違約率、信用轉移概率等都經常用來作為信用風險因子。 然而不同指標仍有其自身的局限性，不良貸款率屬于滯后指標，一般要慢于經濟周期變化；而信貸準備率雖然也具有一定順周期性，但是其人為調整的因素更大；違約率相對更為理想，但是由于數據累積受到很大限制，尤其是發展中國家， 銀行違約率數據序列累計相對較短，經常不能滿足建模需求； 信用轉移概率數據累計也相對不足，在實證研究中較少得到應用 [5-6] 。當然，因變量的選擇還是要根據具體情況來看，例如在我國，由于銀行業經歷過不良資產剝離的情況，因而不良率并不適合構建模型需要。因變量的選擇還涉及數據層次的選擇，因變量選取涉及行業層次和微觀層次兩個方面。 如果相關信用風險因子數據較少， 一般使用行業整體數據建模；如果信用風險因子微觀數據較豐富而且可得，那么信用風險建模就會使用銀行機構微觀層次數據。奧地利、加拿大使用了行業違約率作為因變量，匈牙利、捷克使用不同資產組合作為因變量，而保加利亞、斯洛伐克則根據企業部門和居民部門的違約率數據分別構建信用風險模型 [6] 。

上述提及的信用風險因子都是基于歷史數據，具有后向性質，無法很好地預測未來。預期違約概率（Expected default frequencies，EDF）具有前向性質，能夠預測未來企業違約的可能性。EDF是根據KMV模型計算得到的，KMV模型是基于默頓模型演變而來的， 默頓模型最早由默頓于1974年提出，將期權定價理論運用于貸款定價，并將違約債務看成是企業資產的或有權益，認為某個企業的資產價值低于債務價值時將發生違約。 默頓結構模型的核心在于公司價值的波動性是公司違約的主要來源，當公司價值下降到一定邊界值時，就會違約。基于默頓模型和B-S模型，KMV公司成功開發了基于市場信息的KMV模型， 廣泛應用于銀行和其他金融機構對于違約概率（PD）的預測 [11] 。KMV模型根據B-S模型可得等式：

由上述公式可以看出，資產價值、資產風險、杠桿是決定公司違約的三大主要因素，而上述模型參數可由公司的股票價格、 其波動性和賬面債務求得。Asberg and Shahnazarian（2008），Castr′en，Fitzpatrick and Sydow（2008）均使用EDF作為銀行信用風險因子 [12-13] 。Asberg and Shahnazarian（2008）分析了瑞典非金融上市企業的EDF，并將所有企業EDF中位數與工業生產指數、 消費者價格指數、短期利率建立相關關系， 利用VECM模型檢驗了信用風險與宏觀經濟的關系。實證研究表明，利率對EDF的影響最大，工業生產指數下降或者通貨膨脹上升會導致EDF上升。Castr′en，Fitzpatrick and Sydow（2008）用歐元區公司EDF的中位數衡量信用風險，并根據8個行業部門分別計算EDF。其模型將EDF的解釋變量確定為股價、GDP等5個宏觀經濟變量。KMV模型具有一定前瞻性，相比利用歷史數據構建的信用風險建模，具有一定優勢，不過EDF數據需要企業公開上市，這樣才能獲得其股價變動的信息， 然而現實中銀行客戶中有很大一部分，尤其是很多中小企業，均為非上市公司，這部分企業是無法應用KMV模型的。

2. 宏觀經濟指標分析

自變量方面，自變量主要是宏觀經濟指標，由于各個國家經濟環境、銀行業業務結構不同，所使用的宏觀經濟指標并不相同。一般而言，GDP、通貨膨脹率、匯率、利率指標都是各國常用的，還有一部分則是個別國家使用的，諸如房價、居民收入等。一般而言，當宏觀經濟處于繁榮時期，公司違約率較低，但公司傾向于過度承擔風險；當宏觀經濟處于衰退期時，公司前期所承擔的風險無法消化，違約率會大幅上升。違約率與GDP的變化并不是同步，存在一定時滯。實證研究都對GDP做了處理，多數使用GDP增長率，也有實證研究使用GDP一階方差。 實證研究結果表明，GDP確實與違約率存在顯著的負相關關系，這種影響具有普遍性。現實中所能使用的利率形式有很多，諸如銀行間借貸利率、市場利率、基準利率、實際利率等，實證研究中并沒有統一的形式。然而，實證研究的結論具有一致性，認為利率與違約率存在顯著的正相關，而且Diana Bonfim（2007）研究認為建設部門與利率的相關性最為顯著 [14] 。利率對違約率影響的機制在于，利率上升時，公司債務負擔將增加，更容易出現違約行為。通貨膨脹與違約率為正相關，表現為通貨膨脹高時，貨幣政策會收緊，經濟景氣度將下降，企業債務償付能力將下降；通貨膨脹較低時，貨幣政策將放松，企業經營景氣度將逐步提升，債務償付能力會進一步上升，違約率會下降。

（二）信用風險建模技術方法分析

模型選擇方面，宏觀壓力情景傳導模型一般包括線性回歸分析、 非線性回歸模型、VAR模型以及綜合性模型等等。目前，宏觀經濟與信用風險因子的內在關系研究尚不充分，這為構建信用風險模型增加了難度。

1. 線性回歸分析

最小二乘法（OLS）是最基本的線性回歸模型，Deventer（2005）通過線性回歸分析對澳大利亞銀行、日本三菱銀行及韓國、美國多家大型銀行的研究表明，宏觀因素影響著信貸利差，從而意味著它影響銀行信用風險 [15] 。但是，線性回歸并不能很好捕捉兩個變量之間的關系，在現實研究中線性回歸應用較少。

為了改進簡單OLS回歸可能產生的模型誤差，金融機構數據充足的國家可以使用面板數據分析模型，用以對主要金融機構建立信用風險模型。希臘中央銀行利用經濟增速、失業率、實際信貸利率等宏觀經濟變量，以及總資產、市場勢力、存貸比等銀行特征變量，對不良貸款率進行面板數據分析。波蘭中央銀行利用面板數據預測各個銀行的信貸損失準備金率，該模型所使用的宏觀解釋變量為3個月銀行間拆借利率、GDP增速、 實際工資變動率， 還包括銀行特定解釋變量。Lehmann and Manz（2006）使用信貸準備金率衡量各個銀行的信貸質量， 基于靜態或者動態面板數據模型進行建模，模型以各銀行特征變量作為控制變量，反映各銀行對于宏觀經濟變動的敏感性 [16] 。

2. 非線性回歸模型

Wilson（1997）、Boss（2003）設定宏觀經濟因素和貸款違約率之間的非線性關系， 使用Logit模型將貸款違約率轉化為宏觀綜合指標Y，以指標Y作為因變量與宏觀經濟因素進行多元線性回歸分析，以更好地利用各宏觀經濟指標所提供的信息[17-18] 。該模型可以表示為：

其中，pt為貸款的平均違約率，yt是pt經過logistic函數轉換得到，xt為主要宏觀經濟變量，？琢為解釋變量的系數。（18）式各宏觀經濟變量的時間序列模型，考慮各宏觀經濟變量可能存在滯后性，因而對其進行P階自回歸分析。模型中假定？滋t和？著t序列不相關。該模型一是考慮了宏觀經濟變量對信用風險的滯后效應；二是考慮了金融體系對宏觀經濟的反饋效應。

Wilson（1997）用各工業部門違約概率與一系列宏觀經濟變量的敏感度直接建模， 通過模擬將來違約概率分布的路徑，得到了資產組合的預期損失，進而模擬出在宏觀經濟波動沖擊下的違約概率值。Boss M（2004）利用Wilson提出的模型，根據加總的企業違約概率估計出宏觀經濟信貸模型來分析澳大利亞和芬蘭銀行部門的壓力情景。目前，基于Wilson模型的宏觀壓力傳導機制得到廣泛應用。 國外方面，IMF對各國銀行體系穩健性評估、各國央行自身風險評估以及部分學術研究都使用該模型；國內方面，華曉龍（2009）、沈陽、馬望舒（2010）對我國商業銀行信用風險宏觀壓力測試也都運用了該模型 [19-20] 。

3. VAR模型

VAR模型除了用于前述的宏觀壓力情景設定外，也逐步應用于信用風險模型，并且取得了較好的效果。 Alessandri et al.（2007），Marcucci and Quagliariello（2008）使用違約率基于VAR模型分別構建了住戶部門和工商部門的信用風險模型 [21-22] 。其中，公司部門模型的變量包括違約率、產出缺口、通貨膨脹、短期利率和實際匯率5個指標。在結構設置方面，兩個模型認為違約率滯后于宏觀變量。 其研究通過脈沖響應發現，除了通貨膨脹其他宏觀經濟指標均對違約率具有非常重要的影響。Glenn Hoggarth et al.（2005） 通過VAR模型建立了英國銀行信貸核銷率與產出缺口、通貨膨脹率、名義短期利率的內在聯系。實證研究認為，信貸核銷率與產出缺口、通貨膨脹率成反向關系，與名義短期利率成正向關系。而且，不同經濟部門信貸核銷率受到的宏觀經濟變量的影響是不同的， 非金融企業部門的信貸核銷率對產出缺口變化非常敏感，而居民部門信貸核銷率對于收入的變化更為敏感。匈牙利中央銀行使用VAR模型分別對公司部門貸款和商業房地產貸款進行建模，其中公司部門模型的解釋變量為GDP增速、通貨膨脹率、名義有效匯率、同業拆借利率。相比回歸分析，VAR模型是近年來才剛剛開始應用于信用風險建模的，因而應用范圍有限， 不過隨著VAR模型在信用分析建模方面的優勢逐步得到顯現和認可，未來該模型應用范圍有望得到不斷擴展和延伸。

4. 綜合性信用風險模型

上述信用風險模型僅是研究了信用風險因子與宏觀經濟的關系， 而沒有考慮到金融機構之間的風險傳染效應，也忽視了金融體系對于宏觀經濟形成的反饋效應。因此，近年來，更多的學術研究從經濟金融理論出發，致力于構建更加綜合化的信用風險模型， 使信用風險模型更加接近現實狀態。金融危機發生后，金融監管部門逐漸認識到，評估系統性風險還需要進一步考慮不同風險因子之間的關聯關系以及金融體系內的傳染風險。 傳統的信用風險宏觀壓力測試并不包含這些系統性效應，諸如同業拆借市場或者批發性融資市場的崩潰、 市場流動性和銀行資金流動性風險之間的反饋效應等等。 最早出現的綜合性壓力測試模型是Oesterreichische Nationalbank的系統性風險管理系統（Systemic Risk Monitor，簡稱SRM），該系統通過統一信用風險和市場風險的網絡模型，評估銀行違約概率 [23] 。外部沖擊對信用風險和市場風險敞口的沖擊可能誘發銀行違約，在一個網絡模型中會導致銀行間風險的傳染。 另一個相類似的模型是英格蘭銀行的RAMSI模型 [21] 。RAMSI包括一個用貝葉斯VAR模型制定宏觀經濟情景、信用風險、市場風險與凈利息收入的銀行間網絡模型， 以及一個模擬資產迅速出售的價格函數。SRM和RAMSI模型均沒有包含銀行對實體經濟的反饋效應，RAMSI模型包含了來自流動性風險的反饋效應。 在加拿大央行的模型中， 資金流動性風險是市場流動性、 違約風險以及銀行資金結構之間相互作用的結果。

Daniel Buncic and Martin Melecky（2012）根據全球金融危機的教訓，提出了一個新的、實用的宏觀審慎壓力測試模型。該模型包括6個組成部分，一是根據一國特定統計模型和跨國危機經驗制定宏觀壓力情景；二是因外匯敞口而產生的間接信用風險；三是各銀行不同的授信標準； 四是壓力時期違約概率和違約損失之間較高的相關性； 五是信貸集中性以及剩余期限對于未預期損失產生的負面影響； 六是使用資本充足率作為衡量銀行抵御系統性風險的指標。

除了上述模型和研究，金融部門與實體經濟之間的反饋效應也得到更多關注，金融體系對實體經濟的反饋效應主要通過需求和供給因素實現 [25] 。從需求端看，居民和企業金融條件的惡化將會沖擊到消費和投資需求；從供給端看，借款者信用水平的降低將會促使銀行提高授信標準，增加融資成本。Von Peter（2009）建立起一個有效解釋宏觀經濟與金融間穩定關系的框架 [26] 。他尤其分析了由于宏觀經濟沖擊導致信貸損失后， 銀行為了滿足資本充足性會限制信貸供給，這將如何影響宏觀經濟。Goodhart，Sunirand and Tsomocos（2003） 也提出了研究金融部門與實體經濟之間反饋效應的框架 [27] 。他們將金融脆弱性視作一種均衡問題，即銀行需要權衡信貸、投資機會的成本收益。在此框架下，金融部門遭受沖擊進而會通過信貸收縮影響到實體經濟。不過，整體看，當前綜合性信用風險模型仍沒有很好地包含金融體系與實體經濟之間的反饋效應。

綜合性信用風險宏觀壓力測試模型的不足在于，模型結構的復雜性使得因果關系以及最終的結果透明性不高。因此， 該類模型可能會違背宏觀壓力測試的一些基本原則，諸如模型需要足夠簡潔、透明，具有彈性便于政策制定者和公眾進行溝通。另一方面，綜合性模型包含了多種傳導機制以及反饋效應，能夠更加完整地反映違約事件的可能影響。

信用風險建模從簡單到復雜，各有優勢和劣勢，簡單模型假設較少，壓力測試所含有的誤差較低，但是可能無法達到更為深刻的研究目的；而復雜模型能夠更好地刻畫信用風險和宏觀經濟變量之間的關系，但是復雜模型本身已包含了一定前提假設，因而模型結果可能存在一定誤差。不管怎樣，各種模型之間并不是完全排斥的，而是可以相互印證和補充的。

四、信用風險宏觀壓力測試建模方法所面臨的難題

實際上，信用風險宏觀壓力測試實踐不長，尤其是在金融危機后，監管部門加強了宏觀審慎監管，同時新巴塞爾協議也強調金融機構要通過壓力測試確保資本充足性。 因而，現在信用風險壓力測試備受監管部門、金融機構重視，不斷有創新方法涌現。然而，當前信用風險宏觀壓力測試建模還存在一定缺憾和不足之處，這也為未來信用風險宏觀壓力測試建模研究指明了方向。

1. 信用風險宏觀壓力測試建模方法尚不完善。（1） 當前信用風險壓力測試模型缺少反饋效應。當前信用風險壓力測試建模中僅考慮了宏觀壓力情景對金融體系的影響， 但是沒有考慮到金融機構所進行的自我調整，從而反過來影響宏觀經濟，進而形成反饋效應。諸如，宏觀經濟下滑，金融機構風險增大，面臨收入、資本充足率下降等難題，勢必會提高授信標準，降低信貸增速，這會反作用于宏觀經濟，有可能導致經濟進一步衰退， 進而再一次將宏觀經濟壓力傳導到金融體系。現有信用風險壓力測試缺乏對反饋效應的考慮，或者對于反饋效應的構建過于簡單，這也使得當前信用風險壓力測試表現為靜態測試，而非動態測試。（2）當前信用風險壓力測試缺乏傳染效應。當前信用風險壓力測試過程中， 單個金融機構僅考慮自身情況，或者將整個行業作為一個互不相關的整體，然而從現實情況可以看出，金融機構信用風險具有一定傳染性，尤其是擠兌風險。同時，隨著全球經濟一體化進程的加快，各國經濟、金融聯系日益緊密，信用風險傳導的渠道更加多樣化， 尤其是不同國家之間的傳導渠道也更為通暢，這對于金融行業較為開放的國家尤其如此。當前，信用風險壓力測試并沒有考慮上述傳染效應，這顯然并不符合現實情況，因而壓力測試缺乏可信性和實用性，對于危機的考慮不夠充分。

2. 壓力測試模型尚沒有正確的考慮到危機時期非線性或者結構性斷裂關系。當前信用風險壓力測試建模多為非線性回歸或者VAR模型。然而，實證研究發現，當危機來臨或者市場處于壓力情境下，宏觀經濟變量與金融風險指標通常是非線性的，甚至會發生一定跳躍或者結構性斷裂，這種特殊關系是現有模型并沒有充分考慮到的。

3. 宏觀經濟變量與金融風險指標關系仍有待探索。從現有的模型看，多數模型都是解決違約率、不良貸款率與宏觀經濟指標的關系，而對于LGD、EAD等風險指標，因受到數據限制，相關研究很少，在壓力測試中的應用也不多，很多時候都是采用常數數值，這種簡便方法可能會低估風險的存在。

4. 信用風險壓力測試模型缺乏完善的校正。除了上述模型不完整、不完全等情況，更為關鍵的是，當前的信用風險壓力測試模型缺乏有效的評估和回測檢驗。由于當前金融風險與宏觀經濟變量建模時間短、 相關數據累積較少， 甚至尚無法覆蓋完整的經濟周期，這使得所構建的模型可能有所偏頗，甚至存在較大的模型風險。因而，不能為了計算結果而建模，而是要使建模具有真正的現實意義， 其結果經得起推敲和現實檢驗，否則建模的意義就不大了。

五、政策建議

我國信用風險宏觀壓力測試剛剛起步，尤其是在建模技術方法方面發展相對滯后， 未來還需要加強此方面的工作，政策建議如下：

第一，重視信用風險宏觀壓力測試。一方面，信用風險宏觀壓力測試是新巴塞爾協議對于使用內部評級法的金融機構的重要要求，以此確保金融機構資本保有的充足性；另一方面，信用風險宏觀壓力測試也是監管部門落實宏觀審慎監管的重要切入點和抓手。目前，基于宏觀審慎監管的信用風險壓力測試在我國開展仍處于起步階段，監管部門要加強信用風險壓力測試的常規性推進，做到每年、每季度定期性有效開展，以此確保我國銀行業有效應對外部系統性風險的沖擊和穩健經營。

第二，加強信用風險宏觀壓力測試理論研究。信用風險宏觀壓力測試建模需要進一步深入結合我國實際情況，加強相關理論、實證研究，推進對于相關領域研究，進而不斷探索出適應我國國情的信用風險宏觀壓力測試模型。同時，還需要加強與IMF等國際金融組織及各國央行的合作和交流，充分了解國際相關領域研究進展。

第三，注重專業人才的培養。信用風險宏觀壓力測試專業性較強，需要具有數據挖掘、金融理論、計量方法等多種理論背景的專業人才， 因而需要加強此方面專業人才的培養，為信用風險宏觀壓力測試發展奠定人才基礎和保障。

第四，加強相關數據累積。信用風險宏觀壓力測試建模涉及大量的基礎數據，包括宏觀經濟數據、行業數據、金融系統的相關數據、金融機構經營數據等等，而且建模對于數據的質量和累積長度也有很高要求，因而需要注重數據累積，確保信用風險宏觀壓力測試的有效進行。

參考文獻：

[1]the Committee on the Global Financial System. Stress testing at major financial institutions： survey results and practice[R]. www.bis.org，January 2005.

[2]Andreas A. Jobst，Li Lian Ong and Christian Schmieder. A Framework for Macroprudential Bank Solvency Stress Testing： Application to S-25 and Other G-20 Country FSAPs[R]. IMF Working Paper NO. 68，2013.

[3]José Vi？觡als. Macrofinancial Stress Testing—Principles and Practices[R]. IMF，www.imf.org.

[4]Marina Moretti，Stéphanie Stolz，andMark Swinburne. Stress Testing at the IMF[R]. IMF Working Paper NO. 206，www.imf.org.

[5]Foglia，A.. Stress Testing Credit Risk： A survey of Authorities’ Approaches[J]. International Journal of Central Banking，vol.6，No. 2， 2009.

[6]Martin Melecky and Anca Maria Podpiera. Macroprudential Stress-Testing Practices of Central Banks in Central and South Eastern Europe[R]. The World Bank Policy Research Working Paper，No. 5434. September 2010.

[7]Akira Otani，Shigenori Shiratsuka. Macro Stress-Testing on the Loan Portfolio of Japanese Banks[R]. Bank of Japan Working Paper Series，No.09-E-1，March 2009.

[8]Castren，O.，Dees，S.，Zaher，F.. Global Macro-financial Shocks and Expected Default Frequencies in the Euro Area，ECB Working Paper No. 875，2008.

[9]Sklar，A. .Fonctions de repartition ？滋a n dimensions et leurs marges[J]. Publications de l'Institut de Statistique de l'Universit？e de Paris，8，229-231，1959.

[10]Seidner，M.. The Systemic Risk Monitor and the Macro Stress Testing at the OeNB： Status Quo and Future Developments[R]. Workshop “Advances in Stress Testing in Central and South Eastern Europe”，Thessaloniki，19-20 May 2010.

[11]Peter J. Crosbie，Jeffrey R. Bohn. Modeling Default Risk[R].www.kmv.com，2002.

[12]Asberg，P.，and H. Shahnazarian. Macroeconomic Impact on Expected Default Frequency[R]. Sveriges Riksbank Working Paper No. 219 ，January 2009.

[13]Castr'en，O.，S. D？ees，and F. Zaher. Global Macro-financial Shocks and Expected Default Frequencies in the Euro Area[R].ECB Working Paper， No. 875，February 2008.

[14]Diana Bonfim. CREDIT RISK DRIVERS： EVALUATING THE CONTRIBUTION OF FIRM LEVEL INFORMATION AND OF MACROECONOMIC DYNAMICS[R]. Working {aper，2007.

[15]Deventer DV ，Kenji I1 Credi t risk models and the B asel A ccords[M]. Beijing ： RENMIN University of China Press，2005.

[16]Lehmann，H.，and M. Manz. The Exposure of Swiss Banks to Macroeconomic Shocks—An Empirical Investigation[R]. Swiss National Bank Working Paper No. 4.2006.

[17]Wilson TC. Portfolio credit risk[J]. Risk，1997，9（10）：111-1701.

[18]Boss M，Krenn G，Schwaiger M，et al. Stress Testing the Austrian banking system[J]. Financial Stability Report，2004，（11）：841-8521

[19]華曉龍. 基于宏觀壓力測試方法的商業銀行體系信用風險評估[J]. 數量經濟技術經濟研究，2009（4）.

[20]沈陽，馮舒望. 宏觀經濟變量與銀行信用風險的實證研究[J]. 會計之友，2010（8）.

[21]Alessandri，P.，P. Gai，S. Kapadia，N. Mora，and C. Puhr. 2007.“A Framework for Quantifying Systemic Stability.”（December）. Preliminary paper presented at the workshop “Stress Testing of Credit Risk Portfolios： The Link between Macro and Micro，”hosted by the BCBS and the DNB，Amsterdam，March 7，2008.

[22]Marcucci，J.，and M. Quagliariello. Is Bank Portfolio Riskiness Procyclical？ Evidence from Italy using a Vector Autoregression[J].Journal of International Financial Markets，Institutions and Money，2008（1）.

[23]Boss，M.，T. Breuer，H. Elsinger，G. Krenn，A. Lehar，C. Puhr，and M. Summer. Systemic Risk Monitor： A Model for Systemic Risk Analysis and Stress Testing of Banking Systems[R]. Internal Technical Document，Oesterreichische Nationalbank，2006.

[24]Daniel Buncic and Martin Melecky. Macroprudential Stress Testing of Credit Risk： A Practical Approach for Policy Makers[R]. University of St. Gallen Discussion Paper， No. 2011-39，September 2011.

[25]Marco Sorge .Stress-testing financial systems： an overview of current methodologies[R]. BIS Working Papers No 165，December 2004.

[26]Goetz von Peter. Asset Prices and Banking Distress： a Macroeconomic Approach[J]. Journal of Financial Stability，2009，Vol. 5（3）.

[27]Goodhart，Charles A.E.，Pojanart Sunirand，and Dimitrios P. Tsomocos. A Model to Analyse Financial Fragility[R]. Oxford Financial Research Centre Working Paper No.2003fe13.

（責任編輯：郄彥平；校對：李丹）