我国不良贷款违约损失率计量模型研究

发布时间：2020-03-29 04:42

【摘要】： 不良资产的清收、管理和处置一直是经济、金融问题的重中之重。最近十五年内爆发的两次大规模金融危机—亚洲金融风暴和次贷金融海啸都与银行业不良资产紧密相连,最直接的原因即为银行业不良资产的过度累积。银行业的不良资产以不良贷款为主要载体,截至2008年三季度,我国银行业不良贷款仍高达12654.3万亿,贷款占比5.49%,其中国有银行不良贷款高达11173.8万亿,贷款占比7.35%,是不良贷款的主要来源。当前我国银行业正面临后次贷危机和巴塞尔新资本协议2012在国有银行全面实施的双重压力,总结过去不良贷款的历史经验、管理次贷危机影响下导致的不良贷款、防止宽松信贷政策特别是上万亿的刺激经济贷款发放后可能产生的不良贷款,是我国银行业需解决的严峻问题。 2007年美国爆发次贷危机后,其对全球金融和经济的不良影响在2008-2009年达到顶峰,许多银行,保险等金融机构和国家被卷入其中,银行不良贷款率和坏帐大幅上升,贷款信用风险急剧增加,银行资本充足率明显不足,面临着严重的流动性风险。据美国联邦存款保险公司(FDIC)统计的数据显示,仅2009年破产的银行就高达百家,而预计为破产银行善后的费用就需上千亿美金。目前虽然经济、金融环境有企稳好转的趋势,但仍存在很大风险,诸如冰岛、希腊等面临的国家破产危机、在未来几年可能会破产的数百家银行、依然脆弱的国际金融市场等等。而这其中,急需处置、转让和管理的银行业不良贷款是核心问题之一在外部金融环境的重重压力下,2010年我国的部分国有大银行已初步开始实施巴塞尔新资本协议,而2012年将有更多的国有银行和股份制商业银行将全面实施巴塞尔新资本协议。在巴塞尔新资本协议指出的信用风险、市场风险和操作风险中,信用风险是我国银行业面临的主要风险。全面实施巴塞尔新资本协议信用风险的内部评级高级法,既给予了银行更多的资本金管理宽度和自由度,也对信用风险量化模型计量精度和准确度提出了更高的要求。内部评级法的高级法要求银行能够建立巴塞尔新资本协议中的四个关键因素：违约率(PD),违约损失率(LGD)、违约暴露(EAD)和期限(M)的量化模型。其中LGD的估量,作为与PD密切相关的二维信用评级体系中的一环显得至关重要。正确估计和预测不良贷款的LGD,对我国银行业更好的实施巴塞尔新资本协议具有重要的意义。首先,针对不良贷款的信用风险监管已经纳入巴塞尔新资本协议中,只有总结过去不良贷款回收和处置的经验,才能在巴塞尔新资本协议下更好的监管未来可能出现的不良贷款；而更为重要的一点是,在巴塞尔新资本协议中的核心部分—银行业贷款的风险管理中,由于我国特殊的国情,不良贷款回收率对整个贷款风险管理是必不可少的。目前我国银行业现状是大量的违约不良贷款在2000年前后划拨给了四大资产管理公司,而银行在剔除掉划拨或者出售给资产管理公司的不良贷款后而估计出来的整体贷款LGD水平,无疑会低估贷款的LGD,在此基础上计算出的最低监管资本要求会被全面低估,监管当局对贷款债务人评级水平等也会造成偏差。因此,准确考量现阶段我国银行业LGD的真实水平,资产管理公司对不良贷款的LGD估计和处置都是重要的组成部分。综上可知在当前国内外形势的要求下,总结我国资产管理公司过去近十年在不良贷款回收和处置方面的经验,建立不良贷款LGD的量化模型迫在眉睫。与长期被银行业、学术界和各信用评级机构所关注违约率(PD)的研究相比,由于数据缺乏、影响因素众多和形成原因多样等问题,对违约损失率(LGD)国外学者也是从90年代中后期才开始关注,而国内的研究起步更晚,大部分还处于定性的描述,定量模型几乎一片空白。而且我国银行业不良贷款LGD与国外有明显差别,独具中国特色,在分析和建模上都与国外有所不同。主要表现在：我国不良贷款形成原因的特殊性；我国不良贷款违约损失率分布的特殊性；影响我国不良贷款违约损失率因素的特殊性；我国不良贷款违约损失率预测估计模型的特殊性四个方面。本文基于国内最大的违约损失率数据库LossMetricsTM,分析了来自中国银行、工商银行和建设银行包含十七个省市二十一个行业共20000余笔的不良贷款数据,围绕“由判别分类模型到广义线性预测模型”、“先回收率单点预测模型到分布估计模型”和“从静态因素模型到加入动态宏观因素模型”的主线,系统构建了不良贷款回收率(1-违约损失率)的量化估计与预测框架,给出了多个量化实证模型,其中由于违约损失率和回收率加和为1的特殊相关性,本文在研究问题时将交互使用这两个概念,具体结构如下：第二章探讨了我国不良贷款的形成原因,处置现状,以及其违约损失率分布特征等,与国际上不良贷款的处置情况进行对比并根据其违约损失率分布特征给出本文分析不良贷款违约损失率的量化模型框架；第三章从债务人、贷款自身、宏观经济和处置效应等多角度详细分析了影响我国不良贷款违约损失率的关键因素,重点分析了独具中国特色的影响因素；第四章利用多项logistic方法,构建了中小型企业不良贷款回收率(1-违约损失率)的分类判别模型,分析了完全回收(recovery rate=1),完全无回收(recovery rate=0),部分回收中较低(recovery rate∈(0,0.5)),部分回收较高(recovery rate∈(0.5,1))四类不同回收率的债务人的特点,给出不良贷款资质判别的基本参考；第五章基于前文的分类判别基础,首次对非极端回收(0recovery rate1)的我国不良贷款回收率建立了变换后的线性模型；第六章利用广义beta回归方法,把我国的不良贷款的回收率点预测模型推广到不良贷款分布估计上,并分析了回收率分布均值、方差与各影响因素的关系,此外还在模型中引入了GDP增长率,把模型从静态推广到动态情况；第七章利用广义logistic模型族,首次从GDP增长率和资产处置时间效应的二维角度,分析了零回收强度随时间波动的规律和影响其波动的原因；第八章总结了不良贷款LGD量化模型建立的实际意义,根据模型和数据需求给出相应的政策建议。本文的创新点在于： (1)通过统计图表详尽分析了影响我国不良贷款显著因素,重点分析了包括处置方法、转让方式等中国特色的因素； (2)结合我国不良贷款分布的双峰以0,1为峰值的特征,给出了“先判别—后回归”的建模思路,这与国外的回收率模型都是直接回归有明显区别； (3)针对我国不良贷款按户回收的特点和判别后所得到的非极端回收贷款,创新的提出了由单笔到多笔、由简单到复杂的建模思想,并在模型构建中,对比了beta-正态变换和logit变换在拟合优度和变量显著性的差异； (4)首次引入广义beta回归模型,分析了我国不良贷款回收率分布特点,把过去对不良贷款回收率的研究从点预测推广到分布估计上； (5)首次结合处置效应和宏观经济的二维度,以处置延续时间为划分变量,按处置时间的长短把全样本分为四个子样本,分别考虑了子样本中的宏观经济因素对回收率波动造成的影响。
【图文】：

对比图,违约损失,回收率,对比图

前文已分析了我国不良贷款形成的特殊原因，这与我国经济体制的转轨是息息相关的，第三章将详细分析影响我国不良贷款回收率的因素的特殊性，本节将从分布的特殊性着手，简要分析我国不良贷款回收率模型框架的特殊性。图2.2给出LossCalc中美国贷款违约损失率和我国不良贷款回收率的对比图。丫:::一标一~石~，，.二 6080100120图2.2:美国和中国违约损失率(回收率)对比图通过上图可以明显的看出，美国的违约损失率分布图的峰值是在20%和80%，而我国的不良贷款回收率分布图的峰值是在0和1，这种分布的差异直接导致在构建模型时能否直接变换的差异以及在描述beta分布图时，分布的特征形状的差异，第五、六章将更深入的分析这种差异对于构建模型的影响。基于“形成原因”、“分布形状”和“影响因素”这三个我国的特殊性，本文在构建LGD计量框架时

影响因素,对比分析,来源,违约损失

穆迪 (2005)在Losscalc模型中，详细分析了包括行业、地区、担保级别和宏观等因素对美国债券和贷款的违约损失率的影响，给出了一年期和多期违约损失率预测模型影响因素的框架和贡献度大小对比，如图3.1所示，分别从抵质押、行业、宏观和地区以及公司特性等四个方面分析了影响损失率的因素Debt(e川.Co】}歇erao今ndu引ryMa犷刁日OrDeC0nonl讼G印91日phi。 FifmSPe。一石。‘O韶犯一丫.翎彻O口以.1盯，泞勺臼口lal廿入匆‘如lO%，O%20%30%鸡C%SC%图3.1:美国贷款LGD影响因素对比分析图(来源自穆迪 LosscalcV2)而分析我国不良贷款违约损失率与国外的难度和影响因素大有不同，这主要
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2010
【分类号】：F224;F832.4

【引证文献】