EBA欧洲银行-Identifying-excessive-credit-growth-and-leverage-L.-Alessi2C20C.-Detken_52页_795kb

文档总结：识别过度信贷增长与杠杆的早期预警模型

核心内容

本文探讨了如何通过构建早期预警模型，帮助政策制定者识别欧洲金融体系中信贷增长和杠杆过度积累的时期，从而适时启动宏观审慎工具。研究采用“随机森林”方法，结合分类树模型，选取关键指标并设定预警阈值，以提高对系统性银行危机的预测能力。

主要观点

• 过度信贷增长的风险：过度信贷增长可能导致系统性金融风险，进而引发银行危机。因此，宏观审慎政策的目标是通过工具如周期性资本缓冲（CCB）、系统性风险缓冲、杠杆率和贷款价值比（LTV）、贷款收入比（LTI）等，来控制风险。
• 早期预警系统的重要性：现有的早期预警系统多集中于新兴市场，且缺乏对宏观审慎政策工具的直接支持。本文提出一个更全面的模型，以识别信贷增长和杠杆的过度积累。
• 模型方法：本文采用决策树学习方法，尤其是随机森林（Random Forest），以提高模型的稳健性和预测能力。该方法结合了信号法和分类回归树（CART）的优点，能够处理非平稳时间序列和缺失数据。
• 关键指标：模型基于信贷与GDP的比率、信贷增长率、房地产价格、债务服务成本、宏观经济变量（如GDP增长、经常账户、M3货币供应、实际有效汇率）等构建，其中“Basel gap”作为信贷与GDP比率的趋势偏离指标，被广泛使用。

关键信息

1. 数据与方法

• 数据来源：使用欧洲系统性风险委员会（ESRB）构建的银行危机数据库，涵盖1970年第一季度至2013年第四季度，涉及28个欧盟成员国。
• 样本处理：为避免政策滞后和数据偏差，所有变量均滞后一个季度。
• 模型构建：采用随机森林方法，通过抽样和聚合多个决策树，提高预测的稳健性。模型还结合了分类树，以确定关键指标的预警阈值。

2. 指标分类

• 信贷相关指标：

  • 广义信贷（涵盖所有来源的非金融私人部门信贷）
  • 信贷增长率（年同比）
  • 信贷与GDP比率（Basel gap 和 alternative gap）
  • 银行信贷（与GDP比率及趋势偏离）
  • 房地产相关信贷（如住房贷款增长率、住房贷款与GDP比率）
  • 债务服务成本（扩展型债务服务比率 DSR）
  • 公共债务与GDP比率

• 宏观经济变量：

  • 实际GDP增长率
  • 经常账户占GDP比重
  • M3货币供应（实际增长率与趋势偏离）
  • 实际有效汇率

• 房地产价格指标：

  • 房地产价格增长率（以消费者价格指数为基准）
  • 房地产价格与收入比率
  • 房地产价格与租金比率

• 市场指标：

  • 长期（10年）和短期（3个月）利率
  • 股价指数的实际增长率

3. 模型目的与应用

• 预警目标：识别信贷增长和杠杆过度积累的时期，从而建议启动宏观审慎工具。
• 预警阈值：通过分类树模型确定每个指标的阈值，若当前值超过阈值，则可能预示银行危机。
• 政策导向：模型考虑政策制定者的偏好，如对错过危机（类型1错误）的担忧大于误报（类型2错误），因此设定较低的预警阈值。
• 模型输出：模型输出为每个时期的预测概率，若某叶节点中预危机时期的频率超过50%，则发出预警。

4. 模型优势

• 非参数方法：随机森林无需假设变量分布，能够处理非线性关系和交互效应。
• 稳健性：通过聚合多个决策树，提高模型的稳定性与预测能力。
• 透明性：模型结构清晰，便于政策制定者理解和使用。

5. 研究结果

• 预警信号：模型识别出25个欧元区国家及英国、丹麦、瑞典的银行危机时期。
• 国家差异：部分国家（如奥地利、比利时、卢森堡等）未出现符合标准的危机。
• 模型验证：通过样本外测试（仅使用2007年前的数据）验证模型的有效性。

结论

本文提出的模型为政策制定者提供了一个基于数据驱动的早期预警框架，结合多种指标和机器学习方法，以更准确地识别金融体系中潜在的系统性风险。模型不仅能够预测危机，还能帮助选择适当的宏观审慎工具，为欧洲金融政策提供科学依据。