BIS国际清算银行-Forecasting-expected-and-unexpected-losses_56页_1023kb

总结：BIS Working Paper No 913 - Forecasting Expected and Unexpected Losses

核心内容

本论文探讨了如何通过引入金融周期指标，对银行贷款组合的**预期损失（Expected Loss, EL）和非预期损失（Unexpected Loss, UL）**进行联合预测。作者提出了一种理论与实证相结合的框架，旨在提高银行损失吸收资源（Loss Absorbing Resources, LAR）的预测准确性，并减少其顺周期性。

主要观点

• EL与UL的联合预测：EL和UL在理论上是相互关联的，但传统文献多将其分开研究。本文提出了一种统一的预测框架，通过同时预测损失分布的第一和第二矩（均值和方差），提高预测的准确性。
• 金融周期指标的作用：作者发现，**债务服务比率（DSR）和信贷-GDP缺口（C2Y）**等金融周期指标在预测损失率和其波动性方面表现优异，能够提前3年预示周期性转折点。
• 预测模型的结构：模型假设贷款组合由大量同质贷款构成，每笔贷款受系统性风险因子（如G和I）和异质性风险因子（如Z）影响。其中，G表示损失聚集因子，I表示周期性切换因子。
• 预测误差的控制：通过联合预测第一和第二矩，可以更准确地捕捉周期性转折点的时机和数量，预测误差不超过3个季度。
• 顺周期性与逆周期性：作者指出，基于金融周期指标的预测可以显著降低银行损失吸收资源的顺周期性，并在某些情况下表现出逆周期性。

关键信息

预测模型

• 第一矩预测：预测预期损失率（EL），即未来损失的平均值。
• 第二矩预测：预测损失率的方差，从而推导非预期损失（UL）。
• 预测变量：使用了失业率、产出缺口、信用利差、期限利差、实际利率、S&P 100波动率指数等传统变量，以及DSR和C2Y等周期性指标。
• 预测评估指标：包括均方根误差（RMSE）、预测与实际序列的相关性、预测转折点的数量与时间误差等。

金融周期指标的实证表现

• DSR（债务服务比率）：在12个季度的预测中，DSR在第一矩预测中的相关性达到60%，比其他变量高15个百分点以上。
• C2Y（信贷-GDP缺口）：在第二矩预测中，C2Y相关性超过20%，且在所有预测时点上均为正值。
• 联合预测优势：同时预测第一和第二矩的模型比单独预测更准确，能够更好地捕捉周期性转折点。

风险因子与损失分布

• 损失聚集因子（G）：影响贷款组合的联合违约概率，但其效应在宏观层面被平均化。
• 周期性切换因子（I）：二元变量，代表金融周期的繁荣或萧条阶段，影响单个贷款的违约概率和损失聚集因子的权重。
• 损失吸收资源（LAR）：LAR = EL + UL，其中EL反映预期损失，UL反映非预期损失。

不同信息集的银行行为

• 完全信息银行（CK银行）：基于完整的周期信息（I_t），能够准确预测EL和UL。
• 不完全信息银行（IK银行）：仅知道前一阶段的信息（I_{t-1}），对当前阶段的预测存在偏差，可能导致LAR的短缺或过剩。
• 预测改进的必要性：IK银行若能获得更准确的周期性信息，可以改善其对EL和UL的预测，从而更接近CK银行的预测水平。

实证应用

• 数据来源：使用1985q1至2019q2的美国私人非金融部门贷款净核销率数据。
• 预测结果：基于DSR和C2Y的联合预测模型在多个指标上优于其他模型，特别是在捕捉周期性转折点方面表现优异。
• 模型的稳健性：预测结果在不同子组合中也表现出良好的一致性，尤其是商业与工业贷款（CI贷款）。

政策意义

• 监管实践：EL和UL的预测应纳入银行的会计和监管标准，以提高资本充足率和损失吸收能力的合理性。
• 政策干预：由于银行自身可能缺乏准确的长期预测能力，监管机构可能需要通过政策手段来确保预测信息被有效利用，以减少顺周期性。

结论

本文提出了一种新的框架，用于预测银行贷款组合的预期和非预期损失，并证明了金融周期指标在这一过程中的关键作用。通过联合预测第一和第二矩，可以显著提高预测的准确性，并减少银行损失吸收资源的顺周期性。作者还指出，改进对周期性切换因子的预测是提高银行资本和损失准备金合理性的关键。