2012年-IMF国际货币组织全球_From_Stress_to_Costress_Stress_Testing_Interconnected_Banking_Systems_34页_1mb

从压力测试到共压力测试：评估互联银行系统的系统性风险

核心内容

本文提出了一种整合框架，用于评估系统性风险。该框架结合了宏观金融环境和银行之间的互联性，通过模拟不同情景下的信用质量变化和信用增长，评估银行体系对整体和个别性冲击的韧性。文章还引入了一种基于分位数回归的简单系统性风险衡量方法，以捕捉系统中尾部风险的共动性。

主要观点

• 系统性风险压力测试需要满足三个关键条件：情景设定需合理且严重、模型需足够风险敏感、结果需易于传达。
• 压力测试模型应同时考虑宏观和微观因素的影响，以更全面地评估系统性风险。
• 信用风险压力测试模型基于 CreditRisk+，该模型使用类似保险行业的分析技术，估计银行信用组合的损失分布，不假设违约的具体原因。
• 系统性风险模型引入了分位数回归方法，用于衡量银行对系统性风险的边际贡献。
• 系统性风险情景包括信用质量恶化、利率和汇率冲击、银行间传染效应、系统性存款挤兑等。

关键信息

一、信用风险压力测试模型

• 模型基于宏观金融环境，将信用质量（如不良贷款率 NPL）和信用增长作为函数进行建模。
• 使用广义矩估计法（GMM）对信用质量和信用增长的冲击进行校准，以提高估计的稳健性和效率。
• 信用损失和信用增长被用来预测银行的资本充足率（CAR），其中 CAR 由信用损失、信用增长和信用利差共同决定。
• 信用损失的估计基于 CreditRisk+ 模型，该模型假设信用风险是突发事件，而非连续变化。

二、系统性风险压力测试模型

• 系统性风险情景包括通胀情景、经济放缓情景等，其中通胀情景下的平均 NPL 比率上升约 27%，而经济放缓情景下则上升约 60%。
• 信用增长在经济放缓情景下下降至约 7%。
• 使用分位数回归方法评估银行对系统性风险的贡献，尤其关注尾部风险共动性。

三、模型构建与结果

• 模型通过以下步骤进行：
  1. 基于宏观变量和风险因素，通过回归模型预测银行的 NPL 比率和信用增长。
  2. 使用 CreditRisk+ 模型估算银行的信用组合损失分布和经济资本。
  3. 将预测结果代入理论模型，评估不同情景对银行资本充足率的影响。
• 模型考虑了信用损失和信用增长的动态效应，表明宏观经济变量（如 GDP 增长和通胀）对信用质量有显著影响，且影响滞后约 1-3 个季度。
• 银行资本充足率的变化取决于信用质量的冲击和信用增长的预期。

情景与分析

系统性风险情景

• 通胀情景：NPL 比率上升 27%，信用增长下降至 14%。
• 经济放缓情景：NPL 比率上升 60%，信用增长下降至 7%。
• 其他情景：包括信用质量整体恶化、特定行业恶化、大借款人违约、银行间传染效应、汇率和利率冲击、系统性存款挤兑等。

压力测试结果

• 压力测试结果通过统计模拟得到，展示了不同情景下银行信用损失和经济资本的分布情况。
• 模型使用分位数回归来估计银行对系统性风险的贡献，并计算条件 VaR（Conditional Value-at-Risk）以衡量银行资本风险。

方法与假设

• 使用 GMM 方法估计模型参数，其中“差分 GMM”和“系统 GMM”是最常用的两种方法。
• 对于小规模不平衡面板数据，使用向前正交偏差变换（forward orthogonal deviations transform）以提高估计的准确性。
• 模型假设信用损失和信用增长对银行资本充足率有直接影响，同时考虑银行内部资本积累和股息分配的机制。

结论

• 本文提出了一种简单的系统性风险情景整合框架，能够同时评估宏观和微观因素对银行体系的影响。
• 通过结合 CreditRisk+ 模型和分位数回归方法，模型能够更准确地捕捉系统性风险的尾部共动性。
• 模型结果表明，宏观经济变量（如 GDP 增长和通胀）对银行信用质量有显著影响，且影响具有滞后性。

表格与图表摘要

表格

• 表1：显示了不同估计方法（如差分 GMM、系统 GMM、Hausman-Taylor、固定效应、混合 OLS）对信用质量和信用增长的回归结果。
• 表2：总结了压力测试的主要结果，包括不同情景下的平均信用损失和经济资本。
• 表3：列出系统性风险情景及其对应的信用质量和信用增长冲击。
• 表4：展示了条件 VaR 对资本的影响。
• 表5：显示了压力测试结果的分布情况。
• 表6：提供了流动性与 Z 分数压力测试结果。

图表

• 图1：宏观金融压力测试框架图，展示了信用质量、信用增长和资本充足率之间的关系。
• 图2：展示了经济放缓情景下的平均信用组合损失分布。
• 图3：分位数回归线图，显示了信用质量与宏观经济变量之间的关系。
• 图4：系统性风险情景图，展示了不同冲击对银行体系的影响。
• 图5：共 VaR（CoVaR）网络结构图，用于衡量银行之间的系统性风险传导。

附录

• 附录I：介绍了 CreditRisk+ 模型中的违约风险建模方法。
• 附录II：提供了分位数回归方法的详细说明。