許曄

【摘要】本文以銀行間資產(chǎn)證券化市場為例，用SV模擬的方法進行波動分析，并在此基礎上進一步采用馬爾科夫區(qū)制轉移模型進行變動特征研究，以期初步刻畫資產(chǎn)證券化市場的風險狀況并提出相關建議。

【關鍵詞】證券化市場?SV模擬 MSIH-VAR模型 風險度量

一、引言

近年來，資產(chǎn)證券化市場進入了快速發(fā)展通道，2018年資產(chǎn)證券化產(chǎn)品發(fā)行量已突破兩萬億元，五年復合增長率43%。但是資產(chǎn)證券化市場三萬多億元的市場存量與近百萬億元的債券市場規(guī)模相比，仍然有巨大的發(fā)展空間。加之近期監(jiān)管改革、市場整頓，非標資產(chǎn)投資逐步萎縮，都為資產(chǎn)證券化這一標準產(chǎn)品市場提供了良好的發(fā)展環(huán)境。因此，做好資產(chǎn)證券化市場的風險解析，完善市場建設尤為重要。本文試圖以銀行間資產(chǎn)證券化市場為例，用SV模擬的方法進行波動分析，并在此基礎上進一步采用馬爾科夫區(qū)制轉移模型進行變動特征研究，進行資產(chǎn)證券化市場的風險的識別與度量，并試圖找到影響資產(chǎn)證券化市場波動的原因，并提出相關建議。

二、文獻綜述

從資產(chǎn)證券化市場啟動以來，對資產(chǎn)證券化風險的研究在學術界已有相關探索。對資產(chǎn)證券化風險探討最為深入和廣泛的是對資產(chǎn)證券化的信用風險水平研究。謝偉杰（2014年）總結了資產(chǎn)證券化信用風險的特點，并認為資產(chǎn)證券化信用風險具有市場化、傳染性和增加桿杠的特點。陳逸、朱娜娜（2015年）針對商業(yè)銀行資產(chǎn)證券化帶來的風險進行探討，認為商業(yè)銀行信貸資產(chǎn)證券化產(chǎn)生的風險主要為信用風險、法律風險、信息風險，并針對這幾種風險提出了防范措施。Carbo-Valverde和Degryse等（2015年）認為對信貸資產(chǎn)證券化信用等級的標準降低是產(chǎn)生信?用風險的重要原因。謝赤、凌毓秀（2018年）運用KMV模型對2017年12月以前和2017年12月以后兩個時期的上市銀行資產(chǎn)證券化的信用風險進行了度量，并建立了上市銀行的股票網(wǎng)絡結構，采用最小生成樹法考察商銀行間的風險傳染，結果表明大型銀行的風險水平較低，股份制銀行、城商行和農(nóng)商行位于風險傳染的中心。李佳（2019年）基于2011～2017年的面板數(shù)據(jù)研究了資產(chǎn)證券化對銀行信用風險水平的影響，結果表明，銀行在資產(chǎn)證券化初期，由于資產(chǎn)證券化的基礎資產(chǎn)均為評級較好的信用產(chǎn)品，資產(chǎn)證券化信用風險水平有所上升，長期來看資產(chǎn)證券化可以實現(xiàn)風險的緩釋。王星宇等（2019年）運用KMV修正模型，對2005～2017年商業(yè)銀行發(fā)行的94只信貸資產(chǎn)證券化進行風險度量，并認為非國有銀行的信用風險水平低于國有銀行的信用風險水平。許余吉等（2017年）分析了企業(yè)資產(chǎn)證券化市場風險，并認為從企業(yè)資產(chǎn)證券化的信用風險主要來自交易結構、基礎資產(chǎn)信用質量、主體信用等因素的風險。

也有部分學者探討資產(chǎn)證券化對系統(tǒng)性風險的影響及表現(xiàn)。李從文（2015年）通過建立資本資產(chǎn)定價模型，檢驗了2007～2013年資產(chǎn)證券化對銀行系統(tǒng)性風險的影響，并認為短期內(nèi)資產(chǎn)證券化可以降低銀行系統(tǒng)性風險，長期內(nèi)由于傳染性增加，資產(chǎn)證券化產(chǎn)品反而增加了銀行系統(tǒng)性風險。謝平、紀志宏等（2016年）認為我國信貸資產(chǎn)證券化市場發(fā)展不順暢從而導致大量信貸資產(chǎn)通過同業(yè)合作、銀信理財?shù)瓤绫O(jiān)管的形式出表，對信用債市場產(chǎn)生擠壓，從而導致了流動性風險從表外傳染至表內(nèi)，增加系統(tǒng)性風險。徐文舸、劉洋（2017年）通過構建理論模型，來研究“發(fā)起—分銷”模式的資產(chǎn)證券化如何導致銀行出現(xiàn)流動性危機的整個過程，他們認為，銀行間市場流動性不足導致資產(chǎn)證券化抵押的現(xiàn)象，一旦抵押收益率低于預期收益率時，將會使風險傳導至銀行，乃至出現(xiàn)整個市場的系統(tǒng)性風險。對資產(chǎn)證券化的流動性風險研究主要來自監(jiān)管機構。福建銀監(jiān)局南平分局課題組（2015年）對資產(chǎn)證券化系統(tǒng)的流動性進行分析，并在分析美國、韓國不良資產(chǎn)證券化教訓的基礎上提出對資產(chǎn)證券化流動性風險的監(jiān)管措施。Allen.E和A.Singh（2016年）年認為資產(chǎn)證券化產(chǎn)品帶來許多承銷商以影子銀行的形式出現(xiàn)在市場上，規(guī)避監(jiān)管帶來系統(tǒng)性風險。

雖然學術界和業(yè)界對資產(chǎn)證券化風險的探討較多，但我們發(fā)現(xiàn)大多數(shù)的都停留在對資產(chǎn)證券化的信用風險研究，對市場風險和系統(tǒng)性風險的討論基本停留在理論層面，且僅有黎紀東（2015年）和姜智敏等（2019年）等少數(shù)文獻有所涉及。其中，部分原因是中國資產(chǎn)證券化市場發(fā)展尚不成熟，可供分析和研究的數(shù)據(jù)較少。但是考慮到資產(chǎn)證券化市場在整個金融市場體系中的重要性日益增加，本文仍然試圖從有限的數(shù)據(jù)中找到一些可以度量資產(chǎn)證券化市場波動的變量，從而初步認識刻畫資產(chǎn)證券化市場風險。

三、模型選取及實證分析

（一）基于SV（隨機波動）模型的資產(chǎn)證券化市場波動模擬

金融市場產(chǎn)品的風險度量一般采用波動模型。目前，國內(nèi)對金融市場風險度量主要采用GRACH、ARCH等模型進行模擬，也有一部分學者采用隨機波動模擬的方法，學者們比較多個計量模型的預測能力后發(fā)現(xiàn)，隨機波動模擬的方法從擬合度、預測能力等多個方面都有更好的效果，且存在異方差性和序列相關性時，隨機波動模擬結果更為顯著，因此，我們擬采用標準隨機波動模型對資產(chǎn)證券化市場的波動狀況進行模擬。

Taylor（1986年）在解釋金融收益率序列波動模型的自回歸行為時提出了標準的SV模型。

SV模型如下：

（1）

（2）

（3）

其中代表收益率，代表風險補償系數(shù)就是測量均值波動效應的回歸系數(shù)，為風險補償，風險補償系數(shù)越大說明風險溢價越高，也就是所謂的高收益高風險。代表均值回復水平，服從均值為，方差為的正態(tài)分布。為獨立同分布的白噪聲干擾，服從均值為0，方差為1的正態(tài)分布。其中，誤差項和是不相關且不可觀測的。是持續(xù)性參數(shù)，反應了當前波動對未來波動的影響。

考慮到數(shù)據(jù)支撐情況，我們擬采用價格指數(shù)波動作為主要研究方向，以收益率波動作為研究對象建立隨機波動模型，獲得波動率序列以度量整個市場風險特征。我們以銀行間資產(chǎn)證券化市場為例，選取了2015年1月4日至2019年10月30日“中債-銀行間資產(chǎn)支持證券指數(shù)”作為資產(chǎn)證券化市場的價格替代變量。同時，為了便于與整個債券市場的情況進行比較，我們選取相同時間段的中債全價指數(shù)作為債券市場的價格替代變量，選取中國國債全價指數(shù)作為國債市場的價格替代變量，對三項價格指標取對數(shù)收益率后，采用隨機波動模擬（SV）的計量方法，測算出資產(chǎn)證券化市場波動率，從而剔除價格的長期影響趨勢，度量短期波動的效果。圖1就是通過隨機波動模擬的三個市場在2015年1月4日至2019年10月30日區(qū)間內(nèi)的價格波動情況。

通過對圖1波動序列的比較，我們發(fā)現(xiàn)：從波動方向來看，資產(chǎn)證券化市場與整個債券市場和國債市場的波動方向一致;從波動率的絕對值來看，資產(chǎn)證券化市場與整個債券市場和國債市場相比，波動率的絕對值相對較低。

僅從圖1看，貌似資產(chǎn)證券化市場比債券市場和國債市場更為穩(wěn)定，這可能與資產(chǎn)證券化市場相對封閉、二級市場交易不活躍相關。但是如果我們將國債市場的最大波幅與資產(chǎn)證券化市場的最大波幅放在同一個圖中相比較（見圖2），我們發(fā)現(xiàn)，雖然國債市場的出現(xiàn)波動時，最大波幅較大，但其他時間段的波動都相對最大波幅較小，而資產(chǎn)證券化市場雖然最大波動的絕對波幅不大，但其他時間段的波動相對于最大波幅較大，這其實說明了資產(chǎn)證券化市場的自身穩(wěn)定性是較差的，自身風險防御能力恰恰較弱。

在對資產(chǎn)證券化市場波動序列初步刻畫的基礎上，我們將運用馬爾科夫區(qū)制轉移模型，對資產(chǎn)證券化市場的風險波動狀態(tài)進行進一步識別。

（二）馬爾科夫區(qū)制轉移模型（MS-VAR）

1.模型選擇

馬爾科夫區(qū)制轉移模型可以通過捕捉時間序列數(shù)據(jù)生成過程中的離散變化，其優(yōu)勢在于識別序列的不同狀態(tài)，能發(fā)覺時間序列中的結構性突變向機制性轉換的過程，使結構變化內(nèi)生化，從而判斷不同狀態(tài)發(fā)生的時間及原因，這一模型可以在我們得出資產(chǎn)證券化市場波動的情況下，更好地幫助我們識別資產(chǎn)證券化市場、債券市場的風險轉換情況，這將有利于我們挖掘資產(chǎn)證券化市場風險產(chǎn)生的原因。

對單一時間序列進行區(qū)制劃分時，通常在馬爾科夫區(qū)制轉移模型中加入向量自回歸，建立如下表達式刻畫該模型：

（4）

其中，，狀態(tài)變量分別表示種區(qū)制狀態(tài)，并假定從期的狀態(tài)轉移到期的狀態(tài)的轉移概率滿足離散取值的一階馬爾科夫過程，其中，表示的前期信息，而表示外生變量，表示轉區(qū)制中的參數(shù)估計向量下的平均變動情況，狀態(tài)變量分別表示種區(qū)制狀態(tài)。

由于資產(chǎn)證券化市場風險狀態(tài)的影響因素較多，因此我們認為擾動項在不同狀態(tài)下呈現(xiàn)出不同的規(guī)律，因此我們可以選取均值方差都隨著狀態(tài)轉化的異質性模型且本文采取MSMH（M）-VAR（p）的模型，或者截距及方差都隨著狀態(tài)轉化的異質性模型MSIH（M）-VAR（p）對資產(chǎn)證券化市場的流動性風險特征進行描述，從而對波動聚集效應進行更好刻畫。

MSMH模型的具體形式為：

（5）

其中，并且當時，。

MSIH模型的具體形式為：

（6）

MSIH相對于MSMH模型的優(yōu)點在于可以更好的平滑在區(qū)制轉移過程中均值的跳躍性變動，使得均值更加平滑。因此我們認為MSIH-VAR模型更加適合資產(chǎn)證券化市場風險變動特征研究。

我們對上面SV模擬后波動率序列進行頻率轉化，針對轉頻后的波動率序列進行了平穩(wěn)性檢驗，發(fā)現(xiàn)序列平穩(wěn)。最后，我們對AIC準則、HQ、SC準則進行比較，認為對資產(chǎn)證券化市場的風險區(qū)制描述采用MSIH（2）-VAR（4）更能分析其風險變動特征，且較有說服力。

2.實證結果

我們對資產(chǎn)證券化市場風險進行模型分析的結果見圖3、圖4。

一般區(qū)制轉移概率（Probabilities）超過0.5即認為市場在該狀態(tài)下的概率較高。整個的轉移過程遵循馬爾科夫過程，即轉

移概率代表該狀態(tài)下向高波動（或低波動）的概率。根據(jù)平滑概率我們可以看出，資產(chǎn)證券化市場的高波動狀態(tài)與低波動狀態(tài)出現(xiàn)了清晰的劃分，且區(qū)制轉移過程明顯。兩區(qū)制模型中的區(qū)制轉移概率分別為0.8410與0.7586。從區(qū)制轉移概率圖和風險波動區(qū)間轉化表我們可以看出，資產(chǎn)證券化市場高風險波動頻率較高，且區(qū)制轉移頻繁。從2015年至2019年的時間，資產(chǎn)證券化市場出現(xiàn)了8次風險區(qū)制轉移，其中有4次高波動區(qū)間，再一次證明了資產(chǎn)證券化市場的穩(wěn)定性較差。從4次高波動區(qū)間來看，前兩次處于高波動狀態(tài)的持續(xù)時間要明顯低于后兩次。通過回顧近四年的市場情況，我們發(fā)現(xiàn)資產(chǎn)證券化市場的四次高風險波動均與流動性緊張相關。（見表1）

2015年末的高波動主要由于信貸資產(chǎn)證券化首次實現(xiàn)做市成交，隨著市場流動性增加，資產(chǎn)證券化市場波動首次增加，出現(xiàn)由于做市交易帶來與之前的市場流動性反差較大的情況，體現(xiàn)為價格波動較大。

2016年底，受到金融去桿桿等情況影響，同時美國貨幣政策開始收緊，債券市場出現(xiàn)了較大的流動性波動，帶動資產(chǎn)證券化市場的風險有所上升，發(fā)行利率上行，部分發(fā)行困難。

2017年3月份開始，資管新規(guī)開始出臺，債券市場熊市開始，債券市場流動性緊張持續(xù)了較長時間。

2018年，資產(chǎn)證券化市場出現(xiàn)爆發(fā)試的規(guī)模增長，一級市場發(fā)行量持續(xù)增長，發(fā)行量劇增但是市場能夠配置資產(chǎn)證券化產(chǎn)品的資金方較為固定，導致流動性相對緊張局面出現(xiàn)，整個資產(chǎn)證券化市場又進入了高風險波動區(qū)間，2019年初才回歸平穩(wěn)。

綜上，馬爾科夫模型模擬出的區(qū)制轉化情況和現(xiàn)實的市場流動性狀況高度吻合，基于此，流動性風險應該是資產(chǎn)證券化市場風險的主要驅動因素。

3.與債券市場比較

為了更好地找到資產(chǎn)證券化市場風險區(qū)制轉換頻繁的原因，我們將資產(chǎn)證券化市場與整個債券市場進行比較，對2015年至2019年的債券市場風險波動序列建立馬爾科夫風險區(qū)制轉移模型，得出債券市場波動區(qū)間。（見表2）

和資產(chǎn)證券化市場風險區(qū)制轉換對比來看，我們可以看出債券市場一旦進入高風險區(qū)制，自身恢復能力較強，很快轉化為低風險區(qū)制，而資產(chǎn)證券化市場一旦進入高風險區(qū)制則惰性較強，較難恢復到低風險的平緩波動狀態(tài)。2016～2018年的三年，資產(chǎn)證券化市場與債券市場均出現(xiàn)相同的高風險階段，但明顯資產(chǎn)證券化市場的高風險持續(xù)時間較長。

四、結論及建議

（一）初步結論

本文對資產(chǎn)證券化市場波動狀況進行隨機波動模擬后建立馬爾科夫區(qū)制轉移模型，對市場風險特征進行分析，可以得到以下結論：

1.作為債券市場的組成部分，債券市場整體風險狀況決定了資產(chǎn)證券化市場的風險波動情況;

2.考慮到資產(chǎn)證券化市場的深度有限，二級市場建設尚處于早期階段，以一級市場作為主要內(nèi)容的資產(chǎn)證券化市場受二級市場流動性沖擊小，風險波動絕對幅度要小于債券市場整體，但是由于其自身穩(wěn)定性較差且，相對波動幅度大，波動更為頻繁;

3.從對資產(chǎn)證券化市場持續(xù)近五年的風險波動情況看，共出現(xiàn)高風險波動與低風險波動8次的相互轉化，資產(chǎn)證券化市場區(qū)制轉換頻繁，一旦進入高風險階段則難以自愈，而債券市場一旦進入高風險階段則較為容易轉換為低風險，因此，資產(chǎn)證券化市場抵御風險能力和風險吸收能力都相對較弱;

4.流動性風險是資產(chǎn)證券化市場目前主要的風險驅動因素。

（二）相關建議

從以上結論我們看出，盡管目前資產(chǎn)證券化市場在市場封閉的情況下，市場波動較小，但是其內(nèi)部的脆弱性和單一性都是未來資產(chǎn)證券化業(yè)務發(fā)展的較大隱患，需要未雨綢繆建立相應機制進行風險防范和化解。從商業(yè)銀行等金融機構的角度出發(fā)，我們認為發(fā)行資產(chǎn)證券化產(chǎn)品仍然是緩釋資本、釋放業(yè)務額度的優(yōu)質工具，為此我們提出如下建議：

1.不斷增加資產(chǎn)證券化產(chǎn)品品種，通過擴容的方式增強市場自身穩(wěn)定性。雖然資產(chǎn)證券化市場規(guī)模已經(jīng)3萬多億，但相比整個債券市場近百萬億的容量，市場份額有待進一步提高，不斷擴大市場，吸收各類基礎資產(chǎn)的品種，增大市場容量，有利于資產(chǎn)證券化市場加大自身的穩(wěn)定性。

2.加強銀行間資產(chǎn)證券化市場的做市交易要求，提高流動性以防范流動性危機。雖然監(jiān)管機構已經(jīng)對資產(chǎn)證券化產(chǎn)品做市提出了相關規(guī)定，但是從市場數(shù)據(jù)來看，2019年上半年信貸資產(chǎn)證券化的換手率僅為8.7%，而債券的換手率為93.8%。在當前市場參與主體僅為金融機構且以商業(yè)銀行為主導的前提下，增加金融機構的做市要求是增強市場流動性的重要手段。

3.建立統(tǒng)一資產(chǎn)證券化市場風險監(jiān)測指標，做好壓力測試。美國次貸危機的教訓仍在眼前，資產(chǎn)證券化作為一個盤活資金，提高市場活力，增加金融資產(chǎn)流動性的重要手段，在大力發(fā)展深化的同時，還應針對資產(chǎn)證券化市場建立風險監(jiān)測指標，做好金融市場壓力測試，防范系統(tǒng)性風險的爆發(fā)。

【參考文獻】

1.陳逸、朱娜娜，商業(yè)銀行信貸資產(chǎn)證券化業(yè)務的風險管理研究，2015年13期，145。

2.福建銀監(jiān)局南平分局課題組，銀行信貸資產(chǎn)證券化流動性風險及監(jiān)管模式研究——基于系統(tǒng)協(xié)同 論視角的分析，金融監(jiān)管研究，2015 年第 12 期，16-30。

3.黎紀東，淺談我國資產(chǎn)證券化市場發(fā)展的風險防范，時代金融，2016 第 11 期中旬刊（總第 642 期），156。

4.姜智敏、郭沛、吳贊，當前我國資產(chǎn)證券化市場發(fā)展的 分化現(xiàn)象及對策，征信，2019年第3期，85-88。

5.李叢文，信貸證券化減少我國銀行系統(tǒng)性風險了嗎，國際金融研究，2015 年第 6期，65-75。

6.李佳，資產(chǎn)證券化能否緩解銀行信用風險承擔？ —— —來自中國銀行業(yè)的經(jīng)驗證據(jù)，國際金融研究，2019.6，57-66。

7.劉偉江，丁一，隋建利，貨幣政策對股市收益率的影響： 非對稱效應解析，廣東財經(jīng)大學學報，2015年第5期（總第142期），69-77。

8.王春峰，蔣祥林，李 剛. 基于隨機波動性模型的中國股市波動性估計，管理科學學報，2003（4） ：63 -72。

9.王星予、余麗霞、陽曉明，商業(yè)銀行信貸資產(chǎn)證券化信用風險研究 ——基于修正的 KMV 模型，金融監(jiān)管研究，2019年第3期，54-66。

10.許余潔、鄧博文，我國企業(yè)資產(chǎn)證券化市場的風險分析與信用評級關注，金融法苑，2017年總第九十五輯，109-119。

11.謝偉杰，資產(chǎn)證券化信用風險問題探討，時代金融，2014年第12期下旬刊（總第574期），159-160。

12.謝平、紀志宏、徐忠和鄒傳偉，銀行信貸出表及其對信用債券市場的影響，新金融評論，2016年第3期，41-56。

13.徐文舸、劉洋，銀行信貸資產(chǎn)證券化的潛在流動性風險與監(jiān)管研究，金融監(jiān)管研究，2017年第11 期，83-93。

14.謝赤和凌毓秀，銀行信貸資產(chǎn)證券化信用風險度量及傳染研究——基于修正KMV 模型和MST 算 法的實證，財經(jīng)理論與實踐，2018 年第 3期，2-8。

15.姚玥悅，鄧創(chuàng)，李威，新形勢下我國債券市場風險特征研究，經(jīng)濟縱橫，2017 年第11期，118-122。

16.Hamilton James D. ，A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle Author（ s） ： James D. Hamilton Source： Econometrica，Vol. 57，198 2 （ Mar. ，1989） ，pp. 357 -384 Published by： The Econometric Society Stable URL： http： / / www. jstor. org/stable/1912559 Accessed： 14 -09 -2017 13：23 UTC. The Econometric Society.

17.Allen， E.， R. Powell， and A. Singh， Take It to The Limit： Innovative CVAR Applications to Extreme Credit Risk Measurement， European Journal of Operational Research， 2016， 249（2）， 465-475.

18.Carbo-Valverde，S.，Degryse，H.，Rodriguez-Fernandez，F(xiàn).，The Impact of Securitization on Credit Rationing： Empirical Evidence[J]. Journal of Financial Stability，2015，10 （20）：36-50.

（作者單位：中國社會科學院大學、中國建設銀行）