陳媛媛 何雨晨 馬恩濤

一、引言及文獻(xiàn)綜述

1997 年的東南亞金融危機(jī)和2008 年的全球金融危機(jī)時(shí)刻警醒著人們防范金融風(fēng)險(xiǎn)的重要性和必要性（曹廷求和王可，2017）。而2017 年的全國(guó)金融工作會(huì)議以及黨的十九大，也將防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)放在了更加重要的位置。十九大報(bào)告指出，應(yīng)“健全金融監(jiān)管體系，守住不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)的底線”。目前，財(cái)政金融風(fēng)險(xiǎn)已經(jīng)成為影響我國(guó)經(jīng)濟(jì)穩(wěn)定的重要因素（馬恩濤和陳媛媛，2017），商業(yè)銀行作為金融行業(yè)的最重要組成部分，其信用風(fēng)險(xiǎn)是引發(fā)金融危機(jī)和阻礙經(jīng)濟(jì)增長(zhǎng)的重要原因。我國(guó)銀行業(yè)監(jiān)督管理委員會(huì)的年報(bào)顯示，銀行業(yè)金融機(jī)構(gòu)的不良貸款余額和不良貸款率近幾年都呈上升趨勢(shì)，分別由2012 年的1.07 萬(wàn)億元和1.56%增長(zhǎng)到2016 年的2.2 萬(wàn)億元和1.91%，不良貸款絕對(duì)額和相對(duì)額的雙雙上升必然意味著商業(yè)銀行所面臨的信用風(fēng)險(xiǎn)的加劇。特別是，隨著經(jīng)濟(jì)新常態(tài)以來(lái)我國(guó)經(jīng)濟(jì)發(fā)展速度放緩以及產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，我國(guó)的商業(yè)銀行信用風(fēng)險(xiǎn)加劇無(wú)疑，故如何有效預(yù)警和防范商業(yè)銀行信用風(fēng)險(xiǎn)是一個(gè)亟待解決的問(wèn)題?；诖耍疚膶?duì)我國(guó)主要上市銀行的信用風(fēng)險(xiǎn)進(jìn)行詳細(xì)測(cè)量，找到近些年這些銀行信用風(fēng)險(xiǎn)的變化情況及波動(dòng)原因，并提出控制和監(jiān)管風(fēng)險(xiǎn)的政策建議。

由于西方發(fā)達(dá)國(guó)家的銀行信用體系起步較早，因此，國(guó)外學(xué)者對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)做了一系列的研究。Seitz 和 Stickel（2002）指出分析和量化信用風(fēng)險(xiǎn)的方法對(duì)于銀行的平穩(wěn)運(yùn)行非常重要。Richard， Chijoriga 和 Kaijage（2008）研究開發(fā)了一個(gè)概念模型，用于進(jìn)一步理解金融業(yè)欠發(fā)達(dá)經(jīng)濟(jì)體中商業(yè)銀行（CB）的信用風(fēng)險(xiǎn)管理（CRM）系統(tǒng)。他們發(fā)現(xiàn)，CRM 系統(tǒng)的組成部分在欠發(fā)達(dá)經(jīng)濟(jì)體中與發(fā)達(dá)經(jīng)濟(jì)體中的商業(yè)銀行相比有所不同，意味著銀行運(yùn)營(yíng)的環(huán)境是CRM 系統(tǒng)成功的重要考慮因素。Konovalova（2009）認(rèn)為對(duì)信用統(tǒng)計(jì)信息進(jìn)行持續(xù)定量的分析，建立有效的風(fēng)險(xiǎn)評(píng)估模型可以成功地管理商業(yè)銀行信用風(fēng)險(xiǎn)。Andrianova 和 Barannikov（2013）指出為了更好地分析、管理和預(yù)測(cè)信用風(fēng)險(xiǎn)，銀行必須能夠量化相關(guān)的信用風(fēng)險(xiǎn)因素，對(duì)其進(jìn)行分析和永久的監(jiān)控。Bjom 和 Christian（2014）基于1998-2010 年美國(guó)銀行數(shù)據(jù)，對(duì)其信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)從制度層面進(jìn)行研究，發(fā)現(xiàn)兩者都能單獨(dú)影響違約概率，而在兩者共同作用下，違約概率會(huì)大幅上升，因此，要加強(qiáng)對(duì)信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)的管理。Konovalova，Kristovska 和 Kudinska（2016）基于對(duì)借款人的因素分析，提出了一種信用風(fēng)險(xiǎn)評(píng)估模型，以控制商業(yè)銀行的貸款風(fēng)險(xiǎn)水平，減少和預(yù)防未來(lái)的信用風(fēng)險(xiǎn)，并改善銀行風(fēng)險(xiǎn)的管理。

我國(guó)對(duì)于商業(yè)銀行信用風(fēng)險(xiǎn)的研究起步較晚，但隨著經(jīng)濟(jì)和金融的快速發(fā)展，國(guó)內(nèi)學(xué)者對(duì)其研究也在不斷深入。馮宗憲、李祥發(fā)（2013）采用時(shí)變?cè)鰪?qiáng)型向量自回歸（TV-FAVAR）模型對(duì)利率進(jìn)行調(diào)整，并將其引發(fā)的宏觀經(jīng)濟(jì)和金融市場(chǎng)的回饋?lái)憫?yīng)與商業(yè)銀行信用風(fēng)險(xiǎn)的關(guān)聯(lián)性進(jìn)行了實(shí)證研究，同時(shí)結(jié)合經(jīng)濟(jì)形勢(shì)對(duì)實(shí)證結(jié)果進(jìn)行了解釋和分析，揭示了宏觀經(jīng)濟(jì)風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)與商業(yè)銀行信用風(fēng)險(xiǎn)存在動(dòng)態(tài)關(guān)聯(lián)性，因此，在計(jì)量商業(yè)銀行信用風(fēng)險(xiǎn)暴露時(shí)不應(yīng)忽視不同種類風(fēng)險(xiǎn)間的關(guān)聯(lián)性。凌江懷等（2013）基于10 家上市商業(yè)銀行的財(cái)務(wù)數(shù)據(jù)和股票交易數(shù)據(jù)檢驗(yàn)KMV 模型在我國(guó)的適用性，結(jié)果表明KMV 模型計(jì)算出的預(yù)期違約頻率（EDF）與評(píng)級(jí)機(jī)構(gòu)對(duì)銀行的信用評(píng)級(jí)相符。顧海峰（2014）從貸款企業(yè)的財(cái)務(wù)與非財(cái)務(wù)兩個(gè)層面設(shè)計(jì)測(cè)度信用風(fēng)險(xiǎn)的指標(biāo)體系，同時(shí)運(yùn)用模糊綜合評(píng)判法構(gòu)建信用平穩(wěn)狀態(tài)下商業(yè)銀行信用風(fēng)險(xiǎn)測(cè)度模型，并給出該模型的應(yīng)用實(shí)例。結(jié)果發(fā)現(xiàn)：在信用平穩(wěn)下，依賴專家評(píng)判及打分方式可使得模糊綜合評(píng)判法解決商業(yè)銀行信用風(fēng)險(xiǎn)測(cè)度問(wèn)題更具操作便利性。尹釗等（2015）通過(guò)對(duì)我國(guó)十家房地產(chǎn)企業(yè)進(jìn)行實(shí)證分析以剖析CM 模型、KMV 模型和CPV 模型對(duì)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的適用性和局限性。

隨著時(shí)間的推移，很多傳統(tǒng)的信用風(fēng)險(xiǎn)管理方法逐步形成了現(xiàn)代定量化的信用風(fēng)險(xiǎn)管理方法。目前最著名的信用風(fēng)險(xiǎn)度量模型有：1993 年穆迪評(píng)級(jí)公司基于Black，Schole & Merton 的期權(quán)定價(jià)模型而推出的KMV 模型、1997 年J.P 摩根提出的Credit Metrics 模型、1997 年瑞士信貸銀行基于保險(xiǎn)精算提出的Credit Risk+模型以及麥肯錫公司綜合宏觀因素影響推出的 Credit Portfolio View 模型。Credit Metrics 模型的主要思想是根據(jù)信用評(píng)級(jí)機(jī)構(gòu)測(cè)量的違約率和信用轉(zhuǎn)移矩陣來(lái)得出資產(chǎn)組合價(jià)值的變化，進(jìn)而確定信用風(fēng)險(xiǎn)的大小，但是該模型沒有考慮市場(chǎng)風(fēng)險(xiǎn)，其違約率是根據(jù)過(guò)去年份違約率的算術(shù)平均值得來(lái)，并未考慮不同階段對(duì)各違約率的影響而賦予不同的權(quán)重。同時(shí)，該模型的信用等級(jí)變化遵循一個(gè)穩(wěn)定的馬爾科夫過(guò)程是不合理的。Credit Risk+模型的核心是只針對(duì)企業(yè)的違約風(fēng)險(xiǎn)，即風(fēng)險(xiǎn)發(fā)生的概率和其發(fā)生時(shí)形成的損失，這種方法簡(jiǎn)便且易于實(shí)現(xiàn)，從計(jì)算的角度來(lái)看極具優(yōu)勢(shì)，但其沒有考慮到債務(wù)人資本結(jié)構(gòu)變化而產(chǎn)生的信用降級(jí)風(fēng)險(xiǎn)，對(duì)于期權(quán)和外匯互換等非線性金融產(chǎn)品也不適用，因此該模型的應(yīng)用受到了一定限制。Credit Portfolio View 模型認(rèn)為宏觀因素如失業(yè)率、政府支出、匯率和GDP 增長(zhǎng)率等的變化是引起信用質(zhì)量改變的原因，它通過(guò)多因子模型對(duì)資產(chǎn)的信用風(fēng)險(xiǎn)和評(píng)級(jí)轉(zhuǎn)移進(jìn)行分析，雖然該模型充分考慮到行業(yè)、國(guó)家甚至全球的經(jīng)濟(jì)發(fā)展對(duì)企業(yè)的影響，但在現(xiàn)實(shí)中，違約率和信用評(píng)級(jí)也會(huì)受到一些微觀因素的影響，忽視了這些因素的作用會(huì)使結(jié)果有一定的偏差。相比之下，KMV 模型的優(yōu)勢(shì)更加突出：第一，它采用上市公司的股票交易數(shù)據(jù)和財(cái)務(wù)數(shù)據(jù)，可對(duì)任何已上市的企業(yè)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。第二，它是一種動(dòng)態(tài)模型，數(shù)據(jù)隨著股價(jià)的變化而改變，可以隨時(shí)獲得各企業(yè)最新的預(yù)期違約頻率EDF，進(jìn)而及時(shí)反映它們的信用狀況。第三，它具有一定的預(yù)測(cè)功能，KMV 模型將EDF 與股價(jià)聯(lián)系在一起，不僅能反映出各企業(yè)的歷史和當(dāng)前狀況，還能合理預(yù)期未來(lái)的風(fēng)險(xiǎn)。

本文將在前人研究的基礎(chǔ)之上，采用穆迪評(píng)級(jí)公司修正的KMV 模型，通過(guò)GARCH(1,1)模型得到2012-2017 年我國(guó)16 家上市銀行的股權(quán)價(jià)值波動(dòng)率，再使用Matlab 軟件計(jì)算出各銀行的資產(chǎn)價(jià)值及其資產(chǎn)價(jià)值波動(dòng)率，進(jìn)而得到違約點(diǎn)和違約距離。根據(jù)違約距離與預(yù)期違約頻率EDF 的映射關(guān)系可以獲得16 家銀行6年的理論EDF 值，以判斷我國(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)情況。與已有研究相比，本文測(cè)算的銀行數(shù)目及年份較多，這些銀行的總資產(chǎn)規(guī)模占我國(guó)所有銀行80%以上，幾乎可以代表中國(guó)銀行業(yè)近些年的信用風(fēng)險(xiǎn)情況，同時(shí)，還根據(jù)現(xiàn)實(shí)數(shù)據(jù)對(duì)模型的變量進(jìn)行敏感性分析，進(jìn)而得出各變量的影響程度。

二、KMV模型的理論基礎(chǔ)

KMV 模型將企業(yè)的股權(quán)看作一種看漲期權(quán)，執(zhí)行價(jià)格是企業(yè)的負(fù)債，標(biāo)的物為企業(yè)資產(chǎn)價(jià)值。當(dāng)企業(yè)的資產(chǎn)價(jià)值小于負(fù)債時(shí)，企業(yè)將選擇違約，否則不違約。該模型存在一定的局限性，如模型的假設(shè)條件比較嚴(yán)格，對(duì)長(zhǎng)期債務(wù)沒有進(jìn)行細(xì)致劃分，可能會(huì)使違約點(diǎn)與實(shí)際不符；假定利率在貸款期限內(nèi)不變，忽略了利率風(fēng)險(xiǎn)；公司資本結(jié)構(gòu)不變以及資產(chǎn)價(jià)值服從正態(tài)分布與實(shí)際情況有些出入。但很多學(xué)者也對(duì)KMV 模型在我國(guó)的適用性進(jìn)行了實(shí)證分析，如程鵬、吳沖鋒（2002），楊星、張義強(qiáng)（2004），楊秀云等（2016）均認(rèn)為該模型基本能夠識(shí)別我國(guó)上市公司的信用狀況，也具有較強(qiáng)的預(yù)測(cè)能力。

（一）資產(chǎn)價(jià)值及資產(chǎn)價(jià)值波動(dòng)率

根據(jù)Black-Scholes-Merton 期權(quán)定價(jià)模型，企業(yè)資產(chǎn)價(jià)值和股權(quán)價(jià)值的關(guān)系為：

其中，

企業(yè)的股權(quán)價(jià)值波動(dòng)率與資產(chǎn)價(jià)值波動(dòng)率的關(guān)系為：

方程（1）和（2）中VE為企業(yè)的股權(quán)價(jià)值，VA為企業(yè)的資產(chǎn)價(jià)值，D 為企業(yè)的負(fù)債，T 為企業(yè)債務(wù)剩余期限，假設(shè)其為一年，即T=1。r為無(wú)風(fēng)險(xiǎn)利率，σA為資產(chǎn)價(jià)值波動(dòng)率，σE為股權(quán)價(jià)值波動(dòng)率，N（d）為標(biāo)準(zhǔn)正態(tài)累積分布函數(shù)。聯(lián)立兩個(gè)方程，就可得到資產(chǎn)價(jià)值VA及資產(chǎn)價(jià)值波動(dòng)率σA。

（二）違約距離DD 及違約點(diǎn)DP

違約距離是企業(yè)的資產(chǎn)價(jià)值在風(fēng)險(xiǎn)期限內(nèi)由當(dāng)前水平降至違約點(diǎn)的相對(duì)距離，可以表示為：

其中，DP 為違約點(diǎn)，理論上來(lái)說(shuō)，企業(yè)的資產(chǎn)價(jià)值低于負(fù)債面值總額時(shí)，就會(huì)發(fā)生違約，但是，長(zhǎng)期負(fù)債往往能緩解企業(yè)的償債壓力，穆迪評(píng)級(jí)公司根據(jù)大量的實(shí)證檢驗(yàn)，發(fā)現(xiàn)違約最常發(fā)生的臨界點(diǎn)為短期負(fù)債與長(zhǎng)期負(fù)債的一半之和，即為公式（4），其中，STD 為短期負(fù)債，LTD 為長(zhǎng)期負(fù)債。

（三）預(yù)期違約頻率EDF

由于假設(shè)資產(chǎn)價(jià)值服從標(biāo)準(zhǔn)正態(tài)分布，根據(jù)違約距離DD 的含義，理論的預(yù)期違約頻率可表示為：

由以上可知，違約距離DD 越大，上市銀行按時(shí)償還到期債務(wù)的可能性越大，信用風(fēng)險(xiǎn)越小，發(fā)生違約的概率越低，反之亦然，因此違約距離DD 和預(yù)期違約頻率EDF 呈負(fù)相關(guān)。以上為理論預(yù)期違約頻率的計(jì)算方法，穆迪評(píng)級(jí)公司根據(jù)大規(guī)模的歷史違約數(shù)據(jù)庫(kù)構(gòu)建了違約距離和預(yù)期違約頻率的映射關(guān)系，從而得到經(jīng)驗(yàn)預(yù)期違約頻率來(lái)評(píng)估企業(yè)的信用風(fēng)險(xiǎn)。由于我國(guó)缺乏大型的企業(yè)違約數(shù)據(jù)庫(kù)，在對(duì)我國(guó)上市銀行進(jìn)行信用分析時(shí)，只計(jì)算其理論的EDF 值。

三、KMV模型參數(shù)解釋與樣本數(shù)據(jù)

本文將研究2012-2017 年我國(guó)16 家上市銀行的信用風(fēng)險(xiǎn)狀況，以觀察經(jīng)濟(jì)新常態(tài)以來(lái)宏觀經(jīng)濟(jì)的變化對(duì)其是否造成影響。這16 家銀行包括5 家大型商業(yè)銀行，8 家股份制商業(yè)銀行以及3 家城市商業(yè)銀行。

（一）上市銀行的股權(quán)價(jià)值

這16 家上市銀行均完成了股權(quán)分置改革，不存在非流通股，因此，它們的股權(quán)價(jià)值可以表示為：

股權(quán)價(jià)值=股票收盤價(jià)×流通股股數(shù)

其中，我們采用證券市場(chǎng)中該銀行每個(gè)交易日的收盤價(jià)與該交易日流通股股數(shù)相乘，并進(jìn)行加權(quán)平均得到其年股權(quán)價(jià)值。股票收盤價(jià)和流通股股數(shù)分別來(lái)自國(guó)泰安CSMAR 系列研究數(shù)據(jù)庫(kù)和銳思金融數(shù)據(jù)庫(kù)。

（二）上市銀行的股權(quán)價(jià)值波動(dòng)率

常見的計(jì)算股票價(jià)值波動(dòng)率的方法有歷史波動(dòng)率法和GARCH（1，1）模型，國(guó)內(nèi)學(xué)者對(duì)這兩種方法持不同意見。馮玉梅等（2016）通過(guò)實(shí)證發(fā)現(xiàn)GARCH 計(jì)算的動(dòng)態(tài)波動(dòng)率并不符合實(shí)際風(fēng)險(xiǎn)變化。張鵬等（2012）、梅建明等（2013）以及楊世偉等（2015）則認(rèn)為金融時(shí)間序列常常出現(xiàn)某一特征值成群出現(xiàn)的現(xiàn)象，分布上表現(xiàn)出尖峰厚尾的特征，因此采用GARCH（1，1）模型進(jìn)行計(jì)算更為合適。

1.歷史波動(dòng)率法

假設(shè)上市銀行股票價(jià)格服從對(duì)數(shù)正態(tài)分布，用股票的日波動(dòng)率來(lái)推算其年波動(dòng)率。股票的日對(duì)數(shù)收益率可以表示為：

其中，Pi代表第i日的股票收盤價(jià)，Pi-1代表第i-1 日的股票收盤價(jià)。此時(shí)，銀行股票的日收益率的波動(dòng)率為：

2.GARCH（1，1）模型

在方程（9）中，γ為對(duì)應(yīng)于VL的權(quán)重，α為對(duì)應(yīng)于的權(quán)重，β為對(duì)應(yīng)于的權(quán)重。因?yàn)闄?quán)重之和仍為1，所以有γ+α+β=1。

在估計(jì)模型的參數(shù)時(shí)，通常會(huì)采用這種形式，一旦ω、α和β被估算，我們可以由γ+α+β=1 來(lái)計(jì)算γ，長(zhǎng)期方差VL=ω/γ。為了保證GARCH（1，1）模型的穩(wěn)定，我們需要α+β＜1，否則對(duì)應(yīng)于長(zhǎng)期方差的權(quán)重會(huì)是負(fù)值。

以上可以看出，兩種方法計(jì)算出來(lái)的結(jié)果應(yīng)該會(huì)存在一定的差異，我們只選取其中一個(gè)進(jìn)行后續(xù)分析，GARCH（1，1）相比于歷史法更能反應(yīng)實(shí)際波動(dòng)率，并依據(jù)前人的經(jīng)驗(yàn)，最終認(rèn)為GARCH（1，1）模型更為精確。

（三）無(wú)風(fēng)險(xiǎn)利率r

無(wú)風(fēng)險(xiǎn)利率采用人民銀行公布的一年期定期存款利率的加權(quán)平均值，2012-2017 年的定期存款利率分別為3.24%、3.00%、2.97%、2.12%、1.50%和1.50%，均保留兩位小數(shù)。

（四）各負(fù)債項(xiàng)

上市銀行的總負(fù)債D 采用其資產(chǎn)負(fù)債表中的負(fù)債合計(jì)值，短期負(fù)債STD 包括向中央銀行借款、同業(yè)及其它金融機(jī)構(gòu)存放款項(xiàng)等，長(zhǎng)期負(fù)債LTD 包括長(zhǎng)期借款、長(zhǎng)期遞延收益等，數(shù)據(jù)均來(lái)自銳思金融數(shù)據(jù)庫(kù)。

四、實(shí)證分析

（一）2012-2017 年我國(guó)16 家上市銀行的股權(quán)價(jià)值波動(dòng)率

我們利用16 家上市銀行2012-2017 年股票的日對(duì)數(shù)收益率對(duì)GARCH（1，1）模型的參數(shù)進(jìn)行估計(jì)，然后使用模型得到日收益的波動(dòng)率，根據(jù)公式（8）進(jìn)而得到年收益率的標(biāo)準(zhǔn)差，即股權(quán)價(jià)值波動(dòng)率。

通過(guò)采用R 語(yǔ)言里的fGarch 包進(jìn)行了模型擬合，我們得出了16 家上市銀行2012-2017 年的日收益波動(dòng)率，進(jìn)而得到年收益率的標(biāo)準(zhǔn)差，結(jié)果如表1 所示。

表1 16 家上市銀行的股權(quán)價(jià)值波動(dòng)率（2012-2017 年）

從表1 數(shù)據(jù)，橫向總體來(lái)看16 家銀行的波動(dòng)率從2012-2015 年呈現(xiàn)出上升趨勢(shì)，在2015 年達(dá)到峰值，2016 年和2017 兩年呈現(xiàn)穩(wěn)定或下降的趨勢(shì)；縱向比較來(lái)看，大型商業(yè)銀行在各個(gè)年份的波動(dòng)率整體上明顯低于中小型商業(yè)銀行的波動(dòng)率。

（二）2012-2017 年我國(guó)16 家上市銀行的資產(chǎn)價(jià)值及其波動(dòng)率

將GARCH(1，1)模型計(jì)算出來(lái)的股權(quán)價(jià)值波動(dòng)率代入公式（1）和（2），使用Matlab 軟件得到了上市銀行的資產(chǎn)價(jià)值（結(jié)果保留兩位小數(shù)）及其波動(dòng)率（結(jié)果保留四位小數(shù)），如表2、表3 所示。

表2 16 家上市銀行的資產(chǎn)價(jià)值（2012-2017 年） 單位：萬(wàn)億元

從表2 可以看出，每家銀行的資產(chǎn)價(jià)值都是逐年遞增的，以南京銀行和寧波銀行最為顯著，它們2017 年的資產(chǎn)價(jià)值是2012 年的三倍左右。大型商業(yè)銀行雖然增長(zhǎng)率沒有城市商業(yè)銀行的大，但增長(zhǎng)額也是很可觀的。

表3 16 家上市銀行的資產(chǎn)價(jià)值波動(dòng)率 （2012-2017 年）

表3 的數(shù)據(jù)顯示，各上市銀行的資產(chǎn)價(jià)值波動(dòng)率基本呈現(xiàn)先上升后下降的趨勢(shì)，在2015 年達(dá)到了最大值。

（三）2012-2017 年我國(guó)16 家上市銀行的違約距離

將GARCH（1，1）模型計(jì)算出來(lái)的資產(chǎn)價(jià)值及其波動(dòng)率代入公式（3），使用Matlab 軟件得到了上市銀行的違約距離（結(jié)果保留四位小數(shù)），如表4 所示。

由表4 可以看出，大部分上市銀行的違約距離呈現(xiàn)出先減小后增大趨勢(shì)，說(shuō)明它們的信用風(fēng)險(xiǎn)先增大后減小。

表4 16 家上市銀行的違約距離（2012-2017 年）

將這16 家上市銀行分為5 家大型商業(yè)銀行，包括中農(nóng)工建交，剩下11 家為中小型商業(yè)銀行，并將GARCH（1，1）模型得到的違約距離進(jìn)行加權(quán)平均進(jìn)行比較。

圖1：兩類商業(yè)銀行加權(quán)平均違約距離

由圖1 可以觀察到，2012-2015 年，無(wú)論是大型商業(yè)銀行還是中小型商業(yè)銀行，其加權(quán)平均違約距離均呈下降的趨勢(shì)，2015 年以后回升，說(shuō)明我國(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)先增加后減少，造成這一特征的原因可能與我國(guó)經(jīng)濟(jì)新常態(tài)和產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整有關(guān)。2008 年的全球金融危機(jī)和2009 年的歐洲主權(quán)債務(wù)危機(jī)席卷全球時(shí)，中國(guó)經(jīng)濟(jì)在積極財(cái)政政策的調(diào)控下，以最快的速度實(shí)現(xiàn)了復(fù)蘇，保持了自身較高的經(jīng)濟(jì)增長(zhǎng)速度，但好景不長(zhǎng)，2012 年中國(guó)經(jīng)濟(jì)的增長(zhǎng)速度為7.9%，首次跌到8%以下，經(jīng)濟(jì)進(jìn)入新常態(tài)。從2012 年開始，“四萬(wàn)億”財(cái)政政策的延緩效應(yīng)開始顯現(xiàn)，我國(guó)一些高污染高能耗行業(yè)開始出現(xiàn)產(chǎn)能過(guò)剩。以鋼鐵行業(yè)為例，國(guó)家統(tǒng)計(jì)局公布的粗鋼產(chǎn)量增長(zhǎng)率由2012 年的5.63%下降到2015 年的-2.25%。類似這些行業(yè)的不景氣造成了無(wú)法按時(shí)償還銀行的貸款，導(dǎo)致銀行不良貸款率不斷攀升，從2012 年的1.56%上升到2015 年的1.94%（數(shù)據(jù)來(lái)源于中國(guó)銀行保險(xiǎn)監(jiān)督管理委員會(huì)），銀行的信用風(fēng)險(xiǎn)不斷加大。2015 年末，我國(guó)政府提出結(jié)構(gòu)性改革，控制過(guò)多過(guò)度生產(chǎn)，實(shí)現(xiàn)國(guó)有企業(yè)由“量”到“質(zhì)”的轉(zhuǎn)變。2016 年粗鋼產(chǎn)量增長(zhǎng)率慢慢回升到0.56%，銀行的不良貸款率降到1.91%，我國(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)也逐步降低，加權(quán)平均違約距離也在變大。除此之外，圖中可以看出，大型商業(yè)銀行的加權(quán)平均違約距離的波動(dòng)幅度明顯小于中小型商業(yè)銀行，這說(shuō)明大型商業(yè)銀行更能抵抗外界條件變化所帶來(lái)的干擾，而中小型銀行更容易受到外界沖擊的影響。

（四）2012-2017 年我國(guó)16 家上市銀行的預(yù)期違約頻率

將GARCH（1，1）模型計(jì)算出來(lái)的違約距離代入公式（5），使用Matlab 軟件得到了上市銀行的預(yù)期違約頻率，如表5 所示。

表5 16 家上市銀行的預(yù)期違約頻率（2012-2017 年）

由表5 可以得出，大部分銀行的預(yù)期違約頻率呈現(xiàn)出先增加后減少的趨勢(shì)，與違約距離成反比。

（五）違約距離的敏感性分析

鑒于我國(guó)還未對(duì)違約事件建立大型的數(shù)據(jù)庫(kù)，我們的預(yù)期違約頻率是根據(jù)穆迪評(píng)級(jí)公司的映射關(guān)系得出的理論值，因此，我們只對(duì)GARCH（1，1）模型計(jì)算出來(lái)的違約距離進(jìn)行敏感性檢驗(yàn)，以判斷16 家上市銀行的股權(quán)價(jià)值、股權(quán)價(jià)值波動(dòng)率、資產(chǎn)價(jià)值、資產(chǎn)價(jià)值波動(dòng)率和違約點(diǎn)對(duì)違約距離的敏感性。此處將使用16 家上市銀行的面板數(shù)據(jù)并采取多元逐步回歸法進(jìn)行研究。

1.確定模型類型

面板數(shù)據(jù)進(jìn)行回歸時(shí)常采用固定效應(yīng)模型或者隨機(jī)效應(yīng)模型。固定效應(yīng)模型所研究的樣本為全體研究對(duì)象，在利用部分樣本數(shù)據(jù)對(duì)整體進(jìn)行推斷時(shí)不太適用，而隨機(jī)效應(yīng)直觀的用處就是把固定效應(yīng)推廣到隨機(jī)效應(yīng)，隨機(jī)效應(yīng)是一個(gè)群體概念，代表了一個(gè)分布的信息或特征，依據(jù)樣本數(shù)據(jù)利用隨機(jī)效應(yīng)模型來(lái)估算整體的信息。這里我們并沒有選取到所有的銀行，而是部分銀行，如果想要估算銀行業(yè)整體的特征，就應(yīng)該采用隨機(jī)效應(yīng)模型。同時(shí)，我們也通過(guò)檢驗(yàn)來(lái)證明隨機(jī)效應(yīng)模型的有效性。將違約距離、股權(quán)價(jià)值、資產(chǎn)價(jià)值、違約點(diǎn)的原始數(shù)據(jù)進(jìn)行了對(duì)數(shù)化處理，對(duì)面板數(shù)據(jù)分別采用固定效應(yīng)回歸模型和隨機(jī)效應(yīng)隨機(jī)模型進(jìn)行回歸，將得到的結(jié)果采用Stata 軟件進(jìn)行霍斯曼檢驗(yàn)后，發(fā)現(xiàn)p 值是0.8205（見表6），遠(yuǎn)大于0.05，所以接受霍斯曼檢驗(yàn)的原假設(shè)（霍斯曼檢驗(yàn)的原假設(shè)是：固定效應(yīng)下所估計(jì)的系數(shù)和隨機(jī)效應(yīng)下所估計(jì)的系數(shù)一致，隨機(jī)效應(yīng)估計(jì)的系數(shù)是最有效估計(jì)），因此模型更適用于隨機(jī)效應(yīng)模型。

表6 霍斯曼檢驗(yàn)

2.隨機(jī)效應(yīng)模型回歸

將違約距離的對(duì)數(shù)看做因變量，股權(quán)價(jià)值的對(duì)數(shù)、股權(quán)價(jià)值波動(dòng)率、資產(chǎn)價(jià)值的對(duì)數(shù)、資產(chǎn)價(jià)值波動(dòng)率和違約點(diǎn)的對(duì)數(shù)看做自變量，第一次使用隨機(jī)效應(yīng)模型回歸的結(jié)果如表7 所示。

表7 隨機(jī)效應(yīng)模型回歸

我們發(fā)現(xiàn)模型擬合優(yōu)度很好，為0.9482，而在95%的置信水平下，資產(chǎn)價(jià)值波動(dòng)率的p 值為0.679，是不顯著的，因此我們將這個(gè)解釋變量剔除，再利用隨機(jī)效應(yīng)模型進(jìn)行第二次回歸，結(jié)果如表8 所示。

表8 剔除資產(chǎn)價(jià)值波動(dòng)率后的回歸

模型擬合優(yōu)度為0.9484，比第一次有略微提高，擬合效果很好。于是得出違約距離的估計(jì)方程為：

從估計(jì)結(jié)果來(lái)看：股權(quán)價(jià)值增長(zhǎng)率增加1%，違約距離增長(zhǎng)率減少約0.75%；股權(quán)價(jià)值波動(dòng)率增加1%，違約距離增長(zhǎng)率減少約3.2%；資產(chǎn)價(jià)值增長(zhǎng)率增加1%，違約距離增長(zhǎng)率增加約13.48%；違約點(diǎn)增長(zhǎng)率增加1%，違約距離增長(zhǎng)率減少約12.67%。很明顯，違約距離對(duì)資產(chǎn)價(jià)值和違約點(diǎn)的變化最為敏感，股權(quán)價(jià)值和股權(quán)價(jià)值波動(dòng)率與違約距離均是負(fù)相關(guān)，其原因可能是我國(guó)股市受政策影響程度較大，國(guó)家在股市不景氣時(shí)往往通過(guò)提振銀行股來(lái)帶動(dòng)市場(chǎng)，而此時(shí)實(shí)體經(jīng)濟(jì)往往疲軟，銀行的風(fēng)險(xiǎn)其實(shí)是上升的。

五、結(jié)論和政策建議

本文基于KMV 模型對(duì)我國(guó)16 家上市銀行進(jìn)行了信用風(fēng)險(xiǎn)研究，利用上市銀行的財(cái)務(wù)數(shù)據(jù)和估價(jià)的時(shí)間序列計(jì)算得到各銀行的違約距離和預(yù)期違約頻率，從結(jié)果中可以看出，2012-2015 年我國(guó)銀行業(yè)的信用風(fēng)險(xiǎn)呈遞增趨勢(shì)，而2015 年以來(lái)信用風(fēng)險(xiǎn)逐漸降低。其中，各銀行的資產(chǎn)價(jià)值以及決定違約點(diǎn)的銀行負(fù)債對(duì)銀行的違約距離的影響更為顯著，資產(chǎn)價(jià)值越大，股權(quán)價(jià)值波動(dòng)率越小，信用風(fēng)險(xiǎn)越低；違約點(diǎn)越大即負(fù)債越多，股權(quán)價(jià)值波動(dòng)率越大，信用風(fēng)險(xiǎn)越高。

通過(guò)使用KMV 模型對(duì)我國(guó)上市銀行信用風(fēng)險(xiǎn)的實(shí)證分析，整個(gè)操作過(guò)程來(lái)看，KMV 模型由于數(shù)據(jù)獲取相對(duì)容易，計(jì)算操作簡(jiǎn)便，比較適用于我國(guó)現(xiàn)階段的信用風(fēng)險(xiǎn)量化管理，實(shí)用性強(qiáng)。但是，由于我國(guó)缺乏實(shí)際的違約距離和預(yù)期違約頻率的映射關(guān)系，該模型還不能全面應(yīng)用于我國(guó)銀行業(yè)的信用風(fēng)險(xiǎn)度量。因此，為了更好的控制我國(guó)銀行業(yè)的信用風(fēng)險(xiǎn)，對(duì)其實(shí)施行之有效的監(jiān)管策略，完善我國(guó)銀行業(yè)信用風(fēng)險(xiǎn)預(yù)警體系，促進(jìn)其健康發(fā)展，我們給出如下政策建議：

（一）加強(qiáng)我國(guó)資本市場(chǎng)建設(shè)，完善金融經(jīng)濟(jì)法律法規(guī)

政府應(yīng)該建立健全相關(guān)法律法規(guī)以控制商業(yè)銀行的風(fēng)險(xiǎn)，引導(dǎo)各銀行提高核心資本充足率，減少不良貸款，提高應(yīng)對(duì)惡性金融危機(jī)的能力，使其形成可持續(xù)發(fā)展的模式，在鼓勵(lì)金融創(chuàng)新的同時(shí)，更加重視風(fēng)險(xiǎn)監(jiān)控和預(yù)警。此外，先進(jìn)的信用風(fēng)險(xiǎn)計(jì)量模型是建立在有效的金融市場(chǎng)之上，KMV 模型計(jì)算過(guò)程中的大量數(shù)據(jù)來(lái)源于銀行的資產(chǎn)負(fù)債表及證券市場(chǎng)，這必然要求證券市場(chǎng)價(jià)格的有效性。因此，監(jiān)管部門要規(guī)范各商業(yè)銀行的信息披露制度，保證其公布的信息真實(shí)有效，同時(shí)，減少證券市場(chǎng)的過(guò)度投機(jī)，加強(qiáng)交易活動(dòng)的監(jiān)管，使股票價(jià)格能及時(shí)可靠地反映銀行經(jīng)營(yíng)狀況，為KMV 模型在我國(guó)的使用提供良好的金融環(huán)境。

（二）采用國(guó)際先進(jìn)的風(fēng)險(xiǎn)評(píng)估模型，完善我國(guó)信用評(píng)級(jí)體系

目前我國(guó)對(duì)銀行業(yè)的風(fēng)險(xiǎn)評(píng)估主要運(yùn)用財(cái)務(wù)報(bào)表數(shù)據(jù)進(jìn)行分析，具有滯后性，不能及時(shí)反映風(fēng)險(xiǎn)水平。隨著我國(guó)股票市場(chǎng)的日漸成熟，KMV 等先進(jìn)模型越來(lái)越適合我國(guó)的國(guó)情及金融市場(chǎng)環(huán)境，我們應(yīng)該積極學(xué)習(xí)并采用這些模型以及時(shí)反映風(fēng)險(xiǎn)變化。除此之外，進(jìn)一步發(fā)展我國(guó)第三方信用評(píng)級(jí)機(jī)構(gòu)也是必不可少的。目前我國(guó)的信用評(píng)級(jí)機(jī)構(gòu)存在規(guī)模小、國(guó)際認(rèn)可度低等問(wèn)題，與權(quán)威的評(píng)級(jí)機(jī)構(gòu)如穆迪、惠譽(yù)和標(biāo)準(zhǔn)普爾的操作標(biāo)準(zhǔn)存在一定差異，因此，盡快完善我國(guó)第三方信用評(píng)級(jí)機(jī)構(gòu)是加強(qiáng)風(fēng)險(xiǎn)監(jiān)控的重要組成部分。

（三）建立違約數(shù)據(jù)庫(kù)，形成我國(guó)商業(yè)銀行違約距離和預(yù)期違約頻率的映射關(guān)系

穆迪評(píng)級(jí)公司累計(jì)了15 年的違約數(shù)據(jù)建立起了違約距離和預(yù)期違約頻率之間的映射關(guān)系，該映射關(guān)系是指在一定期間以內(nèi)，具有相同違約距離的公司中實(shí)際發(fā)生違約的公司數(shù)量占該違約距離的公司總數(shù)的比值，即為預(yù)期違約頻率。而我國(guó)缺乏違約數(shù)據(jù)庫(kù)，這嚴(yán)重阻礙了我國(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)管理，沒有連續(xù)完整的信用違約數(shù)據(jù)也使得KMV 模型對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的測(cè)量受到了一定的限制。因此，我們必須重視數(shù)據(jù)的收集和整理，建立并逐步完善信用風(fēng)險(xiǎn)基礎(chǔ)數(shù)據(jù)庫(kù)，形成我國(guó)的違約距離和預(yù)期違約頻率的映射關(guān)系。

（四）加強(qiáng)KMV 模型的理論研究和在我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理中的應(yīng)用

鑒于我國(guó)市場(chǎng)環(huán)境的特殊性，原始的KMV 模型可能并不完全適合我國(guó)上市銀行預(yù)期違約頻率的測(cè)算，我們可以對(duì)模型中的參數(shù)進(jìn)行測(cè)算和修改，更好地衡量我國(guó)上市銀行的信用風(fēng)險(xiǎn)。同時(shí)，非上市銀行缺乏股價(jià)和股價(jià)波動(dòng)率等數(shù)據(jù)，無(wú)法使用該模型，我們可以學(xué)習(xí)其度量思想，替換一些變量來(lái)設(shè)計(jì)出針對(duì)非上市銀行的信用風(fēng)險(xiǎn)測(cè)度模型。