衡泰研究 | 两种信用风险宏观压力测试模型对比介绍

Posted 2021-07-15 xQuant 衡泰软件

近年来中国债券市场的发展速度十分之快，其规模也在世界前列。随之而来的是债券市场违约现象逐年增多。证券公司在债券业务中扮演了多种角色，如承销商、受托管理人或债券持有人等，涉及的业务规模也较大，面对债券业务体量的增加以及债券违约事件增多，针对该类业务，证券公司需要建立更精细化的风险管理模型。本文结合《证券压力测试指引》和CCAR方法，从宏观经济角度分析，介绍关于债券投资组合的几类信用风险宏观压力测试模型。

全文3854字，

预计阅读时间15分钟。

压力测试的起源与国内应用

2007-08年的金融危机使得各国的监管机构意识到传统风险管理模型的重大缺陷，必须引进新的方法来衡量风险。

2010年美国通过《多德-弗兰克法案》（Dodd-Frank ACT），要求监管机构和金融机构开展压力测试，该法案也被认为是20世纪30年代以来美国金融监管领域影响最深远的改革。

《多德-弗兰克法案》颁布后，美联储成为美国银行业系统性风险的主要监管机构。美联储在SCAP（Supervisory Capital Assessment Program）实施的基础上，推出综合性资本分析评估CCAR（Comprehensive Capital Analysis and Review），全面整合风险管理和压力测试等各项工作，以形成系统化的综合压力测试体系，促使金融机构全面审慎地进行风险管理。

CCAR从宏观经济分析开始，然后依据宏观经济到行业的传导路径设置行业压力情景，接着在压力情景下估计金融机构的收入、损失、风险资本、监管资本的变化，将公司业务战略、资本规划与风险规划结合起来，促进管理目标与风险偏好的层层有效传导。  

金融危机后，我国监管机构也意识到压力测试的重要性，中国证券业协会聚行业专家之力于2011年3月发布了《证券公司压力测试指引(试行)》（简称《证券压力测试指引》），结合国内证券行业的特点和风险管理需求，建立适合国内证券公司开展全面压力测试的体系；中国证券投资基金业协会为完善我国公募基金风险管控机制，于2016年11月15日也发布了《公募基金管理公司压力测试指引（试行）》；而早在2007年，中国银监会就借鉴国际经验，发布了《商业银行压力测试指引》，该指引一方面用压力测试工具衡量单体金融机构的稳健性，同时也不断尝试针对宏观经济下行等假定情形的宏观审慎压力测试。

以上《指引》对商业银行、证券公司和基金公司压力测试工作机制做出了原则性和指导性的规定。在相关指引下，国内银行、基金和证券公司的压力测试工作机制已逐步健全。但当前我国对应机构的压力测试体系距离CCAR的压力测试体系有一定差距，在压力测试的情境设计、传导机制设立、压力测试结果运用等方面尚有很大的改进空间。

信用风险宏观压力测试模型概念

信用风险压力测试是度量不利情景下信用风险因子变动对金融机构资本带来的影响，并判断金融机构资本是否能覆盖相应的损失。压力测试根据不同的压力情景可采用敏感性分析和情景分析等方法，敏感性分析是指测试单个风险因素发生变化时的压力情景对资产组合的影响；情景分析是指测试多个风险因素同时变化时的压力情景对资产组合的影响。

宏观压力测试考虑债券投资组合在宏观经济不利变动下的冲击，是以宏观经济指标作为压力因子，通过模型传导到债券的PD指标，进而计算压力情景下的经济资本占用等值。

关于信用风险包含两种风险：第一种是违约风险（Default Risk）；第二种是信用评级恶化风险（Down Grade Risk）。在国内，评级恶化风险往往是大于违约风险，信用评级恶化会带来内在价值损失。目前应用比较广泛的宏观压力测试模型是利用违约概率和宏观经济因子之间构建宏观传导模型。由于行业违约概率难以计量，大部分采用不良贷款率替代违约率和宏观指标构建传导模型。

上述的方法在做压测时尚未考虑到评级恶化的风险，并且在构建宏观传导模型时，没有考虑宏观经济变量间的相互影响。此外由上市银行获取不良贷款率和宏观因子构建的传导模型并不是实际的违约概率和宏观经济的关系，计量的结果可能还需要调整。

综合以上本文将介绍宏观经济传导模型有Credit Portfolio View模型（以下简称CPV模型）和转移矩阵+经济周期Z因子模型，该类模型在一定程度上可解决上述的相关问题。该类模型的关键点在于建立宏观违约率或经济周期因子与宏观经济指标的关系。下面对该两类模型做简要介绍和对比。

CPV、转移矩阵+经济周期Z因子

两种模型介绍对比

1. 模型介绍

CPV模型是将违约及信用等级转移概率与利率、失业率、GDP增长率、汇率、政府支出和储蓄水平等宏观经济变量联系在一起，模拟每个国家不同产业、不同信用评级的违约和迁移概率的联合条件分布。当经济条件恶化时，降级和违约增加。当经济状况好转时恰恰相反。该模型基于经济状况和风险期的组合损失分布来生成违约转移概率分布，而经济资本则基于风险价值法来计算。对于该模型，如果数据可获得，可以在每个国家应用于不同的群体和各种类别的债务人，这些债务人可以来自不同行业，比如金融机构、农业、建筑业、服务业。

转移矩阵+经济周期Z因子模型是基于Ordered Probit模型，结合评级数据获取不同评级违约概率，然后综合行业景气度以及行业宏观经济指标，将评级违约概率和不同行业宏观经济指标联系在一起，构建评级违约概率和经济周期Z因子的联合条件分布。

两类模型涉及基本原理如下：

CPV模型使用Logit变换对贷款违约率进行非线性变换，将其转换成﹣∞到﹢∞上的取值，以建立贷款违约率与宏观经济因素之间的多元线性回归模型。此外，当给定不同压力情景下的宏观经济因子时，经过宏观传导模型，以及指数变换公式，即可得到不同压力情景下的贷款违约概率。

转移矩阵+经济周期Z因子模型建立了评级转移概率条件公式和宏观传导模型构建了宏观评级转移概率和经济周期Z因子间的关系以及宏观周期因子Z和宏观经济因子间的关系。此外，当给出不同压力情景下的宏观经济因子，即可得到不同压力情景下的经济周期Z因子，进而知道不同压力情景下的评级转移概率矩阵，从而得到压力情景下不同评级的违约概率。下面简要介绍基于两类模型下的压力测试过程。

2. 压力测试步骤

两类模型压力测试步骤基本相同，区别在不同环节下计算的细节不同，这可以从两类方法的基本原理看出。下面简单介绍下两类压力测试方法的步骤流程，如下：

根据步骤一，两类方法可以构建出其宏观传导模型；根据步骤二，通过设置轻、中、重等情景下各宏观经济因子的值，CPV模型经过指数变换公式得到压力情景下的PD，转移矩阵+经济周期Z因子模型也可根据对应公式得到压力PD；根据步骤三，通过对应业务的持仓情况，计算得到对应压力情景下的各风险指标；最后，证券公司可对得到的风险压力指标做相关应用，以便指导公司的风险管理工作。

3. CPV模型的优势与缺陷

CPV模型实际上是Credit Metrics模型的扩展和补充，考虑了宏观经济因子间的相互影响，可以应用于来自不同行业债务人的压力测试。

但该模型存在以下缺陷：

• 需要可靠的数据，模型的系数有赖于国家和行业的违约数据，而这些信息往往较难获得且具有一定的滞后性；

• 该模型输出的是宏观违约率，代表的是整个市场平均违约率，不适用于某个具体的组合，甚至就全公司的债券组合来说还是有一定的差异，使用中可能需要做一些调整；

• 在实际建模中，行业违约率比较难以获得。

4. 转移矩阵+经济周期Z因子模型的优势与缺陷

转移矩阵+经济周期Z因子模型通过Z因子模型间接构建了PD和宏观指标的传导关系，该模型的优点如下：

• 不仅考虑到了违约风险，同时也考虑到了评级恶化导致的信用风险；

• 可以借助于评级信息获取不同评级违约概率，不需借助不良率来替代；

• 适用于不同行业的宏观压力测试场景中，基于不同行业的经济周期Z因子，可以构建不同的宏观传导模型；

• 在一定程度上，该模型为金融公司提供了关于信用债的更精细的风险管理模型，帮助金融机构能够较好识别风险，把握金融机构的风险管理机制。

但该模型也存在以下缺陷：

• 宏观传导模型的系数依赖与行业宏观经济数据；

• 在违约常态化之前，评级调整较少，不同评级的合并有一定的主观性；

• 不同行业Z因子的选取有一定的主观性。

CPV模型相较于转移矩阵+经济周期Z因子模型，其在构建宏观传导模型中，考虑了宏观因子间的相互影响，以及变量的滞后阶，但正由于此，该方法对建模数据的要求会较后者更高。

转移矩阵+经济周期Z因子模型可以结合外部评级信息数据，获取不同评级对应的违约概率，从而可以解决利用不良贷款率替代违约率来构建宏观传导模型的问题，但目前发债企业所在行业并不都存在违约的情况，所以该方法对行业的覆盖度并不全。

两种方法各有优劣，在实际应用中可结合数据可获取性，系统实现等维度做综合选择。

参考文献：

[1] 刘瑞霞．美国全面资本评估与评审监管改革及其借鉴意义.金融监管研究[J]．2015（8）：20－34.

[2] 刘瑞霞．美国CCAR与我国商业银行全面风险管理体系构建.金融监管研究[J]．2017（9）：29－47.

作|者|介|绍

Fen

主要从事信用风险计量模型、信用风险压力测试模型、债券违约分析预警模型等研究.

金融研究与IT技术的密切结合和高度整合，是衡泰的特色之一。

衡泰研究部拥有专业的定量分析研究团队，汇集多位华尔街专家及国内金融软件资深专家。

研究领域覆盖金融模型、资产定价、风险计量、绩效分析、会计核算、市场规则、量化投资、机器学习等。

由衡泰研究出品的《投资管理》/ China JOIM ，旨在打造实证研究与实践的专业交流平台，搭建投资管理学术与业界的桥梁。