摘要：本文通过实证研究提出并论证了一种宏观压力测试方法，该方法可用于银行业监管和系统性风险的防范。首先采用有序多分类Logistic模型测算行业原始违约概率，再运用MFD违约概率模型将宏观冲击因子引入以求得渗入宏观经济因子的违约概率，然后采用CreditRisk+模型分别测算不同宏观压力情景下与信用风险对应的经济资本变化,经济资本的这些变化将成为银行业资本调整策略的重要依据。 关键词：宏观压力测试；信用风险；MFD违约概率模型；CreditRisk+模型 中图分类号：F832.2 文献标识码：Ａ 文章编号:１００３－９０３１(２０11)04－００04－０6DOI:10.3969/j.issn.1003-9031.2011.04.01 一、引言 2008年爆发于美国波及世界经济体的金融危机向国际银行业监管敲响了警钟。它暴露出各国在系统性金融风险防范上存在严重的缺陷，对此，G20伦敦峰会提出的“加强系统性风险防范”成为了国际银行业关注的焦点。 系统性金融风险，是指金融风险从一个机构传递到多家机构，从一个市场蔓延到多个市场，从而使整个金融体系变得极为脆弱的可能性。系统性金融风险具有突发性、传染性和外部性。巴塞尔委员会于2010年12月公布的《巴塞尔资本协议III》强调以防范系统性风险为核心内容的宏观审慎监管。金融体系监管体系由微观审慎监管为重心向宏观审慎监管为重心过渡是未来金融监管发展的趋势所在，这一变革将有助于银行业整体风险控制水平的提升，从而更好地防范金融危机。 宏观压力测试是宏观审慎监管的重要组成部分，运用这些方法能够评估异常但又可能发生的宏观经济冲击下的金融体系的脆弱性，是系统性风险的重要预警工具[1]。2008年金融危机发生以来，各国开始重视宏观压力测试，正在探索有效的宏观压力测试方法。加强银行业宏观审慎监管以防范系统性风险是我国当务之急。我国目前尚缺乏行之有效的宏观压力测试方法，因此，本文从防范系统性风险的视角对银行业信用风险宏观压力测试方法作一探索。 二、银行业信用风险宏观压力测试的框架设计 一般来说，银行业压力测试可分为以下几个步骤：一是确定测试对象；二是设计压力测试的情景，包括风险类别的选择、冲击因子的选择、情景选择等模型参数的设置；三是设计风险指示器，将其作为估计测试对象对各种风险因子的脆弱性的载体，并对风险进行综合分析；四是评估测试对象整体的风险承受能力。本文拟采用多个风险计量模型的组合探讨银行业的宏观压力测试方法。风险指示器采用经济资本这一变量。压力测试应分析宏观冲击因子的作用，故违约概率这一模型参数需要从两个层面考虑：一是仅由债务人财务指标决定的违约概率，本文称为原始违约概率；二是将原始违约概率与宏观冲击因子通过一定的模型进行拟合得到的违约概率，本文称为渗入宏观经济因子的违约概率。测试对象设定为整个银行业的信贷资产。 根据宏观压力测试的需要，本文采用有序多分类Logistic模型测算银行业信贷资产组合的原始违约概率，然后假设不同的宏观压力情景，采用MFD模型将宏观冲击因子与原始违约概率拟合测算出渗入宏观经济因子的违约概率，再采用CreditRisk+模型测算银行业信贷资产所应占用的经济资本，分析这些经济资本的变化所反映的银行业信贷资产风险特征，包括其中所蕴含的系统性风险，将此压力测试结果作为银行业监管资本相机调整的依据。这一研究工作的关键在于：一是构造合适的宏观冲击因子；二是合理地整合上述三个模型，并正确处理相关参数的关系；三是论证该宏观压力测试方法的合理性和可行性。 （一）压力测试对象的确定 考虑到本研究所需要的样本数量相当大，且样本应能够反映我国的宏观经济情况和银行业信贷资产质量的变化，而商业银行信贷数据具有商业保密性，故将可获取的、公开的上市公司数据作为银行业相关数据的合理替代。这一合理替代是基于这样的理由，本文重点在于提出一种合适的宏观压力测试方法，而不是直接将压力测试结果作为现实决策的依据。对于国家金融管理部门而言，因其有条件获得真实的银行业信贷数据，则无需作这一数据替代。本文中银行业宏观压力测试所采用的数据均取自锐思数据库，其中上市公司的分类标准取自中国证券业监督管理委员会。本文选取的上市公司样本分别属于制造业、房地产业、批发零售业、电力煤气业、信息技术业和综合类等六个行业，其数据总体上能反映我国工商类企业实际经济运行情况。为了便于在宏观层面分析银行业面临的整体信用风险，我们假设这些上市公司的总负债全部来自银行贷款，则经济资本计量中的银行业信用风险敞口就与这些上市公司总负债数据相对应，这些上市公司的违约概率就可以设定为银行业信贷资产的违约概率。在一定的宏观压力情景下，采用此违约概率和风险敞口数据就能测算出银行业信贷资产的违约损失分布曲线和经济资本。因这一压力测试采用的是各行业及各行业总和的数据，且测试过程将引入宏观冲击因子，故压力测试的结果涉及到了银行业整体层面的情况，其中含有一定的系统性风险要素，可作为银行业宏观审慎监管相机调整的依据。当然，本文需要通过一定的方式验证本压力测试方法的合理性。 （二）宏观冲击因子的构造及压力测试的情景设计 本文拟运用MFD违约概率模型并将若干宏观冲击因子引入以求得压力测试所需的渗入宏观经济因子的违约概率。选取的宏观冲击因子包括国内生产总值（GDP）增长率、消费者物价指数（CPI）、固定投资（FI）增长率、房屋销售价格指数（PSI）、国房景气指数（HPI）、贷款（L）增长率、银行贷款利率（R）（一年期银行贷款利率）、存款增长率（S）、外贸依存度（FTD）、汇率（EX）（人民币与美元汇率、间接标价法）、企业家信心指数（E）等11个指标，涵盖了宏观经济运行的主要方面。其中GDP增长率、CPI、FI增长率代表了国家整个宏观层面的经济情况；PSI和HPI代表了房地产行业相关情况；L、R和S代表了银行信贷相关情况；FTD和EX代表了我国对外贸易相关情况；E代表了对我国宏观经济层面的心理预期情况。 本文设计的压力测试情景是假设情景，压力测试是模拟性质的，是从我国银行业宏观审慎监管的角度在2007年年底的时点去测试2008年各类信贷资产受到宏观因子冲击的情况，然后运用2008年的实际财务数据验证本压力测试是合理的，并通过不同行业的信贷资产风险特征判断是否存在系统性风险。说明这一合理性的关键点在于采用渗入宏观冲击因子的违约概率所测出的违约损失分布曲线与采用2008年实际财务数据所测出的违约损失分布曲线基本上是一致的，这表明违约概率的测算并没有因宏观冲击因子的引入而影响其精度。根据2007年经济情况和当时对2008年经济情况的展望，将宏观压力测试的情景设定为强压、中压、弱压三种情况。 （三）银行业信用风险宏观压力测试的基本框架 现将银行业信用风险宏观压力测试的基本框架图示如下： 三、实证研究 （一）有序多分类Logistic方法测算原始违约概率 考虑到上市公司数据的基本特点，本文采用有序多分类logistic模型测算原始违约概率。有序多分类logistic模型是对logistic模型的改进，把二分类扩展到多分类。根据债务人的实际还款能力将其由低到高分类。有序多分类logistic模型可以定义为：
其中，uj为相邻两类之间的分界点；?茁0为常数；?茁i为系数项；Zi为解释变量。该模型的p(y≤j)项通过式（2）估计出来： 计算出p(y≤j)，则属于各个类别的概率表示为： pj=p(y≤j)-p(y≤j-1) （3） 设各个类别的初始违约概率用向量?子=(?子1,?子2,?子3…?子n)表示，有序多分类Logistic模型估计出的原始违约概率为： p=?子1p1+?子2p2+…+?子npn（4） 本文运用上述有序多分类Logistic模型计算上市公司的原始违约概率，相关假设如下：设上市公司的三种状态为正常、ST、*ST，取值分别为0、1、2，为Logistic模型中的三个类别。历史违约概率分别设为0.01、0.25、1[2]。本文选用上市公司的23个财务比率作为微观财务指标，包括：①每股指标（每股收益、每股营业收入、每股营业利润……）、②盈利能力（净资产收益率、资产报酬率……）、③偿债能力（流动比率、速动比率……）、④成长能力（每股收益增长率、营业收入增长率……）、⑤营运能力（存货周转率、应收账款周转率……）、⑥现金流量（销售现金比）、⑦资本结构指标（资产负债率、流动资产与总资产比……）、⑧收益质量指标（经营活动净收益、利润总额）。 （二）各行业的原始违约概率结果 本文利用1999―2007年的原始违约概率数据，通过建立宏观违约模型，求得渗入宏观冲击因子的违约概率。 （三）压力测试情景分析与宏观冲击因子 1.（MFD）宏观违约概率模型原理 宏观违约率模型是国际上比较流行的宏观压力测试模型。该模型由著名风险管理专家Wilson,Thomas.C.为麦肯锡（Mckinsey & Co.）所开发，属于CreditPortfolioView的风险管理框架体系，包括香港金融管理局、芬兰银行、英格兰银行等金融管理机构均采用此框架。该模型是基于Logistic函数来构建的。Logistic函数的一般函数形式如下式所示： 其中Y是因变量，X是自变量。由（5）式可知Y的取值范围是在0和1之间。 将违约概率经由Logistic函数转化后得到宏观综合指标Z，再将Z与宏观冲击因子变量进行拟合，就得到MFD基本模型式： 本文采用式（6）求得渗入宏观冲击因子的违约概率。 2. 分行业的违约概率拟合结果 通过表2可以得到各行业宏观冲击因子与原始违约概率的拟合结果。表2的数据表明了各行业宏观冲击因子与违约概率变化的关系。（1）制造业。贷款增长率与银行贷款利率的提高均会提高该行业的违约概率。由于我国制造业部分依赖于出口，随着外贸依存度的提高，该行业愈加景气，相应违约概率减少。国房景气指数越高说明房地产行业发展愈好，其带来的相关基建需求愈高，从而制造业越发景气，相应的违约概率也越小。（2）房地产业。贷款增长率、房屋价格指数越高，国房景气指数、外贸依存度越低，该行业违约概率越低。贷款增长率提高使房企贷款资金来源更为充沛，房屋价格指数越高表示整个行业更为景气，这都能降低该行业的违约概率。外贸依存度越高，外向型行业吸引更多的资源，从而降低其他非外向型行业（如房地产业）景气程度，而国房景气指数与房屋销售价格是不同性质的指标，其受很大因素影响，这两类指标越高，都会提高房地产行业的违约概率。（3）批发零售业。CPI、固定投资越高，存款增长率、贷款利率、企业家信心指数越低，批发零售业违约概率越低。（4）电力煤气业。GDP增长率、CPI、银行存款增加率越高，该行业相应违约概率越高。（5）信息技术业。房屋销售价格指数越高，使得景气的房地产市场吸引更多资源，从而造成信息技术业的违约概率升高。而银行贷款利率的提高使得各行业相关的资金成本提高，所以行业的违约概率提高。（6）综合类。综合类上市公司外向型企业较多，外贸依存度越高则说明进出口繁荣，综合类行业违约概率也就越低。人民币汇率贬值能改善我国的对外贸易状况，有利于本国产品的出口，使得综合类违约概率相应降低。 不同行业受到宏观因子影响的程度不同，正负效应不同，且敏感性存在差别，是否存在大面积波动的系统性风险，下面有必要分行业进行宏观压力测试。 4.不同压力情景下的各行业渗入宏观经济因子的违约概率 2007年我国宏观经济在高通胀情形下运行，2007年底中央经济工作会议确定了2008年度的宏观调控任务，即防止经济增长由偏快转为过热，防止价格由结构性上涨演变为明显通货膨胀。站在2007年年末时点上，有理由判断2008年宏观经济状况趋紧。本文模拟的压力测试将2008年宏观冲击情景设计分为弱压、中压和强压三个层次（见表3）。从弱压、中压至强压，基本保持平稳加压的程度。9个宏观冲击因子的弱压与强压指标在中压指标附近增减，并保持增减幅度基本一致。因外贸依存度和银行存款增加率这两个宏观冲击因子对于违约概率的影响在短期内正负效应不确定，也不是宏观压力情景的重点所在，因此将其数值设置为不变。 受到弱、中、强三种情况下的宏观冲击因子冲击后，各行业渗入宏观经济因子的违约概率出现一致的梯度变化规律，即满足弱压下的违约概率小于中压下的违约概率，而中压下的违约概率小于强压下的违约概率，但各行业违约概率变化幅度并非一致，这是由各行业自身特点决定的。 5.信用风险在不同压力情景下的变化 为便于综合和分析，有必要将以上六个行业的相关数据进行整合。我们把这六个行业整合在一起，即统称为工商业，与这六个行业对应的信贷资产统称为工商类信贷资产。我们将这六个行业的相关数据整合后，将信贷资产的风险敞口、渗入宏观经济因子的违约概率、信贷资产的违约损失率等参数输入CreditRisk+模型，并加权平均划分频带[2]，得到2008年三种压力情景（强、中、弱）下的工商类信贷资产信用风险分布曲线和基于2008年实际财务数据所测出的违约损失分布曲线（见图3）。违约损失率参照《巴塞尔资本协议II》规定的标准(初级法)设定为45%，期限设定为1年，风险敞口与上市公司总负债数据相对应。 如图3所示，2008年实际财务数据所测出的违约损失分布介于中压与强压情景下的损失分布之间，与中压情景下的损失分布相当接近。由于上述各类损失分布计算均建立在相同风险敞口和违约损失率基础上，其差异完全由违约概率决定，而违约概率的差别又取决于宏观压力情景中各冲击因子的取值，因此，图3结果恰好说明本宏观压力情景的设计和渗入宏观冲击因子违约概率的拟合结果基本符合2008年所发生的实际情形，且宏观中压情形与实际情形基本吻合。 因各行业数据整合后的压力测试无法说明风险是否具有在整个金融市场普遍存在的系统性风险特征，故有必要进行分行业的压力测试，并对其结果进行比较，如果发现各行业存在相同的风险变化趋势和风险变化强度，则可判断系统性风险的存在。本文测算出2008年三种宏观压力情景（强、中、弱）下的各行业信贷资产经济资本以及2008年基于原始违约概率的各行业信贷资产经济资本（其中经济资本置信度设为99.9%）。通过对这些经济资本数据的分析，可以知道在这些宏观冲击因子的影响下，各行业风险积聚的程度和变化的趋势，从风险特征在各行业是否存在共性，是否存在大面积风险的积聚，以此从一定分析层面判别是否存在系统性风险。将基于2008年实际财务数据测出的各行业信贷资产所占用的经济资本与不同宏观压力情景下测出的经济资本相比较，从表6可看出，批发业2008年基于实际财务数据的经济资本几乎与宏观强压下的经济资本相等，而制造业、电力业、信息技术业2008年基于实际财务数据的经济资本则分别与各自在宏观中压下的经济资本相当，房地产业、综合类2008年基于实际财务数据的经济资本与宏观弱压下经济资本相接近。不同行业的信贷资产所占用的经济资本呈现出较大差异的变化，这表明，2008年宏观因子的实际变化并没有给所有行业信贷资产带来相同程度和相近程度的恶化，这从某种角度说明2008年我国银行业中并不存在系统性风险，事实上当年银行业并未发生系统性风险，从而印证了本文所采用的风险计量模型及宏观压力测试方法的合理性。
四、结论 本文提出了一种银行业信用风险宏观压力测试的可行方法，该方法可用于对我国银行业风险进行预警。这一方法首先运用有序多分类Logistic模型测算原始违约概率，然后将宏观经济变量作为冲击因子引入MFD违约概率模型求得渗入宏观经济因子的违约概率，然后使用CreditRisk+模型测算经济资本以反映不同宏观压力情景下的信用风险变化。本文通过模拟压力测试的方式论证了这一方法，采用上市公司的数据作为银行业信贷资产数据的替代。论证是符合逻辑的，论证过程比较充分地运用了相关信用风险计量模型。实证分析结果表明，2008年实际财务数据所测出的违约损失分布曲线介于中压与强压情景下渗入宏观冲击因子的违约概率所测出的违约损失分布曲线之间，且与中压情景下的损失分布曲线相当接近，这说明了宏观压力测试设计的中压情景与2008年宏观经济实际状况基本相符，从而印证了本宏观压力测试模型及其方法的合理性。另外，分行业的宏观压力测试结果表明，各行业信贷资产的经济资本没有呈现显著的相近比例大幅增加，表明2008年我国金融市场没有出现显著的系统性风险。事实也是如此。需要补充说明的是，如果能直接获得银行业的信贷数据，可采用其他违约模型测算原始违约概率。对于国家金融监管部门来说，这是容易做到的。 经济资本对应的是银行信贷资产的非预期损失，监管资本对应的也是银行信贷资产的非预期损失。从银行业的角度来说，本文提出的宏观压力测试方法的实证结果表明在不同的宏观压力情景下，银行业整体所要求的经济资本也在变化，基于系统性风险防范的银行业监管资本要求需要根据经济资本的变化适时作出调整。将经济资本作为宏观审慎监管的1一种工具也正是本文的出发点。 参考文献： [1]彭建刚. 基于系统性金融风险防范的银行业监管制度改革的战略思考[J].财经理论与实践，2011（1）：2-6. [2]彭建刚，张丽寒，刘波，屠海波. 聚合信用风险模型在我国商业银行应用的方法论探讨[J].金融研究，2008（8）：72-85. The study on macro stress tests of credit risk in banking system HUANG Yan-lin1， DENG Ke-xin1，PENG Jian-gang2 (1.College of Finance & Statistics, Hunan University, Changsha410079, China； 2.Financial Management Research Center of Hunan University, Changsha 410079,China) Abstract：The proposed method can be used for macro stress tests in banking regulation and systemic risks in post-crisis era. Based on macro stress testing framework and the basic processes, we use the Ordinal Logistic model to estimate the default probabilities of listed companies in six industry, and we use MFD model to analyze the relationship between macro factors and the default probability of listed companies. By using economic capital model, we obtain the results of the three macro tests (strong, medium and weak) and offer corresponding conclusions and policy recommendations. Key words： Macro stress tests; Credit risk; MFD model; CreditRisk + model
摘要：本文通过实证研究提出并论证了一种宏观压力测试方法，该方法可用于银行业监管和系统性风险的防范。首先采用有序多分类Logistic模型测算行业原始违约概率，再运用MFD违约概率模型将宏观冲击因子引入以求得渗入宏观经济因子的违约概率，然后采用CreditRisk+模型分别测算不同宏观压力情景下与信用风险对应的经济资本变化,经济资本的这些变化将成为银行业资本调整策略的重要依据。 关键词：宏观压力测试；信用风险；MFD违约概率模型；CreditRisk+模型 中图分类号：F832.2 文献标识码：Ａ 文章编号:１００３－９０３１(２０11)04－００04－０6DOI:10.3969/j.issn.1003-9031.2011.04.01 一、引言 2008年爆发于美国波及世界经济体的金融危机向国际银行业监管敲响了警钟。它暴露出各国在系统性金融风险防范上存在严重的缺陷，对此，G20伦敦峰会提出的“加强系统性风险防范”成为了国际银行业关注的焦点。 系统性金融风险，是指金融风险从一个机构传递到多家机构，从一个市场蔓延到多个市场，从而使整个金融体系变得极为脆弱的可能性。系统性金融风险具有突发性、传染性和外部性。巴塞尔委员会于2010年12月公布的《巴塞尔资本协议III》强调以防范系统性风险为核心内容的宏观审慎监管。金融体系监管体系由微观审慎监管为重心向宏观审慎监管为重心过渡是未来金融监管发展的趋势所在，这一变革将有助于银行业整体风险控制水平的提升，从而更好地防范金融危机。 宏观压力测试是宏观审慎监管的重要组成部分，运用这些方法能够评估异常但又可能发生的宏观经济冲击下的金融体系的脆弱性，是系统性风险的重要预警工具[1]。2008年金融危机发生以来，各国开始重视宏观压力测试，正在探索有效的宏观压力测试方法。加强银行业宏观审慎监管以防范系统性风险是我国当务之急。我国目前尚缺乏行之有效的宏观压力测试方法，因此，本文从防范系统性风险的视角对银行业信用风险宏观压力测试方法作一探索。 二、银行业信用风险宏观压力测试的框架设计 一般来说，银行业压力测试可分为以下几个步骤：一是确定测试对象；二是设计压力测试的情景，包括风险类别的选择、冲击因子的选择、情景选择等模型参数的设置；三是设计风险指示器，将其作为估计测试对象对各种风险因子的脆弱性的载体，并对风险进行综合分析；四是评估测试对象整体的风险承受能力。本文拟采用多个风险计量模型的组合探讨银行业的宏观压力测试方法。风险指示器采用经济资本这一变量。压力测试应分析宏观冲击因子的作用，故违约概率这一模型参数需要从两个层面考虑：一是仅由债务人财务指标决定的违约概率，本文称为原始违约概率；二是将原始违约概率与宏观冲击因子通过一定的模型进行拟合得到的违约概率，本文称为渗入宏观经济因子的违约概率。测试对象设定为整个银行业的信贷资产。 根据宏观压力测试的需要，本文采用有序多分类Logistic模型测算银行业信贷资产组合的原始违约概率，然后假设不同的宏观压力情景，采用MFD模型将宏观冲击因子与原始违约概率拟合测算出渗入宏观经济因子的违约概率，再采用CreditRisk+模型测算银行业信贷资产所应占用的经济资本，分析这些经济资本的变化所反映的银行业信贷资产风险特征，包括其中所蕴含的系统性风险，将此压力测试结果作为银行业监管资本相机调整的依据。这一研究工作的关键在于：一是构造合适的宏观冲击因子；二是合理地整合上述三个模型，并正确处理相关参数的关系；三是论证该宏观压力测试方法的合理性和可行性。 （一）压力测试对象的确定 考虑到本研究所需要的样本数量相当大，且样本应能够反映我国的宏观经济情况和银行业信贷资产质量的变化，而商业银行信贷数据具有商业保密性，故将可获取的、公开的上市公司数据作为银行业相关数据的合理替代。这一合理替代是基于这样的理由，本文重点在于提出一种合适的宏观压力测试方法，而不是直接将压力测试结果作为现实决策的依据。对于国家金融管理部门而言，因其有条件获得真实的银行业信贷数据，则无需作这一数据替代。本文中银行业宏观压力测试所采用的数据均取自锐思数据库，其中上市公司的分类标准取自中国证券业监督管理委员会。本文选取的上市公司样本分别属于制造业、房地产业、批发零售业、电力煤气业、信息技术业和综合类等六个行业，其数据总体上能反映我国工商类企业实际经济运行情况。为了便于在宏观层面分析银行业面临的整体信用风险，我们假设这些上市公司的总负债全部来自银行贷款，则经济资本计量中的银行业信用风险敞口就与这些上市公司总负债数据相对应，这些上市公司的违约概率就可以设定为银行业信贷资产的违约概率。在一定的宏观压力情景下，采用此违约概率和风险敞口数据就能测算出银行业信贷资产的违约损失分布曲线和经济资本。因这一压力测试采用的是各行业及各行业总和的数据，且测试过程将引入宏观冲击因子，故压力测试的结果涉及到了银行业整体层面的情况，其中含有一定的系统性风险要素，可作为银行业宏观审慎监管相机调整的依据。当然，本文需要通过一定的方式验证本压力测试方法的合理性。 （二）宏观冲击因子的构造及压力测试的情景设计 本文拟运用MFD违约概率模型并将若干宏观冲击因子引入以求得压力测试所需的渗入宏观经济因子的违约概率。选取的宏观冲击因子包括国内生产总值（GDP）增长率、消费者物价指数（CPI）、固定投资（FI）增长率、房屋销售价格指数（PSI）、国房景气指数（HPI）、贷款（L）增长率、银行贷款利率（R）（一年期银行贷款利率）、存款增长率（S）、外贸依存度（FTD）、汇率（EX）（人民币与美元汇率、间接标价法）、企业家信心指数（E）等11个指标，涵盖了宏观经济运行的主要方面。其中GDP增长率、CPI、FI增长率代表了国家整个宏观层面的经济情况；PSI和HPI代表了房地产行业相关情况；L、R和S代表了银行信贷相关情况；FTD和EX代表了我国对外贸易相关情况；E代表了对我国宏观经济层面的心理预期情况。 本文设计的压力测试情景是假设情景，压力测试是模拟性质的，是从我国银行业宏观审慎监管的角度在2007年年底的时点去测试2008年各类信贷资产受到宏观因子冲击的情况，然后运用2008年的实际财务数据验证本压力测试是合理的，并通过不同行业的信贷资产风险特征判断是否存在系统性风险。说明这一合理性的关键点在于采用渗入宏观冲击因子的违约概率所测出的违约损失分布曲线与采用2008年实际财务数据所测出的违约损失分布曲线基本上是一致的，这表明违约概率的测算并没有因宏观冲击因子的引入而影响其精度。根据2007年经济情况和当时对2008年经济情况的展望，将宏观压力测试的情景设定为强压、中压、弱压三种情况。 （三）银行业信用风险宏观压力测试的基本框架 现将银行业信用风险宏观压力测试的基本框架图示如下： 三、实证研究 （一）有序多分类Logistic方法测算原始违约概率 考虑到上市公司数据的基本特点，本文采用有序多分类logistic模型测算原始违约概率。有序多分类logistic模型是对logistic模型的改进，把二分类扩展到多分类。根据债务人的实际还款能力将其由低到高分类。有序多分类logistic模型可以定义为：
其中，uj为相邻两类之间的分界点；?茁0为常数；?茁i为系数项；Zi为解释变量。该模型的p(y≤j)项通过式（2）估计出来： 计算出p(y≤j)，则属于各个类别的概率表示为： pj=p(y≤j)-p(y≤j-1) （3） 设各个类别的初始违约概率用向量?子=(?子1,?子2,?子3…?子n)表示，有序多分类Logistic模型估计出的原始违约概率为： p=?子1p1+?子2p2+…+?子npn（4） 本文运用上述有序多分类Logistic模型计算上市公司的原始违约概率，相关假设如下：设上市公司的三种状态为正常、ST、*ST，取值分别为0、1、2，为Logistic模型中的三个类别。历史违约概率分别设为0.01、0.25、1[2]。本文选用上市公司的23个财务比率作为微观财务指标，包括：①每股指标（每股收益、每股营业收入、每股营业利润……）、②盈利能力（净资产收益率、资产报酬率……）、③偿债能力（流动比率、速动比率……）、④成长能力（每股收益增长率、营业收入增长率……）、⑤营运能力（存货周转率、应收账款周转率……）、⑥现金流量（销售现金比）、⑦资本结构指标（资产负债率、流动资产与总资产比……）、⑧收益质量指标（经营活动净收益、利润总额）。 （二）各行业的原始违约概率结果 本文利用1999―2007年的原始违约概率数据，通过建立宏观违约模型，求得渗入宏观冲击因子的违约概率。 （三）压力测试情景分析与宏观冲击因子 1.（MFD）宏观违约概率模型原理 宏观违约率模型是国际上比较流行的宏观压力测试模型。该模型由著名风险管理专家Wilson,Thomas.C.为麦肯锡（Mckinsey & Co.）所开发，属于CreditPortfolioView的风险管理框架体系，包括香港金融管理局、芬兰银行、英格兰银行等金融管理机构均采用此框架。该模型是基于Logistic函数来构建的。Logistic函数的一般函数形式如下式所示： 其中Y是因变量，X是自变量。由（5）式可知Y的取值范围是在0和1之间。 将违约概率经由Logistic函数转化后得到宏观综合指标Z，再将Z与宏观冲击因子变量进行拟合，就得到MFD基本模型式： 本文采用式（6）求得渗入宏观冲击因子的违约概率。 2. 分行业的违约概率拟合结果 通过表2可以得到各行业宏观冲击因子与原始违约概率的拟合结果。表2的数据表明了各行业宏观冲击因子与违约概率变化的关系。（1）制造业。贷款增长率与银行贷款利率的提高均会提高该行业的违约概率。由于我国制造业部分依赖于出口，随着外贸依存度的提高，该行业愈加景气，相应违约概率减少。国房景气指数越高说明房地产行业发展愈好，其带来的相关基建需求愈高，从而制造业越发景气，相应的违约概率也越小。（2）房地产业。贷款增长率、房屋价格指数越高，国房景气指数、外贸依存度越低，该行业违约概率越低。贷款增长率提高使房企贷款资金来源更为充沛，房屋价格指数越高表示整个行业更为景气，这都能降低该行业的违约概率。外贸依存度越高，外向型行业吸引更多的资源，从而降低其他非外向型行业（如房地产业）景气程度，而国房景气指数与房屋销售价格是不同性质的指标，其受很大因素影响，这两类指标越高，都会提高房地产行业的违约概率。（3）批发零售业。CPI、固定投资越高，存款增长率、贷款利率、企业家信心指数越低，批发零售业违约概率越低。（4）电力煤气业。GDP增长率、CPI、银行存款增加率越高，该行业相应违约概率越高。（5）信息技术业。房屋销售价格指数越高，使得景气的房地产市场吸引更多资源，从而造成信息技术业的违约概率升高。而银行贷款利率的提高使得各行业相关的资金成本提高，所以行业的违约概率提高。（6）综合类。综合类上市公司外向型企业较多，外贸依存度越高则说明进出口繁荣，综合类行业违约概率也就越低。人民币汇率贬值能改善我国的对外贸易状况，有利于本国产品的出口，使得综合类违约概率相应降低。 不同行业受到宏观因子影响的程度不同，正负效应不同，且敏感性存在差别，是否存在大面积波动的系统性风险，下面有必要分行业进行宏观压力测试。 4.不同压力情景下的各行业渗入宏观经济因子的违约概率 2007年我国宏观经济在高通胀情形下运行，2007年底中央经济工作会议确定了2008年度的宏观调控任务，即防止经济增长由偏快转为过热，防止价格由结构性上涨演变为明显通货膨胀。站在2007年年末时点上，有理由判断2008年宏观经济状况趋紧。本文模拟的压力测试将2008年宏观冲击情景设计分为弱压、中压和强压三个层次（见表3）。从弱压、中压至强压，基本保持平稳加压的程度。9个宏观冲击因子的弱压与强压指标在中压指标附近增减，并保持增减幅度基本一致。因外贸依存度和银行存款增加率这两个宏观冲击因子对于违约概率的影响在短期内正负效应不确定，也不是宏观压力情景的重点所在，因此将其数值设置为不变。 受到弱、中、强三种情况下的宏观冲击因子冲击后，各行业渗入宏观经济因子的违约概率出现一致的梯度变化规律，即满足弱压下的违约概率小于中压下的违约概率，而中压下的违约概率小于强压下的违约概率，但各行业违约概率变化幅度并非一致，这是由各行业自身特点决定的。 5.信用风险在不同压力情景下的变化 为便于综合和分析，有必要将以上六个行业的相关数据进行整合。我们把这六个行业整合在一起，即统称为工商业，与这六个行业对应的信贷资产统称为工商类信贷资产。我们将这六个行业的相关数据整合后，将信贷资产的风险敞口、渗入宏观经济因子的违约概率、信贷资产的违约损失率等参数输入CreditRisk+模型，并加权平均划分频带[2]，得到2008年三种压力情景（强、中、弱）下的工商类信贷资产信用风险分布曲线和基于2008年实际财务数据所测出的违约损失分布曲线（见图3）。违约损失率参照《巴塞尔资本协议II》规定的标准(初级法)设定为45%，期限设定为1年，风险敞口与上市公司总负债数据相对应。 如图3所示，2008年实际财务数据所测出的违约损失分布介于中压与强压情景下的损失分布之间，与中压情景下的损失分布相当接近。由于上述各类损失分布计算均建立在相同风险敞口和违约损失率基础上，其差异完全由违约概率决定，而违约概率的差别又取决于宏观压力情景中各冲击因子的取值，因此，图3结果恰好说明本宏观压力情景的设计和渗入宏观冲击因子违约概率的拟合结果基本符合2008年所发生的实际情形，且宏观中压情形与实际情形基本吻合。 因各行业数据整合后的压力测试无法说明风险是否具有在整个金融市场普遍存在的系统性风险特征，故有必要进行分行业的压力测试，并对其结果进行比较，如果发现各行业存在相同的风险变化趋势和风险变化强度，则可判断系统性风险的存在。本文测算出2008年三种宏观压力情景（强、中、弱）下的各行业信贷资产经济资本以及2008年基于原始违约概率的各行业信贷资产经济资本（其中经济资本置信度设为99.9%）。通过对这些经济资本数据的分析，可以知道在这些宏观冲击因子的影响下，各行业风险积聚的程度和变化的趋势，从风险特征在各行业是否存在共性，是否存在大面积风险的积聚，以此从一定分析层面判别是否存在系统性风险。将基于2008年实际财务数据测出的各行业信贷资产所占用的经济资本与不同宏观压力情景下测出的经济资本相比较，从表6可看出，批发业2008年基于实际财务数据的经济资本几乎与宏观强压下的经济资本相等，而制造业、电力业、信息技术业2008年基于实际财务数据的经济资本则分别与各自在宏观中压下的经济资本相当，房地产业、综合类2008年基于实际财务数据的经济资本与宏观弱压下经济资本相接近。不同行业的信贷资产所占用的经济资本呈现出较大差异的变化，这表明，2008年宏观因子的实际变化并没有给所有行业信贷资产带来相同程度和相近程度的恶化，这从某种角度说明2008年我国银行业中并不存在系统性风险，事实上当年银行业并未发生系统性风险，从而印证了本文所采用的风险计量模型及宏观压力测试方法的合理性。
四、结论 本文提出了一种银行业信用风险宏观压力测试的可行方法，该方法可用于对我国银行业风险进行预警。这一方法首先运用有序多分类Logistic模型测算原始违约概率，然后将宏观经济变量作为冲击因子引入MFD违约概率模型求得渗入宏观经济因子的违约概率，然后使用CreditRisk+模型测算经济资本以反映不同宏观压力情景下的信用风险变化。本文通过模拟压力测试的方式论证了这一方法，采用上市公司的数据作为银行业信贷资产数据的替代。论证是符合逻辑的，论证过程比较充分地运用了相关信用风险计量模型。实证分析结果表明，2008年实际财务数据所测出的违约损失分布曲线介于中压与强压情景下渗入宏观冲击因子的违约概率所测出的违约损失分布曲线之间，且与中压情景下的损失分布曲线相当接近，这说明了宏观压力测试设计的中压情景与2008年宏观经济实际状况基本相符，从而印证了本宏观压力测试模型及其方法的合理性。另外，分行业的宏观压力测试结果表明，各行业信贷资产的经济资本没有呈现显著的相近比例大幅增加，表明2008年我国金融市场没有出现显著的系统性风险。事实也是如此。需要补充说明的是，如果能直接获得银行业的信贷数据，可采用其他违约模型测算原始违约概率。对于国家金融监管部门来说，这是容易做到的。 经济资本对应的是银行信贷资产的非预期损失，监管资本对应的也是银行信贷资产的非预期损失。从银行业的角度来说，本文提出的宏观压力测试方法的实证结果表明在不同的宏观压力情景下，银行业整体所要求的经济资本也在变化，基于系统性风险防范的银行业监管资本要求需要根据经济资本的变化适时作出调整。将经济资本作为宏观审慎监管的1一种工具也正是本文的出发点。 参考文献： [1]彭建刚. 基于系统性金融风险防范的银行业监管制度改革的战略思考[J].财经理论与实践，2011（1）：2-6. [2]彭建刚，张丽寒，刘波，屠海波. 聚合信用风险模型在我国商业银行应用的方法论探讨[J].金融研究，2008（8）：72-85. The study on macro stress tests of credit risk in banking system HUANG Yan-lin1， DENG Ke-xin1，PENG Jian-gang2 (1.College of Finance & Statistics, Hunan University, Changsha410079, China； 2.Financial Management Research Center of Hunan University, Changsha 410079,China) Abstract：The proposed method can be used for macro stress tests in banking regulation and systemic risks in post-crisis era. Based on macro stress testing framework and the basic processes, we use the Ordinal Logistic model to estimate the default probabilities of listed companies in six industry, and we use MFD model to analyze the relationship between macro factors and the default probability of listed companies. By using economic capital model, we obtain the results of the three macro tests (strong, medium and weak) and offer corresponding conclusions and policy recommendations. Key words： Macro stress tests; Credit risk; MFD model; CreditRisk + model