我国上市商业银行一体化风险度量研究_信用风险论文

我国上市商业银行整合风险度量研究,本文主要内容关键词为:商业银行论文,度量论文,风险论文,我国论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。

      近年来,频繁发生的金融危机向世人释放出一个信号,那就是风险损失不仅仅是由单个风险造成的,更多是由多种类、多层次的风险因素共同作用造成的。由不同的类型和风险来源共同作用产生的整体风险被称为整合风险。事实上,巴塞尔资本协议Ⅱ和Ⅲ就明确指出,金融机风险管理模式正从单一信用风险向信用风险、市场风险和操作风险相结合的模式转变。由于各种风险间存在相依性或联动性,这要求在进行风险管理时要更全面严谨。因此,在风险逐渐多样化、全球化和复杂化的背景下,如何考虑不同类型风险间的动态相关性和非线性相关性,又如何整合测量金融机构所面临的信用风险、市场风险和操作风险,都具有非常重要的现实意义和研究价值。

      在传统的金融风险度量模型中,金融资产收益率边际分布往往被假设为正态分布,但实际中,由于极端事件经常发生,收益率呈现尖峰厚尾现象,常常与正态分布的假设不符,这在信用资产方面表现特别明显。因此,需要开发新的、更好的方法来度量和管理整合风险。近些年,越来越多的学者开始关注整合风险的度量方法。如Alexander and Pezier(2003)使用普通因子模型对商业银行的信用风险和市场风险的二维联合分布建模。Dimakos and Aas(2007)结合贝叶斯算法,将总风险的联合分布分解为一系列条件分布的乘积,并将整体风险视为条件风险和无条件风险的和,把多维风险的联动性转换为两两风险间的联动性进行分析。Grundke(2009)先用信用差价作为信用风险的代理变量,接着在不同相关系数下采用Copula模型整合信用风险和市场风险,从而说明各个风险的彼此作用如何影响次贷危机。Hsu(2012)认为利用蒙特卡罗模拟和半参数的极值Copula方法计算资产组合的风险值VaR。侯成琪和王频(2008)提出了基于Copula的整合风险度量模型Copula-VaR及Monte Carlo模拟算法,并以深发展银行与浦发银行为研究对象,实证研究证明信用风险资产收益率与市场风险资产收益率间的相关结构和风险值。杜红军和王宗军(2012)使用非对称拉普拉斯分布来描述风险边际分布,然后根据Copula函数构造Copula-AL模型,测量分析上证指数和深圳指数的资产组合的VaR值和CVaR值。刘祥东等(2013)利用核密度估计方法拟合边际分布,采用半参数法构造二元联合分布,然后通过蒙特卡罗模拟计算不同权重下的整合风险的条件风险值。王维(2010)构建基于Copula的整合风险度量模型,通过实证研究证明信用风险资产收益率与市场风险资产收益率间的相关结构,最后采用Monte Carlo模拟算法计算风险值。龚朴等(2012)则针对现有模型中效率不高的问题,采用重要性抽样算法对资产组合进行风险度量。本文先介绍风险度量指标及风险度量方法,然后对以我国12家上市商业银行构成的“银行池”进行整合风险度量研究,利用Monte Carlo模拟计算相应投资组合的风险值VaR和CVaR,以揭示Copula函数模型在风险度量方面的优越性。

      总的来说,整合风险度量问题虽然已经引起国内学者的广泛关注,得到一定的发展与探讨,但仍处于探索阶段。本文利用Copula函数研究整合风险度量方法,希望为我国金融机构建立整合风险的管理制度提供政策性建议,促进我国银行业整体风险管理的全面发展。

      二、整合风险度量模型的构建

      (一)整合风险度量指标

      1.VaR。

      VaR(Value at Risk)被称为在险风险值。早在2001年,巴塞尔银行监管委员会就指定VaR作为风险度量的工具。目前它已被广泛应用于风险测度、控制等领域,成为国际上盛行的金融度量工具。因此这里对VaR的估计方法不作过多的说明。

      但VaR方法也存在局限性:一是它仅衡量了一定期限和置信水平下,资产组合潜在损失的最大值。二是VaR不具备次可加性,违背了分散化现象。为了弥补上述缺陷,学者们提出了VaR的改进方法——CVaR(Conditional Value at Risk),能更有效合理的度量风险。

      2.CVaR。

      条件在险风险值(CVaR)是指在正常市场和一定置信水平的前提下,损失超过VaR的潜在风险价值,即超出VaR的平均损失。CVaR又称之为期望亏空(Es,Expected Shortfall),它比VaR更能有效度量损失分布的尾部特征,反映损失的潜在风险。其数学表达式为:

      CVaR=E[Y/Y>VaR] (1)

      其中Y为资产组合的损失值。从式(1)可以看出,CVaR实际上是超出VaR的损失的条件期望。

      与VaR相比,CVaR存在独特的优势。一方面,CVaR具有次可加性、单调性、正齐次性、平移不变性等性质,所以是一种一致性的风险测量指标。另一方面,CVaR是尾部损失的条件均值,不是损失分布上某个分位数点,只有估计出所有大于VaR的损失,才能得到CVaR,由此可见,利用它度量损失分布的尾部是合理的。在本文中,我们把CVaR与VaR一起作为风险度量指标进行估计。

      (二)风险度量方法:蒙特卡罗模拟方法

      目前计算VaR值的方法主要有方差—协方差方法、历史模拟法和蒙特卡罗模拟法等。本文采用蒙特卡罗模拟法(Monte Carlo)进行分析。蒙特卡罗模拟的基本思路是先找出一个能近似描述风险要素的可能的分布或模型,并估计出分布的参数值,然后利用计算机重复模拟产生成千上万个风险要素的随机数,并使模拟的随机数值包括绝大部分可能的情况,进而模拟得出资产组合整体的可能分布,再根据指定的概率得到风险值。因此,蒙特卡罗模拟的具体包括以下几个步骤。首先,确定基本的风险要素,根据风险要素得到资产组合的表达式;然后,选择并确定一个具体的符合已知风险要素的分布或模型,估计出分布的参数值;接着,根据确定的分布,利用计算机对风险要素进行模拟,得到风险要素的随机模拟值;最后根据这些随机数计算出资产组合的损失值,将损失值按由小到大的顺序排列,按照给定的概率,计算风险值。由于Monte Carlo模拟的计算过程容易实现、计算机的快速发展,该方法已是目前计算VaR最常用的方法。而且蒙特卡罗模拟比方差—协方差方法和历史模拟法更精准、可靠,能更好地处理比较复杂的违约组合相关性,同时能有效地处理非线性和厚尾问题。

      (三)模型检验

      由于各种因素的影响,实际中,不论使用何种方法,在估计VaR和CVaR值时都会产生一定的偏差。而当误差过大时,模型的准确性和有效性就会受到质疑,因此,本文采用Kupiec(1995)提出的失败频率检验法来检验VaR和CVaR的有效性。到目前为止,该检验方法仍是用于检验最流行的方法。该检验方法是把当实际损失超出VaR时看做失败,而把实际损失小于VaR时视为成功,假设VaR(或CVaR)模型的置信度为1-α,显著性水平为α,实际考察次数(返回检验样本数)为T,失败次数为N(N≤T),失败率P=N/T。此时,VaR(或CVaR)模型的有效性检验相当于检验失败率P是否与α显著不同。如果没有显著性差异,就表明我们所测量的VaR(或CVaR)是有效的,反之则无效。

      Kupiec提出的基于失败率的似然比率检验统计量为:

      

      三、我国上市商业银行整合风险度量的实证分析

      整合风险量化管理是商业银行管理风险的核心任务。信用风险和市场风险是银行业所面临的两大风险,对二者进行整合度量已然成为风险管理的关键。本文以12家中国上市商业银行构成的“银行池”为实证对象,分别确定和检验信用风险和市场风险的边际分布。然后选取Copula族中六种常见Copula函数构建相依结构模型,并根据拟合优度的检验结果,确定最优Copula模型。最后用蒙特卡罗模拟算法估计出不同风险组合的VaR和CVaR,并利用失败频率检验进行检验,验证模型的有效性。

      (一)样本数据的选取

      考虑部分银行合并重组及会计报表中数据缺乏等原因,本文选取12家我国上市且综合实力较强的商业银行作为研究对象,包括中国银行、建设银行、工商银行、民生银行、中信银行、招商银行、交通银行、北京银行、宁波银行、兴业银行、华夏银行、平安银行。由于数据有限,因此收集了这12家上市银行的财务报表中从2008年年度到2013年第三季度的季度数据,并把12家银行组合构造一个整体的“银行池”,从而进行整合风险度量。

      由于商业银行面临的信用风险主要源于本单位的贷款、担保和其他付款承诺,除此之外,在银行实际业务中,与信用风险有关的收入是利息收入,因此利用财务报表中的利润表中的“利息净收入”除以资产负债表中的生息资产,即“发放贷款及垫款净额”、“交易性金融资产”、“衍生金融资产”、“可供出售金融资产”、“持有至到期投资”、“长期股权投资”之和,来表示和信用风险有关的收益率,从而度量信用风险,即称为信用风险资产收益率。

      因为商业银行需承担的市场风险主要来源于交易业务中其持有的金融资产,所以使用利润表中与证券投资相关的收益(如手续费及佣金净收入、投资净收益和汇兑净收益)除以资产负债表中相关的资产总额(包括以公允值计且其变动计入当期损益的金融资产、可供出售金融资产、衍生金融资产、持有至到期投资和长期股权投资),来表示和市场风险有关的收益率,即称为市场风险资产收益率。

      本文市场风险资产收益率和信用风险资产收益率的数据均来源于Wind数据库上各银行的资产负债表和利润表中相关指标的季度数据值。我们主要关心收益率的损失部分,因此,本文采用负对数收益率,所有数据都使用R软件处理分析。

      (二)边际分布的确定

      基于Copula方法度量整合风险时,我们首先需要拟合上市银行的信用风险C与市场风险M资产收益率的边际分布。为了直观的了解这两种收益率尾部的特点,因此,下而分别给出了这两种风险收益率的正态QQ图(图1)。

      

      

      由图1(左)发现,信用风险资产收益率C有较为明显的厚尾现象;而图1(右)可知,市场风险资产收益率M表现出很好的正态性。为了更准确地掌握数据特征,下面通过Kolmogorov-Smirnov(K-S)检验、Shapiro-Wilk(W)检验和Jarque-Bera(JB)检验等三种检验方法分别检验C和M是否服从正态分布,检验结果如表1。

      由表1可见,信用风险资产收益率的三种检验方法的P值都小于0.01,则说明信用风险资产收益率C不服从正态分布。反之,市场风险资产收益率M服从正态分布。

      在考虑信用风险资产收益率分布时,由于风险管理中,我们一般只关注损失分布尾部的分布状况,因此,现有文献提示我们可以假设信用资产收益率的尾部分布服从广义Pareto分布(GPD分布)。根据欧阳资生(2011)的方法,对GPD模型进行W2和A2统计量检验基础上,利用极大似然估计出参数值,即可以得到GPD分布模型。

      (三)相依性检验

      信用风险资产收益率C和市场风险资产收益率M是服从两个不同的分布,但两者存在联动性,现在我们具体来考察这两种风险收益率的相依程度。采用Spearman秩相关检验和Kendall秩相关检验这两种检验方法来分析C和M的相依性,具体结果见表2。检验结果显示:P值都很小,表明C和M之间存在相依性。且系数值P和T都为正,则说明存在正相关性。

      

      (四)Copula函数的参数估计及选取

      现在,我们利用Copula方法对两者的相关性结构进行统计建模。由于边际分布和Copula模型选择的不同会影响联合分布的结构,因此选择最优的Copula函数至关重要。

      我们先对边际分布进行K-S检验,结果见表3。

      

      由表3结果发现,两边际分布拟合值的P值都大于0.1,则表明两种风险收益率的分布估计值服从均匀分布的原假设不能被拒绝,也就是说可以用Copula模型依据Sklar定理度量相依结构。

      目前常用于描述不同风险资产收益率之间相依结构的Copula有Gaussian、Gumbel、Galambos、Frank、Clayton、BB5等。本文根据AIC、BIC准则,选取最恰当的Copula模型来刻画信用风险资产收益率C和市场风险资产收益率M之间的相依性结构。

      首先,估计Copula函数的参数值。选择Gaussian、Gumbel、Galambos、Frank、Clayton、BB5对联合变化关系进行拟合,利用极大似然估计,估计相应参数估计值,然后使用AIC和BIC统计指标检验上述六种Copula模型的拟合效果,具体结果见表4。由表4可以看出,Frank Copula似然值最大,AIC和BIC值最小,模型拟合的效果最好,因此选取Frank Copula函数比较合适。

      

      (五)上市商业银行整合风险的VaR及CVaR估计

      为了度量上市商业银行整合风险值,在确定边际分布和相依结构之后,我们还需确定信用风险资产与市场风险资产的相对权重。本文考虑以下9种权重组合(10%,90%)、(20%,80%)、(30%,70%)、(40%,60%)、(50%,50%)、(60%,40%)、(70%,30%)、(80%,20%)、(90%,10%),计算整合风险价值VaR和CVAR。

      首先根据最优Copula函数及其参数估计值,得到Copula联合分布函数。下面我们利用基于Copula模型的蒙特卡罗模拟方法计算信用风险资产收益率C和市场风险资产收益率M的整合收益率的VaR及CVaR。蒙特卡罗模拟的算法具体如下:

      第一步,通过已确定的最优Frank Copula函数建立C和M的联合概率分布模型。

      第二步,生成C和M的服从[0,1]均匀分布的二维随机数

      

      

      显然,表5中,无论是VaR还是CVaR,随着权重、风险水平的改变,对应的整合风险值也在变化。

      首先,在置信度相同的情况下,随着信用风险资产权重的增加,整合风险值也随之增加,说明资产数量相同时,潜在的信用风险要大于其市场风险。这也反映了信用风险是商业银行的主要风险。

      其次,对于同一权重组合风险资产而言,提高置信度,整合风险值也在不断升高,且变化幅度也一直在增加。这也从一方面反映出信用风险资产与市场风险资产有很强的尾部相依关系,当出现突发事件时会表现出较强的联合波动性,从而会增加整合风险损失值。

      最后,从CVaR和VaR的比较中,可发现CVaR比VaR估计值要大,也就是说VaR估计是一种相对比较保守的度量风险的工具。

      (六)模型的返回检验

      为了考察蒙特卡罗模拟进行整合风险度量的精确性,我们对VaR的有效性进行检验,所采用的检验方法是前面所述Kupiec提出的失败频率检验法(LR),表6给出了9种权重组合下的检验结果。由表6可以看出,在各给定置信水平下,蒙特卡罗模拟计算的LR统计量绝大部分小于临界值。这说明蒙特卡罗模拟度量风险的效果较好,计算的VaR值也相对准确。

      

      本文从度量金融机构整合风险的实际出发,对整合风险度量方法进行了理论和实证研究,得出了一些有意义的结论,主要体现为:

      (1)给出了基于Copula函数度量我国商业银行整合风险的一般框架,具体步骤如下:首先确定各种风险的边际分布;然后选择最优Copula函数来刻画不同类型风险的相依结构;最后针对各类组合风险资产确定其相对权重,利用风险度量方法计算整合风险值。

      (2)为了检验商业银行整合风险度量的准确性,本文通过失败频率检验法评估模型的有效性。研究结果利用蒙特卡罗模拟方法进行整合风险度量是非常有效的。

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

我国上市商业银行一体化风险度量研究_信用风险论文
下载Doc文档

猜你喜欢