基于广义Beta回归的不良贷款回收率模型，本文主要内容关键词为：回收率论文,广义论文,不良贷款论文,模型论文,Beta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。
文章编号：1002-1566(2011)05-0810-14
收到修改稿日期：2010年5月11日
0 引言
在2007年开始持续至今的全球性金融风暴、我国银行业发放巨额贷款和Basel新资本协议(Basel II)在我国银行业推广的多重压力下，贷款的信用风险管理的重要性被提到了前所未有的高度，防范可能形成的不良贷款已经迫在眉睫。巴塞尔新资本协议中核心风险要素违约概率(PD)、违约损失率(LGD)、违约风险暴露(EAD)等的计量是贷款风险管理的基石，其中违约损失率是衡量未违约贷款和不良贷款风险的核心。全面解析不良贷款的违约损失率分布和影响因素，对防范可能出现的不良贷款和处置已有或将形成的不良贷款都有重要意义。而巴塞尔新资本协议中关注的一个重点为经济衰退时期(downturn)下的违约损失率(LGD)的变化，这不仅与时下金融海啸引起的全球经济衰退的背景相符，也强调了在违约损失率量化模型中引入宏观变量的重要性。
相对于违约概率(PD)研究起步较早，研究理论也较为完善，违约损失率(LGD)或回收率(1-LGD)量化的重要性和复杂性近年才日益被人们所重视。Frye[1]把系统性因子引入LGD计量模型中，但在此计量模型中，LGD被作为正态分布随机变量处理；为保证LGD的非负性，Pykhtin[2]利用对数正态分布来描述LGD并建立了量化模型；Andersen和Sidenius[3]利用正态逆变换方式把值域为[0，1]的损失率映射到实数范围；Trapp[4]利用logit变换把损失率映射到(-∞，+∞)。通过变化映射后的数据建立LGD模型成为学术界和业界普遍采用的方法。但通过数据变换映射把回收率值域扩大为(-∞，+∞)而非在(0，1)范围所建立的模型描述的回收率和各自变量间的关系并非真实可靠的影响关系；建立的单点线性模型对研究回收率方差、区间估计和整体样本分布等研究上有所局限；且建立的变换线性模型在研究宏观变量对损失率的影响、各变量对回收率方差以及回收率区间估计等方面都存在缺陷。
Beta分布是描述变量值域限制在(0，1)的分布之一，并在广泛的实证研究中被证明对债券，贷款回收率的拟合最为行之有效。Gupton[5]、Gupton和Stein[6]在Moody’s公司的Loss Calc模型框架中提出用Beta分布来拟合损失率分布。广义beta回归方法不仅能扩展一般Beta分布的效果，很好的拟合回收率或损失率样本，更能把影响变量引入分布模型中，更全面的描述回收率的总体情况，近年来成为信用风险和回收率建模研究的重点。Ferrari[7]把不同影响因素引入到beta分布拟合中并给出参数估计的渐进性质；Michael[8]通过具体SAS程序实现广义Bete回归的极大似然估计方法，并给出应用实例；Xingzheng huang和Oosterlee[9]综述广义Beta回归的各种估计方法；Bruche[10]把宏观变量和信用周期变量引入到广义Beta回归模型中，分析不同的宏观经济变量和美国债券回收率之间的关系。本文在广义beta回归的框架下，延用Bruche[10]在广义Beta回归中采用的对普通Beta分布的参数变换方式，将该参数变换方法用到研究不良贷款回收率的广义beta回归模型中，针对全样本和非极端回收样本(是指在全样本的情况下去除回收率为0的无回收和回收率为1的完全回收的样本)分别建模，并推广研究了不同因素的回归参数、Beta分布形状和Beta分布的均值、方差之间的关系；再三是利用OLS估计方法，扩展Bruche[10]的参数变换方式，引入重对数的非对称变换方式，对比对称和非对称的多种变换方式，重点剖析宏观因素对回收率均值、方差所起的作用。综合以上各方面，从不同的样本对象，不同的估计方法，均值和方差的考量，首次在广义beta回归框架下多角度给出我国不良贷款回收率影响因素和分布的综合描述。
广义Beta回归模型的结果表明，不良贷款的抵质押因素、债务人的经营状况等因素在广义Beta回归模型中显著；同一因素在广义Beta回归模型中对Beta分布的参数α，β的影响显著性有明显差异，进而对回收率的均值、方差的影响有所不同；非极端分布和全样本分布的特性差别较大，影响其回收的因素各有不同；宏观因素无论在单变量模型或多变量模型中，对全样本或非极端回收样本，指数形式的变换或是重对数形式的变换，都表现显著，由此可见宏观经济对回收率影响之大，资产管理公司回收不良贷款的处置安排和进度应与宏观经济因素配合。通过本文的研究把前人的单点模型推广到回收率的分布研究中，给不良贷款的风险管理提供了更全面的帮助，不仅对资产管理公司回收不良贷款有重要借鉴意义，也可作为当前银行业因为金融危机和发放的巨额贷款可能形成不良贷款的参照，其影响变量可成为防范大量不良贷款形成的重要指标，所得到的beta分布结果可进一步为VaR管理服务。
1 广义Beta回归模型和估计方法
1.1 模型简介
一般的Beta分布的密度函数可以描述为式(1)：
1.2 极大似然估计
极大似然方法的估计优势可以在模型中引入多个回收率的影响变量，并给出较准确的估计值；缺点在于极大似然方法中的似然函数由于涉及到对数，无法拟合回收率为0和1的不良贷款数据，因此本文采用全样本进行数据变换以及直接删除回收率为0和1贷款的部分样本拟合的方法，针对式(1)中Betα(α，β)，在α，β中引入协变量如下：
1.3 OLS估计
OLS估计方法的优点在于对年度均值、方差回归，无0和1的极端回收值，不需进行数据变换即可拟合参数，但由于OLS方法的估计样本不是以个体为单位，而是以年度的均值或方差为单位，因此不适宜引入个体影响变量。但OLS方法对重点研究宏观变量如何影响每一年回收情况的单变量模型有很好的拟合效果。本文利用OLS估计方法，进一步详解了宏观变量在时间维度上对回收率的影响。
2 不同样本条件下的Beta分布
由上述模型介绍可知广义Beta回归中因含有非线性变换，太多冗杂的待选变量会造成拟合参数不收敛，选择合适的变量，更好的刻画和区分回收率的高低差异和特征是建立模型的基础。本节主要研究在各个影响因素限制下的不同样本的Beta分布的差异，不仅可以为广义Beta回归模型的参数选择奠定基础，也可分析不同样本下，Beta分布参数和形状的差异。若是在某种影响因素条件限制下样本的Beta分布均值、方差差异越大，形状区别越明显，则把该变量引入广义Beta回归模型中可更好的区分出个体间的差异，从而准确的拟合数据。
2.1 候选变量及对应Beta图
针对本文需建立全回收和非极端回收样本的广义Beta回归模型，本节分别给出了在不同侯选变量条件限制下的全回收和非极端回收样本的Beta分布图，根据分布图拟合出的参数值以及Beta分布属于钟型(bell shaped)，U型(U shaped)，J型和反J型的哪一种，分析和总结了各不同因素对回收率的影响。
地区因素。地区因素被广泛认为与债券、贷款和不良贷款回收率的差异有明显关系，以下把不良贷款的债务人按地区分为：华北、东北、华中、华东和华南五个地区，并给出各个不同地区回收率的beta分布拟合，其中图1和图2分别表示全样本和非极端回收样本在不同地区因素限制下的子样本的Beta分布图。
通过两图可以看出，全回收和非极端回收样本的Beta分布图的差异巨大，各个不同地区间的Beta分布图的差异也很明显，全回收样本中的东北，华北，华东是U型分布图，靠0的峰极高，而华中则完全是反J型分布，华南是J型分布，但0，1峰值区分不明显，近似于均匀分布；非极端回收样本的Beta分布图的差异更为明显，华南表现为明显的J型分布，其他地区以反J型为主。
行业因素。行业也是造成回收率差异的另一个主要重要因素，由于行业性质、经济规律和生产周期等特点，回收率在各个行业的高低有较大不同，本文选择了包括零售、电力、信息、建筑和制造在内的多个行业分析其Beta分布图的差异。其中图3和图4分别表示全样本和非极端回收样本在不同行业因素限制下的子样本的Beta分布图。
图3 全样本不同行业Beta图
图4 非极端样本不同行业Beta图
不同行业间的回收率差异从图3、图4可以清晰地看出，在全样本回收的Beta图中可以明显看出电力和建筑业是明显的0，1回收双峰U型图，零售业虽为双峰，但1的峰不明显，制造业为反J型分布，而信息业为钟型分布；非极端回收样本中，信息业为钟型分布，而电力业则从U型分布变为钟型分布，建筑业仍保持U型双峰，且靠1的峰更高。
企业经营状况因素。企业的经营状况、财务水平是影响企业债券、贷款回收率情况的重要指标。对不良贷款的企业而言，准确、实时的财务报表情况往往不可得(特别是一些已破产或清算的企业)，因此本文选用了企业经营情况，包括从经营正常到破产的不同企业的对比，从而更全面地反映企业经营水平对回收率的影响。其中图5和图6分别表示全样本和非极端回收样本在不同经营状况水平限制下的子样本的Beta分布图。
图5 全样本不同经营情况Beta图
图6 非极端不同经营情况Beta图
图5和图6按照从企业正常经营到企业破产的一个完整过程，对比了分属不同经营状况水平的企业的Beta回收图，从图5可以看出，随着企业从正常经营到破产的一个过程，回收率Beta分布呈现从0，1U型双峰到只有0回收单峰的变化，且0回收的单峰呈明显增高的趋势；非极端回收样本图的虽然与全样本图有差异，但也表现为0回收峰值的不断递增。
抵质押因素。不良贷款与债权、银行贷款一样，回收率也受其对应抵质押的极大影响。以下把债务人的抵质押情况分为债务人有抵押或质押、有保证、抵押保证都有和都没有的信用贷款四类。
图7 全样本不同保证Beta图
图8 非极端样本不同保证Beta图
不良贷款是以何种担保方式来担保的对回收率的影响差异对回收的0，1双峰影响明显，其中无任何担保的信用贷款为反J型，即无1回收峰值，0回收峰值很高，保证和抵押两者都有的贷款有较明显的1回收的峰值，而只有保证和只有抵押的贷款的1回收峰值非常不明显；在非极端回收样本图中，也可看出，抵押和保证都有的贷款的0回收峰值明显比其他类型保证的贷款要低。
五级分类因素。五级分类是不良贷款区分于正常贷款的主要因素，且不良贷款以五级分类中的后三类，次级、可疑，损失类贷款为主。这也正是当前金融危机和贷款违约压力下需重点关注的三类主要贷款，图9和图10分别表示全样本和非极端回收样本在后三类级别限制下的Beta分布图。
图9 全样本不同五级分类Beta图
图10 非极端样本不同五级分类Beta图
从两图中可以明显看出，五级分类对银行贷款和不良贷款风险控制都是很好的借鉴。无论全回收或是非极端回收样本，通过Beta分布图可以看出随着五级分类级别的变差，0回收的峰呈明显的增加，而1回收贷款的峰则下降，损失类贷款的1回收已经完全没有。
2.2 beta分布的均值方差分析
通过前文的简介和分析可知，Beta分布的均值，方差、参数α，β和图像的形状间关系紧密，beta分布的均值是α的增函数，β的减函数，而方差与α，β间的关系则较为复杂，不明显的表现为简单的增、减关系，但可通过变换的参数形式由φ来决定。总结以上不同子样本的Beta分布图图象和参数的变化可知：
1) U型beta分布：相当数量的全样本和部分非极端样本的Beta分布图都表现为U型双峰分布，其中0回收的峰值非常之高，而1回收的峰值则比较低，少数的子样本，例如行业为建筑业和电力的子样本表现为0，1明显的双峰。
2) J型分布：J型分布从直观来看是1回收的峰值很高，而0回收的峰值几乎没有，这对于不良贷款的样本是很少的，从图像开看也反映了这个规律，只有正常经营或华南地区的企业的不良贷款有近似J型分布。正常经营的企业在财务状况中比较好，而数据库中所含的华南地区样本以有高质量抵质押物为基础，因此在回收的情况上都表现较好。
3) 反J型分布：反J型分布主要是0回收的贷款比例高，而1回收的比例很低或是没有，这是不良贷款的一个特点。在损失类、破产类和信用类不良贷款回收率分布中表现得尤其明显。从这类分布的拟合参数的β＞1，α＜1可见，整体的回收均值较小。
4) 钟型(或单峰)beta分布：此类型的分布密度极值应在0.4-0.6间，且极端回收的比例较低，这在全样本分布中是极少见的，主要是非极端回收样本中如信息、电力等行业的分布，在去掉极端回收的样本后，以回收率为0.5左右的样本居多，表现为回收样本的集中性。
通过以上的分析可得，参数α，β对图像和分布的均值、方差的影响都是直观的，因此本文的多变量模型直接把本节所选协变量引入对α，β参数的估计中，由协变量对参数α，β的影响，进而对分布均值、方差，图型变化的影响，从而纳入到广义Beta回归模型中。
3 多变量广义Beta回归模型
3.1 全候选变量模型
利用上节所选的影响回收率的变量，由2.2的(4)式所给模型，运用(5)式的极大似然估计方法，并根据不良贷款清收年份不同，引入最终完成处置年份的宏观变量，以单债务人单贷款共1400余笔，横跨2001-2008的处置完成时间的回收率为基准样本，以数据变换原始回收率为
，则新回收率
=(+0.05)*0.9的全样本和直接去除极端0，1回收的非极端样本对比，给出候选变量的估计值。其中通过数据变换的样本，既基本维持了原分布的形状，又使得新数据取值严格为(0，1)开区间。而去处极端回收则是通过数据的直接选取来规避估计方法技术上的困难。通过这两种方法的结果对比，一方面可以更全面的了解各变量对回收率的影响，另一方面通过包含极端回收和无极端回收样本的结果对比，分析极端回收和非极端回收的特质的差异，参数估计结果如表1所示。
由表1可见：
1) 虽然非极端回收模型的样本为1000个左右，比全回收模型的样本少，但从模型最后的似然度和AIC、BIC值的大小以及变量的显著性入选都可以看出，包含极端回收样本的全模型拟合效果更好，可见极端回收债务人在变量上有更明显的集中特点，因此极端回收样本通过模型能更好地挖掘其性质；
2) 行业、地区、经营状况和抵质押等因素在广义Beta回归模型中同样显著，这与单点回归模型相一致，说明了这些变量在线性、非线性和不同的估计方法框架下都对回收率的高低有明显影响；对比全样本和非极端回收样本模型，同一变量的显著性有极大的差异，如地区因素在全样本的模型中是显著的，但在非极端回收的样本中就不显著了，这说明两种不同样本的特性有很大不同，在实践处置和理论建模上都应分别给予不同关注；
3) 不同于单点模型预测中变量的显著性，通过模型的结果可以清晰的分辨变量是对α，或是对β的取值有显著的影响，通过对系数的分析不仅可以看出变量的取值对回收率均值和方差的影响规律，而且可以关注变量总体Beta分布图的影响。由前文可知对回收率均值的影响应关注同一变量对应的α，β系数的差值，(a-b)的数值越大，对回收均值的正向贡献越大，如样本回收中抵押不良贷款的系数为(-0.1019+0.354)=0.2521，保证不良贷款对应的系数为(-0.306+0.501)=0.195，信用类贷款对应的系数为(-0.009-0.191)=-0.2，由此可见这三类不同担保类型的贷款对回收率均值贡献由高到低的排序，且在对均值的影响中，是通过对参数α，β的或正或负的不同显著影响造成的；且由α系数与方差大小负相关可知，信用类贷款α系数几乎为0，该类不良贷款在均值较小的情况下，方差也较小，而抵押和保证类贷款的α 系数为负，方差相对较大，即在均值较大的情况下，方差也是较大的，抵质押品的资质差别可能是导致回收率方差增加的最大原因；
4) 宏观因素是本文关注的一个重要影响因素。王博[11]深入研究了不同经济周期对不良贷款回收的影响，并分析了不同宏观经济因素之间的相关性。本文多变量模型中由于含变量较多，且变换均为非线性，过多的相关变量易导致样本内的过度拟合。且引入过多宏观变量，由于易导致模型不稳健，根据王博[11]的结果，GDP增速是最能把握宏观经济周期，且最有易于宏观回收不良贷款策略制订参考的变量，因此本文选择以GDP增速作为分析的指标。从结果可发现，无论全样本或非极端样本，GDP变量都是极为显著的。且GDP对回收率均值的影响可以通过其对应系数(a-b)判断，在全样本模型中其系数为(6.358+1.324)=7.682，非极端样本中为(8.11-0.371)=7.739，都是显著的正相关，即宏观经济越好，回收的均值都显著提高；而在对方差的影响中可以看出，由α对应的系数都显著为正可知，宏观经济越好，回收的方差是越小的，可见宏观经济对回收率整体影响之大。
3.2 显著变量模型
在前文所得到的变量显著性结果下，把分别影响α，β的显著变量挑出，仅以这些显著性变量建立模型，一方面简化了模型的复杂度，对存在某些变量缺失的数据可以用简化的显著模型来估计分布；另一方面可对比全侯选变量模型和显著变量模型，分析其对应系数的差异，由多变量广义Beat回归显著模型参数估计结果如表2所示。
由表2可见：
1) 在显著模型中所引用的变量极大地减少，但拟合的似然程度变化不大，甚至在越小越好的BIC值的对比上可见显著模型的优越性，这说明简化的显著模型的可行性；相同变量对应的系数对均值和方差影响的正负基本保持，说明模型的稳定；某些变量的显著性明显的增加，比如描述不良贷款的抵质押变量，在实际回收处置中应给予更多的重视。
2) 债务人的经营状况水平在全变量模型和显著模型中无论针对全样本或非极端样本都极为重要，可见在财务报表缺失的情况下，该变量可一定程度的反映债务人企业的运行情况；且由此可见债务人企业运作好坏情况是回收的基础，对不良贷款企业也应更进一步获取其财务报表信息，而对银行未违约贷款债务人财务报表应成为主要关注的重点。
3) 宏观变量依然非常显著，且对均值、方差的影响规律与全变量模型保持一致，即对均值的正向和对方差的负向影响，回收处置应配合宏观经济变化才能更好地进行。
通过全变量和显著变量建立的广义Beta回归模型，验证了异质因素对回收高低的影响；重点挖掘了宏观变量在模型中的显著性和对处置回收的影响；扩展了单点模型的局限，不仅仅是只得到一个回收率预测值，并且得到了对整体估计的分布，该结果不仅可以运用于对全样本回收率分布研究析，还可给出单个债务人回收区间估计和分布。陈浩[12]，王博[13]运用广义Beta回归模型做风险管理有进一步研究。
4 仅含宏观因素广义Beta回归模型
在上一节的研究中可以发现，宏观因素对回收率影响的显著性。本节将以上一节年度GDP增速对回收率影响显著的结果为基础，从季度GDP增速和多个不同变换的子模型角度，继续深入研究GDP增速对回收率影响的重要程度，探讨和对比年度和季度GDP增速对回收率影响的异同，并利用GDP的简单明了性，对宏观回收给出相关的政策建议。前文的极大似然估计方法虽然可以引入多个变量来提高模型对回收率拟合的似然程度，但由于数据和方法的限制，必须删去或变换数据，改变了部分回收率的信息，本节中利用2.3所提到的OLS估计方法，克服数据的局限性，运用logit、(7)、(8)和(9)式的四种变换，直接建立均值、方差和宏观变量间的广义Beta回归模型。
4.1 宏观因素对回收率均值的影响
本节以季度为时间单位，把2001-2008分为32个时间区间，以每期完成回收的债务人对应每期的GDP值，并针对前文模型中利用年度GDP增速得到的结果，对比在年度和季度层面上宏观经济对回收率的影响。利用2.3的(6)式研究回收率均值与宏观因素的相关关系，此处把logit、(7)、(8)和(9)式的四种变换对应为变换(1)-(4)，针对不良贷款处置时间的特点，2005年前以回收政策性贷款为主，05年后以回收商业性贷款为主，分别建立子模型，分析这两段时间内宏观GDP和回收率间的关系，如表3所示。
1)在广义Beta回归模型的框架下所选的关联函数，本质上是对回收率均值做了非线性变换，在此变换模式下建立的回归结果实际上探索了回收率均值和宏观因素的非线性关系，从结果来看，季度的GDP因子在大部分模型中都是显著的，这一点与年度GDP因子在模型中显著是保持一致的，从而可见宏观因子从季度到年度的层面都保持了对回收率的明显影响，应作为宏观回收政策制订地重要参考指标。
3)从全模型和子模型的对比中不难发现，全模型和2005年后的子模型宏观GDP变量显著，而2005年前的子模型宏观变量不显著。从数据实质的样本分析可知，2005年前回收的不良贷款以政策剥离样本为主，没有抵质押品，即使有抵质押品，资质也比较差，且债务人经营状况普遍比较差，破产的较多，因此由宏观经济波动时影响抵押品的价值高低对该类贷款回收的影响却并不明显；而2005年后主要清收的是商业性贷款，这类不良贷款有比较可靠的抵质押品或相关的保证，而这些因素都明显受到宏观经济的影响，且债务人的经营状况可能在宏观变好的情况下由停业、关闭进而有所改变，因此在2005年后的子模型中宏观变量显著。
4)从宏观GDP的回归系数也可发现，全模型和2005年后的子模型GDP系数都为正，且变换的函数都为增函数，这说明随着GDP增加，抵质押品和各公司经营水平等的提升，回收率会有明显的提高；而2005年前GDP和回收率之间的关系却为负向关系，但不显著，究其原因从2000年到2005的GDP一直表现为增长的情况，虽然宏观经济从一定程度上提升了整体回收环境，但不良贷款本身的清收有处置效应，见陈浩[14]，从2000年开始剥离的政策性贷款处置的时间拖得越长，处置的效率和回收就越低，这种资产衰减的效应更甚于宏观因素的影响，因此GDP前的系数为负。由此可见处置政策性贷款和商业性收购的贷款的方式应明显区分，对政策性贷款，处置的时间效应更为明显，应以及时清收，防止资产质量衰减为核心；而商业性贷款受宏观经济的影响明显，回收时不应盲目的快速变现，而应结合适当的宏观周期给予处置。
4.2 宏观因素对回收率方差的影响
在分析宏观因素对回收率均值影响的基础上，可以得到对回收率方差变化的影响分析，这也是广义Beta回归区别于传统回收率预测方法的优势。利用(11)式算出的
序列建立与宏观GDP的回归方程，即可得回收率方差与宏观GDP的关系，本节中选用关联函数h=log，对应变换(1)-(4)建立模型如表4所示。
1)宏观因素在大部分模型中也是显著的，且对不同的模型而言，系数和显著性的差异不大，模型建立的是与宏观变量的关系，而方差在均值一定下与负相关，由此可见回收率的波动情况是与宏观因素负相关的，即宏观GDP越高，方差越小，这与前文的多变量模型结果保持一致。最直接的可能原因是在GDP较高的年份，抵押品好坏不同的不良贷款，整体都有提高回收，无抵押品的贷款能有一定回收，减少了与抵押品贷款的差异；而经济形势下滑的年份，有好的抵押品的不良贷款仍能保持一个稳定的回收，而无抵押或抵押品实质质量较差的不良贷款则回收率急剧减少，因此回收率方差增加。
2)2005年前和2005年后的子模型的显著性是完全不一样的，可见宏观经济对抵质押物较少，债务人的经营状况较差的政策性剥离的不良贷款影响是较小的；而对抵质押物较好，债务人经营状况也可能随着GDP增高而好转的商业性不良贷款的影响较大。
3)结合前文的分析可知，宏观GDP越高，方差越小，均值越大，可见宏观经济对整体回收状况的影响之大，在经济形势好的年份，会有普遍的高回收，而经济形势较差的年份，回收率明显降低，且贷款间回收差异大，应区别对待。
综上可知，宏观经济因素对不良贷款回收的均值、方差等各方面的影响都是显著的，因此回收处置不良贷款时不仅仅应关注不良贷款的异质因子，对整体宏观经济也应有所把握，从而更好的协调回收，提高效率；且在本节中更分别对政策性剥离和商业性收购不良贷款的回收率与宏观经济变量建模，分析得到宏观经济变量对商业性收购不良贷款回收率影响极为显著的结果，这对当前政策性剥离不良贷款即将完成，今后将进入商业性不良贷款回收阶段尤为有现实的指导意义。
5 结论
基于广义Beta回归的框架，建立了不良贷款多变量模型，并在多种方式变换下给出只包含宏观因素的单变量回归模型，由此得到如下结论：
1) 通过广义Beta回归模型，不仅可以研究回收率和各影响因素的关系，而且可以克服单点回归的缺陷，在(0，1)范围内更精确的描述回收率如何受各变量的影响，并可直接研究变量对回收的均值、方差的影响，同时给出了含各变量的Beta分布，为更进一步的研究回收率的区间估计，压力测试和VaR研究打下基础；
2) 针对非极端和完全回收两个不同样本分别建立了模型，研究了极端和非极端回收的不同特点，并对比了两个模型在影响因素上的差异；
3) 在单、多变量模型中引入宏观因素，由多种不同的非线性变换对比，得到了宏观因素显著影响回收率均值、方差的结论，并通过时间划分的子模型发现宏观变量对商业性收购不良贷款的影响远强于政策性剥离不良贷款。
由此可见，建立完善的风险管理系统是未来银行业和不良贷款处置的核心要求，利用广义Beta回归的方法可以挖掘回收率的更多信息，为回收率的区间估计、压力测试等打下基础；而把宏观变量引入模型，并得到在商业性收购不良贷款中尤为显著的结论，在不良贷款全面商业化收购阶段到来之际，为不良贷款回收时机的选择提供重要借鉴。
标签：回收率论文; 回归模型论文; 不良贷款论文; 参数估计论文; 样本方差论文; 样本均值论文; 总体方差论文; 数据拟合论文; 线性拟合论文;