后危机时代宏观压力测试研究_杨晓奇
2010
总第２６１期
１１
November 引言
根据国际货币基金组织（２００４）的定义，压力测试是指评估金融体系承受“罕见但是仍然可能”的宏观经济或金融市场波动冲击能力的一系列方法与过程。根据关注范围的不同，压力测试可以划分为宏观和微观两类。宏观压力测试由于能模拟潜在金融危机等极端事件对银行系统稳定性的影响，在实践中得到迅速推广。国际货币基金组织和世界银行（２００６）于亚洲金融危机后联合推出银行部门评估规划（ＦＳＡＰ），首次将宏观压力测试方法作为衡量银行系统稳定性分析工具的重要组成部分。
Ｅｒｌｅｎｍａｉｅｒ（２００４）和Ｇｅｒｓｂａｃｈ（２００５）利用宏观经济模型ＲＩＭＩＮＩ对总体审慎指标的趋势与发展进行预测，并且建立了评估贷款违约率的宏观信贷方程。Ｆｒｏｙｌａｎｄ和Ｌａｒｓｅｎ（２００２）利用宏观经济模型ＲＩＭＩＮＩ对银行不良贷款在宏观经济波动情境下进行了压力测试。
虽然国际上宏观压力测试已成为政策当局分析银行稳定性而广泛使用的工具，但国内宏观压力测试尚处在推广初期。陈华、伍志文（２００４）运用１９７８年－２０００年间的数据对中国银行体系脆弱性状况进行了量化分析，结果发现宏观经济变量是宏观经济政策影响银行稳定的传导路径。徐光林（２００８）利用线性压力测试模型，分析ＧＤＰ增长速度和ＣＰＩ同时发生不同程度恶化对我国银行业资产规模增长速度的影响。华晓龙（２００９）通过假设情境法进行宏观压力测试，定量分析宏观经济因素波动对中国银行体系不良贷款率的影响。
目前，全球由美国次贷危机引发的金融危机进入到实体经济受到巨大冲击的后金融危机时代，世界经济存在着很多的不
确定性和不稳定性，全球经济下我国宏观经济亦不可避免的受到多方面的冲击。因此，如何识别潜在的宏观系统性风险对银行系统稳定性的影响受到越来越多的重视。我国宏观经济运行有许多不同于发达市场经济的特点，能否寻求一种不严格依赖经济理论、从数据变化中寻找规律、把握动向的宏观压力测试方法，是具有现实紧迫性的课题。本文在借鉴国际经验的基础上，结合中国国情，提出基于向量误差修正模型（ＶＥＣＭ）的宏观压力测试模型，定量评估分析宏观经济因素波动对我国银行系统稳定性的影响，对防范和化解银行体系系统性风险具有重要的现实意义。
一、 宏观压力测试原理
宏观压力测试通过宏观压力情境的构建，预测极端但可能发生的宏观经济变动对银行系统稳定性的影响。如图１所示，宏观压力测试过程主要包括三个步骤：首先，定义压力情景及强度，选择能够体现宏观经济风险的主要因子；其次，构建宏观经济因素的关联关系，确定压力情景下各宏观经济变量取值；最后，建立风险因子与内部因素的冲击路径。
后危机时代宏观压力测试研究
杨晓奇
内容提要：本文提出结合向量误差修正模型（ＶＥＣＭ）和蒙特卡洛（Ｍｏｎｔｅ Ｃａｒｌｏ）模拟方法构造宏观压力测试模型，以我国主要商业银行不良贷款率作为评估银行系统稳定性的指标，定量评估宏观经济因素波动及国家宏观调控政策对我国银行系统稳定性的影响。结果显示：经济衰退情景下，银行体系不良贷款率会随着宏观压力情景严重程度而上升，但国家宏观调控措施对银行体系不良贷款率的下降影响显著。
关键词：后金融危机 宏观压力测试 向量误差修正模型
中图分类号：Ｆ８３０．２ 文献标识码：Ａ 文章编号：１００６－１７７０（２０１０）０１１－０２２－０５
博 士 后 征 文
（一）定义压力情景
压力情景的定义方法有历史情景法和假设情景法两种。近二十年来中国的经济环境主体上还是呈良好的上升趋势，缺乏较严重的经济衰退或压力事件。因此，本文采用基于假设情景法进行情景设定。
１．定义压力情景因素
基于国内外实证研究及数据可得性，本文选取中国国内生产总值（ＧＤＰ）增长率、消费者价格指数（ＣＰＩ）、１年期银行机构人民币贷款基准利率（ＩＲ）等三个宏观经济变量作为外部宏观经济因素，选取商业银行贷款不良率作为内部因素，即衡量银行系统稳定性的指标。本文选取上述四个指标１９９６年－２００９年季度历史数据进行分析，并采用ＰＢＣ版Ｘ－１２－ＡＲＩＭＡ１年季节调整软件剔除时间序列数据的季节因素影响。
２．设置压力测试强度
选择实际ＧＤＰ增长率作为主因素，根据实际ＧＤＰ增长率历史数据拟合Ｂｅｔａ分布，确定它在三种不同宏观经济衰退情景的取值，代入压力测试情景设置模型，确定其他宏观经济因素取值。
参照ＦＳＡ压力情景设置标准，以所拟合的Ｂｅｔａ分布上１／１０分位数数值（６．６９％）、１／２５分位数数值（５．８７％）、１／１００分位数数值（４．８９％）表示实际ＧＤＰ增长率在温和、严重、极端宏观经济衰退情景下的取值，其发生概率分别是１０年一遇、２５年一遇、１００年一遇。沈利生（２０００）认为现阶段我国 ＧＤＰ 潜在增长率为 ８．６％，２００９年四季度我国 ＧＤＰ 增长率为１０．７％。因此，设定ＧＤＰ在温和、严重和极端压力情景下取值为７％、６％和５％。
（二）宏观压力测试情景设置模型
Ｓｉｍｓ（１９８０） 提出了使用模型中的所有当期变量对所有变量的若干滞后变量进行回归，用于相关时间序列系统的预测和分析随机扰动对变量系统的动态影响，构建非结构化的多方程模型（ＶＡＲ）。它不带有任何事先约束条件，将每个变量均视为内生变量，避开了结构建模方法中需要对系统中每个内生变量关于所有变量滞后值函数的建模问题，它突出的一个核心问题是“让数据自己说话”。
大多数情况下，经济变量各自均为随机游走时间序列。而长期来看，两个或两个以上经济变量之间的线性组合可能是平稳的，即它们之间存在某种确定的变化比例关系，这时称两个或两个以上经济变量之间存在长期均衡关系。经济变量之间的长期均衡关系由于其他因素的影响在短期内可能出现失衡状态，
如果能从动态角度将它们之间的短期变动行为和它们之间的长期关系联系起来考虑，分析结论会更具针对性。Ｊｏｈａｎｎｅｓ（１９９１）提出向量误差修正模型（ＶＥＣＭ）引入了协整关系方程的误差项反映这种短期波动向长期均衡稳定关系修正的机制。因此，本文在向量自回归模型（ＶＡＲ）的基础上，构建宏观经济变量ＶＥＣＭ模型（１）确定各变量之间的联动关系。
计算自回归模型残差协方差矩阵Σ，对协方差矩阵进行柴可夫斯基分解
。选择主因素ｙ１，ｔ，如，实际情况下选择ＧＤＰ
作为主因素，给定某宏观风险因素的压力值，代人基于向量自回归模型第一个方程反解出残差项μ?1τ，产生由伪随机残差μ?1τ以及蒙特卡洛模拟产生的其他两个标准正态分布随机数μ?2τ,μ?3τ组成的向量ｒ＝（μ?1τ，μ?2τ，μ?3τ），将μ=ｒ＊Ａ代入向量自回归模型，计算出压力情景下其他变量值。重复此过程，计算足够次（大于１００万次）蒙特卡洛模拟下的变量值，然后求平均值作为压力情景下宏观因素取值。
（三）压力测试传导机制
本文借鉴Ｗｉｌｓｏｎ（１９９７）研究框架中关于宏观经济因素和贷款违约率之间的非线性关系设定，使用Ｌｏｇｉｔ模型将贷款违约率转化为宏观综合指标Ｙ，以指标Ｙ作为因变量与宏观经济因素进行多元线性回归分析，以更好地利用各宏观经济指标所提供的信息。
ｔ＝ １， ２ ……Ｎ （２）
ＮＰＬ代表主要商业银行贷款不良率，Ｙ为反映银行体系违约概率和各宏观经济变量关系的“中介指标”，利用历史数据进行模型估计，通过处理的贷款不良率值代人式（２）就可以得到估计的综合指标Ｙ的估计值。
１， ２ ……Ｎ （３）
式（３）反映了Ｙ与宏观经济因素之间的传导关系。考虑经济变量之间与商业银行不良率之间可能存在协整关系，若对非平稳序列进行差分，用差分后的序列建模，但差分往往使数据中包含的长期调整信息丢失，忽略了变量水平之中包含的信息。本文对具有协整关系的序列算出误差修正项，并将误差修正项的滞后一期看作一个解释变量，连同其他反映短期波动关系的变量一起，从而能够反映这种短期波动向长期均衡稳定关系修正的机制，构建宏观经济因素Ｘ１、Ｘ２……Ｘｍ与银行贷款不良
ｔ＝ １， ２ ……Ｎ （１）
2010
总第２６１期
１１
November 率Ｙ的传导关系（３），在执行压力测试的时候，将压力情景下宏观经济变量值代入估计出的式（３）就可以得到压力情境下的Ｙ，代入式（２）就估计出了压力情境下银行系统不良率。
二、 构建宏观压力测试情景设置模型（一）变量平稳性检验
由于虚假回归问题的存在，所以在进行动态回归模型拟合时，必须先检验各序列的平稳性。本文用扩展的单位根检验法（ＡＤＦ）对数据进行平稳性检验，检验结果如表１所示，ＧＤＰ、ＣＰＩ、ＩＲ的ＡＤＦ序列在９５％的置信水平下都是非平稳的。进一步检验显示，上述三个序列的一阶差分序列，即ＤＧＤＰ、ＤＣＰＩ、ＤＩＲ至少在９５％的置信水平下都是平稳的。
（二）建立ＶＡＲ模型
由于三个变量都是一阶单整序列，可以建立ＶＡＲ模型。首先，需要确定ＶＡＲ模型的滞后阶数。参考赤池信息准则ＡＩＣ、施瓦茨准则ＳＣ，以及极大似然估计量，可以从统计意义上，确定模型的最优滞后阶数，结果如表２所示，从统计意义上，最优的滞后阶数为１阶。从经济意义上考虑，压力测试需要考虑银行在经济衰退情景下一年内每个季度的表现，因此将ＶＡＲ模型的滞后阶数设置为４阶。
滞后期数为４阶的ＶＡＲ模型估计结果如下：
（三）建立ＶＥＣＭ模型
在ＶＡＲ模型的基础上进行Ｊｏｈａｎｓｅｎ的多元协整检验，判断多元变量间是否存在协整关系。表３列出Ｊｏｈａｎｓｅｎ多元协整检验的临界值和似然比率。
由表３可知，在５％的显著水平下存在一个协整方程。协整方程为：
令误差修正项为：
ＶＥＣＭ模型估计结果为：
（四）Ｇｒａｎｇｅ因果关系检验
为了确定变量之间的相互关系，对变量进行Ｇｒａｎｇｅｒ因果检验。如表４所示，在５％的显著水平下，滞后阶数为１和２时，ＧＤＰ是ＣＰＩ、ＩＲ的Ｇｒａｎｇｅｒ成因，ＣＰＩ是ＩＲ的Ｇｒａｎｇｅｒ成因；滞后阶数为３时，ＧＤＰ是ＩＲ的Ｇｒａｎｇｅｒ成因。
（五）压力情景设置
将ＧＤＰ在三种不同程度（温和、严重，以及极端）的宏观
博 士 后 征 文
金融危机对我国实体经济的影响，２００８年第４季度我国商业银行不良率相比于２００８年第３季度有较为大幅度的下降。这段时期不良率与宏观因素之间的关系不反映它们长期均衡关系，另外我国利率还没有完全市场化。因此，选取２００５年第１季度和２００８年第３季度数据构建商业银行贷款不良率与ＧＤＰ，ＣＰＩ之间的协整关系：
对残差项进行单位根检验，Ｔ统计量ｐ值为０．０２说明残差项在９５％置信度是平稳的，说明上述协整关系成立。
（三） ＥＣＭ误差修正模型
上述分析已证明，不良率与ＧＤＰ和ＣＰＩ之间存在（１，１）阶协整关系，将回归方程的残差作为误差修正项，可建立的误差修
正模型。在建立误差修正模型之前，加入了哑变量，以反映金融危机期间外部政策的作用，误差修正模型形式如下：
经济衰退情景的取值，代入ＶＥＭＣ压力情景设置模型，即可确定ＣＰＩ和利率在相应宏观经济衰退情景下的取值。由于模型所基于的宏观因素数据为季度数据，因此，需要确定实际ＧＤＰ增长率在每个季度的施压路径。徐光林（２００８）假设宏观因素指标呈指数增长或下降，具体形式如下：
其中，Ｋ表示施压路径的总季度数，ｉ 的取值从１到Ｋ，ｂ为总冲击量。ａ 为待定参数，其计算公式为：
。计算出压
力情景下各季度ＧＤＰ取值，代入ＶＥＣＭ模型，获得压力情景下各季度其他宏观经济变量取值。
三、 构建宏观压力情景与银行不良率的传导机制（一）模型变量的单位根检验
在建立长期均衡模型之前，必须对各序列进行单位根检验，以判断各序列的平稳性，ＡＤＦ检验结果如下表所示，模型相关变量都是Ｉ（１）过程，即一阶单整的。
＊ 对于Ｙ而言，其０．０１和０．０５相应的临界值分别为－３．８３和－３．０３。
（二）协整检验
金融危机发生后，国家出台对应政策促进经济增长，减少
2010
总第２６１期１１
November
四、 结论与建议
理论上，在经济衰退时期，银行不良率会升高。但是，在
经济衰退时期，也可能出现其他因素，缓和银行不良率的上升。
缓和不良率上升的因素包括以下货币政策和财政政策两方面。
货币政策方面表现为在经济衰退期，国家往往会调低贷款利率，
加大货币供给量，这些政策使得银行不良率倾向于下降。如
２００８年金融危机的影响显现后，央行自２００８年９月以来９次调
整利率水平；财政政策方面表现为经济衰退期，国家加大财政
支出来促进经济增长，减少金融危机对我国实体经济的影响。
如这次金融危机背景下我国政府出台４万亿投资拉动内需、十
大产业调整振兴规划等政策。
因此，本文不仅分析理论压力情景下商业银行不良贷款率
的变化，也分析实际上国家采取应对政策进行调控下商业银行
不良率的变化，我们设计了三个压力情景：压力情景下国家保
持货币政策和财政政策不变；压力情景下国家保持货币政策不
变，但不采取应对的财政政策进行调控；压力情景下，政府应
对的采取货币政策和财政政策进行调控。
情景一：假定在经济衰退期，利率水平保持不变，政府不
采取类似于次债危机期间的管控手段（即将哑变量设置为０），
结果显示随着经济衰退程度的加强，银行不良贷款率升高的幅
度增大。
情形二：假定在经济衰退期，利率水平保持不变，政府采
取２００８年－２００９年金融危机时期的管控措施（即将哑变量设
置为１），结果显示随着经济衰退程度的加强，银行不良贷款率
的水平值不断上升。由于政府的管控措施，在经济衰退情景下，
不良率水平相比当前时点，出现下降。
情形三：假定在经济衰退期，政府相应地调低利率，在利
率下降作用下，银行不良率倾向于降低。结果显示随着经济衰
退程度的提高，银行不良贷款率水平值反而降低。其原因在于
假定政府在经济衰退期相应地调低利率，并且利率下调的幅度
随着经济衰退程度的提高也相应地增大。
通过以上压力情景分析发现中国的银行体系稳定性还有待
进一步加强，在面临假设的宏观经济冲击时，化解风险的能力
尚显不足。虽然我国经济依然保持稳定增长的态势，但是通过
构建压力情形可以有效评估我国银行体系稳定性，对防范和化
解银行体系系统性风险具有重要的现实意义。
作者简介：
杨晓奇 国家开发银行博士后工作站、清华大学
博士后流动站
博 士 后 征 文