基于VAR模型商业银行信用风险与经济周期关系实证研究.docVIP

基于VAR模型商业银行信用风险与经济周期关系实证研究 　　【摘要】本文以不良贷款率作为评估商业银行信用风险的指标，选取对银行不良贷款率构成冲击的反映经济周期的宏观经济变量构建VAR模型，进行脉冲响应和方差分解分析。结果显示，CPI、GDP增长率比M2增长率更显著地影响到商业银行的信用风险水平，影响呈现周期性；信用风险水平与GDP增长率的滞后变量呈负相关关系，与CPI的滞后变量呈正相关关系；数量关系方面GDP增长率增加1个百分点，不良贷款率约降低1.7个百分点。 　　【关键词】信用风险 经济周期 VAR模型 脉冲响应 方差分解 　　一、引言 　　信用风险（Credit Risk）是商业银行所面临的风险中最为重要的一类。近年来，伴随着我国经济的高速发展，银行业迅速扩张，信贷业务急剧膨胀，同时在全球一体化、金融管制放松和金融创新加快的背景之下，商业银行的信用风险管理面临着更加严峻的挑战。商业银行作为金融体系中的重要一环，其稳健性对整个金融体系至关重要。 　　商业银行的信用风险受到多种因素的影响。作为强周期性行业，商业银行受经济周期的影响较大，在经济扩张时期和经济萧条阶段，银行对未来经济走势预期的态度不同，而愿意承担的风险和信贷标准也不一，进而信贷规模的不同会是信用风险水平呈周期性波动。时滞效应可能会进一步增大信用风险管理的复杂性。因此加强信用风险水平与经济周期之间的关系研究，对于加强商业银行的风险调控、维持金融稳定进而促进国民经济健康高速发展具有重要的现实意义。 　　本文利用向量自回归模型（VAR）对我国商业银行与宏观经济变量进行动态分析，根据2004年到2012年的季度数据建立VAR模型，通过脉冲响应函数和方差分解技术分析主要宏观经济变量的冲击对我国商业银行信用风险水平影响的传递效应以及对信用风险水平的贡献程度。 　　二、理论分析 　　本文主要采用多维时间序列模型的最核心内容之一的向量自回归模型（Vector Autoregression，VAR）对我国商业银行信用风险水平与宏观经济变量的关系进行实证研究。 　　VAR模型的实质是考查多个变量之间的动态互动关系。考虑一组变量y1t，y2t，…，ynt，那??实际上每个变量都是一个时间序列变量。这样我们可以将这些变量定义在一个n维的向量Yt上，即定义一个n×1的向量时间序列： 　　Yt=y■y■ ■y■，t=1，2，…，T （3.1） 　　一个p阶的VAR模型，即VAR（p），定义为： 　　Yt=C+Φ1Yt-1+Φ2Yt-2+…+ΦpYt-p+εt （3.2） 　　其中，C表示n×1维常数向量；Φi（i=1，2，…，p）表示n×n维自回归系数矩阵；εt表示n×1维的向量白噪音，满足： 　　E（εt）=0 　　E（εtεt）=Ω （3.3） 　　E（εtεs）=0，对于s≠t 　　其中Ω表示n×n的对称正定矩阵。 　　可以看出VAR模型实际上刻画的是每个序列都对所有序列的滞后期，包括其自身的滞后期。本文即运用VAR模型将商业银行信用风险指标序列对包括其本身和宏观经济变量的所有序列的滞后期进行回归，以研究信用风险与宏观经济的动态关系。 　　三、实证分析 　　（一）样本数据选取 　　本文选取不良贷款率作为衡量商业银行信用风险的指标，即：商业银行体系的不良贷款率越高，其信用风险水平就越高。不良贷款率的数据来源于中国银监会网站的统计数据，笔者选取了2004年一季度到2012年二季度？譹？訛的商业银行不良贷款率？譺？訛p。根据《贷款质量评估指导原则》，中国的贷款按照五级分类法进行分类，不良贷款率=（次级+可疑+损失）/贷款总额。 　　宏观经济变量方面主要考虑三类指标。第一类，国民经济增长指标，以GDP增长率为代表；第二类，通货膨胀指标，以CPI为代表；第三类，金融市场指标，广义货币增长率M2为代表。选取三个指标的2004年至2012年的季度数据，样本容量为34。从2004年一季度到2012年二季度，中国宏观经济走势基本经历了一个经济周期。2007之前中国经济平稳高速增长，物价稳定，出现繁荣阶段；之后经历美国次贷危机引发的全球性的金融危机，货币当局采取积极的货币政策，松动银根，经济下行，2009年基本见底；之后经济回暖到2011年年底，基本达到危机前水平，但物价水平受危机中政策影响有走高势头。 　　（二）数据分析与处理 　　1.logit模型转换。参照相关研究，笔者将不良贷款率p通过logit模型转换为中介指标y，转换公式为： 　　y=ln■（3.1） 　　其中0 　　（三）实证分析 　　1.建立实证模型。在以上分析的基础之上，我们建立信用风险与宏观经济变量的无约束VAR模型。 　　Yt=ytRGDPtCPItMt，t=1，2，…，32