资产证券化与商业银行逆向选择问题_基于美国数据的实证研究_邓暄豪.doc
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《资产证券化与商业银行逆向选择问题_基于美国数据的实证研究_邓暄豪.doc》由会员分享,可在线阅读,更多相关《资产证券化与商业银行逆向选择问题_基于美国数据的实证研究_邓暄豪.doc(6页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、 邓暄豪 (江西财经大学国际学院,江西南昌 330013) 摘要 :选取 2009 2016 年美国银行控股公司的季度数据,采用面板向量自回归 ( PVAR)模型围绕 着美国信贷资产证券化与银行逆向选择问题展开了研究。研究结果显示,信贷资产证券化的正 交化新息对银行的资产质量、流动性水平以及资产收益波动性产生偏离理论预期的脉冲响应。 尽管在理论上信贷资产证券化有助于增强银行资产流动性、改善银行资产质量等,但商业银行 的动机扭曲反而导致逆向选择问题:即 意味着银行在利润最大化的激励机制下抵消了资产证券 化的积极作用。模型为研究结果提供了有力的支持,也为资产证券化与银行逆向选择问题提供 了来自 P
2、anel VAR 模型的独特解释。 关键词: 资产证券化 ;银行逆向选择 ;PVAR 文章编号: 1003-4625(2018)04-0089-06 中图分类号: F832.5 文献标识码: A _、文献回顾与述评 资产证券化起源于美国,经过数十年的发展逐 渐成为一种被广泛采用的金融创新工具。在 2007 2008 年发生的次贷危机使得关于资产证券 化的争议被推上了风口浪尖,国际学术 界也开始反 思资产证券化的风险和监管问题,这就引申出了信 贷资产证券化与银行业逆向选择问题的实证研究。 信贷资产证券化是指以信贷资产支持的现金流为担 保发行证券,借助资产池的结构性重组实现信贷资 产风险与所有权的
3、转移,其中信贷资产往往缺乏流 动性,且存在一定的违约概率夂在美国银行业中,信 贷资产证券化的主要作用在于: ( 1)转移风险,优化 资产结构; ( 2)提高银行资产流动性 ;( 3)提高资本充 足率; ( 4)降低融资成本。信贷资产证券化 对银行 风险的影响并不是单一的过程,证券化通过风险转 移与破产隔离剥离出银行 流动性较差的资产,优化 的资产结构使得商业银行风险水平明显下降。然 而,与此相对应的是,证券化缓解了商业银行的资本 要求和监管压力,反而扭曲了商业银行的动机,并借 助经营活动间接影响到风险水平,从而间接地增加 了整个金融系统的不稳定性。 学术界针对银行资产证券化的研究颇为充分和 深
4、人,其中欧美国家资本市场发达且证券化市场发 展趋于成熟,因此国际学术界基于发达国家的银行 资产证券化状况,在金融市场充分发展的基础上进 行了大量实证研究;而我国资产证券化处于起步阶 段且发展仍不成熟,故而国内学者通常以美国银行 业 资产证券化为研究对象进行经验分析。总而言 之,以往文献对银行资产证券化的研究大致有以下 三类: 第一类,银行资产证券化的监管问题。倪志凌 (2011)1” 提出资产证券化造成银行动机扭曲,资本监 管的措施并不能有效防范金融机构的个体风险,而 流动性监管措施更为有效。 Peicuti(2013f 讨论了资 产证券化与次贷危机,并指出资产证券化使得风险 发生了转移,这将
5、导致商业银行承担更高的风险,而 监管机构需要跟上金融创新的步伐。郭桂霞等 (2014)31建立两期模型,指出风险自留监管降低劣质 资产证券化的有效信 息含量而提高优质资产证券化 的信号成本,且银行的风险态度会影响风险自留监 管对于激励银行监督贷款的作用 。 Beccalli et al (2015 广考察了表外资产证券化对美国银行杠杆的 顺周期性作用,且研究结果支持巴塞尔委员会的观 点,即宏观审慎监管必须包括对有效杠杆的约束。 第二类,银行资产证券化的作用效果 。 ThacMen (2000)151探讨了资产证券化对于银行和金融市场之 收稿日期 :2018-01-13 作者简介 :邓暄豪 (1
6、998 ),男,江西宜春人,本科,研究方向 :资产证券化。 在本文中,信贷资 产支持证券指的是银行资产负债表以外的 managed securitized assetse 2018 年第 4 期 (总第 465 期) 金融理论与实践 证券市场 间的流动性创造过程 ,指出资产支持证券等市场化 的产品并不会威胁到银行的基本业务 。 Loutskina (2011 广提出 “ 银行贷款组合流动性 ” 指数的概念,指 明资产证券化削弱了货币当局对银行贷款活动的影 响能力,但在证券化市场出现问题时银行更容易出 现流动性和资金危机。姚禄仕等 (2012)7基于美国 银行业面板数据进行研究,研究结果表明,资
7、产证券 化能提升银行的资本充足率、降低融资成本、增强盈 利能力与效率、优化贷款组合构成,但是在降低流动 性风险和提升贷款组合质量方面的效果并不明显。 第三类,银行资产证券化行为和动机 。 Benston (1992fH 寸论了资产证券化的前景以及对于银行的 利弊,指出银行资产证券化的动机在于满足资本要 求,在这种情况下,银行有必要降低其信用风险与利 率风险。刘吕科等 (2013)9提出在买方市场,不同流 动性约束下的银行根据相对优势分享投资机会,道 德风险的水平 较低 ;而在卖方市场,银行存在策略性 资产证券化的激励,道德风险问题较严重。陈忠阳 和李丽君 (2016)基于美国银行业数据研究银行
8、的 逆向选择问题,研究结果表明,中小银行更倾向于选 择低质贷款进行证券化,大型银行则并未出现显著 的逆向选择问题。 学术界对于信贷资产证券化与银行财务状况的 研究已颇为成熟 ,但研究结果却出现了较大的分歧, 这主要有以下原因:其一,在金融计量研究中,传统 的回归方法只能分析出常规意义上的统计关系,而 没有分析银行资产证券化对银行财务状况的动态冲 击,且国内外已有研究均存在着互相矛盾 的观点 ;其 二,格兰杰因果检验通常只能揭示事件发生的先后 顺序,并不是客观存在的因果关系的有力证据。针 对以往文献的不足,本文选取美国银行控股公司的 面板数据,研究资产证券化造成商业银行逆向选择 问题的根源,并在
9、此基础上提出相应的监管措施。 二、数据和描述性统计 为了研究信贷资产证券化与美国银行逆向选择 问题 ,本文采用美国 CAMEL 体系(骆驼银行评价体 系)中的资本充足性 (Capital Adequacy)、资产质量 (Asset Quality)、管理水平 (Management)、盈利状况 (Earnings)和流动性 (Liquidity)等五大类指标作为衡 量商业银行财务状况的指标,数据则来源于 Banks- cope 全球银行与金融机构分析库。考虑到次贷危机 带来的非平稳冲击,本文将研究的时间范围确定在 次贷危机后,经过初步筛选得到 331 家美国银行控 股公司 2009 2016
10、年的季度数据,共计 32 个季度。 通过数据库直接获取或间接计算的财务指标在 表1 中进行了统计描述 ,并在表 2 中给出了各变量的 相关系数矩阵,而 PVAR 模型的变量系统则是由资 产证券化比率 以及来自于 CAMEL 体系的 5 个财务 指标所构成: (1) 核心资本充足率。核心资本充足率又称一 级资本充足率 ,指的是巴塞尔协议体系下的核心 资本与加权风险资产总额的比值,反映银行的资本 充足水平。 (2) 净冲销比率。净冲销比率即净冲销坏账与 平均应收账款的比值,反映银行的运营能力或坏账 情况,即银行的资产质量。 (3) 净利息收益率。 净利息收益率即银行利息 净收入与平均资产的比值 ,
11、反映银行的盈利能力,商 业银行利润的主要来源即为利息收入。 (4) 流动性比率。流动性比率即流动资产与流 动负债的比值,可以衡量银行的短期偿债能力。流 动性是短期内银行运 营的关键因素,若短期内流动 性不足,则一般通过同业拆借补充流动性,同时支付 拆借利息。 (5) 季度资产收益波动率。银行季度资产收益 波动率为季度资产收益率的样本标准差,可以直接 反映银行风险水平的变动情况,其计算公式为 vola- tility= ,其中 r 代表季度资产收益率。 表 1 主要财务指标的描述性统计 类别 财务指标 均值 标准差 最小值 最大值 资本充足性 核心资本充足率 (Tier) 13.73 3.45
12、5.43 39.66 资产质量 净冲销比率 (NC0) 0.50 0.87 -2.33 20.77 盈利状况 净利息收益率 (NIM) 3.69 0.70 -9.91 16.97 流动性水平 流动性比率 (Liquid) 7.23 6.07 0.39 66.15 资产收益波动 资产收益波动率 (Vol) 0.24 0.72 0.00 20.56 资产证券化 资产证券化比率 (Absrate) 0.22 0.26 0.00 2.73 表 2 主要财务指标的相关系数 Tier NCO NIM Liquid Vol Absrate Tier LOO NC0 -0.16* 1.00 NIM -0.04
13、* 0.22* 1.00 Liquid 0.20* 0.04* -0.04* 1.00 Vol -0.05* 0.37* 0.10* 0.03* 1.00 Absrate -0.10* 0.12* 0.06* 0.07* 0.03* 1.00 1 计算公式为信贷资产证券化规模 /银行总资产。 2 由于银行管理层的管理能力难以定量分析,故而在本文中不作探讨。 金融理论与实践 90 2018 年第 4 期 (总第 465 期 ) 资产证券化与商业银行逆向选择问题 :基于美国数据的实证研究 三、基于美国银行业面板数据的实证分析 (一)基准模型及分析 本文采用面板向量自回归 (PVAR)模型对美国 银
14、行业面板数据进行研究。面板向量自回归模型结 合了面板模型以及向量自回归 (VAR)模型的优势,而 VAR模型最初由诺贝尔奖获得者 SimS(198 yni提出, 其后 Holtz-Eakin et al (1988)12在 VAR 模型的基础上 提出了 Panel VAR 模型 .。 Arellano & Bover(1995)1131 提 出前向均值差分法 (Helmert procedure)去除固定效 果,从而避免个体异质性对模型估计造成偏差; Love & Zicchino (2006)|14在此基础上进彳了了深人研 究,采用 GMM 方法得到参数的一致估计量,并使用 组内均值差分法去
15、除时间效果 ;连玉君 (2009)15在以 往研究的基础上对 PVAR 模型进行了总结和完善, 归纳出 PVAR模型的完整估计方法。更确切地说, 自回归模型不基于任何经济理论,因此一般来说不 分析一种变量对另一种变量的影响,而是分析误差 (或冲击 )对整个系统的影响,即脉冲响应函数方法; 其次还可以考察误差变化的重要程度,即方差分解 方法为衡量信贷资产证券化对银行财务状况的冲 击并通过方差分解考察误差变化的重要性 ,本文建 立如下 Panel VAR 模型: P yi,= a, + 7, + P + XPJ + E. J = 1 其中, yu 表疋以财务指标 (financial ratio)
16、构成的 向量 (FRk, Absratef, 其中 FRk 代表被解释变量中的各 个财务指标 ,Absrate 代表信贷资产证券化比率, p 代 表滞后期数,和 7,则分别代表固定效应和时间效 应。本文基于连玉君的 PVAR2 程序对模型的参数 进行估计,在此之前需要确定滞后期数 ;L ii tkepohl (1991)|16建议选取砰作为最大滞后阶数并得到广 泛应用,故而对模型选择最大滞后阶数 P=3 进行信 息准则测试,包含 AIC, BIC 以及 HQIC 信息准则的测 试结果如表 3 所示。根据三种信息准则的测试结 果,建议最优滞后阶数选取为 3。 表 3 面板 VAR 滞后阶数选择准
17、则 滞后阶数 AIC BIC HQIC 1 9.33386 10.8006 9.83053 2 8.03455 9.57165 8.55591 3 7.1019* 8.71382* 7.64959* 注: *表示 AIC、 BIC 及 HQIC 等信息准则确定的 最优滞后阶数 (二) 平稳性检验及 GMM 估计 由于非平稳数据可能带来严重的伪回归问题, 在对模型进行估计之前,本文对数据的平稳性进行 2018 年第 4 期 (总第 465 期) 91 IPS 单位根检验(见表 4)。采用上文提出的最大滞 后阶数为 3,并使用赤池信息准则 (AIC )确定滞后阶 数进行单位根检验,结 果表明各财务
18、变量具有平稳 性的特征。 表 4 IPS 单位根检验结果 变量 平均滞后 阶数 (AIC) W-t-bar p 值 平稳性 Tier 0.63 -5.0246 0.0000 1(0) NC0 1.49 -39.8430 0.0000 1(0) NIM 0.63 -21.6458 0.0000 1(0) Liquid 0.90 -29.7468 0.0000 1(0) Vol 1.23 -53.8358 0.0000 1(0) Absrate 0.94 -5.1174 0.0000 1(0) 单位根检验只说明了各财务变量的平稳性,而 对模型的稳定性检验则通过单位圆检验实现 。 AR roots
19、table 主要用于衡量 VAR 模型的稳定性,根据图 1 的单位圆检验,显然其特征多项式的根的倒数模 都落在单位圆以内,进一步说明了模型的稳定性。 图 1 PVAR 模型的单位圆检验 参照连玉君(2009) 归纳总结的方法,本文采用 组内均值差分法去除时间效应,采用前向均 值差分 法去除固定效应。表 5基于广义矩估计 (GMM)汇报 了 PVAR 模型的参数估计结果,然而向量自回归模 型的系数和显著性并没有经济意义,故而需要脉冲 响应和方差分解做出进一步的分析和推断。 (三) 脉冲响应及方差分解 脉冲响应函数 (IRF)所描述的是响应变量对于 误差(或冲击)的长期反应,在本文中即为信贷资产
20、证券化对银行财务状况的冲击。Kilian(2001)171提 出,过高的阶数导致脉冲响应函数估计精度下降,而 过低的阶数使得模型的真实性下降,容易导致谬误 的统计推断 ;故而本文选取 AIC, BIC & HQIC估计的 3 阶滞后进行脉冲响应分析较为适宜。基于脉冲响 应函数的 Cholesky 分解方法需要对变量的排序做出 金融理论与实践 证券市场 限制 ,故而本文对变量系统执行格兰杰因果检验,以 取得 PVAR 系统排序的必要条件,如表 6 所示。进一 步地,张少华 (2010 广 1 提出在变量系统中排序靠前的 变量具有更强的外生性,而排序靠后的变量具有更 强的内生性。根据格兰杰因果检验
21、的联合显著性可 以推断,核心资本充足率、净冲销比率以及流动性比 率更具有内生性,而净利 息收益率、资产证券化率和 资产收益波动率更具有外生性,结合整个格兰杰因 果关系可以确定 PVAR 模型的变量系统排序为 (NIM, Absrate,Vol, Tier, NCO, Liquid)。 表 5 PVAR 模型的 GMM 估计 NIM Absrate Vol Tier NCO Liquid NIM 丨-丨 0.345* (0.0699) 0.0002 (0.0026) 0.0321 (0.0266) 0.107* 林 (0.0365) 0.207* (0.0563) 0.242* (0.142)
22、Absrate 丨1 0.454 (0.440) 0.712* (0.0860) -0.584 (0.423) 0.461 (0.443) 1.646* (0.679) 0.891 (2.371) 佩 , -0.0084 (0.0216) -6.03e-05 (0.0007) 0.612* (0.0803) 0.0018 (0.0203) -0.0606* (0.0314) -0.0310 (0.0719) Tier,_i 0.0278 (0.0199) 0.0014 (0.0009) 0.0331* (0.0201) 0.902* (0.0548) 0.100* (0.0230) 0.304
23、 愼 (0.0931) NC0,_, 0.0122 (0.0140) -1.21e-05 (0.0008) 0.185* (0.0313) 0.0052 (0.0235) 0.331* (0.0430) 0.166* (0.0591) Liquid 丨 -i 0.0114* (0.0065) 0.0005* (0.0003) 0.0072* (0.0032) 0.0109* (0.0047) 0.0047 (0.0038) 0.527* (0.0218) NIM.2 0.255* (0.0617) 0.0027 (0.0019) -0.0209 (0.0215) 0.0673* (0.0308
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 资产 证券 商业银行 逆向 选择 问题 基于 美国 数据 实证 研究 邓暄豪
![提示](https://www.taowenge.com/images/bang_tan.gif)
限制150内