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

24、) 0.163* (0.0454) 0.214* (0.114) Absrate 丨 _2 0.667 (0.444) 0.147* (0.0726) 0.267 (0.299) -0.339 (0.220) 0.332 (0.407) -2.629 (1.658) VolL2 -0.0034 (0.0282) 7.65e-05 (0.0007) -0.315* (0.0566) -0.0380 (0.0233) -0.0045 (0.0434) -0.0787 (0.0623) Tier,-2 0.0084 (0.0154) -0.0005 (0.0007) -0.0249 (0.0183)

25、 0.0587* (0.0222) 0.0063 (0.0275) -0.0423 (0.0641) NCOt_2 0.0240* (0.0122) 0.0004 (0.0005) -0.112* (0.0230) 0.0486* (0.0169) 0.171 術 (0.0273) 0.0997* (0.0511) Liquid 卜 2 -0.0042 (0.004) -0.0004* (0.0002) -0.0027 (0.0024) -0.0034 (0.0039) -0.0068* (0.0037) 0.136* (0.0181) NIM 丨 _3 0.201* (0.0487) -0.

26、0007 (0.0019) 0.0189 (0.0175) 0.0157 (0.0271) 0.0941* (0.0362) 0.256* (0.131) Absratet-3 -0.804* (0.399) 0.0345 (0.0397) -0.0366 (0.237) 0.0583 (0.233) -1.044* (0.366) -0.129 (1.266) Vol, -0.0212 (0.0442) -0.0004 (0.0005) 0.150* (0.0369) 0.0238 (0.0168) 0.0371 (0.0250) 0.121* (0.0538) Tier 丨 -3 0.01

27、66 (0.0126) 0.00100 (0.0007) 0.0177* (0.0107) 0.0097 (0.0173) -0.0274 (0.0294) 0.0095 (0.0522) NC0.3 0.0180 (0.0130) 0.0011* (0.0005) 0.0318 (0.0196) 0.0265 (0.0170) 0.103* (0.0256) 0.0632 (0.0462) Liquids -0.0036 (0.0032) -4.75e-05 (0.0003) -0.0029 (0.0020) 0.0008 (0.0033) -0.0022 (0.0032) 0.128* (

28、0.0171) obs 9,268 9,268 9,268 9,268 9,268 9,268 注：括号内为标准差 ， *、 *、 *分别表示 1%、 5% 金融理论与实践 和 10%的显著性水平 本文通过 1000次蒙特卡洛模拟获得主要变量 的脉冲响应图像进行分析，如图 2 所示，其中上下两 侧的曲线表示 95%的置信区间，水平 虚线则表示零 轴；仅当置信区间整体位于零轴上方 (或零轴下方 ） 时，脉冲响应结果才具有显著性。基于脉冲响应函 数的结果，本文详细讨论信贷资产证券化的正交化 新息 (innOTation)对银行财务状况造成的动态影响。 表 6 PVAR 模型变量系统的格兰杰因果检验

29、 Equation Excluded X2 df P-value Equation Excluded X2 df P-value NIM Absrate 4.5002 3 0.212 Tier NIM 12.125 3 0.007 NIM Vol 2.2081 3 0.530 Tier Absrate 3.5452 3 0.315 NIM Tier 7.8416 3 0.049 Tier Vol 3.5019 3 0.321 NIM NCO 7.821 3 0.050 Tier NCO 8.2488 3 0.041 NIM Liquid 3.758 3 0.289 Tier Liquid 5.

30、9214 3 0.115 NIM All 22.417 15 0.097 Tier All 45.965 15 0.000 Absrate NIM 2.3263 3 0.508 NCO NIM 58.198 3 0.000 Absrate Vol 0.51141 3 0.916 NCO Absrate 8.9208 3 0.030 Absrate Tier 4.8571 3 0.183 NCO Vol 5.8643 3 0.118 Absrate NCO 6.8909 3 0.075 NCO Tier 19.729 3 0.000 Absrate Liquid 8.3432 3 0.039 N

31、CO Liquid 5.7894 3 0.122 Absrate All 25.089 15 0.049 NCO All 84.802 15 0.000 Vol NIM 5.0169 3 0.171 Liquid NIM 9.6618 3 0.022 Vol Absrate 3.4198 3 0.331 Liquid Absrate 9.9328 3 0.019 Vol Tier 6.0801 3 0.108 Liquid Vol 7.4137 3 0.060 Vol NCO 71.347 3 0.000 Liquid Tier 10.786 3 0.013 Vol Liquid 5.9182

32、 3 0.116 Liquid NCO 18.539 3 0.000 Vol All 119.67 15 0.000 Liquid All 62.296 15 0.000 图 2 PVAR 模型的脉冲响应函数图 首先，从资本充足率来看，若资产证券化比率受 到单位标准差的冲击，则核心资本充足率 (Tier)的 响应随时间的推移而逐渐增强，且这种脉冲响应显 著。实际上，资产证券化过程将商业银行的信贷资 92 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 产的违约风险转移，风险资产的比例减少将导致核 心资本充足率的提高，这也与脉冲响应函数

33、的结果 基本上相符。 其次，在资产质量方面，若资产证券化比率受到 单位标准差的冲击 ,则净冲销比率 (NCO)的脉冲响应 随时间推移而逐渐增强，且置信区间也显示这种冲 击是显著的。然而，净 冲销比率反映的是商业银行 的坏账冲销率，坏账冲销率的提高表明银行贷款的 违约率上升，即银行资产质量下降。理论上 ,资产证 券化过程使得商业银行的风险资产比率下降，而实 证研究结果却表明资产质量反而下降，这表明商业 银行在证券化的背景下摆脱了一定程度的资本监管 压力，在利润最大化的动机下降低了贷款门槛，由此 抵消了资产证券化所带来的积极效应。 此外，从银行盈利能力来看，若资产证券化比率 受到单位标准差的冲击

34、,净利息收益率 (NIM)的脉冲 响应在第 2-3 期产生轻微的回调，此后随时间的推 移而不断增强，且这种脉冲响 应也表现为显著。实 际上，资产证券化比率的升高有助于银行减轻资本 监管压力，从而充分利用风险资产下降的机会并降 低贷款标准发放超额贷款，正是这种转移风险的机 制使得商业银行得以赚取超额利润，给金融系统带 来负的外部性冲击。 而从流动性水平以及资产收益波动来看，若资 产证券化比率受到单位标准差的冲击，流动性比率 (Liquid)和资产收益波动率 (Vol)的脉冲响应并不显 著。 1 论上，资产证券化比率的升高有助于缓解银 行的资本压力并显著提高流动性，而风险资产比例 的降低也将显著降

35、低资产收益波动率。故而，脉冲 响应函数也再次说明了商业银行的逆向选择问题， 即商业银行在利润最大化的动机下利用资本监管的 漏洞充分赚取利润，并给金融市场带来负面影响 总体上，本文的脉冲响应结果与姚禄仕等 (2012)m 的研究结果较为一致，即信贷资产证券化对于商业 银行资本充足率的提升、融资成本的降低以及增强 盈利方面效果显著，但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。 J neS(2004)|W1则 提出监管资本套利的概念，即通过信贷资产证券化 等金融创新方式在很少或不减少商业银行总体经济 风险的前提下，大幅减少商业银行 的监管资本要求 的过程，这符合本文的基本推论。此外，

36、Chava & Purnanandam(2011)在资产质量方面也提出与本文 相似的结论，即商业银行进行信贷资产证券化，能够 获取一 定的资本流动性，从而减少对借款人的筛选， 导致发行过量的低质量抵押贷款，使得抵押贷款违 2 18年第 4 期 (总第 465期） 约率提高，由此引发的风险承担行为显著地促进了 抵押贷款危机的形成。 方差分解反映误差变化的重要程度，即对内生 变量预测的误差变异数中，每一个正交单位冲击的 贡献比例。根据图 3 的方差分解，在施加冲击的 20 期内，资产证券化对核心资本充足率以及净利息收 益率的方差贡献度长期内均达到 24%左右，而对其 余财务指标的方差贡献度则较为微

37、弱。此外，资产 证券化对自身的方差贡献度长期内维持在 50%以 上，这表明商业银行资产证券化存在着正反馈效 应。由此可见，资产证券化是导致核心资本充足率 以及净利息收益率增加的主要原因。 图 3 PVAR 模型的方差分解 四、结论及启示 在次贷危机前夕，证券化产品 (包括资产支持证 券和抵押贷款支持证券）的流通量大约是美国债券 市场规模的 38.6%,资产证券化也被认为是导致次 贷危机的重 要原因。尽管从理论上来看，信贷资产 证券化有助于提高流动性 ,改善资本结构，增强银行 盈利能力并降低商业银行风险水平 ;然而本文的实 证研究结果显示，银行信贷资产证券化的效果并不 与理论预期完全一致。美国商

38、业银行资产证券化并 不能实现理论预期的转移风险等效果，相反地，在利 润最大化的动机下，商业银行将具有一定违约概率 的信贷资产从资产负债表中剔除，在一定程度上摆 脱了巴塞尔协议的资本监管限制，并发放超额贷款 赚取超额利润，进而抵消甚至逆转了转移风险的效 果。脉冲响应分析也说明当资产证券化比率受到单 位标准差的冲 击时，银行的资产质量显著下降，而流 动性水平以及资产收益波动性的响应均不显著 a由 此可见 ,巴塞尔协议 n的资本监管和风险监管要 求已不能有效约束商业银行的动机扭曲。 资产证券化的破产隔离使得商业银行规避了资 本监管 ,而本文基于美国银行控股公司的季度面板 93 金融理论与实践 证券市

39、场 数据，采用 PVAR 模型进 行实证研究，并通过脉冲响 应函数分析了银行逆向选择问题的作用机制，有助 于为更深层次的监管措施提供政策建议。本文的研 究结果为商业银行资产证券化的监管提供了以下启 示 :商业银行的资产证券化存在着逆向选择问题，商 业银行的信贷资产证券化在理论上转移了流动性较 差的信贷资产 ,但利润最大化的目标驱使着商业银 行过度从事经营活动，故而给金融系统带来负的外 部性效应。同时 ,在本文的研究期限内，巴塞尔协 议 I仍未全面生效，因此新增的风险监管和流动性 监管要求的监管力度较弱，作用仍不显著，监管部门 有必要在巴塞尔协 议 m 的基础上加强风险监管和 流动性监管，防范银

40、行风险对金融系统的冲击。此 外，在银行利润最大化的激励下，银行的资产质量显 著下降，为了防范资产证券化对商业银行带来的负 面影响，有必要实施更严格的资本监管，严格控制银 行贷款发放标准，进而降低银行的不良贷款率。在 2014 年 10 月，多德 -弗兰克华尔街改革和消费者保 护法案提出风险自留 5%的证券化监管要求，但这 种监管并没有取得实质性的效果，没有从根本上解 决商业银行的逆向选择问题。本质上，商业银行的 逆向选择问题源于信贷资产证券化，因此更严格的 监管是对 银行资产证券化的规模加以限制，完善相 关的监管制度；证券化规模的监管有助于控制商业 银行的动机扭曲，并有效防止银行过度利用资产证

41、 券化所带来的监管漏洞。 参考文献： 倪志凌 .动机扭曲和资产证券化的微观审慎 监管：基于美国数据的实证研究 J.国际金融研究， 2011(8)：75-87, Cristina Peicuti. Securitization and the subprime Mortgage Crisis J. Journal of Post Keynesian Economics, 2013, 35(3):443-456. 郭桂霞，巫和懋，魏旭，王勇 .银行资产证券化 的风险自留监管：作用机制和福利效果 J.经济学 (季刊）， 2014(3):887-916. Beccalli E, Boitani A,

42、Giuliantonio S D. Leverage Pro- cyclicality and Securitization in US Banking J. Journal of Financial Intermediation, 2015, 24(2): 200-230. Thadden E L V. Liquidity Creation through Banks and Markets: A Theoretical Perspective on Securitization J. Economic Notes, 2000, 29(3):375-391. Loutskina E. The

43、 Role of Securitization in Bank Liquidity and Funding Management J. Journal of Fi- 金融理论与实践 94 nancial Economics, 2011, 100(3):663-684. 姚禄仕，王璇，宁霄 .银行信贷资产证券化效 应的实证研究：基于美国银行业的面板数据 J.国际 金融研究， 2012(9) :71-78. Benston G J. The Future of Asset Securitization: The Benefits and Costs of Breaking Up the Bank

44、J. Journal of Applied Corporate Finance, 1992, 5(1):71- 82. 刘吕科，张定胜，邹恒甫 .证券价格、资产证券 化和道德风险：一个理论模型 J.世界经济文汇， 2013(1)：1-14. 陈忠阳，李丽君 .资产证券化中存在逆向选 择吗？ 基于美国银行层面数据的实证分析 J. 国际金融研究， 2016(2) :66-74. llJSims C A. Macroeconomics and RealityJ. Econometrica, 1980, 48(1): 1-48. Holtz-Eakin D, Newey W, Rosen H S. E

45、stimating Vector Autoregressions with Panel DataJ. Econometrica, 1988, 56(6): 1371-1395. Arellano M, Bover 0. Another Look at the Instrumental Variable Estimation of Error- components ModelsJ. Journal of Econometrics, 1995, 68(1):29-51. Love I, Zicchino L. Financial Development and Dynamic Investmen

46、t Behavior: Evidence from Panel VARJ. Quarterly Review of Economics & Finance, 2006,46(2):190-210. 连玉君 .中国上市公司投资效率研究 M.北 京：经济管理出版社， 2009. L li tkepohl H. Introduction to Multiple Time Series AnalysisM. Springer Berlin Heidelberg, 1991. Kilian L. Impulse Response Analysis in Vector Autoregressions wi

47、th Unknown Lag OrderJ. Journal of Forecasting, 2001, 20(3): 161-179. 张少华 .财政支出对实际汇率的冲击效应研 究：基于 OECD 国家的 PVAR 估计 J.国际金融研究， 2010(ll)： ll-19. Jones D. Emerging Problems with the Basel Capital Accord: Regulatory Capital Arbitrage and Related IssuesJ. Journal of Banking & Finance, 2004, 24 (l):35-58. Chava S, Purnanandam A. The Effect of Banking Crisis on Bank-dependent BorrowersfJ. Journal of Financial Economics, 2011, 99(1): 116-135. (责任编辑： 王淑云 ） 2018 年第 4 期 (总第 465 期）