融资流动性对商业银行贷款风险的影响
电力、水利等行业一直具有良好的偿还贷款能力，基本小于1%，卫生、租赁、房地产等行业增长趋势较明显，不良贷款率逐渐大于1%，文化、建筑、居民服务行业趋向于在2%和3%之间波动，采矿、制造、批发和住宿行业基本保持较高的增长率，主要在4%和5%之间波动，农、林、牧、渔业增长幅度最为明显，二〇一九年成为不良贷款率最高的行业。
而且在数量上远超其他行业，一直在银行不良贷款总额中占据主要位置。农、林、牧、渔业是接下来增长趋势最为明显的行业，数量接近2000亿元。其余行业均长期保持在1000亿元以下。因此本文通过模拟商业银行贷款组合，进而估计商业银行贷款风险。假设银行每笔贷款之间风险不相关，均规定借款人需要在五年之内还清贷款，并于年末以5%的年利率付息。
在第五年末需要偿还贷款本金。其中贷款额度是参考了不同信用级别所含行业的不良贷款余额除以不良贷款率所得结果之间的大小比较决定的。本文用标准普尔公司公布的信用迁移矩阵和J·PMorgan公司给出的远期利率曲线来评估商业银行为不同信用级别的行业提供贷款时，在贷款到期前每年年末由于贷款行业信用级别发生转移可能会给银行带来的风险。
借款人的还款能力发生变化的概率，如信用等级为BB级的借款人在第一年末转变为AA级的可能性为的0.14%。本文对于计算贷款在第二年至第四年末信用转移的概率，参照龙海明等人的方法，那么会形成一个标准的马尔科夫过程。
那么第二年借款人信用迁移的概率可由两个相同的概率矩阵相乘得出，以此类推可分别得到借款人第一年至第四年的信用迁移概率矩阵，本文用RN表示融资流动性与商业银行贷款风险评估借款人第N年的信用迁移概率矩阵。在得知信用转移概率和利率期限结构后可计算贷款到期前每年年末由于信用级别发生转移给银行带来的损失，因此本文计算中只考虑信用级别发生下降的情况。
计算出每年年末各级贷款由于信用级别下降导致贷款内在价值减少给银行贷款带来的未违约损失。每笔贷款的违约损失是由LGD、违约率和违约风险暴露相乘得到，主要计算了银行贷款面临违约时无法回收的部分的价值。其中不同信用级别贷款在第N年违约的概率由标准普尔公司公布的信用迁移矩阵给出。
当各级贷款在N年违约时，违约风险暴露为贷款在第N年的未违约时信用级别转移概率与相应价值的加权平均值减去已收利息后的结果。对于LGD的分布情况，由杨军等人、陈荣达等人、吴建华等人对LGD分布特征的分析可知，国内银行贷款LGD实际偏向于不对称性分布，而且呈双峰U型，银行不良贷款的实际LGD更多地分布在[0.05,0.15]和[0.85,0.95]两个区间。
目前大部分文献在估算银行贷款风险时将LGD设为统一值，这样的计算方法与实际不符，因此本文在参照相关文献对LGD分布的统计情况的基础上假设每笔银行贷款的违约损失率均服从双峰U型分布，描述了不同贷款违约损失率范围中包含的贷款笔数。
对于具体每笔贷款的违约损失可由各级贷款的违约风险暴露除以相应笔数后乘以相应的违约概率和违约损失率得到。在得到所有贷款第一年到第四年的违约损失后，通过与未违约损失相加即可得到第一年到第四年年末贷款损失的具体分布情况。
本文在假设LGD服从双峰U型分布的前提下，银行贷款违约损失的实际分布将同样具备非正态性。因此在分析融资流动性对银行贷款损失影响时如果用一般的均值回归模型分析，因变量非正态分布的特征会使均值回归的结果无法准确度量变量之间的关系。
即在银行贷款预期损失的不同值域上，融资流动性对银行贷款预期损失的影响效果可能存在结构上的变动，使得融资流动性对银行贷款预期损失影响刻画的准确性降低。另外，OLS回归中变量的极端值会影响模拟准确度，回归结果难免出现偏误。因此，在银行贷款损失分布不具备正态分布特征时，运用分位数回归法研究融资流动性对它的影响可以有效弥补上述缺陷。
分位数回归扩大了可分析的范围，能够考虑到不同分位点上变量之间的影响，可以有效捕捉因变量分布的双峰特征。而且分位数回归不需要对数据分布做过多的假设，因此即使数据中出现极大值或极小值，仍然不影响回归结果的准确性。说明分位数回归结果相比均值回归结果更不易受数据本身的影响，真正做到了更加准确全面地刻画变量之间的关系。
下面首先对分位数回归的原理进行简单介绍，然后通过构建分位数回归模型分析融资流动性与银行贷款风险之间的关系。同业融资利率对银行贷款风险的影响在0.55、0.70和0.75分位数上，即中间的分布上效果更显著。当同业融资利率增加时，银行贷款风险会分别降低54.2、7.7和3.8个百分点。
尤其是在中间分布，同业融资利率对银行贷款风险的影响程度最大，说明同业融资利率很大程度上决定了银行贷款风险的中位数。这可能是因为同业融资利率与同业拆借利率挂钩，更好地反映了银行对流动性需求的变动。当银行向其他类似的金融机构融资需要支付更多利息时意味着其他银行对流动性需求增加，银行想要保持流动性水平充足时需要支付的利率增加。
为了避免由于流动性不足带来的风险，银行会缩减贷款规模，减少资金流出。随着分位数增加，负效应逐渐减少，说明同业融资利率的增加对银行贷款风险的约束效应具有不确定性，在利率市场化等因素的影响下银行可能为了获得利润向高风险高收益项目发放贷款，从而增加了银行贷款风险。
与第1年回归结果相比，第2年末的存款融资利率在分布的右尾部分对银行贷款风险的影响效果更显著。不同的是，影响从负效应转变为正效应，在0.75和0.80分位数上，存款融资利率的增加分别导致银行贷款风险上升0.4和0.5个百分点。
这可能是因为存款利息支付的增加使得银行为了获得利润向金融市场投资，刺激存贷款客户的市场需求，导致银行存款客户减少，贷款客户增加。利率市场化同样可能由于增加银行融资利率的波动性，使得银行管理贷款资产时需要花费更多的成本，利率波动性增加不利于借款人还款能力的稳定，对银行贷款风险有不利影响。
信用级别对银行贷款风险的影响效果同样显著，AA级别的贷款使得银行贷款风险下降31个左右的百分点，说明贷款人信用级别上升有助于降低银行贷款风险。而且OLS回归结果与分位数回归相比明显低估了贷款人信用级别对银行贷款风险的影响，系数只有16.7个百分点，约为分位数回归结果的一半。第2年末同业融资利率的回归结果均不显著，只是结果显著的分位数不同，因此本文不再多做表述。
第4年末两种融资利率的回归结果同样显示0LS回归不显著，但在部分分位数上显示存款融资利率、同业融资利率和贷款人信用级别对银行贷款风险存在显著影响。通过对全部回归结果进行总结分析可以发现，分布的左尾和右尾部分回归结果均不显著，这可能与LGD的双峰分布导致银行贷款风险分布两端出现极值有关，导致其无法被现有自变量很好地解释，极值的出现可能与非预期事件有关。
而且所有回归结果均显示除信用级别外的控制变量系数不显著不为零，说明控制变量的选择可能更倾向于选择与每笔贷款本身更加相关的数据，如贷款是否有保证、抵押等，但由于本文在模拟的基础上进行分析，因此无法获取更多数据。
上一篇
