發布時間：2020-04-22所屬分類：經濟論文瀏覽：1次
摘 要： 【摘要】本文以銀行間資產證券化市場為例，用sv模擬的方法進行波動分析，并在此基礎上進一步采用馬爾科夫區制轉移模型進行變動特征研究，以期初步刻畫資產證券化市場的風險狀況并提出相關建議。 【關鍵詞】證券化市場SV模擬MSIH-VAR模型風險度置 一、引言 近
【摘要】本文以銀行間資產證券化市場為例，用sv模擬的方法進行波動分析，并在此基礎上進一步采用馬爾科夫區制轉移模型進行變動特征研究，以期初步刻畫資產證券化市場的風險狀況并提出相關建議。
【關鍵詞】證券化市場SV模擬MSIH-VAR模型風險度置
一、引言
近年來，資產證券化市場進入了快速發展通道，2018年資產證券化產品發行量已突破兩萬億元，五年復合增長率43%。但是資產證券化市場三萬多億元的市場存量與近百萬億元的債券市場規模相比，仍然有巨大的發展空間。加之近期監管改革、市場整頓，非標資產投資逐步萎縮，都為資產證券化這一標準產品市場提供了良好的發展環境。因此，做好資產證券化市場的風險解析，完善市場建設尤為重要。本文試圖以銀行間資產證券化市場為例，用SV模擬的方法進行波動分析，并在此基礎上進一步采用馬爾科夫區制轉移模型進行變動特征研究，進行資產證券化市場的風險的識別與度量，并試圖找到影響資產證券化市場波動的原因，并提出相關建議。
二、文獻綜述
從資產證券化市場啟動以來，對資產證券化風險的研究在學術界已有相關探索。對資產證券化風險探討最為深入和廣泛的是對資產證券化的信用風險水平研究。謝偉杰(2014年)總結了資產證券化信用風險的特點，并認為資產證券化信用風險具有市場化、傳染性和增加桿杠的特點。陳逸、朱娜娜(2015年)針對商業銀行資產證券化帶來的風險進行探討，認為商業銀行信貸資產證券化產生的風險主要為信用風險、法律風險、信息風險，并針對這幾種風險提出了防范措施。Carbo-Valverde和Degryse等(2015年)認為對信貸資產證券化信用等級的標準降低是產生信用風險的重要原因。謝赤、凌毓秀(2018年)運用KMV模型對2017年12月以前和2017年12月以后兩個時期的上市銀行資產證券化的信用風險進行了度量，并建立了上市銀行的股票網絡結構，釆用最小生成樹法考察商銀行間的風險傳染，結果表明大型銀行的風險水平較低，股份制銀行、城商行和農商行位于風險傳染的中心。李佳(2019年)基于2011?2017年的面板數據研究了資產證券化對銀行信用風險水平的影響，結果表明，銀行在資產證券化初期，由于資產證券化的基礎資產均為評級較好的信用產品，資產證券化信用風險水平有所上升，長期來看資產證券化可以實現風險的緩釋。王星宇等(2019年)運用KMV修正模型，對2005-2017年商業銀行發行的94只信貸資產證券化進行風險度量，并認為非國有銀行的信用風險水平低于國有銀行的信用風險水平。許余吉等(2017年)分析了企業資產證券化市場風險，并認為從企業資產證券化的信用風險主要來自交易結構、基礎資產信用質量、主體信用等因素的風險。
相關期刊推薦：《證券市場導報》創刊于1991年7月，是深圳證券交易所主辦的全國第一家證券類月刊。設有：編者絮語、上市公司、證券機構、證券產品創新、債券市場、基金研究、微觀結構、制度創新、證券法律與監管、證券譯苑、理論專題等，并定期或不定期地就一些重大的市場熱點問題開設專欄進行專題性研究等欄目。每期還附有海內外證券市場動態、海內外證券市場數據，以供讀者參考。
也有部分學者探討資產證券化對系統性風險的影響及表現。李從文(2015年)通過建立資本資產定價模型，檢驗了2007?2013年資產證券化對銀行系統性風險的影響，并認為短期內資產證券化可以降低銀行系統性風險，長期內由于傳染性增加，資產證券化產品反而增加了銀行系統性風險。謝平、紀志宏等(2016年)認為我國信貸資產證券化市場發展不順暢從而導致大量信貸資產通過同業合作、銀信理財等跨監管的形式出表，對信用債市場產生擠壓，從而導致了流動性風險從表外傳染至表內，增加系統性風險。徐文舸、劉洋(2017年)通過構建理論模型，來研究“發起一分銷”模式的資產證券化如何導致銀行出現流動性危機的整個過程，他們認為，銀行間市場流動性不足導致資產證券化抵押的現象，一旦抵押收益率低于預期收益率時，將會使風險傳導至銀行，乃至出現整個市場的系統性風險。對資產證券化的流動性風險研究主要來自監管機構。福建銀監局南平分局課題組(2015年)對資產證券化系統的流動性進行分析，并在分析美國、韓國不良資產證券化教訓的基礎上提出對資產證券化流動性風險的監管措施。Allen.E和A.Singh(2016年)年認為資產證券化產品帶來許多承銷商以影子銀行的形式出現在市場上，規避監管帶來系統性風險。
雖然學術界和業界對資產證券化風險的探討較多，但我們發現大多數的都停留在對資產證券化的信用風險研究，對市場風險和系統性風險的討論基本停留在理論層面，且僅有黎紀東(2015年)和姜智敏等(2019年)等少數文獻有所涉及。其中，部分原因是中國資產證券化市場發展尚不成熟，可供分析和研究的數據較少。但是考慮到資產證券化市場在整個金融市場體系中的重要性日益增加，本文仍然試圖從有限的數據中找到一些可以度量資產證券化市場波動的變量，從而初步認識刻畫資產證券化市場風險。
三、模型選取及實證分析
(一)基于SV(隨機波動)模型的資產證券化市場波動模擬
金融市場產品的風險度量一般釆用波動模型。目前，國內對金融市場風險度量主要釆用GRACH、ARCH等模型進行模擬，也有一部分學者釆用隨機波動模擬的方法，學者們比較多個計量模型的預測能力后發現，隨機波動模擬的方法從擬合度、預測能力等多個方面都有更好的效果，且存在異方差性和序列相關性時，隨機波動模擬結果更為顯著，因此，我們擬釆用標準隨機波動模型■資產證券化市場的波動狀況進行模擬。
考慮到數據支撐情況，我們擬釆用價格指數波動作為主要研究方向，以收益率波動作為研究對象建立隨機波動模型，獲得波動率序列以度量整個市場風險特征。我們以銀行間資產證券化市場為例，選取了2015年1月4日至2019年10月30日“中債-銀行間資產支持證券指數”作為資產證券化市場的價格替代變量。同時，為了便于與整個債券市場的情況進行比較，我們選取相同時間段的中債全價指數作為債券市場的價格替代變量，選取中國國債全價指數作為國債市場的價格替代變量，對三項價格指標取對數收益率后，釆用隨機波動模擬(SV)的計量方法，測算出資產證券化市場波動率，從而剔除價格的長期影響趨勢，度量短期波動的效果。圖1就是通過隨機波動模擬的三個市場在2015年1月4日至2019年10月30日區間內的價格波動情況。
通過對圖1波動序列的比較，我們發現：從波動方向來看，資產證券化市場與整個債券市場和國債市場的波動方向一致，從波動率的絕對值來看，資產證券化市場與整個債券市場和國債市場相比，波動率的絕對值相對較低。
僅從圖1看，貌似資產證券化市場比債券市場和國債市場更為穩定，這可能與資產證券化市場相對封閉、二級市場交易不活躍相關。但是如果我們將國債市場的最大波幅與資產證券化市場的最大波幅放在同一個圖中相比較(見圖2)，我們發現，雖然國債市場的出現波動時，最大波幅較大，但其他時間段的波動都相對最大波幅較小，而資產證券化市場雖然最大波動的絕對波幅不大，但其他時間段的波動相對于最大波幅較大，這其實說明了資產證券化市場的自身穩定性是較差的，自身風險防御能力恰恰較弱。
在對資產證券化市場波動序列初步刻畫的基礎上，我們將運用馬爾科夫區制轉移模型，對資產證券化市場的風險波動狀態進行進一步識別。
(二)馬爾科夫區制轉移模型(MS-VAR)
1.模型選擇
馬爾科夫區制轉移模型可以通過捕捉時間序列數據生成過程中的離散變化，其優勢在于識別序列的不同狀態，能發覺時間序列中的結構性突變向機制性轉換的過程，使結構變化內生化，從而判斷不同狀態發生的時間及原因，這一模型可以在我們得出資產證券化市場波動的情況下，更好地幫助我們識別資產證券化市場、僨券市場的風險轉換情況，這將有利于我們挖掘資產證券化市場風險產生的原因。我們對上面SV模擬后波動率序列進行頻率轉化，針對轉頻后的波動率序列進行了平穩性檢驗，發現序列平穩。最后，我們對AIC準則、HQ、SC準則進行比較，認為對資產證券化市場的風險區制描述釆用MSIH(2)-VAR(4)更能分析其風險變動特征，且較有說服力。
2.實證結果
我們對資產證券化市場風險進行模型分析的結果見圖3、圖4〇
一般區制轉移概率(Probabilities)超過0.5即認為市場在該狀態下的概率較高。整個的轉移過程遵循馬爾科夫過程，即轉移概率代表該狀態下向高波動(或低波動)的概率。根據平滑概率我們可以看出，資產證券化市場的高波動狀態與低波動狀態出現了清晰的劃分，且區制轉移過程明顯。兩區制模型中的區制轉移概率分別為0.8410與0.7586。從區制轉移概率圖和風險波動區間轉化表我們可以看出，資產證券化市場高風險波動頻率較高，且區制轉移頻繁。從2015年至2019年的時間，資產證券化市場出現了8次風險區制轉移，其中有4次高波動區間，再一次證明了資產證券化市場的穩定性較差。從4次高波動區間來看，前兩次處于高波動狀態的持續時間要明顯低于后兩次。通過回顧近四年的市場情況，我們發現資產證券化市場的四次高風險波動均與流動性緊張相關。(見表1)
2015年末的高波動主要由于信貸資產證券化首次實現做市成交，隨著市場流動性增加，資產證券化市場波動首次增加，出現由于做市交易帶來與之前的市場流動性反差較大的情況，體現為價格波動較大。
2016年底，受到金融去桿桿等情況影響，同時美國貨幣政策開始收緊，債券市場出現了較大的流動性波動，帶動資產證券化市場的風險有所上升，發行利率上行，部分發行困難。
2017年3月份開始，資管新規開始出臺，債券市場熊市開始，債券市場流動性緊張持續了較長時間。
2018年，資產證券化市場出現爆發試的規模增長，一級市場發行量持續增長，發行量劇增但是市場能夠配置資產證券化產品的資金方較為固定，導致流動性相對緊張局面出現，整個資產證券化市場又進入了高風險波動區間，2019年初才回歸平穩。
綜上，馬爾科夫模型模擬出的區制轉化情況和現實的市場流動性狀況高度吻合，基于此，流動性風險應該是資產證券化市場風險的主要驅動因素。
3.與債券市場比較
為了更好地找到資產證券化市場風險區制轉換頻繁的原因，我們將資產證券化市場與整個債券市場進行比較，對2015年至2019年的債券市場風險波動序列建立馬爾科夫風險區制轉移模型，得出債券市場波動區間。(見表2)
和資產證券化市場風險區制轉換對比來看，我們可以看出債券市場一旦進人高風險區制，自身恢復能力較強，很快轉化為低風險區制，而資產證券化市場一旦進人高風險區制則惰性較強，較難恢復到低風險的平緩波動狀態。2016?2018年的三年，資產證券化市場與債券市場均出現相同的高風險階段，但明顯資產證券化市場的高風險持續時間較長。
四、結論及建議
(一)初步結論
本文對資產證券化市場波動狀況進行隨機波動模擬后建立馬爾科夫區制轉移模型，對市場風險特征進行分析，可以得到以下結論：
1.作為債券市場的組成部分，債券市場整體風險狀況決定了資產證券化市場的風險波動情況;
2.考慮到資產證券化市場的深度有限，二級市場建設尚處于早期階段，以一級市場作為主要內容的資產證券化市場受二級市場流動性沖擊小，風險波動絕對幅度要小于債券市場整體，但是由于其自身穩定性較差且，相對波動幅度大，波動更為頻繁;
3.從對資產證券化市場持續近五年的風險波動情況看，共出現高風險波動與低風險波動8次的相互轉化，資產證券化市場區制轉換頻繁，一旦進人高風險階段則難以自愈，而債券市場一旦進人高風險階段則較為容易轉換為低風險，因此，資產證券化市場抵御風險能力和風險吸收能力都相對較弱;
4.流動性風險是資產證券化市場目前主要的風險驅動因素。
(二)相關建議
從以上結論我們看出，盡管目前資產證券化市場在市場封閉的情況下，市場波動較小，但是其內部的脆弱性和單一性都是未來資產證券化業務發展的較大隱患，需要未雨綢繆建立相應機制進行風險防范和化解。從商業銀行等金融機構的角度出發，我們認為發行資產證券化產品仍然是緩釋資本、釋放業務額度的優質工具，為此我們提出如下建議：
1.不斷增加資產證券化產品品種，通過擴容的方式增強市場自身穩定性。雖然資產證券化市場規模已經3萬多億，但相比整個債券市場近百萬億的容量，市場份額有待進一步提高，不斷擴大市場，吸收各類基礎資產的品種，增大市場容童，有利于資產證券化市場加大自身的穩定性。
2.加強銀行間資產證券化市場的做市交易要求，提高流動性以防范流動性危機。雖然監管機構已經對資產證券化產品做市提出了相關規定，但是從市場數據來看，2019年上半年信貸資產證券化的換手率僅為8.7%，而債券的換手率為93.8%。在當前市場參與主體僅為金融機構且以商業銀行為主導的前提下，增加金融機構的做市要求是增強市場流動性的重要手段。
3.建立統一資產證券化市場風險監測指標，做好壓力測試。美國次貸危機的教訓仍在眼前，資產證券化作為一個盤活資金，提高市場活力，增加金融資產流動性的重要手段，在大力發展深化的同時，還應針對資產證券化市場建立風險監測指標，做好金融市場壓力測試，防范系統性風險的爆發。
SCISSCIAHCI
