我身为在国有银行从事风险管理工作十二年之久的老兵, 见识过为数众多的机构将压力测试当作合规任务去应付。那真正的压力测试模型, 乃是在风暴尚未袭来之际便可预先判断风险敞口、守住底线的武器。它不仅仅只是个模型，更是一套贯通整个风险管理领域的逻辑体系。
压力情景怎么设计才靠谱
诸多银行做压力测试的情景设计, 甚是夸张仿若写小说；比如GDP跌百分之十, 房价下滑百分之三十；然而得出的资产质量根本不符任何历史规律。做压力情景并非做噩梦, 而是应采用最现实假说来推测最坏可能。情景规划需找出确实能驱动信用风险变化的因素, 像是GDP增速、失业率、房价指数、利率水平等会被提及的核心因子。
这些变量有各自的关系, 其关系相当复杂, 并非简单线性关系就能明明白白说清楚的。我曾带领团队开展过一个专项研究, 在这个研究中发现, 房地产价格跟个人住房贷款违约率之间存在显著的阈值效应, 也就是房价降低超过特定幅度以后, 违约率会呈现指数级上升, 基于这个此发现我们重新调试了整个零售信贷的压力情景参数。
模型参数怎么校准更准确
参数校准的基石是内部评级数据, 我们需在历史违约数据里寻出违约概率和各类风险驱动因子之间的统计联系, 用到了逻辑回归以及生存分析这些方法, 数据自身不会言语, 重要的是我们怎样领会数据背后的经济逻辑, 参数校准并非单纯套公式, 而是要明白数据背后的经济逻辑。
LGD的估量是桩麻烦事儿, 不同行业、不同地区的违约损失率存在很大差异, 抵押品的处置周期以及回收率都得予以充分考量,我经办过一个案例, 在某一个地区, 因司法拍卖周期太过漫长, 致使实际LGD比模型预测高出将近百分之十五, 这个教训使我往后做压力测试时都会格外留意地区性因素。
模型做完之后并非就此告终, 我们每一个季度都会开展回溯测试, 将预测的违约率跟实际出现的违约率予以对比, 最近几回压力测试结果表明, 某些行业的违约概率预见偏高, 然而整体导向是精准的, 这表明模型于捕捉系统性风险方面存有可取之点。
涉及参数校准的技术方面的细节内容, 能够参照我们所整理的实务指南, 那上面存在着不少实际操作的经验。
最终, 压力测试得来的结果是要落实到业务决策方面的。在我们行来说, 具体操作方式乃是将测试所获结果予以分解, 使之分散至各个业务条线范围当中。还要依据出现压力不同情况下自身所造成的资本消耗实际状况, 对资源配置开展并完成全新的审视工作。接下来, 要对授信限额以及风险定价策略作出相应调整。而风险经理们会带着这些经过处理得出的结果, 前往业务部门进行沟通交流, 如此这般行事, 相较于仅仅只是口头上空谈风险控制, 显然力度要大出许多得多。
经过多年从事信用风险压力测试模型工作, 我内心最深的感触乃如此这般: 无论模型构造得多么精妙绝伦, 它都决然无法取代人所具备的判断力。模型为我们给予了量化的架构, 然而唯有真正能够领会风险的人, 才是最为关键重要的存在。由于经济环境处于动态变化之中, 行业格局也在持续演变, 所以模型必须不断进行迭代更新, 方可永葆生命力。
