打开文本图片集
【摘要】本文以银行间资产证券化市场为例，用SV模拟的方法进行波动分析，并在此基础上进一步采用马尔科夫区制转移模型进行变动特征研究，以期初步刻画资产证券化市场的风险状况并提出相关建议。
【关键词】证券化市场 SV模拟 MSIH-VAR模型 风险度量
一、引言
近年来，资产证券化市场进入了快速发展通道，2018年资产证券化产品发行量已突破两万亿元，五年复合增长率43%。但是资产证券化市场三万多亿元的市场存量与近百万亿元的债券市场规模相比，仍然有巨大的发展空间。加之近期监管改革、市场整顿，非标资产投资逐步萎缩，都为资产证券化这一标准产品市场提供了良好的发展环境。因此，做好资产证券化市场的风险解析，完善市场建设尤为重要。本文试图以银行间资产证券化市场为例，用SV模拟的方法进行波动分析，并在此基础上进一步采用马尔科夫区制转移模型进行变动特征研究，进行资产证券化市场的风险的识别与度量，并试图找到影响资产证券化市场波动的原因，并提出相关建议。
二、文献综述
从资产证券化市场启动以来，对资产证券化风险的研究在学术界已有相关探索。对资产证券化风险探讨最为深入和广泛的是对资产证券化的信用风险水平研究。谢伟杰（2014年）总结了资产证券化信用风险的特点，并认为资产证券化信用风险具有市场化、传染性和增加杆杠的特点。陈逸、朱娜娜（2015年）针对商业银行资产证券化带来的风险进行探讨，认为商业银行信贷资产证券化产生的风险主要为信用风险、法律风险、信息风险，并针对这几种风险提出了防范措施。Carbo-Valverde和Degryse等（2015年）认为对信贷资产证券化信用等级的标准降低是产生信 用风险的重要原因。谢赤、凌毓秀（2018年）运用KMV模型对2017年12月以前和2017年12月以后两个时期的上市银行资产证券化的信用风险进行了度量，并建立了上市银行的股票网络结构，采用最小生成树法考察商银行间的风险传染，结果表明大型银行的风险水平较低，股份制银行、城商行和农商行位于风险传染的中心。李佳（2019年）基于2011～2017年的面板数据研究了资产证券化对银行信用风险水平的影响，结果表明，银行在资产证券化初期，由于资产证券化的基础资产均为评级较好的信用产品，资产证券化信用风险水平有所上升，长期来看资产证券化可以实现风险的缓释。王星宇等（2019年）运用KMV修正模型，对2005～2017年商业银行发行的94只信贷资产证券化进行风险度量，并认为非国有银行的信用风险水平低于国有银行的信用风险水平。许余吉等（2017年）分析了企业资产证券化市场风险，并认为从企业资产证券化的信用风险主要来自交易结构、基础资产信用质量、主体信用等因素的风险。
也有部分学者探讨资产证券化对系统性风险的影响及表现。李从文（2015年）通过建立资本资产定价模型，检验了2007～2013年资产证券化对银行系统性风险的影响，并认为短期内资产证券化可以降低银行系统性风险，长期内由于传染性增加，资产证券化产品反而增加了银行系统性风险。谢平、纪志宏等（2016年）认为我国信贷资产证券化市场发展不顺畅从而导致大量信贷资产通过同业合作、银信理财等跨监管的形式出表，对信用债市场产生挤压，从而导致了流动性风险从表外传染至表内，增加系统性风险。徐文舸、刘洋（2017年）通过构建理论模型，来研究“发起—分销”模式的资产证券化如何导致银行出现流动性危机的整个过程，他们认为，银行间市场流动性不足导致资产证券化抵押的现象，一旦抵押收益率低于预期收益率时，将会使风险传导至银行，乃至出现整个市场的系统性风险。对资产证券化的流动性风险研究主要来自监管机构。福建银监局南平分局课题组（2015年）对资产证券化系统的流动性进行分析，并在分析美国、韩国不良资产证券化教训的基础上提出对资产证券化流动性风险的监管措施。Allen.E和A.Singh（2016年）年认为资产证券化产品带来许多承销商以影子银行的形式出现在市场上，规避监管带来系统性风险。
虽然学术界和业界对资产证券化风险的探讨较多，但我们发现大多数的都停留在对资产证券化的信用风险研究，对市场风险和系统性风险的讨论基本停留在理论层面，且仅有黎纪东（2015年）和姜智敏等（2019年）等少数文献有所涉及。其中，部分原因是中國资产证券化市场发展尚不成熟，可供分析和研究的数据较少。但是考虑到资产证券化市场在整个金融市场体系中的重要性日益增加，本文仍然试图从有限的数据中找到一些可以度量资产证券化市场波动的变量，从而初步认识刻画资产证券化市场风险。
三、模型选取及实证分析
（一）基于SV（随机波动）模型的资产证券化市场波动模拟
金融市场产品的风险度量一般采用波动模型。目前，国内对金融市场风险度量主要采用GRACH、ARCH等模型进行模拟，也有一部分学者采用随机波动模拟的方法，学者们比较多个计量模型的预测能力后发现，随机波动模拟的方法从拟合度、预测能力等多个方面都有更好的效果，且存在异方差性和序列相关性时，随机波动模拟结果更为显著，因此，我们拟采用标准随机波动模型对资产证券化市场的波动状况进行模拟。
Taylor（1986年）在解释金融收益率序列波动模型的自回归行为时提出了标准的SV模型。
SV模型如下：
（1）
（2）
（3）
其中代表收益率，代表风险补偿系数就是测量均值波动效应的回归系数，为风险补偿，风险补偿系数越大说明风险溢价越高，也就是所谓的高收益高风险。代表均值回复水平，服从均值为，方差为的正态分布。为独立同分布的白噪声干扰，服从均值为0，方差为1的正态分布。其中，误差项和是不相关且不可观测的。是持续性参数，反应了当前波动对未来波动的影响。
考虑到数据支撑情况，我们拟采用价格指数波动作为主要研究方向，以收益率波动作为研究对象建立随机波动模型，获得波动率序列以度量整个市场风险特征。我们以银行间资产证券化市场为例，选取了2015年1月4日至2019年10月30日“中债-银行间资产支持证券指数”作为资产证券化市场的价格替代变量。同时，为了便于与整个债券市场的情况进行比较，我们选取相同时间段的中债全价指数作为债券市场的价格替代变量，选取中国国债全价指数作为国债市场的价格替代变量，对三项价格指标取对数收益率后，采用随机波动模拟（SV）的計量方法，测算出资产证券化市场波动率，从而剔除价格的长期影响趋势，度量短期波动的效果。图1就是通过随机波动模拟的三个市场在2015年1月4日至2019年10月30日区间内的价格波动情况。
通过对图1波动序列的比较，我们发现：从波动方向来看，资产证券化市场与整个债券市场和国债市场的波动方向一致;从波动率的绝对值来看，资产证券化市场与整个债券市场和国债市场相比，波动率的绝对值相对较低。
仅从图1看，貌似资产证券化市场比债券市场和国债市场更为稳定，这可能与资产证券化市场相对封闭、二级市场交易不活跃相关。但是如果我们将国债市场的最大波幅与资产证券化市场的最大波幅放在同一个图中相比较（见图2），我们发现，虽然国债市场的出现波动时，最大波幅较大，但其他时间段的波动都相对最大波幅较小，而资产证券化市场虽然最大波动的绝对波幅不大，但其他时间段的波动相对于最大波幅较大，这其实说明了资产证券化市场的自身稳定性是较差的，自身风险防御能力恰恰较弱。
在对资产证券化市场波动序列初步刻画的基础上，我们将运用马尔科夫区制转移模型，对资产证券化市场的风险波动状态进行进一步识别。
（二）马尔科夫区制转移模型（MS-VAR）
1.模型选择
马尔科夫区制转移模型可以通过捕捉时间序列数据生成过程中的离散变化，其优势在于识别序列的不同状态，能发觉时间序列中的结构性突变向机制性转换的过程，使结构变化内生化，从而判断不同状态发生的时间及原因，这一模型可以在我们得出资产证券化市场波动的情况下，更好地帮助我们识别资产证券化市场、债券市场的风险转换情况，这将有利于我们挖掘资产证券化市场风险产生的原因。
对单一时间序列进行区制划分时，通常在马尔科夫区制转移模型中加入向量自回归，建立如下表达式刻画该模型：
（4）
其中，，状态变量分别表示种区制状态，并假定从期的状态转移到期的状态的转移概率满足离散取值的一阶马尔科夫过程，其中，表示的前期信息，而表示外生变量，表示转区制中的参数估计向量下的平均变动情况，状态变量分别表示种区制状态。
由于资产证券化市场风险状态的影响因素较多，因此我们认为扰动项在不同状态下呈现出不同的规律，因此我们可以选取均值方差都随着状态转化的异质性模型且本文采取MSMH（M）-VAR（p）的模型，或者截距及方差都随着状态转化的异质性模型MSIH（M）-VAR（p）对资产证券化市场的流动性风险特征进行描述，从而对波动聚集效应进行更好刻画。
MSMH模型的具体形式为：
（5）
其中，并且当时，。
MSIH模型的具体形式为：
（6）
MSIH相对于MSMH模型的优点在于可以更好的平滑在区制转移过程中均值的跳跃性变动，使得均值更加平滑。因此我们认为MSIH-VAR模型更加适合资产证券化市场风险变动特征研究。
我们对上面SV模拟后波动率序列进行频率转化，针对转频后的波动率序列进行了平稳性检验，发现序列平稳。最后，我们对AIC准则、HQ、SC准则进行比较，认为对资产证券化市场的风险区制描述采用MSIH（2）-VAR（4）更能分析其风险变动特征，且较有说服力。
2.实证结果
我们对资产证券化市场风险进行模型分析的结果见图3、图4。
一般区制转移概率（Probabilities）超过0.5即认为市场在该状态下的概率较高。整个的转移过程遵循马尔科夫过程，即转
移概率代表该状态下向高波动（或低波动）的概率。根据平滑概率我们可以看出，资产证券化市场的高波动状态与低波动状态出现了清晰的划分，且区制转移过程明显。两区制模型中的区制转移概率分别为0.8410与0.7586。从区制转移概率图和风险波动区间转化表我们可以看出，资产证券化市场高风险波动频率较高，且区制转移频繁。从2015年至2019年的时间，资产证券化市场出现了8次风险区制转移，其中有4次高波动区间，再一次证明了资产证券化市场的稳定性较差。从4次高波动区间来看，前两次处于高波动状态的持续时间要明显低于后两次。通过回顾近四年的市场情况，我们发现资产证券化市场的四次高风险波动均与流动性紧张相关。（见表1）
2015年末的高波动主要由于信贷资产证券化首次实现做市成交，随着市场流动性增加，资产证券化市场波动首次增加，出现由于做市交易带来与之前的市场流动性反差较大的情况，体现为价格波动较大。
2016年底，受到金融去杆杆等情况影响，同时美国货币政策开始收紧，债券市场出现了较大的流动性波动，带动资产证券化市场的风险有所上升，发行利率上行，部分发行困难。
2017年3月份开始，资管新规开始出台，债券市场熊市开始，债券市场流动性紧张持续了较长时间。
2018年，资产证券化市场出现爆发试的规模增长，一级市场发行量持续增长，发行量剧增但是市场能够配置资产证券化产品的资金方较为固定，导致流动性相对紧张局面出现，整个资产证券化市场又进入了高风险波动区间，2019年初才回归平稳。
综上，马尔科夫模型模拟出的区制转化情况和现实的市场流动性状况高度吻合，基于此，流动性风险应该是资产证券化市场风险的主要驱动因素。
3.与债券市场比较
为了更好地找到资产证券化市场风险区制转换频繁的原因，我们将资产证券化市场与整个债券市场进行比较，对2015年至2019年的债券市场风险波动序列建立马尔科夫风险区制转移模型，得出债券市场波动区间。（见表2）
和资产证券化市场风险区制转换对比来看，我们可以看出债券市场一旦进入高风险区制，自身恢复能力较强，很快转化为低风险区制，而资产证券化市场一旦进入高风险区制则惰性较强，较难恢复到低风险的平缓波动状态。2016～2018年的三年，资产证券化市场与债券市场均出现相同的高风险阶段，但明显资产证券化市场的高风险持续时间较长。
四、結论及建议
（一）初步结论
本文对资产证券化市场波动状况进行随机波动模拟后建立马尔科夫区制转移模型，对市场风险特征进行分析，可以得到以下结论：
1.作为债券市场的组成部分，债券市场整体风险状况决定了资产证券化市场的风险波动情况;
2.考虑到资产证券化市场的深度有限，二级市场建设尚处于早期阶段，以一级市场作为主要内容的资产证券化市场受二级市场流动性冲击小，风险波动绝对幅度要小于债券市场整体，但是由于其自身稳定性较差且，相对波动幅度大，波动更为频繁;
3.从对资产证券化市场持续近五年的风险波动情况看，共出现高风险波动与低风险波动8次的相互转化，资产证券化市场区制转换频繁，一旦进入高风险阶段则难以自愈，而债券市场一旦进入高风险阶段则较为容易转换为低风险，因此，资产证券化市场抵御风险能力和风险吸收能力都相对较弱;
4.流动性风险是资产证券化市场目前主要的风险驱动因素。
（二）相关建议
从以上结论我们看出，尽管目前资产证券化市场在市场封闭的情况下，市场波动较小，但是其内部的脆弱性和单一性都是未来资产证券化业务发展的较大隐患，需要未雨绸缪建立相应机制进行风险防范和化解。从商业银行等金融机构的角度出发，我们认为发行资产证券化产品仍然是缓释资本、释放业务额度的优质工具，为此我们提出如下建议：
1.不断增加资产证券化产品品种，通过扩容的方式增强市场自身稳定性。虽然资产证券化市场规模已经3万多亿，但相比整个债券市场近百万亿的容量，市场份额有待进一步提高，不断扩大市场，吸收各类基础资产的品种，增大市场容量，有利于资产证券化市场加大自身的稳定性。
2.加强银行间资产证券化市场的做市交易要求，提高流动性以防范流动性危机。虽然监管机构已经对资产证券化产品做市提出了相关规定，但是从市场数据来看，2019年上半年信贷资产证券化的换手率仅为8.7%，而债券的换手率为93.8%。在当前市场参与主体仅为金融机构且以商业银行为主导的前提下，增加金融机构的做市要求是增强市场流动性的重要手段。
3.建立统一资产证券化市场风险监测指标，做好压力测试。美国次贷危机的教训仍在眼前，资产证券化作为一个盘活资金，提高市场活力，增加金融资产流动性的重要手段，在大力发展深化的同时，还应针对资产证券化市场建立风险监测指标，做好金融市场压力测试，防范系统性风险的爆发。
【参考文献】
1.陈逸、朱娜娜，商业银行信贷资产证券化业务的风险管理研究，2015年13期，145。
2.福建银监局南平分局课题组，银行信贷资产证券化流动性风险及监管模式研究——基于系统协同 论视角的分析，金融监管研究，2015 年第 12 期，16-30。
3.黎纪东，浅谈我国资产证券化市场发展的风险防范，时代金融，2016 第 11 期中旬刊（总第 642 期），156。
4.姜智敏、郭沛、吴赞，当前我国资产证券化市场发展的 分化现象及对策，征信，2019年第3期，85-88。
5.李丛文，信贷证券化减少我国银行系统性风险了吗，国际金融研究，2015 年第 6期，65-75。
6.李佳，资产证券化能否缓解银行信用风险承担？ —— —来自中国银行业的经验证据，国际金融研究，2019.6，57-66。
7.刘伟江，丁一，隋建利，货币政策对股市收益率的影响： 非对称效应解析，广东财经大学学报，2015年第5期（总第142期），69-77。
8.王春峰，蒋祥林，李 刚. 基于随机波动性模型的中国股市波动性估计，管理科学学报，2003（4） ：63 -72。
9.王星予、余丽霞、阳晓明，商业银行信贷资产证券化信用风险研究 ——基于修正的 KMV 模型，金融监管研究，2019年第3期，54-66。
10.许余洁、邓博文，我国企业资产证券化市场的风险分析与信用评级关注，金融法苑，2017年总第九十五辑，109-119。
11.谢伟杰，资产证券化信用风险问题探讨，时代金融，2014年第12期下旬刊（总第574期），159-160。
12.谢平、纪志宏、徐忠和邹传伟，银行信贷出表及其对信用债券市场的影响，新金融评论，2016年第3期，41-56。
13.徐文舸、刘洋，银行信贷资产证券化的潜在流动性风险与监管研究，金融监管研究，2017年第11 期，83-93。
14.谢赤和凌毓秀，银行信贷资产证券化信用风险度量及传染研究——基于修正KMV 模型和MST 算 法的实证，财经理论与实践，2018 年第 3期，2-8。
15.姚玥悦，邓创，李威，新形势下我国债券市场风险特征研究，经济纵横，2017 年第11期，118-122。
16.Hamilton James D. ，A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle Author（ s） ： James D. Hamilton Source： Econometrica，Vol. 57，198 2 （ Mar. ，1989） ，pp. 357 -384 Published by： The Econometric Society Stable URL： http： / / www. jstor. org/stable/1912559 Accessed： 14 -09 -2017 13：23 UTC. The Econometric Society.
17.Allen， E.， R. Powell， and A. Singh， Take It to The Limit： Innovative CVAR Applications to Extreme Credit Risk Measurement， European Journal of Operational Research， 2016， 249（2）， 465-475.
18.Carbo-Valverde，S.，Degryse，H.，Rodriguez-Fernandez，F.，The Impact of Securitization on Credit Rationing： Empirical Evidence[J]. Journal of Financial Stability，2015，10 （20）：36-50.
（作者单位：中国社会科学院大学、中国建设银行）