綜合資本分析和檢查
出自 MBA智库百科(https://wiki.mbalib.com/)
綜合資本分析和檢查(Comprehensive Capital Analysis and Review，CCAR)
目錄 |
什麼是綜合資本分析和檢查[1]
綜合資本分析和檢查是美國銀行業為提高金融機構的風險應對能力，開始以壓力測試為基礎，全面評估銀行的各項業務及資產的抗風險能力，進而在風險預測的基礎上優化業務及資產結構的一項監管改革計劃。（以下簡稱“CCAR”）
美國銀行業綜合資本評估與評審的核心是要求銀行制定明確的戰略，能夠清晰、動態地報告戰略實施對各業務條線、各機構和每個客戶群所產生的影響，清楚地分析業務收入、風險損失與資本占用的變化。CCAR 資本壓力測試主要包括壓力情景設計、損失估計、撥備前凈收入預測、資本規劃與管理措施等內容（Board of Governors of the Federal Reserve System 2016）。
通過CCAR 的壓力測試，可以測算未來9個季度每一類資產的業務收入、風險損失與資本占用變化情況，進而弄清楚當系統性風險發生時，銀行各個方面的具體情況，以便為採取各項措施做好準備。這就可以在動態估計損失與收益的基礎上，對資本進行前瞻性規劃，及時採取各項風險管控措施，來保證銀行在各類壓力下的正常運作。
CCAR 框架考慮了銀行執行壓力測試所需情景的具體要素，提供了三套每年開展壓力測 試的具體情景。壓力情景通過對28個巨集觀經濟變數在不同水平下的預測，描述不同特定情景下的美國和其他四大國際經濟體的經濟活動、資產價格、外匯匯率和利率水平，情景嚴重程度通過GDP、失業率、利率、股指等指標來表示（Board of Governors of the Federal ReserveSystem，2016）。美聯儲同時要求銀行根據自身情況設計至少兩個類似的情景，反映其自身的特定風險輪廓及運營情況，包括公司的資本充足和財務狀況。銀行自身壓力情景的設計，有純專家判斷模型也有純統計模型，但大多數全球性銀行在巨集觀經濟變數預測中會兼顧這兩種方法，即採用混合性方法。
專家判斷法一般是先組建一個由經濟學家、業務條線代表及來自財務、風險和信貸部門的高級管理層構成的委員會。這個工作委員會的唯一目標是為巨集觀經濟變數做出合理的預測。該委員會在選取巨集觀經濟變數時的一般做法是依賴風險識別流程及管理層決斷。委員會將首先考慮歷史趨勢和前瞻性預測，通過各方討論銀行所面臨的關鍵風險，最終確定區域性和全球性具有代表性的巨集觀經濟變數及變數的預測水平。
純統計模型開發法一般採用高度複雜的、結合區域性和全球性的模型數據，進行巨集觀經濟變數預測，包括計算各區域相關性和各變數間的相關性。常用的統計模型包括向量自回歸模型（VAR）或向量自回歸誤差修正模型（VECM）。
VAR 模型可以用於分析變數系統中各變數間的相互作用。在某些給定的條件下，VAR 模型能夠用來確定一個基本的經濟衝擊給其他經濟變數帶來多大影響。VAR 模型被公認為是描述變數間動態關係的一種有效實用方法。
VECM模型是VAR模型的一個擴展：VECM 模型在VAR 模型的基礎上引入了長期協整機制的約束，在統計意義上更為嚴謹。VECM 模型的壓力情景設計，基於其所建立的多個風險驅動因素之間的聯動關係，即可根據不同的風險觸發因素或衝擊因素，推演出相應衝擊下的整體壓力情景。
混合型方法一般是指採用統計模型和專家判斷相結合的方式，對巨集觀經濟變數進行預測。該方法先通過統計模型得出測算結果，然後專家們在綜合考慮巨集觀經濟模型的預測結果以及潛在的額外因素。例如，在各區域間的相關性的基礎上，決定是否需要對現有模型預測值進行管理層人工調整，併發布銀行最終巨集觀經濟變數預測水平。這種混合型方法因其開發成本適中且優於純粹的專家判斷方法，成為目前銀行使用最為廣泛的方法。
在損失估計方面，美國銀行業一般根據資產類型和會計處理方法分別進行損失估計，主要包括權責發生制的貸款組合、公允計價貸款、可供出售貸款（AFS）或持有到期證券（HTM）、交易及交易對手損失估計、貸款損失準備金估計。如果根據風險類別劃分，可以劃分為信用風險損失、市場風險損失以及操作風險損失三大類（Board of Governors of the Federal Reserve System，2014）。
依據資產類型、規模、重要性以及數據的不同，銀行通常會採取不同的損失預測方法對 信用風險損失進行預測估計。總體看，信用風險損失預測方法可以分成模型方法和非模型方法兩大類。其中，非模型方法主要針對非重要的資產組合，採用類似尺度（Scaler）調整的方法，通過簡單的尺度來調高基準情景下的組合損失作為壓力情景下的損失預測。其尺度一般會基於組合的歷史表現、其他資產組合模型預測的壓力損失與基準損失之比，或者專家經驗調整。
目前國內外同業常用的信用風險損失預測模型方法主要包括兩大類，一是基於會計損失（即核銷和回收）的直接預測方法（Balance Sheet Approach），比較常見的有滾動率（Roll-Rate）模型、賬齡損失（Vintage）模型、凈核銷（Net Charge-Off）模型等；二是基於預期損失（即經濟損失）的間接預測方法（Distribution Approach），比較常見的有評級遷移模型、比例風險模型、線性回歸模型、邏輯回歸模型等。
從金融市場產品分類來看，商業銀行的金融市場業務可分為利率類產品、匯率類產品、商品以及衍生品四大類。市場風險的壓力測試基本使用全估值方法，即假設銀行已具有各類產品的估值模型，壓力測試時，將壓力下的估值參數（匯率、收益率曲線、商品價格等）輸入到估值模型中，得出壓力下各類產品的估值價格之後，再乘以組合中各類產品的持有頭寸，得到壓力下各組合的估值結果；將其與買入價格相比，得出各組合的市場風險損益；然後沿組合樹上升到商業銀行集團層面，可得到整個商業銀行集團市場風險的總體損益。
美國主流銀行中大多採用回歸分析法和歷史平均法相結合的方法，也有一些銀行使用損失分佈法和情景分析法，但這兩類方法通常作為輔助方法來使用。
回歸分析法主要基於各歷史時點上各單元格的損失頻率和損失金額時間序列數據，與GDP、CPI 等巨集觀經濟變數建立回歸分析模型。在壓力測試時，基於各壓力情景下的巨集觀經濟變數取值，推導出壓力情景下各期的損失頻率與損失金額結果，進而將巨集觀經濟變數的壓力傳導至操作風險的損失預測上。
損失分佈法（LDA）也是基於損失頻率和損失強度的分析範式，其基本邏輯是假設操作風險的損失頻率和損失強度服從某種概率分佈，利用實際損失數據來推導該分佈的主要參數，建立起分佈曲線。基於蒙特卡洛模擬得出損失頻率和損失強度的概率分佈曲線，進而可以得出給定置信區間對應分位點的損失頻率和損失強度。由於損失的概率分佈曲線已知，基於實際的損失頻率和損失強度數據，可以反推出該損失頻率和損失強度對應的實際分位點數據。運用損失頻率和損失強度的實際分位點時間序列數據，可以建立與巨集觀經濟變數間的多元線性回歸模型，從而可以將壓力情景下巨集觀經濟變數的取值，通過回歸模型傳導至損失頻率和損失強度的分位點預測值，再基於分位點的概率分佈曲線，可以進一步推導出壓力情景下的損失數據。
歷史平均法是一種相對簡單的壓力測試預測方法，主要適用於與巨集觀經濟指標無明顯關係的損失事件類型/ 業務條線，可採用多期歷史損失數據做滾動平均，從而預測下一期的損失數據。
情景分析法主要作為一種輔助分析方法，可彌補操作風險損失數據在數據量和模型擬合效果方面的局限性，在量化估計結果的基礎上，加入前瞻性的考慮，比如對從未發生過的損失事件做情景模擬，從而得出在一定情景下的損失金額。該方法還可以用於對個體特殊風險（特別是針對個體風險與巨集觀經濟環境相關性不明顯的情況）和尾部事件進行預測。
撥備前凈收入預測的目的，主要是為了預判在不同的壓力情景下，商業銀行的資產負債表和損益表的變動趨勢。壓力情景下資產負債表和損益表的預測主要通過報表重點科目的預測來實現。具體而言，主要是實現撥備前凈收入（Pre-Provision Net Revenue，PPNR）的預測（Board of Governors of the Federal Reserve System，2016）。撥備前凈收入PPNR 可由凈利息收入、非利息收入、非利息支出等推算得出：
PPNR=凈利息收入+非利息收入-非利息支出
各科目的預測主要採用建立巨集觀經濟變數與科目之間的關係，通過對不同壓力情景下巨集觀經濟變數的施壓，實現對各科目的預測。各預測模型的構建一般採用線性回歸的方式。本文對國際主流銀行撥備前凈收入預測常用的模型進行了歸納總結，如下表所示。
| 建模方面 | 業界實踐（不太複雜） | 業界實踐（較為複雜） |
|---|---|---|
| 模型類型 | 一元回歸、滯後變數、當回歸無法有效契合，使用移動平均 | 多元回歸、回歸下有２—３個驅動因數、使用虛擬變數來調節季節性、當回歸無法有效契合，使用移動均線 |
| 顆粒度方面的考慮 | 數據可用性（包括可用餘額和銷量預測） | 市場環境，競爭環境和業務條線的可支配資源 |
| 預測項目的顆粒度 | 大約十個能夠有效契合的回歸模型、非利息收入和費用項目預測 | 一百多個能夠有效契合的回歸模型、對資負表項下的子項單獨建模預測 |
1. 凈利息收入預測
凈利息收入一般包括利息收入和利息支出兩部分。其中，利息收入主要是貸款規模及其他生息資產和收息率的乘積，即：利息收入= 貸款規模× 貸款收益率+ 其他生息資產× 收益率；利息支出主要是存款及其他付息負債和付息率的乘積，即：利息支出= 存款規模× 存款付息率+ 其他生息負債× 付息率。
壓力情景下凈利息收入預測的主要思路是建立貸款規模、存款規模、貸款收益率、存款付息率與巨集觀經濟變數之間的聯繫；通過巨集觀經濟指標在不同壓力下的變動，傳導至上述指標，並最終對凈利息收入產生影響。在存貸款規模預測時，需要區分存量和增量的差異。這主要是由於存款和貸款有一定存續期，存量的存款和貸款可根據規模和已商定的利率和付息時間點準確計算存款利息支出與貸款利息收入。對於存量規模可根據付息計劃和還款計劃準確計算，而新增規模則必須通過與巨集觀經濟變數建模來預測壓力情景下的規模變化。
同時，為準確評估壓力情景下客戶的提前還款和提前支取行為，需要根據客戶歷史表現，建立提前還貸/ 提前支取與巨集觀經濟變數之間的關係，預測壓力情景下提前還貸/ 提前支取的具體的規模。
2. 非利息收入預測
與利息收入不同，非利息收入的筆數繁多，收費產品種類多，收費項即雜又細，且與信貸業務間有著千絲萬縷的聯繫，很難使用銀行內部明細數據進行加工處理。同時，大部分銀行的非利息收入明細數據存在著準確度不高、可追溯性差、時間長度不足等問題。因此，在PPNR壓力測試過程中，多使用彙總數據與巨集觀經濟變數建立多元回歸模型的方法進行預測。
3. 非利息支出預測
對商業銀行來說，非利息支出中占比最大的大都是員工的工資和福利支出。從國際主流銀行非利息支出的建模經驗來看，員工的工資和福利通常具有一定剛性，與巨集觀經濟狀況的直接關係不大。同時，員工工資和福利往往與銀行業務規模高度相關，因此國際主流銀行在非利息支出預測方面，大都採用非模型預測方法，按照業務規模變化情況，直接按比例增加或減少工資和福利的規模。
商業銀行的資產負債表和損益表科目中，除了常規的凈利息收入、非利息收入、非利息支出等科目外，還存在很多科目無法採用模型方法構建。這些科目一般採用業務判斷、資金分配、攤銷成本、趨勢預測等非模型方法。
基於撥備前凈收入及各類風險的損失估計結果，商業銀行需要預測規劃時段內不同壓力情景下的資產負債表和損益表變化情況，並根據期初金額、付現和支取的模型預測結果進行調整。預測資產負債表的損失應與壓力測試時內部損失估計模型的結果保持一致。商業銀行應確保其風險加權資產估計能涵蓋所有相關的表內外風險暴露，並已根據監管要求，對不同的資產估計採取了不同的風險加權資產計算方法。
基於風險加權資產估計結果和撥備前凈收入預測結果，結合期初資本額等數據，商業銀行可以預測規劃期內不同壓力情景下的資本充足率，確保不同壓力情景下資本充足率均能滿足監管要求。
