是什么推动了欧洲和美国的抵押贷款违约风险？

是什么推动了欧洲和美国的抵押贷款违约风险？Marco Gross, Thierry Tressel, 丁小丹, Eugen TereanuWP/22/65基金组织工作论文描述了作者正在进行的研究并发表以征求意见和鼓励辩论。基金组织工作文件中表达的观点是作者的观点，并不一定代表基金组织、其执董会或基金组织管理层的观点。2022年利率 基金组织工作论文描述了作者正在进行的研究并发表以征求意见和鼓励辩论。基金组织工作文件中表达的观点是作者的观点，并不一定代表基金组织、其执董会或基金组织管理层的观点。© 2022 国际货币基金组织 WP/22/65基金组织工作文件货币与资本市场部是什么推动了欧洲和美国的抵押贷款违约风险？由 Marco Gross、Thierry Tressel、Xiaodan Ding、Eugen Tereanu 编写*Vikram Haksar 授权分发2022 年 4 月抽象的：我们分析了家庭抵押贷款违约概率 (PD) 和违约损失率 (LGD) 对失业率、房价增长、利率和其他驱动因素的敏感性。为此使用了结构微观宏观仿真模型。它基于来自 21 个欧盟国家和美国的约 95,000 个家庭和 230,000 个家庭成员的资产负债表和收入-支出流量数据。司机。这些可用于宏观情景条件预测，而无需进行微观模拟。我们还针对所有国家/地区与 COVID-19 大流行相关的不利情景，对抵押贷款违约概率、违约损失率和银行资本化的响应性进行了政策反事实分析。在基于模型的分析的背景下讨论了债务延期和担保的经济学。推荐引用：Gross, M.、Tressel, T.、Ding, X. 和 Tereanu, E. 2022。“是什么推动了欧洲和美国的抵押贷款违约风险？”基金组织工作文件第 WP/2022/065 号。JEL 分类号：C33、E58、G18关键词：信用风险、家庭部门、微观宏观模拟建模、金融政策作者的电子邮件地址：* 本文受益于 2020-21 年冬季国际货币基金组织内部研讨会的参与者以及 Romain Bouis 、 Woon Gyu Choi 、 William Gatt Fenech 、 Prasad Ananthakrishnan、Vikram Haksar 和 Caterina Lepore 的宝贵意见。可用于运行本文中提出的模型的 MATLAB 模型代码可向作者索取。 3内容I.简介 4II.文献 5III.微观宏观仿真模型 7A.B.IV.模型模拟 14A.B.C.D.V. COVID-19 中的情景条件预测和财政政策分析 24VI.讨论：家庭部门的债务暂停和担保 26VII.结论 28参考文献 30附件 1. 微数据特征 33附件 2. 将 HFCS 和 PSID 数据映射到 Model 35附件 3. 家庭成员就业状况的逻辑模型 37 4I. 我简介本文旨在研究家庭抵押贷款违约概率 (PDs) 和违约损失率 (LGD) 及其宏观经济驱动因素之间的关系，采用结构性微观宏观模拟模型，该模型有助于进行政策反事实分析.该模型针对 21 个欧盟国家和美国建立，可用于获取 PD 和 LGD 的情景条件预测，以评估家庭部门的弹性并量化对银行的影响。情景分析可以与政策反事实假设交织在一起。其中包括财政政策（例如，关于失业救济金的设计）、宏观审慎政策以及针对 COVID-19 大流行的政策，例如暂停债务和担保。为此，开发了综合动态家庭资产负债表 (IDHBS) 模型的增强版本. IDHBS 模型（Gross 和 Población 2017，以下简称 GP 2017）是一种微观宏观模拟模型，迄今为止用于评估基于借款人的宏观审慎政策对家庭和银行的影响，同时考虑宏观金融反馈（ECB 2016/ 17，Jurča 等人 2020，Neugebauer 等人 2021）。1由于家庭风险指标的时间序列数据很难公开获得，因此这种结构性微观模拟方法非常有用，包括银行压力测试，这里涉及银行的零售贷款账簿。即使有时间序列数据，时间序列模型也不能像结构化的、基于微观数据的模型那样用于进行丰富的政策反事实分析。超出 GP (2017) 的模型扩展涉及非线性债务偿还机制以及可变利率和固定利率贷款之间的区别、债务持有养老金领取者的包括、扩展的利息收入模块和进一步细化的 LGD 模块。2 我们为微观模拟中的 PD/LGD 设计了事后非线性回归，这允许将宏观金融情景转化为风险指标，而无需进行微观模拟，而是复制其结果。我们表明，在许多国家，在 COVID-19 大流行期间部署的暂停付款保护了家庭和银行的零售贷款组合免受他们本来会经历的巨大压力。基线和替代的反事实情景假设取自国际货币基金组织的《世界经济展望》（WEO），并结合了关于暂停设计的特定国家信息。结果表明，暂停在控制家庭信用风险以及保护银行免受与零售投资组合相关的大量信用损失方面具有显着作用。这个结果显然是在意料之中的。该模型的作用在于量化对家庭和银行的影响。该模型包含有关劳动力和信贷市场的详细国家特征.这些特征包括失业救济金计划的细节，例如，关于替代率和救济金期限、浮动/固定利率贷款的份额，以及房价发展通过战略违约激励措施影响 PD 的程度。各国的失业救济金和固定利率份额存在显着差异，并对信用风险动态产生重大影响。抵押贷款是有限追索权的程度很重要，尤其是在美国，战略违约激励在一定程度上占主导地位，而欧盟国家大多面临完全追索制度。我们对该模型的回测结果证实了该模型能够很好地捕捉宏观经济条件影响家庭违约概率和违约损失率的相关渠道。1 微观数据来自样本中欧盟国家的家庭金融和消费调查 (HFCS)（链接）和美国的收入动态面板调查 (PSID)（链接）。2 本论文有一个配套文件（参见 Giannoulakis 等人，2022 年），其中考虑了同一组模型扩展，而该模型用于检查 PD 和 LGD 响应的分配方面，以家庭财富和收入为条件特征。 5II. 大号迭代家庭债务的宏观经济重要性已被记录在案，并激发了本文提出的分析. Mian and Sufi (2009, 2014) 和 Jòrda 等人讨论了家庭债务动态的作用——包括美国在 2007-09 年全球金融危机前夕的作用。 （2013 年、2016 年）。 Claessens 等人的转折点分析。 (2010) 证实，经济衰退通常先于信贷和房地产繁荣。同样，基于跨国面板数据，Schularick 和 Taylor (2012) 得出结论，信贷和房地产的繁荣是随后衰退的有力预测因素。自 2000 年代初以来，家庭微观数据一直被用于评估家庭债务动态和对家庭进行情景分析（表 1）.最早的贡献出现在北欧国家：芬兰、挪威和瑞典（Johansson 和 Persson 2006，Vatne 2006，Herrala 和 Kauko 2007）。随后对欧洲国家（奥地利、捷克共和国、匈牙利、波兰等）和非欧盟国家如韩国（Karasulu 2008）、智利（ Fuenzalida 和 Ruiz-Tagle 2011）、加拿大（ Djoudad 2012）和澳大利亚（Kearns 等人，2020 年）。可以在 Leika 和 Marchettini (2017) 中找到一项调查。该文献主要是描述性的，侧重于不同类型的漏洞指标.此类指标包括财务利润率（收入减去支出）、偿债与收入 (DSTI) 比率、债务与资产比率等。通常进行情景分析以评估此类指标如何响应不断变化的利率、失业率、收入和房价。它们都没有考虑明确的多期情景模拟，而且几乎没有一个提供对 PD 和 LGD 的估计。基金组织 FSAP 中也进行了各种微观数据分析（表 1）。3与学术文献一样，它们通常不会得出违约概率和违约损失率，因此不允许将家庭模型结果与银行压力测试联系起来。此处介绍的模型可以帮助完成此链接，GP (2017) 和 Jurča 等人也证明了这一点。 （2020 年）。近年来开发了用于模拟家庭信用风险参数的多期模拟框架.此类框架包括针对加拿大的 Peterson 和 Roberts (2016) 以及由欧洲中央银行 (ECB) 针对欧洲国家开发的 GP (2017)。这些模型考虑了对家庭损益流量和隐含资产负债表存量的显式模拟，并允许获得适合与相应银行信用风险指标相关联的违约概率和违约损失率（例如，考虑过去 90 天计算 PD 的适当标准）。在分析不断变化的就业条件对家庭风险指标的影响时，经常使用随机模拟方法.此类模拟的实施方式（通常涉及物流就业模型）因应用程序而异。有几篇论文开发了一些程序，假设通过根据宏观经济情景移动逻辑回归的截距，个人有相同的失业概率（ Johansson 和 Persson 2006， Holló 和 Papp 2007，Albacete 和 Lindner 2010）。其他人允许通过分别移动就业和失业家庭的截距来控制过渡流（Gapluščák et al. 2016），或者另外，通过在逻辑模型的残差中添加持久性项以及截距偏移来匹配失业持续时间（全科医生 2017)。3 一些并非字面意义上的微观模拟但其参数部分由微观数据决定的模型方法包括 Gornicka 和 Valderrama（2020 年）以及 IMF（2019 年、2020 年）。 6表 1. 文献——微观数据分析和模型前瞻性/情景条件分析#参考国家财务保证金，流量焦点财务保证金、流量和存量利率就业收入房价多变量场景单期/瞬间新的多期视野随机处理雇员地位内生抵押起源PD违约金链接到银行资产负债表基于借款人的 MPRU政策#1约翰逊和佩尔松 (2006)瑞典12瓦特纳 (2006)挪威23海拉拉与考科 (2007)芬兰34霍洛和帕普 (2007)匈牙利45扎亚茨科夫斯基和佐霍夫斯基 (2007)波兰56卡拉苏鲁 (2008)韩国67阿尔巴塞特和费斯勒 (2010)奥地利78Fuenzalida & Ruiz-Tagle (2011)智利89国际货币基金组织 (2011)英国910科斯塔和法里尼亚 (2012)葡萄牙1011朱达 (2012)加拿大1112国际货币基金组织（2012 年）西班牙1213阿尔巴塞特和林德纳 (2013)奥地利1314国际货币基金组织（2013 年）意大利1415阿林斯等人。 (2014)拉脱维亚1516林奎斯特等人。 (2014)挪威1617米开朗基利与皮特伦蒂 (2014)意大利1718库森等人。 (2015)爱尔兰1819国际货币基金组织（2015 年）挪威1920Galuščák 等人。 (2016)捷克共和国2021彼得森和罗伯茨 (2016)加拿大2122Gross & Poblacion (2017)欧元区国家2223国际货币基金组织（2017a）芬兰2324国际货币基金组织（2017b）卢森堡2425尼尔等人。 (2019)罗马尼亚2526尤尔察等人。 (2020)斯洛伐克2627纽格鲍尔等人。 (2021)葡萄牙27注：该表总结了一组基于微观数据的分析，无论是单独基于家庭微观数据还是结合微观宏观模型框架。 MPRU 缩写为“宏观审慎”。详情见正文。 7图 1. 模型结构注：示意图描述了修改后的 IDHBS 模型结构，用于本文中的情景条件预测。图 2. 模型中捕获的家庭违约和违约损失的结构性驱动因素注：括号中的符号表示结构模型中捕获的 PD/LGD（特别是抵押债务）与其驱动因素之间的关系（直接关系和其他条件不变）。主要驱动因素和次要驱动因素之间的差异与它们在对违约概率和违约损失率的经济影响方面的重要性有关。III. 吨他米