违约和宏观经济条件造成的损失

违约损失和宏观经济状况 本杰明 · 加洛 ， 奥纳 · 玛丽亚 · 乔治斯库， 奥雷亚 · 庞特 · 马克斯 免责声明:本论文不应被视为欧洲中央银行（ECB）的观点。文中观点仅为作者个人观点，不一定反映欧洲中央银行的意见。 和银行资本要求。 Abstract 我们通过探索Global Credit保密的数据集，研究实际违约损失率（LGD）对宏观经济条件的敏感性，该数据集包含了违约贷款的实际现金流量。鉴于贷款回收期可能长达数年，并且在此期间宏观经济条件可能出现波动，我们的研究探讨了现金流时间点是否会影响LGD对宏观经济条件敏感性的变化。我们发现，无论现金流的时间点如何，与无担保贷款相比，抵押贷款的LGD对宏观经济条件的敏感性更高。对于抵押贷款，最相关的宏观经济变量是失业率和股市回报，其次是房价增长率和长期利率的变化。对于无担保贷款，实际GDP增长率和股市回报是最相关的预测指标。这些结果可能对微观和宏观审慎政策制定者具有重要意义，有助于了解风险参数的顺周期性。 非技术性摘要 是违约损失 (LGD) 与宏观经济状况之间的关系。该研究的重点 是违约概率（LGD）衡量借款人违约时金融机构损失的金额，以违约时总暴露量的百分比表示。该参数是计算中的一个重要输入。 预期信用损失，包括违约概率（PD）和违约时暴露量（EAD）。尽管影响违约概率的因素已经被广泛研究，但对于 LGD（贷款损失准备金）的宏观经济决定因素的研究却相对有限，尤其是在欧洲背景下。本研究旨在回答三个主要的研究问题。首先，在不利的宏观经济条件下，LGD 是否会增加？其次，现金流的时间安排是否会影响 LGD 与宏观经济条件之间的关系？第三，在违约年份与现金流量峰值年份中，LGD 对宏观经济条件的敏感性差异是否意味着有担保贷款比无担保贷款更为显著？为了检验这些假设，我们的研究依赖于《全球信贷》提供的详细贷款现金流数据。 数据 consortium（GCD）。研究结果证实了主要假设，即当宏观经济环境恶化时，违约概率（LGD）往往会增加。然而，第二个假设未得到支持；现金流的时间节点对LGD对宏观经济条件敏感性的影响并不显著。值得注意的是，我们发现，无论时间节点如何，抵押贷款（以房地产为担保的贷款）相比无担保贷款，在宏观经济条件下的违约概率敏感性更高。对于抵押贷款，多个宏观经济变量是LGD的重要预测因素，包括失业率、股票回报率、房价和长期利率。而对于无担保贷款，只有实际国内生产总值（GDP）增长率和股票回报率是重要的预测因素。通过固定效应控制国家特征后，我们的结果在定性上保持不变。重要的是，据我们所知，这是首次使用基于现金流的数据时间序列来分析违约概率（LGD）对更广泛的欧洲宏观经济环境敏感性的研究。我们的发现为政策制定者和金融机构提供了宝贵的见解，有助于更好地应对宏观经济变化。 1 Introduction 对银行预期信用损失驱动因素的深刻理解对于政策制定者和金融机构都非常重要。违约损失率（LGD）反映了借款人违约时银行或非银行金融机构所遭受的损失金额，以违约时总暴露量的百分比表示。LGD 是用于计算预期信用损失的关键因素之一，与其他因素一同使用。 违约概率（PD）和违约时暴露量（EAD）。虽然违约概率的宏观经济学驱动因素已经被广泛理解，但关于损失 Givenness（LGD）的宏观经济学决定因素的研究仍然相对稀缺，特别是在欧洲背景下。现有关于宏观经济条件与LGD之间关系的研究结果并不一致。这些不一致性可能源于数据粒度、样本大小以及所使用的计量经济学方法的不同。由于精细的LGD数据的有限可用性，仅有少数研究使用了源自实际违约贷款现金流的数据。现有的使用详细现金流数据的研究通常依赖于非常小的样本量，这表明结果可能受到银行或国家特征的影响。将这些国家层面的结果外推到欧洲背景中可能会面临挑战，因为不同国家在担保解决法律框架效率方面存在差异。 重要的是，大多数研究并未考虑 LGD 现金流的时间因素。一笔贷款的实际 LGD 反映了从违约时间到解决时间整个期间内收集到的现金流量。目前尚不清楚实际 LGD 是否与违约时的宏观经济条件、解决时的宏观经济条件或两者之间的某个时间点相关。现金流的时间性对于两个原因而言是相关的。首先，贷款重组通常会持续数年。 欧洲央行工作文件系列编号 2954 3 资金得以恢复，被称为“现金流峰值年”。在本研究中，我们探讨了三个研究问题。首先，我们假设在不利的宏观经济条件下，违约损失率（LGD）会更高。其次，我们评估现金流的时间是否会影响LGD与宏观经济环境之间的关系。我们预期，在违约年相比现金流峰值年，LGD对宏观经济环境的敏感性较低，因为后者涵盖了贷款金额最大比例的回收。最后，我们研究宏观经济环境对违约损失率的影响在不同年份是否存在差异。 违约率与峰值现金流年份相比，在有担保贷款中比在无担保贷款中更具相关性。这一假设背后的直觉在于，抵押品价值构成了宏观经济条件影响违约概率（LGD）的主要渠道。我们依赖于全球信贷数据联盟（GCD）提供的详细贷款现金流数据来检验这一假设。 上述提到的假设。为了解释经验违约概率（LGD）分布的双峰性质，我们采用了以LGD为因变量的部分响应面板回归模型。结果证实了我们的主要假设，即在宏观经济条件恶化时，违约概率增加。然而，我们并未找到支持第二个假设的证据：使用“违约年份”与“现金流峰值年份”作为预测变量的宏观经济变量估计结果显示类似的结果。因此，现金流的时间节点对LGD对宏观经济条件的敏感性影响不大。最后，无论时间如何，与宏观经济条件相关的LGD敏感性对于抵押贷款相比非抵押贷款更高。对于抵押贷款，五个宏观经济变量中有三个在所有模型中均具有显著性。对于抵押LGD而言，最相关的宏观经济变量包括失业率和股市回报，其次是房价和长期利率。具体而言，失业率和长期利率与LGD呈正相关关系，而股市回报和房价增长率则与LGD呈负相关关系。对于非抵押贷款，只有两个宏观经济变量在五个变量中具有显著性，且实际国内生产总值增长率和股市回报与之呈负相关关系。虽然抵押LGD与宏观经济条件之间的关系由抵押品价值驱动，但非抵押LGD背后的具体机制尚不明确。后者可能受国家特征的影响，如解决框架的效率。这一解释得到了验证。 而第 6 节验证了实证策略。第 7 节总结。本文使用的数据。第 4 节描述了我们的实证策略。第 5 节总结了结果 ， 我们的研究发现对于政策制定者和金融机构来说可能是有信息价值的。从微观审慎的角度来看，理解信贷损失与宏观经济环境之间的关系对于谨慎估计风险参数、确保银行资本充足率至关重要。例如，我们的结果可能为监管指南中关于将经济衰退因素纳入违约损失（LGD）模型中的相关指导提供有价值的见解。从金融稳定的角度来看，我们的结果提供了有关如何应对潜在的金融稳定风险的重要信息。 关于银行资本要求的顺周期性。最后，银行对潜在信贷损失的准确估计确保了贷款定价的效率，并进而确保了资本要求在不同组合中的有效分配。本文结构如下。下一节提供文献综述。第3节呈现 2 相关文献 宏观经济变量在预测信用损失（特别是违约损失LGD）中的相关性受到宏观经济条件与负债家庭和企业可支配收入之间关系的驱动：当GDP增长率低且失业率高时，可支配收入可能不足以偿还现有债务（参见Bellotti和Crook（2012）的相关论述）。大多数分析LGD决定因素的实证研究主要关注贷款和借款人特定变量。 ：一般而言，这些研究发现较小的贷款额度、更高的抵押率和更高的信用质量与违约损失率（LGD）呈负相关关系（Bastos (2010)，Dermine 和 Carvalho (2006)）。然而，分析LGD 并且考虑了担保方式。贝尔洛蒂和克鲁克（2012）发现未担保的违约损失率、银行利率和失业率之间存在正相关关系。同样，科内琴尼等（2017）使用一家大型捷克银行的数据，并发现信贷增长、GDP、消费和工资增长与违约损失率（LGD）之间存在负相关关系。多项研究表明，在抵押房地产贷款中，当前的贷款与价值比率是预测实际违约损失率最重要的单一因素，其次是房屋价格指数（Qi和Yang（2007）；Calem和LaCour-Little（2004）；Lekkas等人（1993）；Ingermann等人（2016））。Ingermann等人（2016）分析了一组德国房地产贷款组合的销售比例决定因素，并发现财产状况和位置对销售比例有显著的正面影响。财产估值报告的来源也起到了重要作用，由负责执行拍卖的法院出具的报告导致的销售比例低于银行出具的报告。宏观经济变量的表现与预期相反：更高的GDP增长率与回收率下降有关，而失业率则与之相反。 与回收率增加相关。特定的 LGD 分布形状导致在不同研究中估计方法存在显著异质性。这些方法范围从简单的OLS回归（Qi 和 Zhao (2011)）到对数-对数回归、分数响应回归、分位数回归和回归树。Dermine 和 Carvalho (2006) 以及 Bastos (2010) 通过使用分数响应回归来捕捉回收率的双峰形状，而 Gupton 和 Stein (2005) 假设 LGD 服从 beta 分布。大多数这些研究样本量较小，主要集中在单一国家或单一银行（Dermine 和 欧洲央行工作文件系列编号 2954 6 卡瓦略（2006年），贝尔洛蒂和克鲁克（2012年），英格曼等（2016年），孔策尼等（201 清算违约贷款的抵押品 ， 削弱违约时 LGD 与宏观经济环境。监管机构往往无法区分这两个不同的计算 LGD 的时间框架。这种区别是相关的 ， 因为它提出了一个重要的问题关于 LGD 的顺周期性和银行的资本要求。 几个商业周期 ， 包括 2008 年全球金融危机和 2001 - 2002 年互联网泡沫。 样本仅限于这一时期 47 家欧洲银行报告的大型企业借款人 2000 年至 2019 年。我们的分析排除了 2020 年和 2021 年的贷款违约 ， 反映了大流行 - 3 Data 我们的分析依赖于一个独特且机密的违约贷款数据集及其从GCD观察到的回收现金流。1数据库。GCD的LGD数据集包含来自全球超过300,000个非零售违约贷款设施，涉及超过150,000个借款人和11类巴塞尔资产类别。该数据集自2004年起编制，涵盖了从2000年到现在的违约解决情况。长时间的数据样本期跨度为 unsecured loans and 2% for secured loans. Figure 1 presents the distribution of LGD in our sample. The分布表现出明显的双峰模式 ， 在 0 和 1 周围有两个不同的簇。 Table 3 shows the composition of our sample by industry. The most relevant industries represented是房地产 (占贷款的 17%) 、制造业 (13%) 、交通运输 (10%) 和批发 (10%) 。一个大恢复时间 0.4 0.9 1.9 1.4 1.4 RE 抵押品价值 703, 375 2, 050, 000 5, 720, 218 11, 176, 726 40, 685, 255 LTV13% 42% 94% 54% 48% 房地产行业的部分贷款由房地产抵押担保 (37%) 。房地产行业 ， By its nature, is more closly strate to physical property assets, which can serve as collateral for loans. In Other4%Total100% Notes： 此表按部门报告了样品组成。变量被分配给贷款违约损失准备金（LGD）、“违约年份”和“现金流峰值年份”。LGD 自身不 2贷款 LGD 和宏观经济环境在分析时似乎在经济上更有意义参见欧洲央行 TRIM