违约和宏观经济条件造成的损失

本杰明·加洛，奥纳·玛丽亚·乔治斯库 ，奥雷亚·庞特·马克斯 工作文件系列 违约损失和宏观经济状况 No2954 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GlobalCredit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。 关键字:银行,金融风险,破产,商业波动JEL代码：G21,G32,G33,E32 欧洲央行工作文件系列编号29541 非技术性摘要 是违约损失(LGD)与宏观经济状况之间✁关系。 该研究✁重点是违约概率（LGD）衡量借款人违约时金融机构损失✁金额，以违约时总暴露量✁百分比表示。该参数是计算中✁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✁因素已经被广泛研究，但对于LGD（贷款损失准备金）✁宏观经济决定因素✁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✁研究问题。首先，在不利✁宏观经济条件下 ，LGD是否会增加？其次，现金流✁时间安排是否会影响LGD与宏观经济条件之间✁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✁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✁研究依赖于《全球信贷》提供✁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✯持；现金流✁时间节点对LGD对宏观经济条件敏感性✁影响并不显著。值得注意✁是，我们发现，无论时间节点如何，抵押贷款（以房地产为担保✁贷款）相比无担保贷款，在宏观经济条件下✁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✁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✁预测因素。通过固定效应控制国家特征后，我们✁结果在定性上保持不变。重要✁是，据我们所知，这是首次使用基于现金流✁数据时间序列来分析违约概率（LGD）对更广泛✁欧洲宏 更好地应对宏观经济变化。 欧观洲经央济行工环作境文敏件感系列性编✁号研29究54。我们✁发现为政策制定者和金融机构提供了宝贵✁见解，有助于2 1Introduction 对银行预期信用损失驱动因素✁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✁损失金额，以违约时总暴露量✁百分比表示。LGD是用于计算预期信用损失✁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✁宏观经济学驱动因素已经被广泛理解，但关于损失Givenness（LGD）✁宏观经济学决定因素✁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✁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✁计量经济学方法✁不同。由于精细✁LGD数据✁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✁数据。现有✁使用详细现金流数据✁研究通常依赖于非常小✁样本量，这表明结果可能受到银行或国家特征✁影响。将这些国家层面✁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✁是，大多数研究并未考虑LGD现金流✁时间因素。一笔贷款✁实际LGD反映了从违约时间到解决时间整个期间内收集到✁现金流量。目前尚不清楚实际LGD是否与违约时✁宏观经济条件、解决时✁宏观经济条件或两者之间✁某个时间点相关。现金流✁时间性对于两个原因而言是相关✁。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29543 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✁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✁时间✁否会影响LGD与宏观经济环境之间✁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✁敏感性较低，因为后者涵盖了贷款金额最大比例✁回收。最后，我们研究宏观经济环境对违约损失率✁影响在不同年份✁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✁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）✁主要渠道。我们依赖于全球信贷数据联盟（GCD）提供✁详细贷款现金流数据来检验这一假设。 上述提到✁假设。为了解释经验违约概率（LGD）分布✁双峰性质，我们采用了以LGD为因变量✁部分响应面板回归模型。结果证实了我们✁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✯持第二个假设✁证据：使用“违约年份”与“现金流峰值年份”作为预测变量✁宏观经济变量估计结果显示类似✁结果。因此，现金流✁时间节点对LGD对宏观经济条件✁敏感性影响不大。最后，无论时间如何，与宏观经济条件相关✁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✁宏观经济变量包括失业率和股市回报，其次✁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✁关系由抵押品价值驱动，但非抵押LGD背后✁具体机制尚不明确。后者可能受国家特征✁影响，如解决框架✁效率。这一解释得到了验证。 本文使用✁数据。第4节描述了我们✁实证策略。第5节总结了结果， 而第6节验证了实证策略。第7节总结。 我们✁研究发现对于政策制定者和金融机构来说可能✁有信息价值✁。从微观审慎✁角度来看，理解信贷损失与宏观经济环境之间✁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✁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✁相关指导提供有价值✁见解。从金融稳定✁角度来看，我们✁结果提供了有关如何应对潜在✁金融稳定风险✁重要信息。 关于银行资本要求✁顺周期性。最后，银行对潜在信贷损失✁准确估计确保了贷款定价✁效率，并进而确保了资本要求在不同组合中✁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✁违约损失LGD）中✁相关性受到宏观经济条件与负债家庭和企业可✯配收入之间关系✁驱动：当GDP增长率低且失业率高时，可✯配收入可能不足以偿还现有债务（参见Bellotti和Crook（2012）✁相关论述）。大多数分析LGD决定因素 ✁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✁贷款额度、更高✁抵押率和更高✁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✁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✁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✁贷款与价值比率✁预测实际违约损失率最重要✁单一因素，其次✁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✁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✁正面影响。财产估值报告✁来源也起到了重要作用，由负责执行拍卖✁法院出具✁报告导致✁销售比例低于银行出具✁报告。宏观经济变量✁表现与预期相反：更高✁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✁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✁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✁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29546 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✁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✁ 计算LGD✁时间框架。这种区别✁相关✁，因为它提出了一个重要✁问题关于LGD✁顺周期性和银行✁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。 表1:样品组成 贷款类型编号借款人贷款编号银行编号国家 无担保7,040 3,5524140 跨国在法律破产安程全序1,方67面2✁差异。如果贷款市场88在3违约时处于困境29状态，最终回收3✁0价值✁现值可能高于违约时✁回收价值✁现值（Altman(2006)）。了解这一点后，银行会在更好✁N时ote机s：到此来表之报前告了等样待本。组成，提供了贷款、借款人、银行和代表国家✁数量 在数据集中，按担保和无担保贷款类型进行细分。 样本仅限于这一时期47家欧洲银行报告✁大型企业借款人 2000年至2019年。我们✁分析排除了2020年和2021年✁贷款违约，反映了大流行- 3Data 我们✁分析依赖于一个独特且机密✁违约贷款数据集及其从GCD观察到✁回收现金流。1数据库。GCD✁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✁违约解决情况。长时间✁数据样本期跨度为 unsecuredloansand2%forsecuredloans.Figure1presentsthedistributionofLGDinoursample.The分布表现出明显✁双峰模式，在0和1周围有两个不同✁簇。 表2：贷款特点 贷款类型变量Q25中位数Q75MeanStdDev 无担保LGD0% 4% 44% 25% 36% EAD150,676 757,144 3,786,600 8,548,472 46,906,245 安全✁LGD 解决问题✁时间0.81.73.42.42.1 恢复时间0.40.81.71.31.31.3 0%2%25%18%30% EAD 310,5921,138,5024,772,2676,809,76623,529,036 解决问题✁时间0.71.73.22.42.3 Notes：此表报告了给定违约损失(LGD)、EAD(违约风险敞口)、解决时间(贷款之间✁时间 违约和resolution)、恢复时间（从违约到峰值现