印度：技术援助报告——对印度储备银行压力测试模型框架的审查与评估
技术援助报告 印度 《印度储备银行压力测试模型框架的审查与评估》 2023年9月 编制者： 马克罗格罗斯和魏孙 货币与资本市场部门 仅限官方使用 免责声明 本文件的内容构成国际货币基金组织（IMF）工作人员向印度储备银行（RBI），“能力发展（CD）接受方”，提供的技术建议，以响应RBI对技术援助的请求。除非CD接受方明确反对此类公开披露，否则本文件 （全部或部分）或其摘要可由IMF向IMF印度执行董事、其他IMF执行董事及其工作人员以及CD接受方的其他机关或机构公开，并根据他们的请求，向世界银行工作人员和其他技术援助提供者公开（见员工操作指南关于能力发展信息传播公布或披露本报告（全部或部分）给国际货币基金组织（IMF）以外的CD受益国机构或机构、世界银行工作人员、其他技术援助提供者和有合法利益的捐助者，需经CD受益国和IMF货币与资本市场部门的明确同意。 目录表 术语表4前言5摘要6 一、背景7 第二部分模型评审与评估8 A银行偿债风险分析8B银行流动性风险分析 16C宏观金融情景设计 18D资产负债和流动性风险分析非银行金融机构第19页网络与传染分析19 箱子 1信用风险基本原理股票流关系10 2LGD模型选项12 3修改后的久期和市值重估（MtM）计算方法用于债券敞口14图 1印度：银行和金融体系结构7表格 1主要建议6 2建议：信用风险9 3建议：利率风险（通过净利息收入）13 4建议：市场风险14 5建议：其他经营收入和支出15 6建议：动态资产负债表16 7建议：风险加权资产16 8建议：流动性压力测试17 9建议：场景设计18 10建议：非银行金融机构压力测试19 11建议：网络和传染分析20 附件 背景：银行系统数据和指标21 词汇表 ARDLFXHQLAIRBLCRLGDMtMNBFIsNIINPLsNSFROCIOOEOOIPDPLRBIRERoARWA 自回分布滞后模型外汇 高质量流动资产基于内部评级方法流动性覆盖率比率损失发生时 市值法 非银行金融机构净利息收入 不良贷款 网络稳定资金比率其他全面收益 其他运营费用其他运营收入违约概率 损益 印度储备银行房地产 资产收益率风险加权资产 序言 技术援助（TA）任务于2023年4月据印度储备行（RBI）要求组织，由国际货币基金组织（IMF）对其实施压力测试模型套件进行审查和评估。任务团队由来自国际货币基金组织货币和资本市场（MCM）部门马可格罗斯先生（TA任务负责人）和魏孙女士组成。 任务小组主要对应人员来自RBI，包括凯亚特拉帕蒂女士（金融稳定单元负责人）、斯内哈蒂盖恩先生 （金融稳定单元主任）、桑吉塔马修斯女士（金融稳定单元助理顾问）、库什夏尔马先生（金融稳定单元助理顾问）以及普雷姆莫汉先生（金融稳定单元经理）。团队还包括阿约帕南奈尔先生（金融稳定单元总经理）、拉克什库马尔先生（金融稳定单元主任）、阿夫德什库马尔舒克拉先生（监督部门研究和建模小组主任）以及维贾伊辛格谢卡瓦特博士（监督部门总经理）。与RBI执行董事奥P马尔讨论非常有益。 国际货币基金组织技术援助团成员对印度储备行在其任务期间提供友好款待和大力合作表示感谢 。 高管总结 该任务目是让国际货币基金组织（IMF）对印度储备行（RBI）分析能力和风险管理模型进行全面审查，包括偿付能力风险分析、流动性风险分析以及行（含非行金融机构）资产负债表关联性 。央行向IMF团队提供了所有可用文件，包括记录、演示文稿，并通过对一系列持续长达十天会议进行详细讨论。在任务后期阶段，IMF团队向央行工作人员概述了其认为上述领域最佳实践在基金组织和借鉴其他国家实践经验基础上。 印度储备行（RBI）压力测试模型套件在多个方面被发现得到了良好发展。印度储备行（RBI） 模型套件和分析在以下领域被发现特别稳健：（1）所有主要数据库内容和结构包括通过监管报告所必需、用于系统性风险分析数据；值得称赞是，所有必需数据可以在需要访问它各个部门之间“自由流动”；（2）系统风险分析涵盖了一系列风险和机构，包括信用、市场、利率、流动性和衍生品对手方风险；除行外，评估还包括保险公司、共同基金和中央对手方（例如，在最新金融稳定报告中）；以及（3）结构性网络传染模块在基于长达十年双边暴露数据矩阵大规模序列基础上建立 ，这些数据始于2010年，涵盖了行和非行金融机构类型，包括养老基金、保险公司、住房融资公司以及非行金融机构。该模型总计纳入了225家行和非行金融机构。 主要建议涉及信用风险、市场风险（包括利率风险）以及宏观经济情景设计。高级推荐总结于表1。更详细推荐在本报告中详细阐述。表1中最后一条推荐与RBI金融稳定部门员工相关，他们应从增员中受益。 任务团队建议，大多数建议最好在两年内得到解决，即到2025年。在2025年之前解决这些问题将有益，因为印度将在2025年实施一个新会计制度（类似于2018年在其他司法管辖区实施《国际财务报告准则》第9号），这将意味着新任务和分析发展需求。 任务团队还为印度储备行（RBI）提供了关于气候风险评估入门指南。中国人民行询问是否可以将此类会议纳入任务中。作为回应，计划中增加了一个为期三小时会议，以向中国人民行提供如何进行气候风险评估理解，包括数据、分析工具和模型。国际货币基金组织团队在相关会议之前进行了针对印度特定研究，以提供讨论背景。 表1主要建议 推荐 优先级 时间段 修订基于情景行偿付能力风险模型中信用风险模型组件确保其与违约流程建模、违约损失以及不良贷款（NPL）一致性整合。形成，贷款损失准备。 高度 中期 整合市场风险成分，特别是与行相关利率风险成分。安全持股纳入基于情景偿付能力压力测试模型套件。 高度 短期 优化利率风险模块（通过净利息收入，NII）以更好地捕捉潜在驱动行利息支出和收入因素，以及违约风险外部溢出效应。行利息收入。 高度 中期 通过运用半结构化宏观金融模型来精细化构建宏观金融情景。作为结构向量自回模型（SVARs）；考虑23年情景范围。 中等 中期 考虑扩大印度储备行（RBI）金融稳定部门员工队伍，以缓解当前状况。员工工作负荷，使他们能够更好地应对提出首要建议。本报告。 高度 短期 注意： 短期和中期时间框架分别指1年和12年视野，在此期间建议采取行动应予以解决。 I背景 印度金融体系中包含了相当一部分行，同时也包含了一部分不容忽视非行金融机构（NBFIs） 。公共、私营和外资商业行占金融体系资产55（截至2022年底，见图1）。行体系由国有行 （59）、私营行（35）和外资行（6）组成。46家行中最大16家行拥有85行体系资产。保险公司构成最大非行金融部门，占总资产15。除保险公司和养老基金之外非行金融机构，如共同基金、住房金融公司等，对金融体系资产贡献了28。1过去十年中，行体系资产与年度名义GDP之比平均为81；由于2021年和2022年名义GDP分别强劲增长18和16，这一比例在这两年有所下降。 印度行体系自疫情以来在资本化方面实现了复苏。其综合资本比率在2022年底排名同行中等，约为16（附件图1）。其盈利能力（资产回报率，RoA）在2019年前较弱，但自2020年以来有所增强，202 2年达到14（附件图2）。其利息收入和支出均较低（分别为负数和正数）。与同行相比，其净利息收入相对较弱。 在跨国比较中，印度行系统以总资产中证券占比高为特点。它于2022年末在系统层面超过了26（附件图3）。私人行往往比国有行比率低（图1，右下角）。证券高比例突显了在印度行压力测试模型套件中包含一个发达市场风险模块重要性。 图1印度：行业和金融体系结构 行总资产（印度卢比百万） 500000045000004000000350000030000002500000200000015000001000000500000 13579111315171921232527293133353739414345 注意：NBFIs非行金融机构INR印度卢比金条10000000（或印度计数系统中100lakh）。左下角图表展示了46家行全部资产，这些行几乎代表了印度行系统100。数据包括行系统结构、行总资产。并且安全持股，均对应于2022年末。来源RB伊行监管报告及国际货币基金组织工作人员计算。 1印度储备行2022年12月发布《金融稳定报告》包括了针对非行金融机构（NBFIs）多个定制分析，例如共同基另类投资基金和中央对手方。 二、模型综述与评价 A行偿付能力风险分析 中国人民行对46家商业行进行偿付能力风险评估。2这个样本代表印度商业行业资产总量98 。分析考虑了多种风险因素，并评估了国有、私营和外资行资本状况。监管机构返还数据是该分析 主要来源。此外，RBI金融稳定单位对特定主题行特定数据提交进行了补充。 两种互补方法支撑行偿付能力分析。第一种方法是一种基于情景压力测试分析，该方法将宏观金融情景转换为行资本比率轨迹，以一年情景时间为horizon。在行集群层面上（时间序列模型）开发了多个模型组件。然后，由此模型得出预测被分发给各个行。第二种方法考虑了各种敏感性分析 ，以补充基于情景压力测试，例如与行和交易账户中利率风险相关分析。 信用风险 印度储备行（RBI）以三种方式对信贷风险进行模：使用不贷款（NPL）比率、信贷损失拨备流动 ，以及行业层面违约概率（PDs）。这三大元素在印度储备行（RBI）当前框架中承担不同职能 。首先，不贷款比例（NPLratios）用于供应计量经济学净利息收入（NII）模型（这一方面将在NII章节中进行讨论）。目前，它们并不用于暗示违约流量，也不在结构上影响行资本比率动态。其次，用于拨备流量计量经济学模型（通过损益表计算）旨在暗示贷款损失，并影响资本比率分子值。第三，行业违约概率（PD）模型作为内部评级基础（IRB）监管权重资产（RWA）模块输入。这将将在单独小节中进行讨论。 两种模型方法已适用于NPL模型组件。这些包括自回分布滞后模型（ARDL）结构和向量自回（VAR ）模型结构。它们捕捉了不贷款（以贷款总额比率模）和实际GDP增长、利率（利差）波动以及各种企业部脆弱性变量关系。ARDL模型用于通过方程右侧变量将宏观经济金融情景进行转换。VAR模型与脉冲响应方法结合使用，以体现不贷款比率情景条件响应。从两个模型预测中为每家行取简单平均值。 信用损失准备金流量模型用于预测通过损益表流动贷款损失。这些回模型将不贷款比率作为解释变量放在其右侧，同时还包括其他宏观金融驱动因素。 关于当前信用风险模块说明：NPL比率模型不用于结构性地暗示产生利息收入优暴露资产，即与利息收入模块没有关联。 信贷损失准备和提留模型不考虑债券组合分解。 三种与信用风险相关模型组件针对不贷款（NPLs）、拨备流动（provisionflows）和行业违约概率（sectoralPDs）在任何结构化方式中均不相互作用。 2中国人民行将它们称为所谓“商业行”。这一术语源于它们受中央行章程第二附表约束。 VAR模型使用方式存在一些方法论上不足：首先分别模拟每个驱动因素脉冲响应，随后将非行贷款比率（NPL）响应获得为这些路径平均值。更好替代方案是仅使用NPL变量方程，并省略所有其他方程，从而消除VAR系统，并计算情景条件下预测。反过来，这表明，在原则上，ARDLs（自回分布滞后模型）更为优越，因为它们也允许存在时间共线性关系。 表2议：信用风险 推荐 评论理由 1 实施一个股票流量一致性信用风险模块选项1：通过计量经济学方法模拟模型默认流程并且意味着NPL股票在结构上。选项2：通过计量经济学模型研究不贷款股票并且结构性地意味着违约流。议进行投资组合细分。至少分为：非金融企业，住宅抵押贷款，以及所有非抵押贷款家庭零售信贷。 选项1更受欢迎，因为它更容易与特定时间点违约流指标相关联当前宏观经济金融状况。两种选择都需要额外假设，尤其是关于信贷总额增长和不贷款核销率。核销率可以是由历史观察
