龍海明,唐海龍,歐陽(yáng)娟

(湖南大學(xué)金融學(xué)院,湖南長(zhǎng)沙 410079)＊

住房抵押貸款風(fēng)險(xiǎn)控制實(shí)證研究
——基于中國(guó)銀行某分行的數(shù)據(jù)分析

龍海明,唐海龍,歐陽(yáng)娟

(湖南大學(xué)金融學(xué)院,湖南長(zhǎng)沙 410079)＊

選取中國(guó)銀行某分行住房抵押貸款數(shù)據(jù),運(yùn)用壓力測(cè)試、Logistic模型對(duì)住房抵押貸款風(fēng)險(xiǎn)進(jìn)行實(shí)證研究,判斷該行抵御風(fēng)險(xiǎn)的能力。研究發(fā)現(xiàn),貸款客戶的學(xué)歷、婚姻狀況、貸款利率和期限等因素對(duì)該行住房抵押貸款違約風(fēng)險(xiǎn)產(chǎn)生了重要影響。因此,銀行應(yīng)在相關(guān)方面加強(qiáng)控制以有效防范風(fēng)險(xiǎn)。

風(fēng)險(xiǎn)控制;壓力測(cè)試;因子分析;Logistic模型

一、引言

2007年,美國(guó)次貸危機(jī)爆發(fā)并引發(fā)全球性的金融危機(jī)。中國(guó)房貸市場(chǎng)的現(xiàn)實(shí)狀況與美國(guó)次貸危機(jī)爆發(fā)前的情形有相似之處,各大銀行在業(yè)務(wù)繁榮的背后積聚了巨大的風(fēng)險(xiǎn)壓力。面對(duì)嚴(yán)峻的形勢(shì),利用數(shù)學(xué)計(jì)量模型來(lái)有效度量和控制住房抵押貸款風(fēng)險(xiǎn)就顯得尤為迫切,而市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)又是運(yùn)用計(jì)量模型分析的主要風(fēng)險(xiǎn)。其中,商業(yè)銀行市場(chǎng)風(fēng)險(xiǎn)是因利率、匯率等的變動(dòng)而導(dǎo)致價(jià)值未預(yù)料到的潛在損失的風(fēng)險(xiǎn)。而信用風(fēng)險(xiǎn)又稱違約風(fēng)險(xiǎn),指交易對(duì)手未能履行約定契約中的義務(wù)而造成經(jīng)濟(jì)損失的風(fēng)險(xiǎn)。中國(guó)銀行的住房抵押貸款業(yè)務(wù)已經(jīng)達(dá)到一定的規(guī)模,該行抵御風(fēng)險(xiǎn)能力是否達(dá)到商業(yè)銀行所應(yīng)有的穩(wěn)健性標(biāo)準(zhǔn),能否找出影響該行住房抵押貸款違約風(fēng)險(xiǎn)的關(guān)鍵因子并加以控制,成為中國(guó)銀行能否持續(xù)有效經(jīng)營(yíng)的關(guān)鍵問(wèn)題。

國(guó)內(nèi)外相關(guān)學(xué)者對(duì)上述問(wèn)題提出了不同的見(jiàn)解。熊志斌,李榮鈞(2007)將現(xiàn)代信用風(fēng)險(xiǎn)計(jì)量模型分為兩類:一是基于M erton期權(quán)理論的隨機(jī)波動(dòng)模型,主要有KMV公司的信用風(fēng)險(xiǎn)度量模型、瑞士銀行的信用風(fēng)險(xiǎn)附加模型、J P摩根的信用度量術(shù)模型和麥肯錫公司的信貸組合管理模型[1,2];二是基于統(tǒng)計(jì)分析方法的信用風(fēng)險(xiǎn)模型,具有代表性的有多變量判別分析模型、Logistic模型以及Probit模型。郭敏(2007)認(rèn)為,我國(guó)國(guó)情嚴(yán)重制約著第一類模型的深入研究[3]。彭建剛(2008)分析認(rèn)為,Logistic回歸模型成為量化銀行客戶信用風(fēng)險(xiǎn)的一種主流方法[4]。Wiginton(1980)將Logistic回歸模型和判別分析方法應(yīng)用于信用評(píng)分,并對(duì)二者做了比較,發(fā)現(xiàn)Logistic模型估計(jì)結(jié)果與實(shí)際數(shù)據(jù)的擬合度較高,適用性較強(qiáng)。于立勇,詹捷輝(2008)利用Logistic模型構(gòu)建了具有一定實(shí)用性的違約概率測(cè)算模型,結(jié)果表明該模型是較理想的預(yù)測(cè)工具[5]。

單就市場(chǎng)風(fēng)險(xiǎn)而言,常用的綜合度量技術(shù)主要有VAR模型和壓力測(cè)試法。VAR模型不會(huì)產(chǎn)生一致性度量的結(jié)果,而壓力測(cè)試可以反映各種經(jīng)濟(jì)環(huán)境改變的情景對(duì)信貸資產(chǎn)組合的不利影響。任宇航,孫孝坤(2007)利用Logistic回歸方法進(jìn)行壓力測(cè)試,結(jié)果表明該方法可以為我國(guó)銀行的風(fēng)險(xiǎn)管理提供有益的參考[6]。

以下試運(yùn)用定量和定性分析相結(jié)合的方法研究我國(guó)住房抵押貸款風(fēng)險(xiǎn)控制的狀況,通過(guò)壓力測(cè)試分析了中國(guó)銀行某分行的抗風(fēng)險(xiǎn)能力,測(cè)試其穩(wěn)健性在不同壓力情況下受到的影響。與此同時(shí),采用因子分析、聚類分析及Logistic回歸分析等方法對(duì)其面臨的住房抵押貸款風(fēng)險(xiǎn)進(jìn)行分析,進(jìn)而找出影響該行住房抵押貸款違約風(fēng)險(xiǎn)的關(guān)鍵因素。

二、風(fēng)險(xiǎn)壓力測(cè)試

通過(guò)壓力測(cè)試,可以分析中國(guó)銀行某分行應(yīng)對(duì)重大經(jīng)濟(jì)因素變動(dòng)的能力,有利于防范并控制住房抵押貸款在局部地區(qū)的過(guò)度集中,促進(jìn)其有效抵御市場(chǎng)風(fēng)險(xiǎn),實(shí)現(xiàn)穩(wěn)健經(jīng)營(yíng)。

(一)數(shù)據(jù)來(lái)源與模型構(gòu)建

本文采用Logistic回歸來(lái)度量宏觀經(jīng)濟(jì)對(duì)PD的沖擊模型,該模型能保證預(yù)測(cè)的違約率PD在0～1之間,而且具有很好的適用性。模型的數(shù)學(xué)公式可以表達(dá)如下:

其中:pdt表示t時(shí)刻的違約率;xk為宏觀經(jīng)濟(jì)的各個(gè)變量在t時(shí)刻的指標(biāo)值;α為常數(shù)項(xiàng);βk代表各個(gè)宏觀經(jīng)濟(jì)變量影響方向和程度的參數(shù)。這些參數(shù)可以通過(guò)回歸和極大似然估計(jì)獲得。將上式變形可得:

根據(jù)上式可以預(yù)測(cè)假設(shè)情境對(duì)PD的影響。

本文收集了2003～2008年的季度宏觀經(jīng)濟(jì)數(shù)據(jù)和銀行住房抵押貸款違約情況數(shù)據(jù)。其中,宏觀經(jīng)濟(jì)因素的影響主要體現(xiàn)在GDP、貨幣發(fā)行量M 2、貸款利率R和消費(fèi)物價(jià)指數(shù)CPI上;而住房抵押貸款違約情況用中國(guó)銀行某分行的住房抵押貸款違約率PD表示。以上數(shù)據(jù)均為季度數(shù)據(jù),一般住房抵押貸款年限較長(zhǎng),因此,本文貸款利率選取了貸款年限為5年以上的數(shù)據(jù)。以中國(guó)銀行某分行住房抵押貸款違約率數(shù)據(jù)為依據(jù),采用假設(shè)情景事件方法建立假設(shè)情景(見(jiàn)表1)。

表1 市場(chǎng)風(fēng)險(xiǎn)壓力測(cè)試壓力情景模擬單位:%

通過(guò)對(duì)PD進(jìn)行Logistic轉(zhuǎn)換,采用線性回歸方法對(duì)變量進(jìn)行分析,剔除變量之間的多重共線性等因素,根據(jù)回歸結(jié)果篩選出兩個(gè)具有顯著水平的宏觀經(jīng)濟(jì)指標(biāo):貸款利率和當(dāng)季M 2增加量。模型參數(shù)估計(jì)如下:

通過(guò)Logistic轉(zhuǎn)換,可得:

式(1)中,M 2代表當(dāng)季貨幣供應(yīng)增加量,LR為季度5年以上貸款利率。經(jīng)檢驗(yàn),滿足置信度為95%的假設(shè)檢驗(yàn),擬合優(yōu)度較好。從以上模型可以看出,貸款利率的變化對(duì)違約率有重要影響,利率的上升將增加每月的還款額,增加客戶的違約概率。

(二)壓力測(cè)試結(jié)果分析

根據(jù)設(shè)定的假設(shè)壓力情景,基于2009年第一季度中國(guó)銀行某分行的經(jīng)濟(jì)金融數(shù)據(jù),建立PD預(yù)測(cè)模型,可以預(yù)測(cè)出在三種沖擊狀況下的季度違約率的數(shù)值,然后用公式:將其轉(zhuǎn)換為年度違約率,可得出在三種不同情況下的年度違約率表(見(jiàn)表2)。

表2 三種不同情況下的年度違約率表

根據(jù)表2對(duì)中國(guó)銀行某分行進(jìn)行信用風(fēng)險(xiǎn)損失(EL)估計(jì)。用公式可表示為:

式(3)中違約損失率L GD采用巴塞爾資本協(xié)議的經(jīng)驗(yàn)數(shù)據(jù)45%做近似估計(jì);違約風(fēng)險(xiǎn)暴露EAD設(shè)為該行的貸款余額1156314萬(wàn)元;截至到2008年末,該行年度貸款損失準(zhǔn)備金為40459.42萬(wàn)元;所有者權(quán)益為230700.33萬(wàn)元,實(shí)收資本為84643.04萬(wàn)元。由此,可以判斷準(zhǔn)備金能否覆蓋壓力情景的沖擊,或者資本金能否覆蓋壓力情景沖擊下的信用風(fēng)險(xiǎn)損失。其計(jì)算結(jié)果如表3所示。

從表3可以看出,在假設(shè)的壓力情景下,中國(guó)銀行某分行依靠準(zhǔn)備金不能覆蓋中等沖擊,表明該分行的年度準(zhǔn)備金余額不足,依靠其貸款準(zhǔn)備金難以應(yīng)對(duì)這種壓力情景。其核心資本能夠覆蓋假設(shè)的溫和與中等沖擊,不能覆蓋嚴(yán)重沖擊,其資本金能夠覆蓋溫和、中等和嚴(yán)重沖擊,其資本金充足,抗風(fēng)險(xiǎn)能力較強(qiáng)。因此,應(yīng)適當(dāng)增加其年度貸款準(zhǔn)備金的余額,以防范風(fēng)險(xiǎn)。

表3 壓力測(cè)試情景表

三、影響因素分析

通過(guò)對(duì)中國(guó)銀行某分行進(jìn)行壓力測(cè)試得出的結(jié)果分析可以發(fā)現(xiàn),該行抵御市場(chǎng)風(fēng)險(xiǎn)的能力良好,能達(dá)到商業(yè)銀行所應(yīng)有的穩(wěn)健性標(biāo)準(zhǔn)。然而,還需進(jìn)一步對(duì)造成該行住房抵押貸款違約的主要因素進(jìn)行有效識(shí)別,以促進(jìn)該行有效控制風(fēng)險(xiǎn)。

(一)數(shù)據(jù)來(lái)源與方法選擇

選取中國(guó)銀行某分行調(diào)查數(shù)據(jù),對(duì)其住房抵押貸款進(jìn)行分類和篩選,最終選取了309個(gè)有效住房抵押貸款數(shù)據(jù)樣本,每個(gè)樣本均包含借款人家庭月收入(M income)、年齡(Age)、教育程度(Edu)、月還款額占家庭月收入比(Mp tinc)、貸款價(jià)值比(L TV)等13個(gè)變量的詳細(xì)資料數(shù)據(jù)。該組樣本的貸款發(fā)放時(shí)間為1999～2007年。其中包含了22個(gè)違約樣本和287個(gè)正常樣本?？紤]到對(duì)住房抵押貸款違約風(fēng)險(xiǎn)水平進(jìn)行實(shí)證分析時(shí),所選變量之間的多重共線性問(wèn)題和不同變量對(duì)違約風(fēng)險(xiǎn)的影響程度不同,對(duì)該13個(gè)變量進(jìn)行因子分析,以縮減變量維度和消除變量間的多重共線性問(wèn)題。然后對(duì)其進(jìn)行聚類分析,利用加權(quán)后的因子變量將樣本聚為不同風(fēng)險(xiǎn)類別,并對(duì)各個(gè)風(fēng)險(xiǎn)類別做進(jìn)一步深入分析,揭示每個(gè)風(fēng)險(xiǎn)類別的本質(zhì)特征,識(shí)別不同違約風(fēng)險(xiǎn)等級(jí)的關(guān)鍵性影響因素,再運(yùn)用Logistic模型識(shí)別、總結(jié)出對(duì)個(gè)人住房抵押貸款違約有顯著性影響的因素,從而為個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)管理提供防范措施。

(二)因子分析

首先對(duì)309個(gè)樣本的13個(gè)變量進(jìn)行相關(guān)性檢驗(yàn),結(jié)果發(fā)現(xiàn)樣本數(shù)據(jù)的自變量間相關(guān)性較強(qiáng),為了保證分析結(jié)果的可信度,利用SPSS13.0軟件對(duì)該樣本組數(shù)據(jù)進(jìn)行因子分析,選用主成分分析法,按特征值大于1的標(biāo)準(zhǔn)提取因子,并用方差最大法進(jìn)行因子旋轉(zhuǎn)。結(jié)果見(jiàn)表4所示。

表4 KMO和Bartlett檢驗(yàn)

表4顯示樣本的KMO檢驗(yàn)統(tǒng)計(jì)量為0.626,Bartlett球形檢驗(yàn)的顯著程度為0,表明做因子檢驗(yàn)是比較合適的。對(duì)變量進(jìn)行共同度分析可知,大部分變量的共同度對(duì)前4個(gè)因子(特征值大于1)均在0.7以上,表明大部分變量都能很好地被前幾個(gè)因子所解釋。通過(guò)對(duì)樣本數(shù)據(jù)進(jìn)行特征值分析可以發(fā)現(xiàn),變量相關(guān)矩陣前4個(gè)因子的特征根均大于1,說(shuō)明這4個(gè)因子提供了原始數(shù)據(jù)大部分的信息,前4個(gè)因子的特征值大于1,且明顯大于后面因子的特征值,這說(shuō)明因子分析結(jié)果是比較理想的。

采用主成分分析法計(jì)算得出的因子載荷矩陣系數(shù)不是太明顯,為了使因子載荷矩陣中系數(shù)向0-1分化,對(duì)初始因子載荷矩陣進(jìn)行方差最大旋轉(zhuǎn),旋轉(zhuǎn)后的結(jié)果顯示,住房購(gòu)買(mǎi)價(jià)格(Hvalue)、貸款金額(Loan)、月還款額(Mpay)、住房建筑面積(A rea)4個(gè)變量在因子1上有較高荷重,理論上認(rèn)為這4個(gè)變量組合起來(lái)代表因子1,因此,定義因子1為絕對(duì)財(cái)務(wù)因子(FAC1)。同理,定義因子2為年齡學(xué)歷婚姻因子(FAC2),因子3為財(cái)務(wù)負(fù)擔(dān)比率因子(FAC3),因子4為貸款期限利率因子(FAC4)。

采用Z分?jǐn)?shù)法對(duì)原始變量進(jìn)行標(biāo)準(zhǔn)化,然后根據(jù)因子得分系數(shù)矩陣給因子賦值,可得出因子得分矩陣如表5。

表5 因子得分系數(shù)矩陣

根據(jù)表5可以得出因子得分函數(shù)為:

(三)聚類分析與Logistic回歸

利用軟件SPSS13.0對(duì)樣本進(jìn)行分層聚類分析。根據(jù)“組內(nèi)變異最小,組間變異最大”的原則,采用組內(nèi)連接聚類法和歐氏距離平方測(cè)度為樣本進(jìn)行聚類,然后根據(jù)聚類的輸出結(jié)果,分析出樣本的最佳聚類數(shù)為三類,并進(jìn)行描述性統(tǒng)計(jì)分析,可以判別出1類高違約風(fēng)險(xiǎn)群組、2類低風(fēng)險(xiǎn)群組及3類中等違約風(fēng)險(xiǎn)群組分別為低收入者、中小型住房抵押貸款戶及中期貸款戶。

1.對(duì)低收入組樣本做Logistic回歸。利用因子分析結(jié)果得出的4個(gè)因子為自變量,因變量選擇是否違約該變量,違約設(shè)為1,正常為0。利用SPSS13.0對(duì)該樣本組進(jìn)行二項(xiàng)Logistic回歸分析,回歸方法選擇強(qiáng)迫引入法,最終結(jié)果表明,年齡學(xué)歷婚姻因子FAC2、貸款期限利率因子FAC4是決定低收入貸款群體違約風(fēng)險(xiǎn)的關(guān)鍵影響因子,證明了年齡越高、已婚家庭和高學(xué)歷貸款戶的違約風(fēng)險(xiǎn)較低;借款人的貸款期限越長(zhǎng),抵押貸款利率越高,借款人的違約可能性越大。這種關(guān)系在95%的置信水平上顯著。該模型的函數(shù)表達(dá)式可以寫(xiě)為:從模型的預(yù)測(cè)準(zhǔn)確性來(lái)看,模型對(duì)正常貸款預(yù)測(cè)、違約貸款預(yù)測(cè)的準(zhǔn)確性、模型預(yù)測(cè)的準(zhǔn)確率分別為96.8%、18.8%、89.4%,說(shuō)明模型的整體預(yù)測(cè)效果非常好。從模型的整體擬合情況來(lái)看,極大似然估計(jì)值為61.426,NagelkerkeR2為0.598,P值小于0.001,說(shuō)明整個(gè)模型的擬合效果好。

2.對(duì)中期貸款組進(jìn)行Logistic回歸。同理,利用強(qiáng)迫引入法對(duì)中期貸款組進(jìn)行檢驗(yàn),檢驗(yàn)結(jié)果顯示不顯著,因此,本文用Forward Conditional回歸方法對(duì)樣本組進(jìn)行二項(xiàng)Logistic分析,回歸結(jié)果表明,年齡學(xué)歷婚姻因子FAC2、貸款期限利率因子FAC4是決定中期貸款群體違約風(fēng)險(xiǎn)的關(guān)鍵影響因子,說(shuō)明年齡越高、已婚家庭和高學(xué)歷貸款戶的違約風(fēng)險(xiǎn)較低;借款人的貸款期限越長(zhǎng),抵押貸款利率越高,借款人的違約可能性越大。這種關(guān)系在95%的置信水平上顯著。該模型的函數(shù)表達(dá)式為:

從模型的預(yù)測(cè)準(zhǔn)確性來(lái)看,模型對(duì)正常貸款預(yù)測(cè)和違約貸款預(yù)測(cè)的準(zhǔn)確性分別為98.7%、100%,模型預(yù)測(cè)的總準(zhǔn)確率為98.8%,說(shuō)明模型的整體預(yù)測(cè)效果非常好,進(jìn)一步支持了上述結(jié)論的可靠性。從模型的整體擬合情況來(lái)看,極大似然估計(jì)值為26.863,NagelkerkeR2為0.879,P值小于0.001,說(shuō)明整個(gè)模型的擬合效果好。

3.對(duì)中小住房貸款組分析?？紤]到該類樣本的違約樣本過(guò)少,不能進(jìn)行二項(xiàng)Logistic回歸,因此,通過(guò)對(duì)該樣本組做描述性統(tǒng)計(jì)分析得出:該樣本的月還款額集中在1100～1500元左右,其占家庭收入比主要集中在40%左右,表明月還款金額比較適中。該組的年齡分布狀況(見(jiàn)圖1)主要是中年人,40歲和42歲貸款者分別占19.3%、31.6%,表明處于這一年齡段的中年人的貸款違約風(fēng)險(xiǎn)較小。但是,29歲的貸款者也占21.1%,可能這一年齡段的貸款者申請(qǐng)貸款的年限不長(zhǎng),違約風(fēng)險(xiǎn)還未浮現(xiàn)。根據(jù)費(fèi)斯騰伯格的研究,認(rèn)為住房抵押貸款違約風(fēng)險(xiǎn)在貸款最開(kāi)始的3～5年將達(dá)到峰值,因此,還必須防范這一年齡段貸款者的違約風(fēng)險(xiǎn)?？傮w上看,該組的貸款金額較小,月還款額與月還款額占家庭收入的比例比較適中,貸款者年齡主要為40左右的中年人。因此,該組總體貸款的違約風(fēng)險(xiǎn)小,但同時(shí)應(yīng)關(guān)注購(gòu)房時(shí)間為3～5年的貸款者,以防范違約風(fēng)險(xiǎn)。

圖1 中小住戶貸款組年齡分布狀況

四、結(jié)論與對(duì)策

以上通過(guò)壓力測(cè)試模擬了不同宏觀情景下中國(guó)銀行某分行受到的沖擊,進(jìn)而分析市場(chǎng)風(fēng)險(xiǎn)對(duì)該行穩(wěn)健性的影響,發(fā)現(xiàn)該行抵御市場(chǎng)風(fēng)險(xiǎn)的能力較強(qiáng),但應(yīng)適當(dāng)增加其年度貸款準(zhǔn)備金的余額,以防范不利的宏觀經(jīng)濟(jì)對(duì)銀行的沖擊。在此基礎(chǔ)上,利用因子分析、聚類分析和Logistic模型對(duì)該行住房抵押貸款數(shù)據(jù)及影響信用風(fēng)險(xiǎn)因素進(jìn)行了實(shí)證分析,發(fā)現(xiàn)貸款客戶的學(xué)歷、婚姻狀況、貸款期限和利率是影響客戶違約的關(guān)鍵因素。

為了控制銀行住房抵押貸款的風(fēng)險(xiǎn),針對(duì)低收入客戶和中期貸款期限客戶,銀行應(yīng)該重點(diǎn)關(guān)注借款人的貸款期限和抵押貸款利率這兩方面的情況。針對(duì)中小住房貸款的客戶,銀行應(yīng)該重點(diǎn)關(guān)注購(gòu)房時(shí)間為3～5年的貸款者。總體而言,銀行在放貸前應(yīng)該密切關(guān)注客戶信用風(fēng)險(xiǎn)評(píng)估的信息狀況,并以此建立住房抵押貸款借款人違約的經(jīng)驗(yàn)數(shù)據(jù)庫(kù),利用這些經(jīng)驗(yàn)數(shù)據(jù)對(duì)客戶的違約行為進(jìn)行定量分析,以加強(qiáng)信用風(fēng)險(xiǎn)的管理。此外,通過(guò)衍生證券和保險(xiǎn)等將住房抵押貸款一級(jí)市場(chǎng)的風(fēng)險(xiǎn)轉(zhuǎn)移分散到二級(jí)市場(chǎng)的投資者,來(lái)分散和轉(zhuǎn)移發(fā)起人抵押貸款風(fēng)險(xiǎn)[7]。同時(shí),還應(yīng)從宏觀上采取加強(qiáng)信用環(huán)境建設(shè)、規(guī)范征信市場(chǎng)發(fā)展等多種手段來(lái)防范住房抵押貸款風(fēng)險(xiǎn)。

[1]熊志斌,李榮鈞.現(xiàn)代信用風(fēng)險(xiǎn)管理度量模型比較[J].科技管理研究,2007,(2):126-128.

[2]J.P Morgan.Credit risk manager handbook[M].New Yo rk:J.P.Mo rgan Bank,1997:82-95.

[3]郭敏.商業(yè)銀行信用風(fēng)險(xiǎn)度量模型簡(jiǎn)介及思考[J].上海金融,2007,(2):49-51.

[4]彭建剛,屠海波.有序多分類Logistic模型在違約概率測(cè)算中的應(yīng)用[J].財(cái)經(jīng)理論與實(shí)踐,2009,(4):27-7.

[5]于立勇,詹捷輝.基于Logistic回歸分析的違約概率預(yù)測(cè)研究[J].財(cái)經(jīng)研究,2004,30(9):15-23.

[6]任宇航,孫孝坤.信用風(fēng)險(xiǎn)壓力測(cè)試方法與應(yīng)用研究[J].統(tǒng)計(jì)與決策,2007,(4):101-193.

[7]Follain J.R,Zorn P.M.The unbundling of mortgage finance[J].Journal of Housing Research,1990,8(1):623-640.

An Empirical Study on the Risk Control of Mortgage Loans:Based on the Data from A Branch of Bank of China

LONG Hai-ming,TANG Hai-long,OU YANG Juan
(Finance College,Hunan University,Changsha410079,China)

The paper selects the data of mortgage loans from one of the branches of Bank of China and uses stress tests and Logistic model to empirically analyze mortgage-loans risk,thus determines its risks defending capacity.And then we identify the main factors such as customer education,marital status,loan interest rates and deadlines affect the bank’s mortgage default risk.So banks should pay attention to these aspects in order to avoid risks effectively.

Risk control;Stress testing;Factor analysis;Logistic model

F832.479

A

1003-7217(2010)05-0029-05

2010-04-15

教育部人文社會(huì)科學(xué)研究規(guī)劃基金(09YJA 790063)、中國(guó)銀行立項(xiàng)課題

龍海明(1962—),男,湖南邵陽(yáng)人,湖南大學(xué)金融學(xué)院教授,研究方向:金融管理。