許曄

【摘要】本文以銀行間資產(chǎn)證券化市場為例，用SV模擬的方法進(jìn)行波動(dòng)分析，并在此基礎(chǔ)上進(jìn)一步采用馬爾科夫區(qū)制轉(zhuǎn)移模型進(jìn)行變動(dòng)特征研究，以期初步刻畫資產(chǎn)證券化市場的風(fēng)險(xiǎn)狀況并提出相關(guān)建議。

【關(guān)鍵詞】證券化市場?SV模擬 MSIH-VAR模型 風(fēng)險(xiǎn)度量

一、引言

近年來，資產(chǎn)證券化市場進(jìn)入了快速發(fā)展通道，2018年資產(chǎn)證券化產(chǎn)品發(fā)行量已突破兩萬億元，五年復(fù)合增長率43%。但是資產(chǎn)證券化市場三萬多億元的市場存量與近百萬億元的債券市場規(guī)模相比，仍然有巨大的發(fā)展空間。加之近期監(jiān)管改革、市場整頓，非標(biāo)資產(chǎn)投資逐步萎縮，都為資產(chǎn)證券化這一標(biāo)準(zhǔn)產(chǎn)品市場提供了良好的發(fā)展環(huán)境。因此，做好資產(chǎn)證券化市場的風(fēng)險(xiǎn)解析，完善市場建設(shè)尤為重要。本文試圖以銀行間資產(chǎn)證券化市場為例，用SV模擬的方法進(jìn)行波動(dòng)分析，并在此基礎(chǔ)上進(jìn)一步采用馬爾科夫區(qū)制轉(zhuǎn)移模型進(jìn)行變動(dòng)特征研究，進(jìn)行資產(chǎn)證券化市場的風(fēng)險(xiǎn)的識別與度量，并試圖找到影響資產(chǎn)證券化市場波動(dòng)的原因，并提出相關(guān)建議。

二、文獻(xiàn)綜述

從資產(chǎn)證券化市場啟動(dòng)以來，對資產(chǎn)證券化風(fēng)險(xiǎn)的研究在學(xué)術(shù)界已有相關(guān)探索。對資產(chǎn)證券化風(fēng)險(xiǎn)探討最為深入和廣泛的是對資產(chǎn)證券化的信用風(fēng)險(xiǎn)水平研究。謝偉杰（2014年）總結(jié)了資產(chǎn)證券化信用風(fēng)險(xiǎn)的特點(diǎn)，并認(rèn)為資產(chǎn)證券化信用風(fēng)險(xiǎn)具有市場化、傳染性和增加桿杠的特點(diǎn)。陳逸、朱娜娜（2015年）針對商業(yè)銀行資產(chǎn)證券化帶來的風(fēng)險(xiǎn)進(jìn)行探討，認(rèn)為商業(yè)銀行信貸資產(chǎn)證券化產(chǎn)生的風(fēng)險(xiǎn)主要為信用風(fēng)險(xiǎn)、法律風(fēng)險(xiǎn)、信息風(fēng)險(xiǎn)，并針對這幾種風(fēng)險(xiǎn)提出了防范措施。Carbo-Valverde和Degryse等（2015年）認(rèn)為對信貸資產(chǎn)證券化信用等級的標(biāo)準(zhǔn)降低是產(chǎn)生信?用風(fēng)險(xiǎn)的重要原因。謝赤、凌毓秀（2018年）運(yùn)用KMV模型對2017年12月以前和2017年12月以后兩個(gè)時(shí)期的上市銀行資產(chǎn)證券化的信用風(fēng)險(xiǎn)進(jìn)行了度量，并建立了上市銀行的股票網(wǎng)絡(luò)結(jié)構(gòu)，采用最小生成樹法考察商銀行間的風(fēng)險(xiǎn)傳染，結(jié)果表明大型銀行的風(fēng)險(xiǎn)水平較低，股份制銀行、城商行和農(nóng)商行位于風(fēng)險(xiǎn)傳染的中心。李佳（2019年）基于2011～2017年的面板數(shù)據(jù)研究了資產(chǎn)證券化對銀行信用風(fēng)險(xiǎn)水平的影響，結(jié)果表明，銀行在資產(chǎn)證券化初期，由于資產(chǎn)證券化的基礎(chǔ)資產(chǎn)均為評級較好的信用產(chǎn)品，資產(chǎn)證券化信用風(fēng)險(xiǎn)水平有所上升，長期來看資產(chǎn)證券化可以實(shí)現(xiàn)風(fēng)險(xiǎn)的緩釋。王星宇等（2019年）運(yùn)用KMV修正模型，對2005～2017年商業(yè)銀行發(fā)行的94只信貸資產(chǎn)證券化進(jìn)行風(fēng)險(xiǎn)度量，并認(rèn)為非國有銀行的信用風(fēng)險(xiǎn)水平低于國有銀行的信用風(fēng)險(xiǎn)水平。許余吉等（2017年）分析了企業(yè)資產(chǎn)證券化市場風(fēng)險(xiǎn)，并認(rèn)為從企業(yè)資產(chǎn)證券化的信用風(fēng)險(xiǎn)主要來自交易結(jié)構(gòu)、基礎(chǔ)資產(chǎn)信用質(zhì)量、主體信用等因素的風(fēng)險(xiǎn)。

也有部分學(xué)者探討資產(chǎn)證券化對系統(tǒng)性風(fēng)險(xiǎn)的影響及表現(xiàn)。李從文（2015年）通過建立資本資產(chǎn)定價(jià)模型，檢驗(yàn)了2007～2013年資產(chǎn)證券化對銀行系統(tǒng)性風(fēng)險(xiǎn)的影響，并認(rèn)為短期內(nèi)資產(chǎn)證券化可以降低銀行系統(tǒng)性風(fēng)險(xiǎn)，長期內(nèi)由于傳染性增加，資產(chǎn)證券化產(chǎn)品反而增加了銀行系統(tǒng)性風(fēng)險(xiǎn)。謝平、紀(jì)志宏等（2016年）認(rèn)為我國信貸資產(chǎn)證券化市場發(fā)展不順暢從而導(dǎo)致大量信貸資產(chǎn)通過同業(yè)合作、銀信理財(cái)?shù)瓤绫O(jiān)管的形式出表，對信用債市場產(chǎn)生擠壓，從而導(dǎo)致了流動(dòng)性風(fēng)險(xiǎn)從表外傳染至表內(nèi)，增加系統(tǒng)性風(fēng)險(xiǎn)。徐文舸、劉洋（2017年）通過構(gòu)建理論模型，來研究“發(fā)起—分銷”模式的資產(chǎn)證券化如何導(dǎo)致銀行出現(xiàn)流動(dòng)性危機(jī)的整個(gè)過程，他們認(rèn)為，銀行間市場流動(dòng)性不足導(dǎo)致資產(chǎn)證券化抵押的現(xiàn)象，一旦抵押收益率低于預(yù)期收益率時(shí)，將會(huì)使風(fēng)險(xiǎn)傳導(dǎo)至銀行，乃至出現(xiàn)整個(gè)市場的系統(tǒng)性風(fēng)險(xiǎn)。對資產(chǎn)證券化的流動(dòng)性風(fēng)險(xiǎn)研究主要來自監(jiān)管機(jī)構(gòu)。福建銀監(jiān)局南平分局課題組（2015年）對資產(chǎn)證券化系統(tǒng)的流動(dòng)性進(jìn)行分析，并在分析美國、韓國不良資產(chǎn)證券化教訓(xùn)的基礎(chǔ)上提出對資產(chǎn)證券化流動(dòng)性風(fēng)險(xiǎn)的監(jiān)管措施。Allen.E和A.Singh（2016年）年認(rèn)為資產(chǎn)證券化產(chǎn)品帶來許多承銷商以影子銀行的形式出現(xiàn)在市場上，規(guī)避監(jiān)管帶來系統(tǒng)性風(fēng)險(xiǎn)。

雖然學(xué)術(shù)界和業(yè)界對資產(chǎn)證券化風(fēng)險(xiǎn)的探討較多，但我們發(fā)現(xiàn)大多數(shù)的都停留在對資產(chǎn)證券化的信用風(fēng)險(xiǎn)研究，對市場風(fēng)險(xiǎn)和系統(tǒng)性風(fēng)險(xiǎn)的討論基本停留在理論層面，且僅有黎紀(jì)東（2015年）和姜智敏等（2019年）等少數(shù)文獻(xiàn)有所涉及。其中，部分原因是中國資產(chǎn)證券化市場發(fā)展尚不成熟，可供分析和研究的數(shù)據(jù)較少。但是考慮到資產(chǎn)證券化市場在整個(gè)金融市場體系中的重要性日益增加，本文仍然試圖從有限的數(shù)據(jù)中找到一些可以度量資產(chǎn)證券化市場波動(dòng)的變量，從而初步認(rèn)識刻畫資產(chǎn)證券化市場風(fēng)險(xiǎn)。

三、模型選取及實(shí)證分析

（一）基于SV（隨機(jī)波動(dòng)）模型的資產(chǎn)證券化市場波動(dòng)模擬

金融市場產(chǎn)品的風(fēng)險(xiǎn)度量一般采用波動(dòng)模型。目前，國內(nèi)對金融市場風(fēng)險(xiǎn)度量主要采用GRACH、ARCH等模型進(jìn)行模擬，也有一部分學(xué)者采用隨機(jī)波動(dòng)模擬的方法，學(xué)者們比較多個(gè)計(jì)量模型的預(yù)測能力后發(fā)現(xiàn)，隨機(jī)波動(dòng)模擬的方法從擬合度、預(yù)測能力等多個(gè)方面都有更好的效果，且存在異方差性和序列相關(guān)性時(shí)，隨機(jī)波動(dòng)模擬結(jié)果更為顯著，因此，我們擬采用標(biāo)準(zhǔn)隨機(jī)波動(dòng)模型對資產(chǎn)證券化市場的波動(dòng)狀況進(jìn)行模擬。

Taylor（1986年）在解釋金融收益率序列波動(dòng)模型的自回歸行為時(shí)提出了標(biāo)準(zhǔn)的SV模型。

SV模型如下：

（1）

（2）

（3）

其中代表收益率，代表風(fēng)險(xiǎn)補(bǔ)償系數(shù)就是測量均值波動(dòng)效應(yīng)的回歸系數(shù)，為風(fēng)險(xiǎn)補(bǔ)償，風(fēng)險(xiǎn)補(bǔ)償系數(shù)越大說明風(fēng)險(xiǎn)溢價(jià)越高，也就是所謂的高收益高風(fēng)險(xiǎn)。代表均值回復(fù)水平，服從均值為，方差為的正態(tài)分布。為獨(dú)立同分布的白噪聲干擾，服從均值為0，方差為1的正態(tài)分布。其中，誤差項(xiàng)和是不相關(guān)且不可觀測的。是持續(xù)性參數(shù)，反應(yīng)了當(dāng)前波動(dòng)對未來波動(dòng)的影響。

考慮到數(shù)據(jù)支撐情況，我們擬采用價(jià)格指數(shù)波動(dòng)作為主要研究方向，以收益率波動(dòng)作為研究對象建立隨機(jī)波動(dòng)模型，獲得波動(dòng)率序列以度量整個(gè)市場風(fēng)險(xiǎn)特征。我們以銀行間資產(chǎn)證券化市場為例，選取了2015年1月4日至2019年10月30日“中債-銀行間資產(chǎn)支持證券指數(shù)”作為資產(chǎn)證券化市場的價(jià)格替代變量。同時(shí)，為了便于與整個(gè)債券市場的情況進(jìn)行比較，我們選取相同時(shí)間段的中債全價(jià)指數(shù)作為債券市場的價(jià)格替代變量，選取中國國債全價(jià)指數(shù)作為國債市場的價(jià)格替代變量，對三項(xiàng)價(jià)格指標(biāo)取對數(shù)收益率后，采用隨機(jī)波動(dòng)模擬（SV）的計(jì)量方法，測算出資產(chǎn)證券化市場波動(dòng)率，從而剔除價(jià)格的長期影響趨勢，度量短期波動(dòng)的效果。圖1就是通過隨機(jī)波動(dòng)模擬的三個(gè)市場在2015年1月4日至2019年10月30日區(qū)間內(nèi)的價(jià)格波動(dòng)情況。

通過對圖1波動(dòng)序列的比較，我們發(fā)現(xiàn)：從波動(dòng)方向來看，資產(chǎn)證券化市場與整個(gè)債券市場和國債市場的波動(dòng)方向一致;從波動(dòng)率的絕對值來看，資產(chǎn)證券化市場與整個(gè)債券市場和國債市場相比，波動(dòng)率的絕對值相對較低。

僅從圖1看，貌似資產(chǎn)證券化市場比債券市場和國債市場更為穩(wěn)定，這可能與資產(chǎn)證券化市場相對封閉、二級市場交易不活躍相關(guān)。但是如果我們將國債市場的最大波幅與資產(chǎn)證券化市場的最大波幅放在同一個(gè)圖中相比較（見圖2），我們發(fā)現(xiàn)，雖然國債市場的出現(xiàn)波動(dòng)時(shí)，最大波幅較大，但其他時(shí)間段的波動(dòng)都相對最大波幅較小，而資產(chǎn)證券化市場雖然最大波動(dòng)的絕對波幅不大，但其他時(shí)間段的波動(dòng)相對于最大波幅較大，這其實(shí)說明了資產(chǎn)證券化市場的自身穩(wěn)定性是較差的，自身風(fēng)險(xiǎn)防御能力恰恰較弱。

在對資產(chǎn)證券化市場波動(dòng)序列初步刻畫的基礎(chǔ)上，我們將運(yùn)用馬爾科夫區(qū)制轉(zhuǎn)移模型，對資產(chǎn)證券化市場的風(fēng)險(xiǎn)波動(dòng)狀態(tài)進(jìn)行進(jìn)一步識別。

（二）馬爾科夫區(qū)制轉(zhuǎn)移模型（MS-VAR）

1.模型選擇

馬爾科夫區(qū)制轉(zhuǎn)移模型可以通過捕捉時(shí)間序列數(shù)據(jù)生成過程中的離散變化，其優(yōu)勢在于識別序列的不同狀態(tài)，能發(fā)覺時(shí)間序列中的結(jié)構(gòu)性突變向機(jī)制性轉(zhuǎn)換的過程，使結(jié)構(gòu)變化內(nèi)生化，從而判斷不同狀態(tài)發(fā)生的時(shí)間及原因，這一模型可以在我們得出資產(chǎn)證券化市場波動(dòng)的情況下，更好地幫助我們識別資產(chǎn)證券化市場、債券市場的風(fēng)險(xiǎn)轉(zhuǎn)換情況，這將有利于我們挖掘資產(chǎn)證券化市場風(fēng)險(xiǎn)產(chǎn)生的原因。

對單一時(shí)間序列進(jìn)行區(qū)制劃分時(shí)，通常在馬爾科夫區(qū)制轉(zhuǎn)移模型中加入向量自回歸，建立如下表達(dá)式刻畫該模型：

（4）

其中，，狀態(tài)變量分別表示種區(qū)制狀態(tài)，并假定從期的狀態(tài)轉(zhuǎn)移到期的狀態(tài)的轉(zhuǎn)移概率滿足離散取值的一階馬爾科夫過程，其中，表示的前期信息，而表示外生變量，表示轉(zhuǎn)區(qū)制中的參數(shù)估計(jì)向量下的平均變動(dòng)情況，狀態(tài)變量分別表示種區(qū)制狀態(tài)。

由于資產(chǎn)證券化市場風(fēng)險(xiǎn)狀態(tài)的影響因素較多，因此我們認(rèn)為擾動(dòng)項(xiàng)在不同狀態(tài)下呈現(xiàn)出不同的規(guī)律，因此我們可以選取均值方差都隨著狀態(tài)轉(zhuǎn)化的異質(zhì)性模型且本文采取MSMH（M）-VAR（p）的模型，或者截距及方差都隨著狀態(tài)轉(zhuǎn)化的異質(zhì)性模型MSIH（M）-VAR（p）對資產(chǎn)證券化市場的流動(dòng)性風(fēng)險(xiǎn)特征進(jìn)行描述，從而對波動(dòng)聚集效應(yīng)進(jìn)行更好刻畫。

MSMH模型的具體形式為：

（5）

其中，并且當(dāng)時(shí)，。

MSIH模型的具體形式為：

（6）

MSIH相對于MSMH模型的優(yōu)點(diǎn)在于可以更好的平滑在區(qū)制轉(zhuǎn)移過程中均值的跳躍性變動(dòng)，使得均值更加平滑。因此我們認(rèn)為MSIH-VAR模型更加適合資產(chǎn)證券化市場風(fēng)險(xiǎn)變動(dòng)特征研究。

我們對上面SV模擬后波動(dòng)率序列進(jìn)行頻率轉(zhuǎn)化，針對轉(zhuǎn)頻后的波動(dòng)率序列進(jìn)行了平穩(wěn)性檢驗(yàn)，發(fā)現(xiàn)序列平穩(wěn)。最后，我們對AIC準(zhǔn)則、HQ、SC準(zhǔn)則進(jìn)行比較，認(rèn)為對資產(chǎn)證券化市場的風(fēng)險(xiǎn)區(qū)制描述采用MSIH（2）-VAR（4）更能分析其風(fēng)險(xiǎn)變動(dòng)特征，且較有說服力。

2.實(shí)證結(jié)果

我們對資產(chǎn)證券化市場風(fēng)險(xiǎn)進(jìn)行模型分析的結(jié)果見圖3、圖4。

一般區(qū)制轉(zhuǎn)移概率（Probabilities）超過0.5即認(rèn)為市場在該狀態(tài)下的概率較高。整個(gè)的轉(zhuǎn)移過程遵循馬爾科夫過程，即轉(zhuǎn)

移概率代表該狀態(tài)下向高波動(dòng)（或低波動(dòng)）的概率。根據(jù)平滑概率我們可以看出，資產(chǎn)證券化市場的高波動(dòng)狀態(tài)與低波動(dòng)狀態(tài)出現(xiàn)了清晰的劃分，且區(qū)制轉(zhuǎn)移過程明顯。兩區(qū)制模型中的區(qū)制轉(zhuǎn)移概率分別為0.8410與0.7586。從區(qū)制轉(zhuǎn)移概率圖和風(fēng)險(xiǎn)波動(dòng)區(qū)間轉(zhuǎn)化表我們可以看出，資產(chǎn)證券化市場高風(fēng)險(xiǎn)波動(dòng)頻率較高，且區(qū)制轉(zhuǎn)移頻繁。從2015年至2019年的時(shí)間，資產(chǎn)證券化市場出現(xiàn)了8次風(fēng)險(xiǎn)區(qū)制轉(zhuǎn)移，其中有4次高波動(dòng)區(qū)間，再一次證明了資產(chǎn)證券化市場的穩(wěn)定性較差。從4次高波動(dòng)區(qū)間來看，前兩次處于高波動(dòng)狀態(tài)的持續(xù)時(shí)間要明顯低于后兩次。通過回顧近四年的市場情況，我們發(fā)現(xiàn)資產(chǎn)證券化市場的四次高風(fēng)險(xiǎn)波動(dòng)均與流動(dòng)性緊張相關(guān)。（見表1）

2015年末的高波動(dòng)主要由于信貸資產(chǎn)證券化首次實(shí)現(xiàn)做市成交，隨著市場流動(dòng)性增加，資產(chǎn)證券化市場波動(dòng)首次增加，出現(xiàn)由于做市交易帶來與之前的市場流動(dòng)性反差較大的情況，體現(xiàn)為價(jià)格波動(dòng)較大。

2016年底，受到金融去桿桿等情況影響，同時(shí)美國貨幣政策開始收緊，債券市場出現(xiàn)了較大的流動(dòng)性波動(dòng)，帶動(dòng)資產(chǎn)證券化市場的風(fēng)險(xiǎn)有所上升，發(fā)行利率上行，部分發(fā)行困難。

2017年3月份開始，資管新規(guī)開始出臺(tái)，債券市場熊市開始，債券市場流動(dòng)性緊張持續(xù)了較長時(shí)間。

2018年，資產(chǎn)證券化市場出現(xiàn)爆發(fā)試的規(guī)模增長，一級市場發(fā)行量持續(xù)增長，發(fā)行量劇增但是市場能夠配置資產(chǎn)證券化產(chǎn)品的資金方較為固定，導(dǎo)致流動(dòng)性相對緊張局面出現(xiàn)，整個(gè)資產(chǎn)證券化市場又進(jìn)入了高風(fēng)險(xiǎn)波動(dòng)區(qū)間，2019年初才回歸平穩(wěn)。

綜上，馬爾科夫模型模擬出的區(qū)制轉(zhuǎn)化情況和現(xiàn)實(shí)的市場流動(dòng)性狀況高度吻合，基于此，流動(dòng)性風(fēng)險(xiǎn)應(yīng)該是資產(chǎn)證券化市場風(fēng)險(xiǎn)的主要驅(qū)動(dòng)因素。

3.與債券市場比較

為了更好地找到資產(chǎn)證券化市場風(fēng)險(xiǎn)區(qū)制轉(zhuǎn)換頻繁的原因，我們將資產(chǎn)證券化市場與整個(gè)債券市場進(jìn)行比較，對2015年至2019年的債券市場風(fēng)險(xiǎn)波動(dòng)序列建立馬爾科夫風(fēng)險(xiǎn)區(qū)制轉(zhuǎn)移模型，得出債券市場波動(dòng)區(qū)間。（見表2）

和資產(chǎn)證券化市場風(fēng)險(xiǎn)區(qū)制轉(zhuǎn)換對比來看，我們可以看出債券市場一旦進(jìn)入高風(fēng)險(xiǎn)區(qū)制，自身恢復(fù)能力較強(qiáng)，很快轉(zhuǎn)化為低風(fēng)險(xiǎn)區(qū)制，而資產(chǎn)證券化市場一旦進(jìn)入高風(fēng)險(xiǎn)區(qū)制則惰性較強(qiáng)，較難恢復(fù)到低風(fēng)險(xiǎn)的平緩波動(dòng)狀態(tài)。2016～2018年的三年，資產(chǎn)證券化市場與債券市場均出現(xiàn)相同的高風(fēng)險(xiǎn)階段，但明顯資產(chǎn)證券化市場的高風(fēng)險(xiǎn)持續(xù)時(shí)間較長。

四、結(jié)論及建議

（一）初步結(jié)論

本文對資產(chǎn)證券化市場波動(dòng)狀況進(jìn)行隨機(jī)波動(dòng)模擬后建立馬爾科夫區(qū)制轉(zhuǎn)移模型，對市場風(fēng)險(xiǎn)特征進(jìn)行分析，可以得到以下結(jié)論：

1.作為債券市場的組成部分，債券市場整體風(fēng)險(xiǎn)狀況決定了資產(chǎn)證券化市場的風(fēng)險(xiǎn)波動(dòng)情況;

2.考慮到資產(chǎn)證券化市場的深度有限，二級市場建設(shè)尚處于早期階段，以一級市場作為主要內(nèi)容的資產(chǎn)證券化市場受二級市場流動(dòng)性沖擊小，風(fēng)險(xiǎn)波動(dòng)絕對幅度要小于債券市場整體，但是由于其自身穩(wěn)定性較差且，相對波動(dòng)幅度大，波動(dòng)更為頻繁;

3.從對資產(chǎn)證券化市場持續(xù)近五年的風(fēng)險(xiǎn)波動(dòng)情況看，共出現(xiàn)高風(fēng)險(xiǎn)波動(dòng)與低風(fēng)險(xiǎn)波動(dòng)8次的相互轉(zhuǎn)化，資產(chǎn)證券化市場區(qū)制轉(zhuǎn)換頻繁，一旦進(jìn)入高風(fēng)險(xiǎn)階段則難以自愈，而債券市場一旦進(jìn)入高風(fēng)險(xiǎn)階段則較為容易轉(zhuǎn)換為低風(fēng)險(xiǎn)，因此，資產(chǎn)證券化市場抵御風(fēng)險(xiǎn)能力和風(fēng)險(xiǎn)吸收能力都相對較弱;

4.流動(dòng)性風(fēng)險(xiǎn)是資產(chǎn)證券化市場目前主要的風(fēng)險(xiǎn)驅(qū)動(dòng)因素。

（二）相關(guān)建議

從以上結(jié)論我們看出，盡管目前資產(chǎn)證券化市場在市場封閉的情況下，市場波動(dòng)較小，但是其內(nèi)部的脆弱性和單一性都是未來資產(chǎn)證券化業(yè)務(wù)發(fā)展的較大隱患，需要未雨綢繆建立相應(yīng)機(jī)制進(jìn)行風(fēng)險(xiǎn)防范和化解。從商業(yè)銀行等金融機(jī)構(gòu)的角度出發(fā)，我們認(rèn)為發(fā)行資產(chǎn)證券化產(chǎn)品仍然是緩釋資本、釋放業(yè)務(wù)額度的優(yōu)質(zhì)工具，為此我們提出如下建議：

1.不斷增加資產(chǎn)證券化產(chǎn)品品種，通過擴(kuò)容的方式增強(qiáng)市場自身穩(wěn)定性。雖然資產(chǎn)證券化市場規(guī)模已經(jīng)3萬多億，但相比整個(gè)債券市場近百萬億的容量，市場份額有待進(jìn)一步提高，不斷擴(kuò)大市場，吸收各類基礎(chǔ)資產(chǎn)的品種，增大市場容量，有利于資產(chǎn)證券化市場加大自身的穩(wěn)定性。

2.加強(qiáng)銀行間資產(chǎn)證券化市場的做市交易要求，提高流動(dòng)性以防范流動(dòng)性危機(jī)。雖然監(jiān)管機(jī)構(gòu)已經(jīng)對資產(chǎn)證券化產(chǎn)品做市提出了相關(guān)規(guī)定，但是從市場數(shù)據(jù)來看，2019年上半年信貸資產(chǎn)證券化的換手率僅為8.7%，而債券的換手率為93.8%。在當(dāng)前市場參與主體僅為金融機(jī)構(gòu)且以商業(yè)銀行為主導(dǎo)的前提下，增加金融機(jī)構(gòu)的做市要求是增強(qiáng)市場流動(dòng)性的重要手段。

3.建立統(tǒng)一資產(chǎn)證券化市場風(fēng)險(xiǎn)監(jiān)測指標(biāo)，做好壓力測試。美國次貸危機(jī)的教訓(xùn)仍在眼前，資產(chǎn)證券化作為一個(gè)盤活資金，提高市場活力，增加金融資產(chǎn)流動(dòng)性的重要手段，在大力發(fā)展深化的同時(shí)，還應(yīng)針對資產(chǎn)證券化市場建立風(fēng)險(xiǎn)監(jiān)測指標(biāo)，做好金融市場壓力測試，防范系統(tǒng)性風(fēng)險(xiǎn)的爆發(fā)。

【參考文獻(xiàn)】

1.陳逸、朱娜娜，商業(yè)銀行信貸資產(chǎn)證券化業(yè)務(wù)的風(fēng)險(xiǎn)管理研究，2015年13期，145。

2.福建銀監(jiān)局南平分局課題組，銀行信貸資產(chǎn)證券化流動(dòng)性風(fēng)險(xiǎn)及監(jiān)管模式研究——基于系統(tǒng)協(xié)同 論視角的分析，金融監(jiān)管研究，2015 年第 12 期，16-30。

3.黎紀(jì)東，淺談我國資產(chǎn)證券化市場發(fā)展的風(fēng)險(xiǎn)防范，時(shí)代金融，2016 第 11 期中旬刊（總第 642 期），156。

4.姜智敏、郭沛、吳贊，當(dāng)前我國資產(chǎn)證券化市場發(fā)展的 分化現(xiàn)象及對策，征信，2019年第3期，85-88。

5.李叢文，信貸證券化減少我國銀行系統(tǒng)性風(fēng)險(xiǎn)了嗎，國際金融研究，2015 年第 6期，65-75。

6.李佳，資產(chǎn)證券化能否緩解銀行信用風(fēng)險(xiǎn)承擔(dān)？ —— —來自中國銀行業(yè)的經(jīng)驗(yàn)證據(jù)，國際金融研究，2019.6，57-66。

7.劉偉江，丁一，隋建利，貨幣政策對股市收益率的影響： 非對稱效應(yīng)解析，廣東財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015年第5期（總第142期），69-77。

8.王春峰，蔣祥林，李 剛. 基于隨機(jī)波動(dòng)性模型的中國股市波動(dòng)性估計(jì)，管理科學(xué)學(xué)報(bào)，2003（4） ：63 -72。

9.王星予、余麗霞、陽曉明，商業(yè)銀行信貸資產(chǎn)證券化信用風(fēng)險(xiǎn)研究 ——基于修正的 KMV 模型，金融監(jiān)管研究，2019年第3期，54-66。

10.許余潔、鄧博文，我國企業(yè)資產(chǎn)證券化市場的風(fēng)險(xiǎn)分析與信用評級關(guān)注，金融法苑，2017年總第九十五輯，109-119。

11.謝偉杰，資產(chǎn)證券化信用風(fēng)險(xiǎn)問題探討，時(shí)代金融，2014年第12期下旬刊（總第574期），159-160。

12.謝平、紀(jì)志宏、徐忠和鄒傳偉，銀行信貸出表及其對信用債券市場的影響，新金融評論，2016年第3期，41-56。

13.徐文舸、劉洋，銀行信貸資產(chǎn)證券化的潛在流動(dòng)性風(fēng)險(xiǎn)與監(jiān)管研究，金融監(jiān)管研究，2017年第11 期，83-93。

14.謝赤和凌毓秀，銀行信貸資產(chǎn)證券化信用風(fēng)險(xiǎn)度量及傳染研究——基于修正KMV 模型和MST 算 法的實(shí)證，財(cái)經(jīng)理論與實(shí)踐，2018 年第 3期，2-8。

15.姚玥悅，鄧創(chuàng)，李威，新形勢下我國債券市場風(fēng)險(xiǎn)特征研究，經(jīng)濟(jì)縱橫，2017 年第11期，118-122。

16.Hamilton James D. ，A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle Author（ s） ： James D. Hamilton Source： Econometrica，Vol. 57，198 2 （ Mar. ，1989） ，pp. 357 -384 Published by： The Econometric Society Stable URL： http： / / www. jstor. org/stable/1912559 Accessed： 14 -09 -2017 13：23 UTC. The Econometric Society.

17.Allen， E.， R. Powell， and A. Singh， Take It to The Limit： Innovative CVAR Applications to Extreme Credit Risk Measurement， European Journal of Operational Research， 2016， 249（2）， 465-475.

18.Carbo-Valverde，S.，Degryse，H.，Rodriguez-Fernandez，F(xiàn).，The Impact of Securitization on Credit Rationing： Empirical Evidence[J]. Journal of Financial Stability，2015，10 （20）：36-50.

（作者單位：中國社會(huì)科學(xué)院大學(xué)、中國建設(shè)銀行）