综合资本分析和检查(Comprehensive Capital Analysis and Review，CCAR)
目录 |
综合资本分析和检查是美国银行业为提高金融机构的风险应对能力，开始以压力测试为基础，全面评估银行的各项业务及资产的抗风险能力，进而在风险预测的基础上优化业务及资产结构的一项监管改革计划。（以下简称“CCAR”）
美国银行业综合资本评估与评审的核心是要求银行制定明确的战略，能够清晰、动态地报告战略实施对各业务条线、各机构和每个客户群所产生的影响，清楚地分析业务收入、风险损失与资本占用的变化。CCAR 资本压力测试主要包括压力情景设计、损失估计、拨备前净收入预测、资本规划与管理措施等内容（Board of Governors of the Federal Reserve System 2016）。
通过CCAR 的压力测试，可以测算未来9个季度每一类资产的业务收入、风险损失与资本占用变化情况，进而弄清楚当系统性风险发生时，银行各个方面的具体情况，以便为采取各项措施做好准备。这就可以在动态估计损失与收益的基础上，对资本进行前瞻性规划，及时采取各项风险管控措施，来保证银行在各类压力下的正常运作。
CCAR 框架考虑了银行执行压力测试所需情景的具体要素，提供了三套每年开展压力测 试的具体情景。压力情景通过对28个宏观经济变量在不同水平下的预测，描述不同特定情景下的美国和其他四大国际经济体的经济活动、资产价格、外汇汇率和利率水平，情景严重程度通过GDP、失业率、利率、股指等指标来表示（Board of Governors of the Federal ReserveSystem，2016）。美联储同时要求银行根据自身情况设计至少两个类似的情景，反映其自身的特定风险轮廓及运营情况，包括公司的资本充足和财务状况。银行自身压力情景的设计，有纯专家判断模型也有纯统计模型，但大多数全球性银行在宏观经济变量预测中会兼顾这两种方法，即采用混合性方法。
专家判断法一般是先组建一个由经济学家、业务条线代表及来自财务、风险和信贷部门的高级管理层构成的委员会。这个工作委员会的唯一目标是为宏观经济变量做出合理的预测。该委员会在选取宏观经济变量时的一般做法是依赖风险识别流程及管理层决断。委员会将首先考虑历史趋势和前瞻性预测，通过各方讨论银行所面临的关键风险，最终确定区域性和全球性具有代表性的宏观经济变量及变量的预测水平。
纯统计模型开发法一般采用高度复杂的、结合区域性和全球性的模型数据，进行宏观经济变量预测，包括计算各区域相关性和各变量间的相关性。常用的统计模型包括向量自回归模型（VAR）或向量自回归误差修正模型（VECM）。
VAR 模型可以用于分析变量系统中各变量间的相互作用。在某些给定的条件下，VAR 模型能够用来确定一个基本的经济冲击给其他经济变量带来多大影响。VAR 模型被公认为是描述变量间动态关系的一种有效实用方法。
VECM模型是VAR模型的一个扩展：VECM 模型在VAR 模型的基础上引入了长期协整机制的约束，在统计意义上更为严谨。VECM 模型的压力情景设计，基于其所建立的多个风险驱动因素之间的联动关系，即可根据不同的风险触发因素或冲击因素，推演出相应冲击下的整体压力情景。
混合型方法一般是指采用统计模型和专家判断相结合的方式，对宏观经济变量进行预测。该方法先通过统计模型得出测算结果，然后专家们在综合考虑宏观经济模型的预测结果以及潜在的额外因素。例如，在各区域间的相关性的基础上，决定是否需要对现有模型预测值进行管理层人工调整，并发布银行最终宏观经济变量预测水平。这种混合型方法因其开发成本适中且优于纯粹的专家判断方法，成为目前银行使用最为广泛的方法。
在损失估计方面，美国银行业一般根据资产类型和会计处理方法分别进行损失估计，主要包括权责发生制的贷款组合、公允计价贷款、可供出售贷款（AFS）或持有到期证券（HTM）、交易及交易对手损失估计、贷款损失准备金估计。如果根据风险类别划分，可以划分为信用风险损失、市场风险损失以及操作风险损失三大类（Board of Governors of the Federal Reserve System，2014）。
依据资产类型、规模、重要性以及数据的不同，银行通常会采取不同的损失预测方法对 信用风险损失进行预测估计。总体看，信用风险损失预测方法可以分成模型方法和非模型方法两大类。其中，非模型方法主要针对非重要的资产组合，采用类似尺度（Scaler）调整的方法，通过简单的尺度来调高基准情景下的组合损失作为压力情景下的损失预测。其尺度一般会基于组合的历史表现、其他资产组合模型预测的压力损失与基准损失之比，或者专家经验调整。
目前国内外同业常用的信用风险损失预测模型方法主要包括两大类，一是基于会计损失（即核销和回收）的直接预测方法（Balance Sheet Approach），比较常见的有滚动率（Roll-Rate）模型、账龄损失（Vintage）模型、净核销（Net Charge-Off）模型等；二是基于预期损失（即经济损失）的间接预测方法（Distribution Approach），比较常见的有评级迁移模型、比例风险模型、线性回归模型、逻辑回归模型等。
从金融市场产品分类来看，商业银行的金融市场业务可分为利率类产品、汇率类产品、商品以及衍生品四大类。市场风险的压力测试基本使用全估值方法，即假设银行已具有各类产品的估值模型，压力测试时，将压力下的估值参数（汇率、收益率曲线、商品价格等）输入到估值模型中，得出压力下各类产品的估值价格之后，再乘以组合中各类产品的持有头寸，得到压力下各组合的估值结果；将其与买入价格相比，得出各组合的市场风险损益；然后沿组合树上升到商业银行集团层面，可得到整个商业银行集团市场风险的总体损益。
美国主流银行中大多采用回归分析法和历史平均法相结合的方法，也有一些银行使用损失分布法和情景分析法，但这两类方法通常作为辅助方法来使用。
回归分析法主要基于各历史时点上各单元格的损失频率和损失金额时间序列数据，与GDP、CPI 等宏观经济变量建立回归分析模型。在压力测试时，基于各压力情景下的宏观经济变量取值，推导出压力情景下各期的损失频率与损失金额结果，进而将宏观经济变量的压力传导至操作风险的损失预测上。
损失分布法（LDA）也是基于损失频率和损失强度的分析范式，其基本逻辑是假设操作风险的损失频率和损失强度服从某种概率分布，利用实际损失数据来推导该分布的主要参数，建立起分布曲线。基于蒙特卡洛模拟得出损失频率和损失强度的概率分布曲线，进而可以得出给定置信区间对应分位点的损失频率和损失强度。由于损失的概率分布曲线已知，基于实际的损失频率和损失强度数据，可以反推出该损失频率和损失强度对应的实际分位点数据。运用损失频率和损失强度的实际分位点时间序列数据，可以建立与宏观经济变量间的多元线性回归模型，从而可以将压力情景下宏观经济变量的取值，通过回归模型传导至损失频率和损失强度的分位点预测值，再基于分位点的概率分布曲线，可以进一步推导出压力情景下的损失数据。
历史平均法是一种相对简单的压力测试预测方法，主要适用于与宏观经济指标无明显关系的损失事件类型/ 业务条线，可采用多期历史损失数据做滚动平均，从而预测下一期的损失数据。
情景分析法主要作为一种辅助分析方法，可弥补操作风险损失数据在数据量和模型拟合效果方面的局限性，在量化估计结果的基础上，加入前瞻性的考虑，比如对从未发生过的损失事件做情景模拟，从而得出在一定情景下的损失金额。该方法还可以用于对个体特殊风险（特别是针对个体风险与宏观经济环境相关性不明显的情况）和尾部事件进行预测。
拨备前净收入预测的目的，主要是为了预判在不同的压力情景下，商业银行的资产负债表和损益表的变动趋势。压力情景下资产负债表和损益表的预测主要通过报表重点科目的预测来实现。具体而言，主要是实现拨备前净收入（Pre-Provision Net Revenue，PPNR）的预测（Board of Governors of the Federal Reserve System，2016）。拨备前净收入PPNR 可由净利息收入、非利息收入、非利息支出等推算得出：
PPNR=净利息收入+非利息收入-非利息支出
各科目的预测主要采用建立宏观经济变量与科目之间的关系，通过对不同压力情景下宏观经济变量的施压，实现对各科目的预测。各预测模型的构建一般采用线性回归的方式。本文对国际主流银行拨备前净收入预测常用的模型进行了归纳总结，如下表所示。
| 建模方面 | 业界实践（不太复杂） | 业界实践（较为复杂） |
|---|---|---|
| 模型类型 | 一元回归、滞后变量、当回归无法有效契合，使用移动平均 | 多元回归、回归下有２—３个驱动因子、使用虚拟变量来调节季节性、当回归无法有效契合，使用移动均线 |
| 颗粒度方面的考虑 | 数据可用性（包括可用余额和销量预测） | 市场环境，竞争环境和业务条线的可支配资源 |
| 预测项目的颗粒度 | 大约十个能够有效契合的回归模型、非利息收入和费用项目预测 | 一百多个能够有效契合的回归模型、对资负表项下的子项单独建模预测 |
1. 净利息收入预测
净利息收入一般包括利息收入和利息支出两部分。其中，利息收入主要是贷款规模及其他生息资产和收息率的乘积，即：利息收入= 贷款规模× 贷款收益率+ 其他生息资产× 收益率；利息支出主要是存款及其他付息负债和付息率的乘积，即：利息支出= 存款规模× 存款付息率+ 其他生息负债× 付息率。
压力情景下净利息收入预测的主要思路是建立贷款规模、存款规模、贷款收益率、存款付息率与宏观经济变量之间的联系；通过宏观经济指标在不同压力下的变动，传导至上述指标，并最终对净利息收入产生影响。在存贷款规模预测时，需要区分存量和增量的差异。这主要是由于存款和贷款有一定存续期，存量的存款和贷款可根据规模和已商定的利率和付息时间点准确计算存款利息支出与贷款利息收入。对于存量规模可根据付息计划和还款计划准确计算，而新增规模则必须通过与宏观经济变量建模来预测压力情景下的规模变化。
同时，为准确评估压力情景下客户的提前还款和提前支取行为，需要根据客户历史表现，建立提前还贷/ 提前支取与宏观经济变量之间的关系，预测压力情景下提前还贷/ 提前支取的具体的规模。
2. 非利息收入预测
与利息收入不同，非利息收入的笔数繁多，收费产品种类多，收费项即杂又细，且与信贷业务间有着千丝万缕的联系，很难使用银行内部明细数据进行加工处理。同时，大部分银行的非利息收入明细数据存在着准确度不高、可追溯性差、时间长度不足等问题。因此，在PPNR压力测试过程中，多使用汇总数据与宏观经济变量建立多元回归模型的方法进行预测。
3. 非利息支出预测
对商业银行来说，非利息支出中占比最大的大都是员工的工资和福利支出。从国际主流银行非利息支出的建模经验来看，员工的工资和福利通常具有一定刚性，与宏观经济状况的直接关系不大。同时，员工工资和福利往往与银行业务规模高度相关，因此国际主流银行在非利息支出预测方面，大都采用非模型预测方法，按照业务规模变化情况，直接按比例增加或减少工资和福利的规模。
商业银行的资产负债表和损益表科目中，除了常规的净利息收入、非利息收入、非利息支出等科目外，还存在很多科目无法采用模型方法构建。这些科目一般采用业务判断、资金分配、摊销成本、趋势预测等非模型方法。
基于拨备前净收入及各类风险的损失估计结果，商业银行需要预测规划时段内不同压力情景下的资产负债表和损益表变化情况，并根据期初金额、付现和支取的模型预测结果进行调整。预测资产负债表的损失应与压力测试时内部损失估计模型的结果保持一致。商业银行应确保其风险加权资产估计能涵盖所有相关的表内外风险暴露，并已根据监管要求，对不同的资产估计采取了不同的风险加权资产计算方法。
基于风险加权资产估计结果和拨备前净收入预测结果，结合期初资本额等数据，商业银行可以预测规划期内不同压力情景下的资本充足率，确保不同压力情景下资本充足率均能满足监管要求。