资产证券化对商业银行盈利能力及稳定性的影响.docx
《资产证券化对商业银行盈利能力及稳定性的影响.docx》由会员分享，可在线阅读，更多相关《资产证券化对商业银行盈利能力及稳定性的影响.docx（37页珍藏版）》请在冰豆网上搜索。
资产证券化对商业银行盈利能力及稳定性的影响
资产证券化对商业银行盈利能力及稳定性的影响
美国一直是全球范围内资产证券化的先行者，也是全球最大的资产证券化市场。
自20世纪80年代以来，美国资产证券化市场逐渐发展壮大，各种类型的资产证券化产品如雨后春笋般不断涌现。
然而，2007年至2008年美国次贷危机的爆发反映出监管缺位前提下资产证券化过度发展可能造成的风险。
全球金融危机爆发以来，全球范围内开始对资产证券化的功能与风险进行全面而深刻的反思，美国出台的《多德-弗兰克法案》就是一例。
在本章，我们将利用美国商业银行的资产证券化数据和财务数据分析资产证券化活动强度对商业银行盈利能力与稳定性的影响，包括影响方向、机制以及金融危机前后的变化。
回答清楚这些问题不仅有助于我们更好地理解美国的资产证券化实践，也有助于中国资产证券化的监管者与参与者深化对其相关认识，进而达到趋利避害的目的。
一数据来源与样本处理
本章将选取美国商业银行2001年第二季度至2012年第一季度的相关数据进行分析。
数据源自美联储芝加哥分行披露的美国商业银行财务和收入数据报告（ReportofConditionandIncomedata，简称CallReport）。
之所以选择2001年第二季度作为样本期的开端，是因为美国监管当局要求从2001年第二季度起商业银行必须上报与资产证券化活动有关的数据。
之所以选择2012年第一季度作为样本期的结束，主要是囿于数据可得性问题。
在美联储芝加哥分行披露的相关数据中，2012年后三个季度的数据存在严重缺失。
为了保持数据的统一和完整，本章不得不舍去2012年第一季度以后的数据。
CallReport包含了由美国联邦储备系统、联邦存款保险公司和货币监理署监管的所有商业银行的季度财务数据，数据容量相当庞大。
本章的数据处理步骤如下。
第一，将可能用到的指标从每一季度的表格中提取出来，合并整理成面板数据格式（相关指标以及计算步骤可参见附录1）。
第二，在样本期间可能出现银行倒闭或兼并，也可能成立新的银行，因此，将填报期不足44个季度的银行剔除，同时将有数据缺省和异常值的银行也剔除。
第三，将银行每一个季度各类资产证券化活动的规模加总[1]，并据此将银行划分为证券化组和非证券化组。
其中，证券化组是指在样本期内从事过至少一次证券化活动的商业银行，总共350家。
非证券化组是指在样本期内没有从事过证券化活动的银行，总共4970家。
第四，出于降低交易成本考虑，银行会将基础资产累积到一定规模后再进行证券化，因此有些季度证券化活动的规模为零。
为提高实证研究的准确性与显著性程度，本章只对证券化活动频率超过样本期半数的银行展开分析。
经过相应筛选，证券化组包含了60家商业银行。
另外，将证券化活动频率超过样本期75%的银行视为证券化活跃组，包含38家商业银行。
第五，选择控制组。
众多文献研究表明，资产规模是决定商业银行是否从事证券化的主要因素（UzunandWebb，2007；JiangliandPritsker，2008；BannierandHansel，2008；AgostinoandMazzuca，2008），其中Jiangli和Pritsker（2008）还将银行规模作为资产证券化的工具变量，因此，我们以样本期最后一个季度为准，从非证券化组中选择出最接近证券化组中银行规模的60家银行作为控制组，进行组间对比分析。
二资产证券化能提高商业银行的盈利能力吗
（一）研究思路
本书将用净资产收益率（ROE）表示商业银行的盈利能力，以美国银行业数据为基础，分析资产证券化活动强度与商业银行ROE之间的关系。
我们的研究思路如下：
首先，从杜邦分解的角度阐述资产证券化影响商业银行ROE的具体机制；其次，借助图表和相关性统计直观了解资产证券化活动强度与商业银行ROE的相关性；最后，介绍本书具体的实证分析思路。
1.资产证券化影响商业银行ROE的机制分析
杜邦分解是分析企业净资产收益率变动原因的常用方法，它通过财务指标的内在联系来系统地分析企业盈利水平的变动。
本书将从杜邦分解的角度探讨资产证券化影响商业银行ROE的具体机制。
第一，虽然资产证券化属于银行的表外活动，但其仍然有助于商业银行提高杠杆率。
首先，资产证券化有助于商业银行将风险较高的信贷资产转换成现金和高评级债券等低风险资产，以减少商业银行的风险加权资产，从而降低商业银行的最低资本要求，增加杠杆率。
其次，商业银行还会发起资产支持商业票据（ABCP）管道，购买资产支持债券，并发行ABCP。
商业银行通常会为ABCP管道提供流动性担保，在规避资本监管要求的同时，保留相关风险（Acharyaetal.，2013）。
资产证券化对杠杆率的影响机制反映了资产证券化具有的监管套利功能，即通过资产证券化规避最低资本监管要求。
第二，资产证券化能够显著提高商业银行的资产周转率。
显而易见，商业银行可以利用资产证券化回笼的资金继续发放贷款，并将其继续证券化，从而提高其资产周转率。
资产证券化对商业银行资产周转率的影响机制反映了资产证券化盘活存量、提高资产流动性的功能，即资产证券化将分散的基础资产打包与分层，这样可以消除单个资产的异质性风险，从而降低资产支持证券价值的信息敏感度以及信息优势方拥有的信息价值，最终提高相关资产的流动性。
第三，资产证券化对商业银行收入利润率可能存在正负两方面的影响。
一方面，商业银行可以通过资产证券化改善其资产负债表，从而降低信贷风险，进而降低融资成本，这有助于提高商业银行的收入利润率。
另一方面，与资产证券化相关的以下三点因素可能削弱商业银行的收入利润率：
首先，在证券化过程中，商业银行将部分利息收入让渡给了投资者，商业银行的利息收入可能下降；其次，与资产证券化相关的交易成本（例如，成立SPV和信用增级）将会增加商业银行的非利息支出；最后，商业银行作为发起人通常会持有股权级资产支持证券。
一旦基础资产出现违约，发起人将不得不承担最初的损失，这会增加银行的或有支出。
不难看出，在第一条与第二条渠道中，资产证券化有助于提高商业银行ROE，在第三条渠道中，资产证券化对商业银行ROE的影响并不明确。
因此，我们既会从整体上考察资产证券化对商业银行ROE的影响，也会从杜邦分解的角度来分析资产证券化影响商业银行ROE的具体渠道。
2.来自行业层面的特征事实
图8-1显示了美国私人部门资产证券化季度流量与银行业ROE季度数据之间的关系。
[2]不难看出，这两个时间序列之间存在明显的正相关关系。
如表8-1所示，在整个样本期间（1991年至2013年），两者之间的相关系数为0.66。
值得注意的是，在不同的时期内，两者之间的相关性存在较大差异。
例如，在2004年（资产证券化出现井喷式发展）至2013年期间，两者之间的相关系数达到0.74。
再分阶段来看，2004年至2008年第二季度（全球金融危机爆发之前）期间，两者之间的相关系数高达0.87，而在2008年第三季度至2013年期间，两者的相关系数仅为0.47。
然而，仅仅看总量数据的相关性是远远不够的。
银行业ROE中包含了很多非证券化银行的数据，而私人ABS流量中也包含了很多非商业银行发起人的信息，因此，我们有必要借助反映银行个体特征的面板数据来分析资产证券化对商业银行ROE的影响。
图8-1私人部门资产证券化流量和银行业ROE
表8-1私人部门资产证券化流量与银行业ROE的相关系数
时段
1991年第一季度至2013年第四季度
2004年第一季度至2013年第四季度
2004年第一季度至2008年第二季度
2008年第三季度至2013年第四季度
相关系数
0.66
0.74
0.87
0.47
表8-1私人部门资产证券化流量与银行业ROE的相关系数
3.实证分析的具体思路
本节将通过组内分析来研究资产证券化强度对商业银行ROE的影响，利用组间分析来研究资产证券化虚拟变量对商业银行ROE的影响。
组内分析将以资产证券化活动强度为解释变量。
第一，利用固定效应模型分析资产证券化活动强度及其他控制变量对银行ROE的影响。
第二，利用差分GMM、提取证券化活跃组、引入金融危机虚拟变量等方法对上述回归进行稳健性检验。
第三，将从杜邦分解的角度探讨资产证券化影响商业银行ROE的路径。
第四，按照证券化的基础资产进行分组，分别分析抵押贷款证券化（MBS）活动强度和非抵押贷款证券化（ABS）活动强度对商业银行ROE的影响及影响路径。
组间分析将以资产证券化虚拟变量为解释变量。
第一，利用随机效应模型分析证券化虚拟变量是否会显著影响商业银行的ROE。
第二，从杜邦分解的角度出发，分别分析证券化虚拟变量对商业银行收入利润率、资产周转率和杠杆率的影响。
第三，利用双重差分法分析金融危机对证券化银行和非证券化银行盈利水平的冲击是否存在显著区别，并据此来验证资产证券化对商业银行稳定性的影响。
（二）变量选取及定义
1.被解释变量
除特别指出外，本节实证分析的被解释变量为ROE（roe）。
此外，为探讨资产证券化影响商业银行ROE的具体渠道，本节还将杠杆率（leverage）、资产周转率（assetturn）和收入利润率（profitrate）分别作为被解释变量。
2.解释变量
本节的解释变量包括资产证券化程度（secextent）和证券化虚拟变量（sec）。
资产证券化程度为商业银行每个季度资产证券化规模占其总资产的比重，以此来反映银行资产证券化的活动强度。
证券化虚拟变量将被用来区分证券化组和非证券化组，其中证券化组为1，非证券化组为0。
3.控制变量
专门研究资产证券化与银行盈利水平的文献很少，因此，本书在选择控制变量时主要参照了近期专门研究商业银行盈利水平的文献（Flaminietal.，2009；DietrichandWanzenried，2010）。
Dietrich和Wanzenried（2010）在梳理文献时总结出，影响商业银行盈利水平的变量有两类，即反映银行结构特征和反映行业及宏观环境的变量，它们分别反映了决定银行盈利水平的内因和外因。
在反映银行特征的变量中，许多文献都考虑了反映银行规模、风险和成本等特征的变量，还有一些文献考虑了银行的所有权关系和年龄等变量；在反映宏观经济和行业变量的文献中，许多文献考虑了经济增长、中央银行利率、通货膨胀和资产价格等因素，还有一些文献考虑了税收和市场支配力等因素。
他们同时总结出，由于数据来源、所研究的对象和市场不同，研究结果也存在显著的差异。
本书的重点是研究资产证券化活动对商业银行ROE的影响，因此，我们仅选择了反映银行结构特征和反映宏观环境的主流变量作为控制变量。
反映银行特征的控制变量包括银行规模（size）、流动性比率（liqratio）、贷款占比（loanratio）、存款占比（deporatio）、一级资本充足率（tier1ratio）和风险加权资产占比（rwaratio）。
其中，银行规模为总资产的自然对数；流动性比率为流动性资产占总资产的比重，贷款占比为总贷款占总资产的比重，以上两者反映了银行的资产特征和收益来源；存款占比为存款占总资产的比重，反映了银行的负债特征和融资来源；一级资本充足率为一级资本与风险加权资产之比，反映了银行的风险缓冲能力，该指标可以在一定程度上反映银行经营的稳健性；风险加权资产占比为银行风险加权资产占总资产的比重，根据巴塞尔协议Ⅱ，银行可以采用内部评级法计算风险加权资产，因而可将风险加权资产占比视为衡量银行风险的指标。
反映宏观经济环境的控制变量包括GDP实际增长率（gdpgrowth）、VIX指数（vix）、三个月期国库券利率（m3）和房价（home）。
其中，GDP实际增长率反映了经济增长情况；VIX指数反映了金融市场波动性和投资者避险情绪；三个月期国库券利率反映了金融市场的整体融资成本，它与中央银行货币政策密切相关；房价反映了资产价格，这是影响住房抵押贷款证券化的重要因素。
[3]
4.变量统计描述
表8-2列出了非证券化组和证券化组相关变量的均值、中位值、标准差以及非证券化组和证券化组的均值差。
可以看出，证券化组ROE的均值为7.32%，大于非证券化组的6.48%。
从ROE的三项杜邦分解指标来看，证券化组和非证券化组的杠杆率均值均为10.24；证券化组的资产周转率为6.29%，高于非证券化组的4.10%；证券化组的收入利润率为27.31%，低于非证券化组的32.55%。
在其余反映银行特征的控制变量中，证券化组的平均规模、贷款占比和风险加权资产占比均高于非证券化组，流动性比率、存款占比和一级资本充足率均低于非证券化组。
表8-2证券化组和非证券化组数据统计描述
非证券化组
证券化组
均值差
均值
中位值
标准差
均值
中位值
标准差
secextent
29.08
1.79
77.83
roe
6.48
5.53
6.62
7.32
6.15
9.79
-0.84***
leverage
10.24
10.27
3.25
10.24
10.55
3.17
0.005
assetturn
4.10
3.72
3.01
6.29
4.43
8.35
-2.19***
profitrate
32.55
35.00
1.95
27.31
30.60
32.54
5.24***
size
14.62
15.63
1.06
15.50
16.01
2.81
-0.87***
liqratio
31.54
26.29
18.87
26.27
23.94
12.88
5.27***
loanratio
62.27
67.15
18.40
64.05
67.68
15.62
-1.78***
deporatio
74.81
77.93
15.80
70.24
72.63
14.99
4.56***
tier1ratio
17.30
12.86
19.06
11.98
10.67
4.90
5.32***
rwaratio
71.41
71.48
19.80
80.47
78.62
22.31
-9.06***
观测值
2640
2640
2640
2640
2640
2640
2640
注：
除了杠杆率（倍数）和规模（银行总资产的自然对数，银行总资产的单位为千美元）以外，其余变量的单位均为%；***、**和*分别表示通过1%、5%和10%的显著性检验（下同）。
表8-2证券化组和非证券化组数据统计描述
5.数据平稳性检验
根据面板数据的特征，本书将利用HT面板单位根检验方法对反映银行特征的变量进行单位根检验，结果显示（见表8-3），面板数据均为平稳序列；利用DF检验对反映宏观经济特征的时间序列进行单位根检验，结果显示，在10%的显著性水平下，GDP实际增长率和VIX指数为平稳序列，三个月期国库券利率为一阶差分平稳序列，房屋价格为二阶差分平稳序列，因此，我们预先将这两个变量进行差分处理，分别记为dm3和ddhome。
表8-3单位根检验结果
全样本
证券化组
时间序列
DF检验
HT检验
HT检验
secextent
-11.613***
gdpgrowth
-3.737***
roe
-80.888***
-45.835***
vix
-2.819*
leverage
-19.907***
-13.627***
m3
-0.878
assetturn
-110***
-72.473***
dm3
-3.141**
profitrate
-75.368***
-32.795***
home
-2.416
size
-11.443***
-12.970***
dhome
-1.493
liqratio
-16.215***
-12.837***
ddhome
-8.074***
loanratio
-15.328***
-14.388***
deporatio
-13.153***
-14.073***
tier1ratio
-7.221***
-13.116***
rwaratio
-31.830***
-31.968***
注：
全样本指包括证券化银行和非证券化银行在内的120家银行。
HT检验和DF检验的原假设均为“存在单位根”，前者是针对面板数据，后者是针对时间序列。
表8-3单位根检验结果
（三）组内分析：
资产证券化活动强度对商业银行ROE的影响
1.基本模型
本节设定的基本回归方程如下：
roei，t=c+β×secextenti，t+controlsi，t×α′+vi+μi，t 公式（8-1）
其中，roe为被解释变量，i表示具体银行，t表示时间，secextent表示证券化活动强度，controls是指其他反映银行结构特征和宏观经济特征的控制性变量，包括银行的流动性比率、贷款占比、存款占比、一级资本充足率、风险加权资产占比、GDP实际增长率、VIX指数、三个月期国库券利率和房价指数，vi为商业银行的个体效应，μi，t为残差项。
我们最关注的系数为β，预期β显著为正。
本书的计量软件采用Stata。
根据Hausman检验的结果，本书将采用固定效应模型。
基本回归结果显示［见表8-4模型
（1）］，资产证券化活动强度能够显著增加商业银行的ROE：
资产证券化规模占总资产的比重每上升1个百分点，商业银行的ROE就将上升0.0198%。
该结果在1%的水平下显著。
就其他控制变量而言，银行规模、存款占比、一级资本充足率、风险加权资产占比、VIX指数和三个月期国库券利率对商业银行ROE的影响显著为负；经济增长率对商业银行ROE的影响为负，但不显著；流动性比率、贷款占比和房屋价格对商业银行ROE的影响为正，但是并不显著。
为了克服可能存在的内生性问题，我们再以解释变量和控制变量的滞后一期值为基础进行固定效应面板回归分析。
估计结果［见表8-4模型
（2）］与模型
（1）的结果基本一致，资产证券化活动强度的系数上升至0.0259，在1%的水平下显著。
流动性比率和贷款占比的影响依然为正，但显著性明显增强；经济增长率的影响由负转正，且在1%的水平下显著。
2.稳健性检验
我们将采用三种方法进行稳健性检验：
首先，使用差分GMM方法重新对原模型进行估计；其次，以证券化活动频率最高的38家商业银行为样本单独进行面板分析；最后，引入金融危机虚拟变量，检验金融危机前后资产证券化对商业银行ROE的影响是否会发生变化。
（1）使用差分GMM方法
本书构造了一个动态面板数据模型，并采用差分GMM方法重新验证资产证券化活动强度对商业银行ROE的影响。
该动态面板模型如下。
roei，t=c+ρ1×roei，t-1+…+ρk×roei，t-k+β×secextenti，t+controlsi，t×α′+vi+μi，t 公式（8-2）
我们将分别采用Sargan检验和Arellano-Bond检验对工具变量的有效性和模型设置的合理性进行判定。
其中，Sargan检验用来检验工具变量的过度识别问题，即检验工具变量是否有效，原假设为工具变量有效。
Arellano-Bond检验用于检验差分后的扰动项是否存在自相关，一般包括一阶自相关AR
（1）检验和二阶自相关AR
（2）检验，原假设为差分后的残差项不存在自相关。
如果AR
（1）存在自相关，但AR
（2）不存在自相关，则差分GMM是有效的。
我们将ROE的滞后一至四期值、资产证券化活动强度、银行规模和一级资本充足率设置为内生变量。
Sargan检验的P值大于0.1，表示接受工具变量有效的原假设。
Arellano-Bond检验的AR
（1）统计量拒绝了扰动项一阶序列无自相关的原假设，AR
（2）统计量接受了扰动项二阶序列无自相关的原假设，这表明本动态面板的差分GMM系统是有效的。
表8-4中的模型（3）显示了差分GMM的回归结果。
结果显示，资产证券化程度与银行ROE仍然保持非常显著的正相关关系，且系数进一步上升至0.0425。
流动性比率和贷款占比的系数由正转负，并分别在1%和5%的水平下显著，存款占比的影响由负转正，但不显著，经济增长率的影响由负转正，但不显著。
（2）仅对证券化活跃组进行回归
各家商业银行并非每个季度都从事证券化活动，因此某些季度的证券化数据为零，而数据的不连续性可能降低回归的准确性，因此，我们将证券化活动频率最高的38家银行作为样本单独进行面板回归。
我们仍采用固定效应模型，结果显示［见表8-4模型（4）］，资产证券化活动强度与商业银行ROE之间依然存在非常显著的正相关关系，系数上升为0.0289。
其他控制变量系数的符号及显著性程度与模型
（1）基本一致，不同之处包括流动性比率的显著性增强，三个月期国库券利率的显著性有所削弱。
（3）考虑金融危机的冲击
本书的样本期包含了全球金融危机，而金融危机可能导致商业银行的经营行为与经营业绩发生结构性变化，同时也可能引起金融市场对资产证券化的认识发生转变。
因此，我们通过引入反映金融危机的虚拟变量（crisis）以及金融危机虚拟变量和资产证券化活动强度的交叉项（crisis×secextent），来研究金融危机本身对商业银行ROE的影响，以及金融危机是削弱还是加强了资产证券化对商业银行ROE的影响。
我们将2008年第三季度以前视为危机前，金融危机虚拟变量为0，将2008年第三季度及以后视为危机期间，金融危机虚拟变量为1。
[4]新的回归模型如下：
roei，t=c+β1×secextenti，t+…+β2×secextenti，t×crisisi，t+β3×crisis+controlsi，t×α′+vi+μi，t 公式（8-3）
根据Hausman检验的结果，我们仍采用固定效应模型。
回归结果［见表8-4模型（5）］显示，即使在考虑全球金融危机的影响之后，资产证券化活动强度对商业银行ROE的影响仍然显著为正。
此外，模型（5）还产生出两个新的结论：
第一，金融危机本身对商业银行ROE的影响显著为负，2008年全球金融危机爆发后，美国商业银行的ROE平均下降了6.56%；第二，金融危机虚拟变量和资产证券化活动强度交叉项的系数显著为负。
这表明在金融危机爆发之后，资产证券化对商业银行ROE的正向促进作用显著削弱（由危机前的0.0194下降至危机后的0.0007）。
原因可能是全球金融危机爆发之后，资产证券化产品面临的监管环境日趋严格，投资者对资产证券化产品的投资更加谨慎等因素所致。
综上所述，三种稳健性检验均显示资产证券化活动强度能够显著增加商业银行的ROE。
因此，可以认为表8-4中的固定效应模型
（1）具有较强的稳健性。
3.杜邦分解：
资产证券化影响商业银行ROE的具体渠道
为探讨资产证券化活动影响商业银行ROE的具体渠道，我们将分别研究资产证券化活动强度对商业银行杠杆率、资产周转率和收入利润率的影响。
根据Hausman检验的结果，我们仍采用固定效应模型。
回归结果［见表8-4模型（6）和模型（7）］显示，资产证券化活动强度对商业银行杠杆率的影响显著为正，这与Dionne和Harchaoui（2003）、Uzun和Webb（2007）以及Jiangli和Pritsker（2008）的研究结果相一致。
资产证券化活动强度对资产周转率的影响显著为正［见表8-4模型（8）和模型（9）］，这与我们的预期相符。
资产证券化活动强度对收入利润率的影
升级会员 