ABS兑付影响因素的量化效果.docx

ABS兑付影响因素的量化效果.docx

《ABS兑付影响因素的量化效果.docx》由会员分享，可在线阅读，更多相关《ABS兑付影响因素的量化效果.docx（4页珍藏版）》请在冰豆网上搜索。

ABS兑付影响因素的量化效果

ABS兑付影响因素的量化效果

研究和投资ABS过程中，考虑以及评估风险情况必不可少，接下来本文从资产证券化的兑付情况入手，分析哪些因素会影响资产证券化的逾期和兑付概率。

并且，考虑到日常投资ABS时，量化方法有所缺失，我们尝试利用已经完成结算的银行间ABS历史数据进行分析，然后构建回归模型对券项的兑付情况进行解读以及预测，以帮助投资者对各个因素以及整体概况有更清晰、更直接的判断。

一、如何理解ABS的提前及逾期兑付情况？

一般情况下，一款资产证券化产品有两个重要的日期：

预期到期日和法定到期日。

预期到期日是指基础资产处于一般状态（并无任何违约和提前偿还等状态）下时，各档证券的到期时间。

这个日期是一种估计，是一种特定条件或假设下估计、计算。

法定到期日则是处置资产清算日期，如果在这一日不能支付全部的本金和利息，就可以定义为违约，典型情况下该日期要比预期到期日推迟2年。

提前兑付则是指实际兑付在预期到期日之前完成，逾期兑付则是指实际兑付在预测到期日之后，法定到期日之前完成。

违约则是指在法定到期日之后还未能完成支付的情形。

提前或逾期兑付都会使得ABS产生风险。

当债券出现提前兑付时，由于提前偿还的时间不确定，投资者的资金运用计划就有可能被打乱。

如果在短时间内难以找到合适的长期投资目标，投资者只能选其次投资于利率较低的货币市场，只能获取较低的投资收益率。

其次，投资者寻找新的投资对象的交易成本增加，如果交易成本大于再投资收益，则投资者会遭受损失。

如果债券出现逾期兑付，一方面可能暗示债券基础资产池的现金回流情况不佳，造成潜在的违约风险加大。

另一方面，预期也会打乱投资人的资金运用计划。

因此，研究或预测提前或逾期兑付有助于投资者更好的选择ABS产品以及把握风险。

由于企业ABS数据的不完善，本次数据主要采用17年12月31日前已经完成兑付的594只银行间ABS作为研究对象。

数据显示，提前兑付、当期兑付和逾期兑付的比例分别约为37%、49%和14%。

从分布而言，整体呈左偏分布，提前兑付天数范围较大，在提前30天（一个月）、91天（一个季度）和183天（半年）附近出现集中的分布，这与基础资产池的还款情况有关。

其次，统计不同类别的已到期银行ABS提前与逾期兑付的百分比。

可以看出，信用卡贷款和房地产抵押贷款ABS逾期兑付的比例最大，汽车贷款ABS提前兑付的比例最大，而企业贷款和租赁资产ABS当期兑付情况较好。

二、分基础资产类别讨论提前及逾期兑付情况

我们结合不同基础资产类别ABS的特性，分析不同种类的ABS提前及逾期兑付的特征。

目前已经完成结算的ABS基础资产类别包括企业贷款、不良贷款、房地产抵押贷款、工程机械贷款、汽车贷款、铁路专项贷款、消费性贷款、信用卡贷款及租赁资产等等，具体来看：

（一）企业贷款：

按期还款率高，提前还款受还贷情况影响

企业贷款ABS其中一个重要特征就是底层基础资产单笔数额较大，资产集中程度较高。

因此，一笔底层基础资产出现违约情况，对整个ABS的基础资产池产生较大影响。

但由于企业贷款ABS经历了较长时间的发展和相对更为广泛的实践，因而产品模式较为成熟，风险也相对可控。

企业贷款ABS提前及违约支付的主要影响因素就是贷款企业的还款情况。

从统计数据可以看出，企业贷款ABS准时支付的比例较高（如图2所示），而非准时支付的情况主要集中在提前支付。

由于银行贷出的企业贷款多为按季付息，因此当贷款企业流动性改善，提前还贷也多按季度时间截点支付。

（二）租赁资产：

与企业贷款表现类似

租赁资产与企业贷款类似，单笔数额较大，资产集中程度较高。

ABS的提前和逾期支付情况受承租人还款情况影响较大。

当市场利率变动，使得承租人融资成本下降或出现承租人搬迁等变故时，就较为容易发生提前还款的情况。

数据表现也和企业贷款ABS类似，相对于逾期支付，提前支付的比例较高。

（三）房地产抵押贷款：

资产池分散，期限长，逾期率较高

房地产抵押贷款入池资产笔数多、单一资产金额小、资产分散度高，可以较好的起到分散风险的作用。

但房地产抵押贷款的另一个重要特征就是证券期限普遍较长。

在2017年新发行的房地产抵押贷款ABS中，平均期限为6.6年，而其他类别的ABS平均期限都低于2年。

然而，期限长增加了现金流的设计和匹配过程中的不确定性，这一点从数据上也可以看出：

房地产抵押贷款ABS的逾期还款概率较高。

逾期率较高意味着投资者预先的投资计划有可能被逾期而打乱，从而造成投资收益的降低。

（四）汽车贷款：

提前支付比例高

和房地产抵押贷款类似，汽车贷款ABS具有基础资产分散、贷款质量高等特点。

但同房地产抵押贷款相比，汽车贷款ABS平均期限更短。

另外，从贷款利率来看，平均而言，汽车贷款利率会高于房地产抵押贷款利率，因而贷款人可能更有提前还款的倾向，数据也显示汽车贷款ABS有最高的提前支付概率。

（五）信用卡贷款：

逾期可能性高

信用卡贷款ABS资产池分散，每笔数额较小，单笔贷款违约对整体资产池的影响较小。

然而，信用卡贷款本身单笔违约率较高，如果ABS产品结构设计不当，可能造成较高的逾期支付概率。

从图表2也可以看出，在所有类别的银行ABS中，信用卡贷款ABS有最高的逾期支付率。

（六）消费性贷款：

准时支付比例优于信用卡贷款

和信用卡贷款类似，消费性贷款资产池分散，每笔数额较小，单笔贷款违约对整体资产池的影响较小。

但从准时支付比例来看，消费性贷款ABS表现更佳，总体准时支付比例更高，逾期支付比例更低。

三、哪些指标可以影响提前或逾期支付情况？

从评级角度看，提前支付的比例随评级下降而升高；逾期兑付的情况有些许令人意外，高评级并不意味着逾期比例低。

从占比来看，AAA评级及AA评级券项逾期支付的比例相对较高，AA-及A+评级券项逾期支付的比例较低。

由此来看，我们难以简单从评级来判断一只ABS的提前或逾期兑付情况。

从发行利率与同等级中票利差角度看，我们发现两者利差与兑付情况有关。

如果两者利差过高，则机构更有动机提前兑付以减少利息支出，如果两者利差较低，机构则有动机拖延支付以换取流动性。

从数据上看，这一趋势在AAA及AA+评级的券项中最为显著，提前支付的券项发行利率与同等级中票利差平均值最高，逾期支付的券项中两者利差平均值最低。

分层比例的设计也会影响券项的提前和逾期支付情况。

我们统计了不同支付情况ABS的分层比例均值。

需要说明的是，考虑到不同偿还优先级分层比例的意义会有不同，我们只选取了A1档的债券作为这次的研究对象。

一般来说，A1档设置比例越小，支持偿付的基础资产越多，现金流应该越稳定。

然而，统计结果与设想结果相反，优先级比例小的债券更容易出现逾期支付的情况。

对此，我们的认为是债券的分层设计恰恰反映了基础资产的质量。

即基础资产质量越好，可发行的优先级比例越高，而优先级比例低或许就恰好说明基础资产质量较差，因而更容易出现逾期支付的情况。

分发起银行类别也会是影响因素之一。

一般情况下，不同类别的银行贷款对象会有不同，因而其基础资产的质量会有不同。

另一方面，国开行、国有银行等发行ABS数量较多，经验丰富，在产品设计等方面或许会有一定优势。

结果显示，国开行等政策性银行发行的ABS准时偿还比例最高，而国有商业银行发行的ABS有最高的提前支付比例，最弱的是城、农商行。

四、尝试构建模型，是否能预测提前与逾期兑付？

（一）模型的构建与思路

除了上述提到的影响因素，其他因素比如债券期限等也会对提前或逾期支付的概率产生影响。

另一方面，不同影响因素之间可能具有一定的相关性，简单的均值统计不能帮助我们理清单一因素的影响。

为了帮助投资者对到期还款情况有更清晰的判断和了解，对实际投资形成指导和借鉴，我们尝试利用logistic回归模型对券项的兑付情况进行了建模和预测。

下面我们针对该模型的设定给出一些必要的说明。

模型的因变量是二值变量，当预测提前兑付时，债券提前兑付取1，不提前兑付取0。

基础资产类型为wind给出的“基础资产二级分类”，但考虑到有的基础资产类别观测值太少，我们将不良贷款、工程机械贷款及铁路专项贷款归为“其他”一类。

债券评级这一变量中，同样由于观测值数量的原因，我们将A及以下评级归为“A及以下”一类。

发行银行类型是主观定义类别，将其分为国开行、国有商业银行、股份制商业银行、城市商业银行、农村商业银行及其他六个大类。

在预测提前兑付的模型中，银行类型并不显著，因此只有在预测逾期兑付时我们才把该变量纳入模型。

需要给出特别说明的是“高评级*同级别中票利差”这一项。

发行利率与同等级中票的利差在提前兑付、当期兑付和逾期兑付之间的变异在AAA及AA+评级的债券中较为显著，而在中低级别券项中不显著，因此我们考虑在模型中加入债券是否为AAA或AA+评级的二值变量与利差的交叉项。

我们用已有数据的70%作为训练集，30%作为测试集，模型的测试结果如图表7、图表8所示。

结果显示，提前兑付模型的AUC值为0.792，当阈值为0.353时，所有提前兑付债券中的80%能被我们的模型识别出来，同时保证70.3%的不提前兑付债券被识别出来。

当整体的提前付款率与当前已结算银行ABS中的比例保持一致（37%）时，模型判断债券提前兑付的正确率约为70.1%，比随机猜测改进34.1%。

逾期兑付模型的AUC值为0.798，当阈值为0.11时，所有提前兑付债券中的81.8%能被模型识别出来。

同理，模型判断债券逾期兑付的正确率约为38.6%，比随机猜测改进24.4%。

（二）模型的结果与意义

从模型估计结果可以看出，估计系数表现与均值统计基本保持一致。

分基础资产看，汽车贷款和租赁资产有较高的提前兑付概率。

分层比例系数的估计结果也与均值统计一致：

分层比例越高的ABS提前偿还概率越大。

从评级角度看，评级越高的债券提前支付的可能性越小。

利差的估计系数与我们的猜测一致：

高评级ABS的利差越大，提前支付的可能性越高。

值得说明的是，发起银行的类别在估计中并不显著，因而我们在估计提前支付的模型中将这一变量删除。

模型的估计结果与均值统计结果基本一致。

分基础资产来看，信用卡贷款ABS的逾期支付可能性最大。

分层比例越高，逾期支付的可能性越小。

分银行类别看，国开行和国有商业银行发行的ABS逾期支付的可能性最小。

五、结论与建议

 在衡量资产证券化产品中提前或逾期风险时，需要考虑基础资产类别、券项评级、与同级别中票利差、分层比例设计等因素。

从数据分析结果来看，不同基础资产中，信用卡贷款和房地产抵押贷款ABS逾期兑付的比例最大，汽车贷款ABS提前兑付的比例最大，而企业贷款和租赁资产ABS当期兑付情况较好。

不同评级中，券项评级越高，提前支付的可能性越小，而逾期支付的可能性会上升。

在ABS于同等级中票利差方面，利差大小一定程度可以反映了发起人的额外资金成本，结果显示利差越大，提前还款的可能性越大，逾期还款的可能性越小。

分层结构设计中，优先级债券分层比例越大，提前还款可能性越大，逾期还款可能性越小。

最后，我们尝试构建模型预测ABS券项的提前和逾期兑付的可能，模型的估计结果与简单的均值统计基本一致，并且模型具有较好的预测结果。

总体而言，运用模型对ABS逾期、兑付情况预测是我们在研究ABS过程中做的一次新尝试，只是模型自身还存在一定缺陷，并且在实际投资过程中的实用性以及准确性也尚未获得验证，因而暂时不能对实际投资产生有效的指导。

不过，我们希望借助此次研究尝试能够为投资者提供一种新的思路。

六、风险提示

模型运用风险；监管政策风险以及利率上行风险