中国商业银行体系信用风险评估浅论.docx

中国商业银行体系信用风险评估浅论

　　摘要：宏观压力测试，作为压力测试方法在宏观经济分析中的具体运用，可以提供极端事件对金融体系影响的前瞻性信息。随着各国金融监管当局对系统性风险的日趋重视，宏观压力测试方法逐渐成为检验一国银行体系的脆弱性、维护金融稳定的首选工具。本文主要研究宏观压力测试在银行信用风险评估中的应用，并在已有的模型成果的对比分析基础上，建立适用于我国的宏观压力测试模型并以此进行实证分析。本文以贷款违约率作为评估银行系统信用风险的指标，选取对银行信贷违约风险构成冲击的宏观经济变量，通过多元线性回归模型将其整合成为一个综合性指标。研究结果发现：名义国内生产总值和通货膨胀率指标对银行体系的贷款表现冲击力较强。在此基础上构建了两种宏观经济极端情境，在关于NGDP大幅下降和CPI骤升的压力情境设定下，银行体系的贷款违约率都出现了不同程度的大幅度提高。尤其在关于通货膨胀率的情境设定下，贷款违约率的增幅高于其在NGDP下降情境下的增幅。
　　关键词：商业银行；信用风险；宏观压力测试

　　一、引 言
　　自20世纪70年代末到21世纪初，全球有93个国家先后爆发了112次系统性银行危机。尤其90年代以来频频爆发的金融危机——如1987年美国股市崩盘、1994年美国利率风暴及中南美洲比索风暴、1997年亚洲金融危机、1998年俄罗斯政府违约事件，特别是2007年春季开始的次贷危机最终演变为2008年的全球金融风暴，波及范围之广，影响程度之大，史无前例。它们不仅使一国多年的经济发展成果毁于一旦，还危机到一国的经济稳定，对全球经济也产生了强大的冲击。［1］
　　收稿日期：2008-07-05
　　项目资助：本文受到西安交通大学“985工程”二期资助，国家社会科学基金资助。
　　作者简介： 李江，湖南省湘潭市人，金融学博士，西安交通大学经济与金融学院副教授，
　　硕士研究生导师，研究方向：金融风险管理；刘丽平,女，河北省承德市人，西安交通大学经济与金融学院硕士研究生，研究方向：财务预警。
　　金融系统的宏观压力测试是一类前瞻性分析的工具，用于模拟“异常但合理” 宏观经济冲击对金融体系稳定性的影响，可以帮助中央银行识别金融体系的薄弱环节，有助于各方理解金融部门与宏观经济之间的联系，同时提高中央银行和金融机构的风险评估能力。因此，受到各国金融监管当局的重视，逐渐成为检验一国银行体系的脆弱性，维护金融稳定的首选工具。在金融全球化的趋势下，随着我国金融市场的完全开放，我国金融业和国际金融市场的逐步融合，是否拥有一个稳定和富有竞争力的银行体系对于中国而言显得非常迫切。对银行体系进行稳定性评估，尤其是对银行体系面对的信用风险
　　进行宏观层面的压力测试，对防范和化解系统性金融风险，维护中国金融稳定和安全具有重要意义。
　　下面研究宏观压力测试在银行信用风险评估中的应用，通过对国外已有的成熟模型理论成果分析比较的基础上，根据我国的宏观经济及金融发展特点，经济、金融数据统计及披露特点，模型的数据需求深度广度要求，建立适用于我国的模型并以此进行实证分析。
　　二、文献综述
　　宏观经济因素对银行信贷违约风险的影响
　　McKinnon R［2］认为，宏观经济稳定时，银行经营行为非常保守，不会出现不顾风险单方面追求效益的现象。但在实际汇率波动、通货膨胀出现等宏观经济不稳定的情况下，政府或明或暗的存款担保，导致银行会产生以高利率对高风险项目贷款的风险行为。Donald van Deventer［3］通过线性回归分析，确定了宏观因素对银行股价变动的解释在统计上是显着的。
　　对20 世纪80 年代以来各国银行不稳定尤其是银行危机现象, 国际组织和国内外学者进行了大量研究, 积累了十分丰富的实证资料。尤其是来自美国、英国、澳大利亚、芬兰的许多国外学者, 在对20 世纪80、90 年代全球银行不稳定事件的实证分析中发现, 宏观经济因素波动在各国银行不稳定中扮演着重要角色。Tom Bernhardsen［4-5］建立起银行破产与不良贷款和宏观经济因素的关系模型，并且利用欧洲国家的面板数据进行了实证检验。Erlenmaier U［6］和Gersbach H［7］利用挪威中央银行的宏观经济模型RIMINI对总体审慎指标的趋势与发展进行预测，并且建立了评估贷款违约率的宏观信贷方程。Froyland E和Larsen K［8］利用RIMINI对银行不良贷款在宏观经济波动情境下进行了压力测试。Pesola J［9］分析了银行系统危机对宏观经济因素波动的敏感性，并利用芬兰的数据通过建立模型对两者之间的关系进行定量分析。Virolainen K［10］对芬兰金融风险的实证评估，建立了宏观信贷模型并进行宏观压力测试，揭示了芬兰银行系统贷款违约风险与宏观经济波动的相关性。
　　国内对于银行体系的稳定评估的实证研究，包括陈华，伍志文［11］运用1978～2000年间的数据对我国银行体系脆弱性状况进行了量化分析。结果发现,中国整个银行体系在1978～2000年之间有11年是不稳定的,尤其是在1992年和1998年前后更为突出,银行体系出现了不稳健的征兆,存在较大的金融风险。
　　宏观压力测试理论和实践
　　在执行宏观压力测试使用的宏观信贷模型的研究领域，有两个学者的模型框架占据举足轻重的地位，并为日后的学者不断的进行模型的拓展研究和实证应用奠定了良好的基础。他们是Wilson T C［12-13］和 Merton R［14］。Wilson对各工业部门违约概率对一系列宏观经济变量的敏感度直接建模。模型的思想是对违约概率和宏观因素的关系进行建模，模拟将来违约概率分布的路径，就可以得到资产组合的预期异常损失，进而模拟出在宏观经济波动冲击下的违约概率值。相比较而言，Merton模型则多加入了股价对宏观要素的反映，将资产价格变动整合进违约概率评估模型。因此，前一种模型更直观，计算量较小；而后一种方法对数据的广度和深度的要求以及计算量要求都很高，其中有些市场数据也许是信贷风险的噪音指标。

　　世界各地的学者，运用上述模型框架进行了大量的实证研究。Vlieghe G［15］对英国银行体系累加的企业违约概率进行建模估计，发现GDP、实际利率和真实工资水平具有较显着的解释能力。Bunn P,Cunningham A和Drehmann M［16］曾使用probit模型来测算英国企业部门的贷款违约风险。Boss M［17］针对加总的企业违约概率估计出宏观经济信贷模型来分析澳大利亚银行部门的压力情境，结论说明工业产值，通货膨胀率，股票指数，名义短期利率和油价都是违约概率的决定因素。Marco M 、Sorge、KimmoVirolainen［18］利用Wilson模型框架对芬兰银行系统的信贷违约概率进行了宏观压力测试分析。结果证明在压力情境下，违约概率的蒙特卡罗模拟分布明显异于常态分布，其Var值远高于基期的测算值。Jim Wong,Ka-fai Choi和 Tom Fong［19］建立了香港零售银行面对宏观经济波动的信贷风险宏观压力测试框架。模型框架中引入的宏观经济变量包括：国内生产总值，利率，房地产价格和大陆的GDP。同时用宏观压力测试评估了香港银行体系的贷款资产和住房抵押贷款风险暴露。压力情境的设定模拟了亚洲金融危机时发生的宏观经济波动，并分别引入了测试模型。结果表明在置信水平90%时，在所有压力情境下有些银行仍然能够盈利。这意味着目前银行系统的信用风险较稳和。当VaR取99%的置信水平这一极端情况时，一些银行出现了巨额损失，但这类事件发生的概率极低。
Hoggarth G和Whitley J［20］与Drehmann M Hoggarth， G Logan A， Zecchino L［21］在他们的研究中引入了英国在FSAP框架指引下宏观压力测试的执行结果和方法，在压力情境的设定方面采用在险价值框架下的蒙特卡罗模拟法。Jones M T, Hilbers P和Slack G［22-23］提供了宏观压力测试的更一般的非线性的方法。Worrell D［24-25］ 讨论了一个将早期预警系统，金融健全性指标和宏观压力测试整合的方法。
　　一些学者研究将信用风险和市场风险整合测量，例如 Allen L 和 Saunders A［26］尝试将宏观经济因素整合进信用风险的测量模型。而最近的一些文献如Pain D、Vesala J［27］和Gropp等人［28-29］则是引用Wilson 的宏观信用模型分析了宏观要素对银行的债务人的信用质量的影响。而Wilson 的模型的一个替代选择则是Merton 的公司层面的结构模型. Gray D、Merton 和Bodie［30］将这一框架扩展至研究主权违约风险。Derviz A 和Kadlcakova N ［31］将商业周期的影响整合进一个具有结构模型和简化模型特征的复合模型。Drehmann M、Manning M［32］和Pesaran M H等［33］在利用Merton模型框架的宏观压力测试中研究了违约概率和宏观经济变量的非线性关系。Benito A,Whitley J和Young G ［34］将基于衡量违约概率的Merton模型融入针对模拟个别企业违约的probit模型。他们发现Merton模型方法比仅仅依靠企业的财务数据的模型效果更优。
　　还有一些文献使用不良贷款，贷款损失额或者复合指标与宏观经济因素整合成矩阵向量来测算金融体系的稳定性。Hanschel E和Monnin P［35］针对瑞士银行系统构建了一个复合压力指标，该指标综合了金融不稳定的市场指标和银行资产负债表上的衍生变形指标。Kalirai H 和 SchEicher M［36］针对对澳大利亚银行体系累加的贷款损失，通过涉及广泛的宏观经济变量的模型进行了时间序列的回归估计。这些宏观经济变量包括国内生产总值、工业产值缺口、消费者价格指数、货币供给增速、利息率、股票市场指数、汇率、出口额和油价。
　　国内外研究述评
　　目前国外开展的关于银行稳定性评估的实证研究十分丰富，其中挪威和芬兰中央银行的研究对金融系统的评估最具综合性。稳定性评估的目的在于，对银行体系的健全状况和抵御系统性金融危机的能力进行定量和定性的客观评价。为此采用了金融稳健指标分析情境进行模拟，来量度和评估银行体系在遇到冲击甚至遇到金融危机时，保持稳定的能力。
　　而国内对于银行体系的稳定评估的实证研究都偏重于评价银行体系的稳定性，对在抵御不确定性风险的能力评估并未涉及。目前我国关于宏观压力测试的研究才刚刚涉及，孙连友［37］，高同裕、陈元富［38］等学者对宏观压力测试进行了理论上的探讨，但多为国外文献的整理或综述，未能进一步的发展和深入。尤其在模型研究方面，仅仅停留在介绍早期国外学者的模型框架和较为成熟的各国宏观压力测试手册指引中的操作流程。其内容多为宏观压力测试的必要性、目的作用、所用方法、国内外的具体实践等，未能有很系统和深入的介绍，而对多种宏观压力测试模型的介绍和分析尚无涉及。
　　在实证方面，熊波［39］通过建立宏观经济因素的多元Logit回归分析，并对结果进行假设情境的压力测试分析。得出的结论是， 国内生产总值和通货膨胀率这样的宏观经济变量的确是影响中国银行体系稳定性的重要因素。但是该文只是借鉴了压力测试的思想，使用传统的方法，通过模拟情境下宏观经济因素异动，由Logit模型最终得出稳定性指标期望值的点估计来评价银行体系的稳定性。这种方法不能有效地反映出宏观变动冲击对银行体系的影响，不能看出压力情境下银行面临的最主要的信用风险的分布状况，即贷款违约率的概率分布。
　　三、宏观压力测试方法流程及模型设定
　　方法流程
　　宏观压力测试是模拟“危机事件”来估计极端却可能的压力情境下金融体系的波动。在宏观压力测试的框架中，其模型表示为：
　　Q(t+1｜t+1≥X=f(Xt,Zt)
　　在中 表示在模拟的压力情境下评价金融体系的稳定性的指标的表现。在宏观压力测试模型中衡量金融部门波动性的最一般的方法是资本的潜在损失率。Q(·)表示衡量金融系统波动性的风险矩阵，衡量违约情况的指标例如贷款损失额主要通过模拟压力情境下的点估计得到。在这种情况中，该条件概率值表示的风险矩阵较容易计算。而在险价值方法中，在任何给定的压力情境下，资产组合的损失应产生概率分布，而不是前一种方法中的点估计值。框架中f(·)表示损失方程，该方程模拟了宏观经济冲击对金融体系中加总的资产组合的影响关系。该方程可包含风险暴露，违约概率，相关性，回馈效应，以及宏观经济变量变动与系统层面金融稳定性表现的相互关系。
　　压力测试的执行方式主要是通过情境设定，根据情境假设下可能的风险因子变动情形重新评估金融商品或投资组合的价值，整个程序通常分为两大步：一是情境设定；二是重新评估。通常重新评估的方式不会有太大的差异，但是情境设定的方式却有很多种选择。情境分析是目前应用的主流。即利用一组风险因子定义为某种情境，分析在个别情境下的压力损失，因此此类方法称为情境分析，情境分析的事件设计方法有两种：历史情境分析和假设性情境分析。其他方法还有敏感度分析和极值理论法。
　　本文根据信用风险压力测试的相关文献以及世界银行和国际货币基金组织联合开发的FSAP（financial Sector ass ess ment programme)的手册，将压力测试的执行程序见图1所示。

　　图1 压力测试流程图
　　模型的设定
　　本文将在Wilson、Boss和Virolainen研究框架的基础上建立适合我国银行系统信用风险评估的宏观压力测试模型。首先借鉴国外研究成果中关于宏观经济因素和贷款违约率之间的非线性关系设定。在此基础上使用Logit方程将贷款违约率转化为宏观综合指标，以指标作为因变量与宏观经济因素进行多元线性回归分析，使得这一指标能够很好地利用各宏观经济指标所提供的信息。在模型中宏观经济因素的选择方面，参考国内外学者实证研究中模型的自变量，结合我国数据统计和披露特点等制约因素选取适合的宏观经济变量来构建模型。
　yt=ln1-PDt[]PDt
　　yt=α0+α1Xt+…α1+mX1-m+β1yt-1+…+βny1-n+μt
　　Xt=0+1Xt-1+…+pX1-p+φ1yt-1+…+φqyt-q+εt
　　PDt代表t年度的贷款的平均违约率，Y是一个反映宏观经济状况的综合性指标，也可以将它理解为是反映银行体系违约概率和各宏观经济变量的关系的“中介指标”，X代表宏观经济变量。在利用历史数据进行模型估计时，通过处理的违约概率值代入就可以得到估计的综合指标的估计值。将其带入就可以估计出宏观方程的系数，并以此估计出的方程作为进行宏观压力测试的基础。而在执行压力测试的时候，通过压力情境的设定，用不同方法得到的各相关宏观经济变量值代入估计出的就可以得到压力情境下的Y，再通过就估计出了压力情境下的银行系统的违约概率。
　　公式就是对贷款违约率进行Logit回归分析，PDt表示t年度的贷款的平均违约率，yt表示一系列宏观经济变量的综合指标。
　　公式是反映各宏观经济变量与综合性指标yt的关系的方程，本文采用多元线性回归的方法来模拟变量之间的关系。其中Xt=(x1,t,x2,t…xl,t)′是L×1阶列向量，代表L个宏观经济因素构成的列向量；μt是方程的随机扰动项。截距α0是一个L×1阶列向量；系数α1,α2…α1+m分别代表L×1阶向量，系数β1…βn是L×n阶矩阵向量。
　　公式是关于各宏观经济变量的时间序列模型。考虑到宏观经济因素采取的时间序列数据，可能存在变量的滞后性，因此对各宏观经济变量进行P阶自回归分析，剔除模型中的序列相关性。在中，0是L×1阶的列向量, 1,…,p都是L×1阶矩阵向量，φ1,…φq是L×q阶矩阵向量，随机误差εt都是L×1阶列向量。
　　在这个模型中，假设μt和εt是序列不相关的，并且分别服从方差协方差为矩阵∑μ和∑ε的正态分布。其中μt和εt相关的方差协方差矩阵为∑μ,ε。
　　在 Wilson和Virolainen提出的框架中，yt仅仅与Xt有关，而本文模型的设定更符合实际情况，yt不仅与Xt相关，考虑到宏观冲击的时滞效应，yt还与其滞后期的值yt-1,…,yt-n有关。
　　从可以看出，模型不仅考虑到了宏观经济变量值之间的相互影响，模型的设定考虑到了金融体系对宏观经济波动的回馈效应。将银行的表现对经济的反馈影响通过在宏观因素变量的自回归方程中引入综合变量来实现。通过各行业综合指标Y的前期值对各宏观经济变量的影响设定来反映现实世界中的金融与经济发展的相互影响关系。
　　变量选取
　　1.解释变量
　　根据各国的实证研究经验和我国银行体系业务发展特点，本文模型的变量选取1990～2006年的年度数据，主要考虑到数据的可得性、宏观经济统计的特征以及经济冲击发生的持续时间来决定的。鉴于研究的宏观层面，从数据的可得性及计算量考虑，本文的宏观模型是基于整个经济体系的，因此各宏观经济变量将不采用各经济部门的统计值，而是采用本国的整体水平的统计值。
　　本文选取八个宏观经济变量作为解释变量：
　　NGDP—国内生产总值名义年增长率；
　　RGDP—国内生产总值实际年增长率；
　　NR—一年期存款的名义基准利率；
　　RR—一年期存款的实际基准利率；
　　NLR—一年期流动资金贷款的名义平均利率；
　　RLR—一年期流动资金贷款的实际平均利率；
　　CPI—居民消费价格指数；
　　RE—房地产价格指数；
　　2.被解释变量
　　本文选取违约概率作为评估信用风险的指标，银行系统的信用风险主要表现为贷款资产的违约风险。违约率水平是评估银行贷款质量的最直接的指标，违约风险可以用借款人在规定期限内的违约概率度量。Virolainen K对芬兰银行系统的违约概率进行的宏观压力测试分析中，对违约概率指标采取如下方式赋值：在研究时段内，某行业的破产机构数量与总的机构数量的比率为银行体系面对的违约率。Jim Wong、Ka-fai Choi和Tom Fong［19］建立的香港零售银行面对宏观经济波动的信贷风险压力测试框架中，违约概率是逾期3个月以上的贷款额与总贷款额的比率。本文选取四家国有商业银行和交通银行、招商银行、光大银行等十家股份制商业银行的信贷数据作为样本，以平均的逾期贷款率代表贷款违约率，即以年末样本银行的总逾期贷款额与总贷款余额的比率。其中，1990、1991、1992三年的各样本银行的详细数据欠缺，因此本文根据各类媒体披露的总的逾期贷款的变动率和贷款额的变动率计算出了这三年的逾期贷款率，其他各年份的详细数据均来自中国金融年鉴和各银行的年报。
　　四、实证结果
　　模型估计
　　代入1990～2006年的宏观经济数据对上述模型进行多元回归分析和模型估计，先用宏观经济变量的名义指标值和实际值，与引入的综合指标Y的两期滞后变量分别对Y进行回归。从两个模型的t检验指标看出，模型中GDP、LR、R作为解释变量的参数并不显着，而引入的Y的二阶滞后变量对因变量的解释性也不显着。因此模型的参数需要进一步调适剔除。根据经验和宏观经济冲击的滞后性往往为一年，因此模型中只引入Y的一阶滞后变量。虽然两个模型的拟合优度统计检验指标和D-W指标略微下降，但两个指标值分别为和2，仍是非常理想的检验指标值。在剔除掉一年期存款利率后，两个模型各参数的t检验指标都非常显着。但是以模型解释变量的参数符号来看，通货膨胀率CPI在以名义宏观经济变量值为自变量的模型中的系数符号为负，这表明随着CPI的增加，Y值也会减小，经过Logit变换后的违约概率PD将会增大，显然符合经济学原理。而在关于实际变量的模型中系数为正号，这是违背经济学原理的。所以本文确定以名义变量作为模型解释变量的方程为最佳的宏观经济模型。这说明我国银行的信贷违约率对名义的宏观经济因素的波动更敏感。Marco Sorge、 Kimmo Virolainen利用wilson模型框架对芬兰银行系统的违约概率进行了宏观压力测试分析，宏观经济模型估计结果与我国上述情况类似，即名义的宏观经济变量对违约概率的解释能力更显着。
　　根据回归方程的t检验，各宏观因素指标的实际值对综合指标的影响并不显着，所以剔除不列入表内。从表1中可以看出，综合经济指标和各宏观经济变量指标的名义值关系显着。且综合指标的一期滞后值对各宏观经济指标影响均显着。从关于综合指标的多元线性回归方程也可以看出，国内生产总值增长率、贷款利率水平、通货膨胀率和房地产价格的确是影响到我国银行体系违约概率的显着因素，而且综合指标明显受其一期滞后值的显着影响。

　　宏观压力情境的设定及其结果
　　本文选择情境分析作为执行压力测试的方法。针对模型所选取的宏观经济变量，我们设定两个压力情境：一种是GDP增长突然放缓的情境；一种是CPI上升到较高的水平。对于各种压力情境下，反映压力的宏观经济变量的变动幅度，可以通过以往的历史相似情境数据或历史经验直接进行人为的设定。而本文在对银行体系遇到极端情境进行构建之前，利用时间序列模型对解释变量NGDP、CPI进行了2008～2010年的简单ARMA模型预测，作为我们构建的参考基准情境。
　从表2可以看出，在设定的两种压力情境下，我国的银行体系的信贷风险明显增加，从模型预测估计出的贷款违约率都有不同幅度的增加。随着国民生产总值增速的大幅降低，贷款违约概率增大，但幅度较缓。而随着通货膨胀率的骤增，违约概率出现大幅度的激增。这充分说明在压力情境下，宏观经济变量对银行系统信贷违约概率的冲击效应非常显着。从而判断，通货膨胀率的同等幅度波动对银行体系信贷违约率值的影响更大。
　　五、结论及建议
　　本文在对比分析国外成熟模型的基础上，构建了适合我国经济环境的宏观压力测试模型。首先本文借鉴了国外研究成果中关于宏观经济因素和贷款违约率之间的非线性关系设定。在此基础上使用Logit方程将贷款违约率转化为宏观综合指标Y，以指标Y作为因变量与宏观经济因素进行多元线性回归分析，使得这一指标能够很好地利用各宏观经济指标所提供的信息。在模型中宏观经济因素的选择方面，参考国内外学者实证研究中模型的自变量，结合我国数据统计和披露特点等制约因素选取适合的宏观经济变量来构建模型。借鉴已有研究成果中在选择信贷风险的评估指标方面的做法，以逾期贷款率作为模型中反映银行体系信贷风险的指标。
　　结果发现：宏观经济变量名义国内生产总值，消费者价格指数，房地产价格指数和名义流动贷款利率对银行体系贷款违约率影响是显着的。特别是名义国内生产总值和通货膨胀率指标，冲击力较强。在关于名义国内生产总值大幅下降和通货膨胀率骤升的压力情境设定下，银行体系的贷款违约率都出现了不同程度的大幅度提高。尤其在关于通货膨胀率的压力情境下，贷款违约率的增长幅度高于名义国内生产总值下降情境下的增幅。
　　本文研究结果对中国国情有着一定的解释力，让我们有信心支持这样的研究思路的继续开展。通过分析我们可以看出，中国的银行体系稳定性还有待进一步加强，在面临假设的宏观经济冲击时，化解风险的能力就显得不足。当然我们构建的这些极端情形发生的概率都是极小的，毕竟中国经济目前来看几年内保持稳定增长的态势是确定的。
　　参考文献：
　　［1］ 中国人民银行金融稳定分析小组.中国金融稳定报告［EB/OL］. http:///?col=100&ID=2257&keyword.
　　［2］ McKinnon R. Financial growth and macroeconomic dtability in : implications for Russia and other transitional economies［J］. Journal of Comparative Economics, 1994, 17(2): 438-469.
　　［3］ Deventer D V, Kenji I. Credit risk models and the Basel Accords［M］. BEijing: RENMIN University of China Press, 2005: 14-56.
　　［4］ Bernhardsen T. Real-time data for Norway: Challenges for monetary policy［J］. The North American Journal of Economics and Finance, 2005, 19(3): 333-349.
　　［5］ Bernhardsen T. The relationship between interest rate differentials and macroeconomic variables: a panel data study for European countries［J］. Journal of International Money and Finance, 2000, 18(2): 289-308.
　　［6］ Erlenmaier U. Correlations models in Credit Risk Managem［D］. Norway: University of HEIdelberg, 2004.
　　［7］ Erlenmaier U. Gersbach　probabilities and default correlations［D］. Norway: University of Heidelberg, 2005.
　　［8］ Froyland E, Larsen K. How vulnerable are financial institutions to macroeconomic changes? An analysis based on Stress Testing［J］. Economic Bulletin, 2002, 3(11): 127-169.
　　［9］ Pesola J. The role of macroeconomic shocks in banking crises［J］. Bank of Finland Discussion paper, 2000, 2: 457-504.
　　［10］ Virolainen K. Macro stress-testing with a macroeconomic credit risk model for Finland［J］. Bank of Finland, mimeo, 2004, 19(1): 1-66.
　　［11］ 陈华，伍志文．银行体系脆弱性：理论及基于中国的实证分析［J］．数量经济技术经济研究，2004(9)：34-51．
　　［12］ Wilson T C. Portfolio credit risk I［J］. Risk, 1997, 9(10): 111-170.
　　［13］ Wilson T C. Portfolio credit risk II［J］. Risk, 1997, 10(10): 56-61.
　　［14］ Merton R. On the pricing of corporate debt: the risk structure of interest rates［J］. Inance, 1974, 29(7): 449-470.
　　［15］ Vlieghe G. Indicators of fragility in the UK corporate sector［J］. Bank of England Working Paper: , 2001.
　　［16］ Bunn P, Cunningham A, Drehmann M. Stress testing as a tool for assessing systemic risk［J］. Financial Stability Review: Bank of England, 2005 (6): 116-260.
　　［17］ Boss M. A Macroeconomic credit risk model for Stress Testing the Austrian credit portfolio［J］. Financial Stability Report, 2002 (4): 64-82.