我国个人住房贷款信用风险分析的模型构建和博弈分析

《我国个人住房贷款信用风险分析的模型构建和博弈分析》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、我国个人住房贷款信用风险分析的模型构建和博弈分析我国个人住房贷款信用风险分析的模型构建和博弈分析我国个人住房贷款信用风险分析的模型构建和博弈分析我国个人住房贷款信用风险分析的模型构建和博弈分析我国个人住房贷款信用风险分析的模型构建和博弈分析　　随着近几年我国房地产业的持续繁荣，个人住房贷款因其风险调整后收益较高，成为商业银行最为优质的信贷资产之一。然而，起始于2007年的次贷危机给我们的重要启示是，由于个人住房贷款总体规模较大，对宏观和金融政策较敏感，常常隐藏着巨大的系统性风险。根据工、农、中、建、交五大商业银行2010年年报，五大行2010年末住房贷款余额

2、万亿元，另根据银监会统计公报数据整理，五大行贷款余额占整个银行业贷款的比例约62%，据此估计全国住房贷款余额约万亿元，考虑到农信社、城商业等其它金融机构住房贷款占总贷款的比例相对较低，因此估计全国住房贷款余额应在6万亿元左右。另外，根据中国人民银行《中国货币政策执行报告》第一季度报告，全国住房贷款余额较2010年末增长2810亿元，增长速度有所放缓，但仍处于较快增长之中。因此，随着我国住房价格的快速上涨，住房金融的安全问题逐渐引起了人们的重视。　　通常情况下，居民获得个人住房贷款购买房产有两个主要渠道，一是商业银行等金融机构，二是住房公积金管理中心。由于住房

3、公积金贷款商业银行主要承担受托业务，基本不承担信用风险，因此本文讨论的个人住房贷款限于银监会统计口径的商业银行类金融机构发放的个人住房贷款。同时，由于商用房贷款的占比较低，且按揭成数较低，亦不再单独讨论。　　　一、个人住房贷款信用风险分析的一般方法　　发达国家开办个人住房贷款的历史相对较长，且由于数据积累较为充分，对个人住房贷款信用风险的研究相对较早，便出现了较多有分量的研究成果。早期学者Jung(1962)认为贷款价值比和个人住房贷款利率与违约风险之间存在正相关关系；Gau(1978)用借款人特征维度、房地产特征维度和融资特征维度的64个变量对个人住房贷款

4、违约风险进行了研究，并建立了个人住房贷款违约风险分类模型；Foster(1984)认为权益价值(住房价格+借款人违约所需承担的费用-抵押贷款价值)可以解释主要违约原因，研究方法主要为期权理论和或有求偿权理论(国内学者一般称此现象为理性违约，相对应的借款人无力偿还称为被迫违约)；TerrenceM.Clauretie和MelJameson综合考虑借贷双方的交易费用和利得，建立了再协商模型(或者称为再协商理论)；Smith，Sanchez&lawrence(1996)则利用马尔科夫递推过程(Markovianrecursion)为按揭贷款违约的预测提供了一个新的

5、视角；Quercia和Stegman(1992)，Quigley、VanOrder和Deng(1993)以及国内一些学者对个人住房贷款违约与贷款价值比、借款人特征(婚姻、收入、学历、年龄、职业等)、房地产特征(区域、一手房与二手房等)、贷款特征(金额、首付比例、期限、剩余期限)、贷款利率(固定或者浮动利率)的关系进行了研究，但得到的结论并不一致。次贷危机发生前，国外个人住房贷款信用风险的主要研究方向为违约对按揭资产池(或者证券化资产组合)价值的影响。国内对个人住房贷款违约比较系统的研究相对较少，较系统和较规范的研究见王福林(2005)的著作。另外，国内一些学

6、者在研究个人住房贷款的信用风险时将提前还款风险纳入其中，这是十分错误的，因为提前还款风险属于利率风险和资金再运用风险，是典型的市场风险问题。　　(一)研究方法　　研究方法上，国外学者一般采用多元线性回归、Logistic模型、Logit模型、Probit模型、Tobit模型、聚类分析、判别分析和期权模型，国外及我国台湾地区较为经典的研究总结见表1。　　　　1.判别分析　　判别分析是根据已知个人住房贷款分类(违约贷款或正常贷款)和表明贷款分类特征的变量推导出判别函数，再根据判别函数对未知贷款所属类别进行判别的一种分析方法。应用判别分析可以研究各个变量对个人住房

7、贷款违约风险的影响方向及影响程度，进而达到判别未知分类贷款可能所属类别的目的。　　判别函数的一般形式是：　　　　判别函数分析的程序首先是将所调查的样本分为违约贷款组和正常贷款组，根据组内离散性最小、组间离散性最大的原则建立判别函数来预测未知分组属性的样本可能所属的组别。判别函数可用判别指数检验，判别指数越大说明判别函数越重要。判别函数的系数可用标准化判别系数，哪个变量的标准化系数绝对值大，说明对判别值有更大的影响，从而可比较各变量对判别值的相对重要性。　　　模型和Logistic模型　　Logistic模型的最大优点在于它解决了因变量不连续回归的问题，特别是

8、因变量为分类变量时非常适合使用该模型进行研究。应用L