证券公司压力测试案例

一、风险因子相关性分析

利用1990年至2011年的历史数据，对压力测试各风险因子的相关性进行了详细地专题研究，包括：上证指数与证券市场交易量的相关性，上证指数与基准利率的相关性，上证指数与融资融券交易量的相关性，上证指数与信用利差以及基准利率与信用利差的相关性。其基本步骤为：首先通过回归对两因子间的相关性进行分析；再者，通过单位根检验测试所选数据序列的平稳性；然后对平稳的序列进行Granger因果检验，得出两因子的因果关系，为后期预测提供基础。

（一）上证指数与证券市场交易量的相关性分析

股票市场成交量和成交价格之间包含着一定的规律，反映了金融市场的运行状况。一般认为，价格的变动反映了金融市场对新信息的反应程度，交易量反映了所有投资者对新信息认同的差异程度。

我国上证综指的成交金额在2006年之后呈现出较大的放量，这主要是由于2006年6月份开始分批推进的股权分臵改革进入实施阶段，在股票市值开始逐步扩大的基础上，成交金额也开始逐步放量。

1

7000600050004000300020001000上证综合指数收盘价上证综合指数成交金额(亿元)16000140001200010000800060004000200001990/121991/121992/121993/121994/121995/121996/121997/121998/121999/122000/122001/122002/122003/122004/122005/122006/122007/122008/122009/122010/122011/120 数据来源：WIND, 兴业证券研究所 图1. 上证综合指数收盘价和成交金额

考虑上证指数与融资买入量均为绝对值，数据存在非平稳特性，直接进行统计分析不具备科学性。本报告将两者进行去量纲化处理，采用变动比率进行分析。具体计算公式如下：

?Pt?lnPt?lnPt?1 ?Vt?lnVt?lnVt?1

其中Pt代表在t日的上证指数日收盘价，Vt代表上证综指在t日的成交金额。

由于A股历史较长，并且中间经历了较大的对市场发生根本变化的改革，分别是1996年12月16日上海和深圳证券交易所开始实行交易价格涨跌幅限制(涨跌停板制度),其后在2006年6月份开始分批推进的股权分臵改革进入实施阶段。从市场微观结构理论出发,有理由相信交易机制转换和制度变迁会导致市场交易特征和交易行为产生较为明显的差异,因此有必要以1996年12月16日和2006年5月31日为分水岭将不同特征的市场数据进行分段处理,以避免数据结构转变所带来的分析谬误。据此将检验的样本期分为三个时段进行分析：1990年12月19日至1996年12月15日为第一时段;1996年12月16日至2006年5月31日为第二时段;2006年

2

5月31日至今为第三阶段。

首先对ΔPt与ΔVt做简要的相关性分析，整体上来说相关系数较小，但是也存在着一定的规律，ΔPt与ΔVt随着市场的逐步成熟相关系数由0.19变大为0.29和0.24，在第二阶段两者的相关性最强。由于Pt与Vt是时间序列，用简单的相关系数分析具有一定的偏颇，因此采用格兰杰因果检验来进一步说明两者之间的相关性。

表1. ΔPt与ΔVt的相关系数 时间区间 1990/12/19-1996/12/16 1996/12/16-2006/5/31 2006/5/31-2012/4/6 1990/12/19-2012/4/6

ΔPt与ΔVt的相关系数 0.187237 0.292477 0.241949 0.199098 在进行格兰杰因果检验之前，首先对P、V、ΔP和ΔV做单位根检验，以检测序列的平稳性，只有平稳的序列才能进行下一步的因果检验。具体检验结果如下：

表2. P、V、 ΔP和 ΔV的单位根检验 序列 P ΔP V ΔV

ADF值 -1.70905 -68.8994 -4.62406 -32.4821 P值 0.4266 0.0001 0.0001 0 平稳性 不平稳 平稳 平稳 平稳 从整体时间序列上来看，P和V这对变量中P不平稳，对两者的差分考察，得出两者的一阶差分ΔP和ΔV两个序列均平稳，因此可以做格兰杰因果检验。检验结果显示：交易量的变化不是价格变化的格兰杰原因，但价格变化是交易量变化的格兰杰原

3

因。充分体现了我国证券市场“追涨杀跌”的实际情况：股价的变化，引起成交额的大幅涨跌。主要原因在于我国投资者参与市场时间较短,缺乏正确的投资理念和经验，容易引起羊群效应。当市场上涨时,在赚钱效应的感召下，越来越多的投资者参与到股市交易中去，市场交投越来越活跃；反之，如果股市下跌，投资者亏损严重，成交量将低迷。

表3. ΔP和 ΔV的格兰杰因果检验结果 原假设 交易量变化不是价格变化的格兰杰原因 价格变化不是交易量变化的格兰杰原因

F统计量 1.09848 110.595 P值 0.33345 9.10E-48 判断结果 接受原假设 不接受原假设 最后分阶段考察交易量变化与价格变化的格兰杰因果关系。统计结果显示：

1、在分阶段考察中，ΔP和ΔV两个时间序列的ADF检验显示均不存在单位根，为平稳时间序列。

2、在格兰杰因果检验中，三个阶段中均得出价格变化是交易量变化的格兰杰原因，与整体检验结果一致，表现了我国股民“追涨杀跌”的操作情况。而在1996/12/16-2006/5/31这个阶段中可以得出双向结论，即价格变化与交易量变化互为格兰杰因果。第三阶段交易量对价格的解释能力反而下降了，表明我国随着股票市值的不断扩大，市场的选择越来越多样化，受制于规模扩充需要很大的资金推动，其对股价的解释效力逐步减弱。

4

表4. ΔP和 ΔV分阶段的格兰杰因果检验结果 时间段 原假设 F统计量 P值 结论 接受原假1990/12/19交易量变化不是价格变化的格兰杰原因 0.26113 0.77021 设 - 不接受原1996/12/16 价格变化不是交易量变化的格兰杰原因 21.7536 4.90E-10 假设 不接受原1996/12/16交易量变化不是价格变化的格兰杰原因 6.68513 0.00127 假设 - 不接受原2006/5/31 价格变化不是交易量变化的格兰杰原因 81.2102 8.60E-35 假设 2006/5/31- 2012/4/6

交易量变化不是价格变化的格兰杰原因 1.41777 0.2426 接受原假设 不接受原假设 价格变化不是交易量变化的格兰杰原因 106.151 1.10E-43 为了进一步了解量价之间的关系，对ΔVt和ΔPt进行回归分析，将ΔVt作为因变量，ΔPt作为自变量，结果表明，在第二阶段两者之间的相关系数达到最大，在第三阶段相关系数为2.42，从经济学意义来讲，这表明了上证指数每上涨1%，成交量将放大2.42%。

表5. ΔP和 ΔV分阶段的回归结果

1990/12/19-1996/12/16 1996/12/16-2006/5/31 2006/5/31-2012/4/6 1990/12/19-2012/4/6 ΔPt的系数 2.96 4.91 2.42 3.21 系数是否显著 显著 显著 显著 显著 整体上和三个阶段分开的验证结果都表明，价格变化对交易量变化的影响大于交易量的变化对价格的变化。充分体现了我国证券市场“追涨杀跌”的实际情况，在买卖股票尤其看重股价的变化，进一步引起成交额的大幅涨跌。根据回归分析的结果表明，1990/12/19-2012/4/6时间段，上证指数每上涨/下跌1%，会引起成交量放大/缩小3.21%。但随着市场的不断发展，特别是股

5

权分臵改革的推出，成交量变化对股价的变化的相关性有所降低，2006/5/51-2012/4/6时间段，上证指数每上涨/下跌1%，会引起成交量放大/缩小2.42%。因此在本次压力测试的风险因子中，设证券成交量作为上证指数的函数，上证指数每变化1%，会引起成交量变化2.42%。

（二）上证指数与基准利率的相关性分析

从长期来看，利率的变化与股票价格的关系应成负相关关系，具体作用机制如下：

一是利率变动造成的资产组合替代效应。利率变动会影响存款收益率，投资者就会在股票、银行存款与债券之间进行资产选择，以期达到资本保值与增值的目标。通过资产重新组合将影响资金流向和流量，最终必然会影响到股票市场的资金供给和股票价格。具体而言,利率上升可能使一部分资金从股市转而投向银行储蓄和债券，减少了股票市场上的资金供给量，造成股票需求减少与股票价格下降；反之，利率下降，股票市场资金供给增加，股票价格将上升。

二是利率对上市公司经营的影响，进而影响公司未来的估值水平。贷款利率提高会加重企业利息负担，从而减少企业的盈利,进而减少股票分红派息，受利率的提高和股票分红派息降低的双重影响,股票价格会下降。反之亦反之。

三是利率的变动会对宏观经济产生影响，如利率的降低将会刺激投资，从而带动经济增长。这样，股票预期的未来的现金流

6

将会增加，最终造成股票市场的繁荣和股票价格的普遍上涨，反之则会造成股票价格的普遍下跌。

中短期来看，投资者调整自己的资产组合，需要一定的时间，再加上对企业未来价值的调整需要一定的时间才能体现出来，利率调整与股价变动之间通常有一个时滞效应。考虑到利率上调，往往都是处于经济周期的繁荣阶段，恰好股市处于牛市，反之则反是。逆周期的调控政策短期无法改变市场趋势，因此使得调息冲击并不总是表现出规律性。

表6. 利率变化对股市的短期影响

利率下降时累计平均收益率（%） -0.90 -0.93 0.27 2.75 0.02 3.11 5.74 7.70 9.01 利率下降时累计收益正收益占比 （%） 29% 29% 36% 57% 36% 64% 64% 71% 71% 利率下降时单位风险报酬（%） -0.41 -0.33 0.05 0.31 0.00 0.29 0.49 0.66 0.73 利率上升时累计平均收益率（%） 0.11 2.06 2.59 2.47 4.06 5.48 4.66 3.63 4.77 利率上升时累计收益正收益占比 59% 71% 71% 71% 65% 59% 53% 59% 59% 利率上升时单位风险报酬 （%） 0.05 0.62 0.46 0.27 0.39 0.40 0.27 0.20 0.23 日期 调息当日 后3个交易日 后5个交易日 后10个交易日 后20个交易日 后30个交易日 后40个交易日 后50个交易日 后60个交易日

首先对利率变化之后股价的短期变化作出简单的统计分析： 利率上调后的5个交易日，上证指数的波动显示出一定的规律性，即利率上调后股票价格指数随之上涨。这与利率作用的长期机制背道而驰，但此结果表明，利率上调时，往往处于经济较好阶段，逆周期的调控政策无法改变市场趋势，以至于加息后股市的进一步上涨。

7

利率下调后的当日和之后3个交易日，上证指数的波动显示出一定的规律性，即利率下调后股票价格指数随之下跌。这也与利率作用机制背道而驰。在经济衰退时，利率政策是目的是稳定中国经济，但当时投资者的信心出现了问题，看到的只有下跌的预期，不管利率是否下调，中国股市还要下行，投资者继续抛售，中国股市难止下跌之势。

通过前面的分析可知，利率的作用机制并不是一成不变的，在不同的经济环境下，利率调整所带来的效果是不同的。在牛市里，利率的上调并不能改变股市上行的趋势；在熊市中，利率的下调也无法缓解股市的颓势。同时由于利率调整和股价的时滞效应导致利率变化对股价的中短期效应的规律性较弱。

从统计分析得出初步结论，利率的变化在经济周期的不同阶段对股市所带来的影响是不一致的，因此将经济的不同阶段放入到利率对股市的影响的考察之中。根据我国的发电量和CPI数据将我国的每个经济周期划分为6个阶段，分别是衰退、谷底、复苏、扩张、过热和滞胀期，每个阶段GDP和CPI呈现出不同的发展规律。

政府加息的时间点大部分处经济周期的过热和滞胀，加息在过热阶段时不能使得股票中断其上涨态势，加息后的收益往往仍然为正，与理论实践相反。只有在滞胀阶段时加息才能够使得股市出现负收益的状态。从根本上来说是由两个经济阶段的特征所决定的，经济处于过热状态时（GDP上升，CPI上升），加息能

8

够促使CPI下降，同时不抑制当时的GDP上升态势，对经济来说属于好消息。处于滞胀状态（GDP下降，CPI处于顶峰），虽然加息能够促使CPI下降，但同时也会对处于弱势的GDP受到影响，因此加息对于实体经济来说属于坏消息，因此加息造成股市的负收益。

政府降息的时间点大部分处于经济周期的谷底和复苏，复苏在降息后股市的收益大多为负，谷底在降息后的股市收益正负不一，在谷底前期，降息给股市带来负的收益，在后期带来正收益。在经济的谷底阶段（GDP谷底，CPI下降），在降息初期，与衰退期较为接近，股票市场仍旧处于疲软的状态阶段，降息虽然给经济和股市带来流动性和复苏，力量较为薄弱，不能改变股市下降的大趋势。在中后期，随着降息措施的效果不断提升，经济逐步出现复苏的迹象，这时候降低利率给投资者带来更加确定的信息，因此会带来股市的上升。复苏是经济的复苏阶段（GDP上升，CPI谷底），CPI处于谷底，逐步出现往上的趋势，GDP保持上升不变，这时候CPI成为股市的主要矛盾，降息将带动CPI的提升，因此在复苏降息后股市是负的收益率。以2008年为例，央行在 08 年进行的4次基准利率下调均处于谷底，GDP谷底，CPI下降。国际经济形势正值全球金融危机侵袭中国，利率的下调表明当时的中国经济缺少活力，政府通过实施宽松的货币政策刺激经济，这给投资者带来不好的信号，投资者预期经济还会持续萎靡，在这种悲观预期下，股市对降息反应低迷。第一次降息股市

9

仍旧延续下跌的趋势，降息的经济效应表现滞后，第二次降息后股市迎来了上涨，第三次降息延续了这种上涨，在08年年末第四次降息中，股市开始出现了较大的跌势。综合这几次利率下调股市的不同反应，说明投资者的心态反应不一，预期各不相同，每一次降息投资者的解读都是不一样的，这就使得了股市对于降息做出了不同反应。

在我国整个股市运行期间，同时可作为基准利率的短期贷款利率（6个月到1年）和定期存款利率各调整了31次和28次。

短期贷款利率:6个月至1年(含)定期存款利率:1年(整存整取)14.0012.0010.008.006.004.002.000.001990/081994/081996/082000/082002/082004/082006/082010/081992/081998/082008/08 数据来源：WIND, 兴业证券研究所 图2. 基准利率自1990年至今的变化趋势

作为基准利率之一的短期贷款利率（6个月到1年）从1991.4.21日的8.64上涨到1995.7.1的12.06，这段期间我国股市正处于初步发展阶段，股指在一次次的调整中慢慢攀升，为震荡市。

短期贷款利率（6个月到1年）从1995.7.1日的12.06的最高点回落到2002.2.21日的5.31的最低点，降息周期的拐点

10

始于1996年5月。股指也进入上升周期。利率与股指的走势发生了5年的负相关关系。

我国从1996年5月进入降息周期的拐点。股指也进入上升周期。利率与股指的走势发生了5年的负相关关系。但2001年在利率没有进入升息周期的情况下，股指开始了下跌的趋势。分析其原因，我国非市场宏观因素的影响大于利率对股市的影响。人们对非流通的国有股将进入市场流通的担心和恐惧导致了股市投资的风险和收益发生了非对称的变化。

短期贷款利率（6个月到1年）从2002.2.21日的最低一年利率5.31点年到2006.8.19日的6.12点，这个阶段的特点是：4年间，利率是运行在地位，而且利率只调整了三次，股市震荡下跌，为熊市。当时投资者对于已经被推上历史议事日程的股权分臵问题，普遍误读认为是利空因素。

短期贷款利率（6个月到1年）从2006.8.19日的6.12点到2007.12.21日的7.47的高点阶段，这个阶段的特点是：在1年多的时间内，利率调整了6次，从低点调整到了阶段最高点，股市开创了一波大牛市，加息周期内指数上涨了4000点。

短期贷款利率（6个月到1年）从2007.12.21日的7.47高点回落到2008.12.23日的5.31的阶段低点。在1年左右的时间，利率调整了4次，从最高点调整到阶段最低点，股市指数下跌了4000多点到阶段底部1664点。

短期贷款利率（6个月到1年）从2008.12.23日的5.31的

11

低点上升到2011.7.7的6.56高点，利率调整阶段主要发生在2010年下半年至2011年上半年，经济处于过热和衰退阶段，升高利率以控制高涨的CPI，股市为向下调整阶段。

中短期来看，利率调整与股价变动之间通常有一个时滞效应。并且股票市场的现实状况，市场所处的状况可能会消除利率对其的冲击。短期而言，利率政策的变动往往逆周期，在短期无法改变股票市场内在趋势，表现出加息上涨，降息下跌的情况。

将经济周期的因素考虑之后，政府加息的时间点大部分处于经济周期的过热阶段和滞胀阶段，加息在过热阶段的收益往往仍然为正，在滞胀阶段为负。降息的时间点大部分处于经济周期的谷底和复苏阶段，复苏阶段在降息后股市的收益大多为负，谷底在降息后的股市收益正负不一，在谷底前期，降息给股市带来负的收益，在后期带来正收益。

在我国整个股市运行期间，基准利率调整共31次共5个长期的变化趋势，在每个趋势过程中股市结合经济周期出现了不同的走势。因而，本报告认为利率变化对股价的中短期效应的规律性较弱。

（三）上证指数与融资融券交易量的相关性分析

融资融券交易量的度量存在一定的困难。首先，融资买入量是融资融券交易量中唯一可以准确计量的数据（每日沪深交易所均有公布），同时，融资买入量与融资融券交易量具有强烈的正相关性。其次，融资融券交易中，融券卖出金额具体数据无法准

12

确获得，但由于融券规模仅占融资融券总规模的1%左右，因此基本可忽略不计。第三，由于信用账户普通卖出可以归还融资负债，因此融资融券交易量的卖出部分也无法准确度量。鉴于上述原因，融资买入量是融资融券交易量的天然的优质替代变量。

本报告考察融资融券交易量时，采用融资买入量作为其替代变量。样本周期为2011年4月11日至2012年4月9日的日数据，合计时间序列样本数为243个，如图3所示。

数据来源：WIND, 兴业证券融资融券部

图3. 上证指数走势与融资融券交易量

考虑上证指数与融资买入量均为绝对值，数据存在非平稳特性，直接进行统计分析不具备科学性。本报告将两者进行去量纲化处理，采用变动比率值进行分析。具体计算公式如下：

?Pt?lnPt?lnPt?1 ?Vrt?lnVrt?lnVrt?1

其中，其中Pt代表在t日的上证指数收盘价，Vrt代表上证综指在t日的融资买入量。

首先对上证指数变化率与融资买入量的日变化率进行了相关性分析，两者的相关系数仅为0.1652，说明日数据上两者相

13

关性较低。由于上证指数日变化率与融资买入量的日变化率两者均为匹配的时间序列，同时表现出较强的自相关性。因此考虑将两者进行格兰杰因果检验。

利用ADF单位根检验，上证指数日变化率与融资买入量的日变化率均为平稳数据（显著性水平均在99%以上）。进行格兰杰因果检验不会存在伪回归问题。

通过HQIC及SBIC，本报告选定向量自回归最优滞后阶数为1阶（统计结果上来看，三阶滞后也是较优的选择，但从经济意义的角度上，本报告选择了一阶滞后）。

表7. 上证指数和融资买入量的格兰杰因果检验结果

原假设 融资买入量变化不是上证指数变化的格兰杰原因 上证指数变化不是融资买入量变化的格兰杰原因

F统计量 0.20 6.49 P值 0.6547 0.0115 结论 接受原假设 不接受原假设 在向量自回归的基础上，从格兰杰因果检验结果上来看，上证指数的变动率对融资买入量变动率存在格兰杰因果关系，统计结果95%以上概率显著。而融资融券买入量变动率对上证指数的变动率的格兰杰因果检验结果并不显著。

由于融资融券交易量的度量存在一定困难，本报告选取了融资买入量作为其的替代变量。从上证指数与融资买入量的绝对值上来看，并没有明显的趋势性的相关。在去量纲化后，两者的相关性仅为0.165，相关度较低。从格兰杰因果检验上来看，上证指数的变动率对融资买入量变动率存在格兰杰因果关系，而融资融券买入量变动率对上证指数的变动率的格兰杰因果关系不成

14

立。

（四）上证指数与信用利差的相关性分析

本报告采用AAA中票和政策性金融债的利差作为信用利差代表，具体为中债银行间5年期固定利率政策性金融债到期收益率和中债银行间5年期中短期票据到期收益率，如图4所示。由于自2008年4月22日起始才有中短期票据收益率数据，因此分析的样本区间为2008年4月22日至2012年4月9日。

601jan2008234501jan200901jan2010date201jan201101jan2012政策性金融债收益率:5年中短期票据收益率(AAA):5年

数据来源：WIND, 兴业证券固定收益部

图4.收益率曲线对比

15

1.5.501jan200801jan200901jan2010date信用利差01jan2011上证指数01jan201215000200025003000上证指数信用利差1350040002

数据来源：WIND, 兴业证券固定收益部

图5.上证指数与信用利差

首先通过简单线性回归的方法研究信用利差和上证指数之间的相关性。由于信用利差是“价格数据”，本报告主要使用上证指数收益率而非上证指数绝对数值进行考察分析。图6中画出了2008年4月22日以来信用利差和上证综指回报的日度曲线，显然，股市的波动相较于债市信用利差的波动要剧烈的多。

1021.501jan200801jan200901jan2010date01jan2011上证指数收益率01jan2012信用利差-100-5.50上证指数收益率信用利差15

16

数据来源：WIND, 兴业证券固定收益部 图6.信用利差与上证指数收益率

表8中信用利差和指数回报率的统计分析结果也证实了上述分析结果。信用利差的均值为0.927，标准差为0.211，变异系数为0.23，而上证指数收益率的均值为-0.0153，标准差为1.839，变异系数达120.2。两者之间的相关性为0.0226，表明从股市的收益率和债市的利差角度来看，这两个市场割裂比较严重，相关性不高。

表8 . 信用利差和指数回报率的统计分析 变量 信用利差 上证指数收益率

样本数 991 964 均值 0.927 -0.0153 标准差 0.211 1.839 最小值 0.330 -7.730 最大值 1.650 9.460 相关性 0.0226 使用上证指数和上证指数收益率对信用利差进行预测分析结果见表9，上证指数收益率的系数不显著，虽然上证指数在5%水平上显著，但总体解释能力仅0.005，同样表明股市和债市分割比较严重，无显著相关性。

表9 上证指数和上证指数收益率对信用利差进行预测分析 上证指数收益率 上证指数 常数项 样本数 R-squared Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1

信用利差 0.00299 (0.00367) -3.34e-05** (1.70e-05) 1.017*** (0.0460) 963 0.005 （五）基准利率与信用利差的相关性分析

本报告选取央行所重视的1年期存款利率和SHIBOR 7天拆

17

借利率作为我国货币市场基准利率的代表。分析的样本区间为2008年4月22日至2012年4月9日的日度数据，信用利差数据、基准利率数据均来源于WIND金融数据库。

首先对基准利率和信用利差的相关性进行分析。从表10中相关系数可以看出，信用利差与1年期存款利率微弱负相关，与SHIBOR 7天拆借利率微弱正相关。

1001jan20080246801jan200901jan2010date01jan2011定期存款利率:1年01jan2012SHIBOR1W

数据来源：WIND, 兴业证券固定收益部 图7. 1年期存款利率和SHIBOR7天拆借利率

表10. 基准利率与信用利差的相关性 (obs=991) 信用利差 shibor1w 存款利率

信用利差 1 0.161 -0.121 shibor1w 1 0.621 存款利率 1 其次使用这两个货币市场基准利率对信用利差进行预测，如表11所示。虽然表10中基准利率数据与信用利差数据相关性都比较微弱，但预测结果表明这两个基准利率数据对信用利差均有

18

着较强的解释能力。其中，存款利率系数在1%水平上显著为负，存款利率越高，信用利差越小；SHIBOR 7天系数在1%水平上显著为正，银行间拆借利率越高，反映的经济体系风险越大，信用利差也相应增大。这一结果表明，债券市场和货币市场之间的联系较与股票市场之间的联系更密切，但无显著的相关性。

表11. 基准利率对信用利差进行预测

存款利率 SHIBOR 7天 常数项 样本数 R-squared Standard errors in parentheses *** p<0.01, ** p<0.05, * p<0.1

信用利差 -0.109*** (0.0116) 0.0567*** (0.00565) 1.092*** (0.0277) 991 0.106 二、量化模型的使用

使用了KMV模型来测算信用风险损失：首先根据上市公司股票价格及波动率基于期权公式估算其资产价值及其波动率，并根据上市公司的资产负债机构计算出违约点，进而通过计算资产价值低于违约点的概率得出违约概率；再者，基于公司2011年底的债券持仓数据分析组合中各头寸之间的相关性；最后得出公司债券持仓总组合在各压力情景下信用风险所导致的损失值。

（一）基本思路：利用KMV模型按行业计算行业内上市公司的违约率，从而获得行业平均违约概率，基于2011年底固定收益部的持仓数据，计算组合的信用风险非预期损失在轻度、中度

19

和重度下的值。

（二）基本假设：1、用行业平均违约概率匡算行业内各发债主体的违约概率（EDF）；2、用债券面值作为信用风险暴露（EAD）；3、假设违约后损失为100%（LGD）；4、因为经济资本乘数与臵信水平有关，故采用不同的经济资本乘数作为轻度、中度和重度压力情景的参数。

（三）采用的方法和步骤：

Step 1. 根据上市公司股票的价格及其波动率，通过期权定价理论计算公司资产的市场价值及其波动率。

Step 2. 根据上市公司的资产负债结构计算违约距离。 Step 3. 采用KMV模型的理论方法，在假定资产市场价值服从正态分布假设的情况下，计算资产价值小于违约点的概率（即违约概率EDF）。同时，按照行业计算各行业的平均违约概率。

Step 4. 通过考虑各行业间的违约相关性，计算固定收益组合持仓信用债的信用风险非预期损失。

三.反向压力测试

考虑了IPO项目规模与债券承销项目规模联动的双因素反向压力测试模型，并进一步考虑了资管业务新增规模、融资融券业务新增规模、IPO项目规模、债券承销项目规模四项联动情形下的多因素反向压力测试，得出了一系列在风控指标临界条件下的各项业务规模上限的安全组合。

通过正向压力测试，已知公司各条业务线的发展对“净资本

20

/各项风险准备之和”和“自营权益类证券及证券衍生品/净资本”风控指标产生较大压力。对这两项关键风控指标和流动性指标影响较大的因素主要有资产管理业务规模、融资融券业务规模、IPO项目规模、债券承销项目规模和权益类投资业务规模等。除了权益类投资业务外，上述其他四项业务受外部市场环境影响较大，公司对其进行主动控制的难度较高。因此，挑选以上四项因素进行反向压力测试：

（一）双因素反向压力测试

根据测算结果可知，IPO项目规模较债券承销项目规模对“净资本/各项风险准备之和”指标影响大，并且公司的现金缺口主要受IPO项目的包销金额影响。在“净资本/各项风险准备之和”指标最大达到100%监管标准的约束条件下，若债券承销项目规模为35亿元，则IPO项目当月最大规模至多只能为79亿元；若IPO项目规模为10亿元，则债券承销项目规模的上限为230亿元。债券承销项目规模和IPO项目规模按照单月最大项目的规模计算，并假设该两项承销项目发行期有交叉。

表12 承销业务项目规模对风控和流动性指标的影响 IPO项目规模（亿元） 债券承销项目规模（亿元） 净资本（亿元） 净资产（亿元） 净资本/各项风险资本准备之和 净资本/净资产 净资本/负债 净资产/负债 自营权益类证券及证券衍生品/净资本 自营固定收益类证券/净资本

80 25 35.1 70.7 79 35 35.2 70.7 65 40 35.5 70.7 50 50 35.8 70.7 30 174 36.2 70.7 10 230 36.6 70.7 101.1% 100.0% 105.0% 110.0% 100.0% 100.0% 49.7% 49.8% 50.2% 50.6% 51.2% 51.8% 54.0% 54.1% 57.1% 60.5% 65.7% 71.7% 108.5% 108.7% 113.8% 119.6% 128.2% 138.3% 135.8% 135.4% 126.2% 116.7% 104.2% 92.1% 158.0% 157.9% 156.6% 155.2% 153.4% 151.6% 21

现金余额（亿元） 现金缺口（亿元） 0.0 25.8 0.0 25.7 0.0 22.8 0.0 19.8 0.0 15.8 0.0 11.8 注：假设公司投行包销20%的IPO项目规模；其他业务情景按照重度情景设置。 （二）多因素反向压力测试

针对“净资本/各项风险资本准备之和”和“现金缺口”指标，对资产管理业务规模、融资融券业务规模、IPO项目规模和债券承销项目规模进行多因素反向压力测试，可知：

1、在“净资本/各项风险准备之和”指标最大达到100%监管标准的约束条件下，资产管理业务新增规模、融资融券业务新增规模、IPO项目规模和债券承销项目规模四个因素的临界点有(150,25,59,40)和(200,30,46,35)等。

2、IPO项目规模对“净资本/各项风险准备之和”指标的影响较其他三个风险因素更大。

3、若资产管理业务新增规模、融资融券业务新增规模和IPO项目规模分别达到50亿元、10亿元和10亿元，“现金缺口”指标将超过13.5亿元(根据公司的流动性储备和融资计划，公司能够保持13.5亿元的稳定资金来源)。由于债券承销业务未考虑包销情况，因此该项业务不对“现金缺口”指标产生影响。

表13 各项业务对“净资本/各项风险资本准备之和”指标的影响

单位：亿元/百分比

22

债券承销项目规模 80 60 50 40 35 20 10

资管业务新增规模 30 50 100 150 200 250 300 融资融券业务新增规模 5 10 20 25 30 40 50 IPO项目规模 0 10 20 30 46 59 65 151.8% 144.1% 137.1% 130.7% 121.5% 114.6% 111.8% 148.3% 140.8% 134.0% 127.7% 118.7% 111.9% 109.2% 137.1% 130.5% 124.5% 118.9% 110.9% 104.8% 102.4% 129.5% 123.5% 118.0% 113.0% 105.6% 100.0% 97.8% 121.6% 116.3% 111.3% 106.7% 100.0% 94.9% 92.9% 114.4% 109.5% 105.0% 100.8% 94.7% 90.0% 88.1% 106.9% 102.6% 98.5% 94.7% 89.2% 84.9% 83.2% 表14 各项业务对“现金缺口”指标的影响

单位：亿元

债券承销项目规模 80 60 50 40 35 20 10 资管业务新增规模 30 50 100 150 200 250 300 融资融券业务新增规模 5 10 20 25 30 40 50 0 10 IPO项目规模 20 30 46 59 65 6.6 8.6 10.6 12.6 15.8 18.5 19.6 12.6 14.6 16.6 18.6 21.8 24.5 25.6 22.6 24.6 26.6 28.6 31.8 34.5 35.6 27.6 29.6 31.6 33.6 36.8 39.5 40.6 32.6 34.6 36.6 38.6 41.8 44.5 45.6 42.6 44.6 46.6 48.6 51.8 54.5 55.6 52.6 54.6 56.6 58.6 61.8 64.5 65.6 注：假设债券承销项目不进行包销；投行IPO项目按规模的20%比例进行包销；公司自有资金按照资产管理业务新增规模的5%比例投入资产管理集合计划，上限为2.5亿元。

四、压力测试系统

2011年，对风险控制指标动态监控系统进行升级改造，在系统研究了压力测试风险因子、映射模型、冲击对象和冲击情景的基础上，自行建设公司自有的全面的压力测试系统，以提升公司全面压力测试的有效性和科学性。系统包括六大类风险类型，十一大类业务类型，200多项风险因子，约500条冲击模型；冲击关系与逻辑通过公式灵活配臵，开放多种函数多态配臵功能；

23

开发完成“反向压力测试”和“批量压力测试”功能。全面压力测试系统的上线有助于压力测试流程标准化、压力测试情景多元化，显著提高压力测试实施效率及压力测试结果精确度。

全面压力测试系统上线运行一年来，显著提高了日常压力测试工作的效率。该系统核心功能包括压力测试及反向压力测试的执行。参照《指引》要求及行业经验，分两步开展压力测试——业务规模的调整和风险因子的冲击。设臵业务规模变动幅度、风险因子冲击幅度（可调用情景库及历史测试环境），通过内臵映射关系，自动计算对测试对象的影响。反向压力测试作为压力测试的补充，针对压力测试结果，从指标结果反推不同业务和风险因子的限额。

其他功能为压力测试的执行服务，侧重关键要素的归纳采集、集中管理以及映射关系的设定、维护。压力测试的核心要素包括：风险因子、测试情景、测试数据和测试对象。风险因子库用于因子的收集，情景库用来归纳历史典型压力环境、预测未来测试环境。测试数据包括基期报表数据及各类参数。测试对象指利润表、净资本计算表、风险资本准备计算表、风控指标和经营指标的全部科目。

本次测试考虑持续经营带来的现金流，对利润及净资产做适度预测。以盈利预测推算的利润表及2011年净资本相关报表为基础，系统根据风险因子和各类报表科目的对应冲击关系，自动算出压力测试情境下的各类报表，结果在报告查询模块中呈现。

在实际测算中，由财务部和董事会办公室联合提供公司经审

24

计的2011年财务报表和净资本报表，风险管理部会同信息技术部完成基础数据的采集。

为了确保参数设臵的科学性、合理性，风险管理部牵头组建组建包括业务部门和中后台支持部门的压力测试小组，开展专家协作，分工填写参数。

风险管理部使用合理的量化模型，给出未来一年股价指数变化率和无风险利率变动基点两项风险因子的极端压力值，推算一定臵信度水平下，由于债务人违约而导致损失的可能性。业务部门和其他支持部门结合经营计划，根据风险因子或业务规模对风控指标和收入的冲击方向内部讨论、填写参数，显现三种情形下的递增压力。执行压力测试之前，风险管理部对各项参数进行复核，论证其合理性。

将复核后的各项参数录入至全面压力测试系统，执行压力测试，得到自动计算的财务报表和净资本报表。进而，针对测试结果分析公司压力情景下的财务状况和风控指标，出具应对措施；就可能影响公司主要风险控制指标不达标的情景进行反向压力测试，评估未来在何种压力下，公司会出现净资本不足及流动性风险。

附：全面压力测试系统主菜单 1、参数管理

系统中的参数是指在压力测试计算时用于计算的常数。参数分为自动参数和手动参数两种。自动参数由系统自动计算无需维护，手动参数需要手工录入。

25

2、因子管理

因子为压力测试中风险因子和业务规模因子的统称。系统可以对因子的组别和因子进行维护管理。因子组别为因子的分组信息。每个因子都对应属于一个因子组别（因子类型）。该功能下可查询和编辑因子对各报表项目的冲击关系。

3、情景管理

情景用于保存用户常用的压力测试情景以便后续测试时方便调用。

4、压力测试管理

压力测试管理菜单是进行压力测试的入口。其中包括普通压力测试、反向压力测试和批量压力测试。

（1）普通压力测试

设定基准数据类型、基准日期、是否进行盈利预测（考虑持续经营带来的现金流）以及是否重臵报表（指因子冲击表报时是否把报表数据重臵为0），编辑完成后，可以点击进行压力测试查看压力测试结果。

（2）反向压力测试

本功能作为普通压力测试的补充，从指标结果反推不同业务和风险因子的限额。选择目标指标（经营指标和风险控制指标），设臵目标值（默认为内部监控限额），配臵反向压力测试的环境，即风险因子和业务规模的变化，选定单个或多个反向测试对象，设臵其初始值和步进量，执行反向测试，反推测试对象的取值。

26

（3）批量压力测试

本功能实现多种压力测试情景下的批量计算，即在设定压力测试基本条件和业务规模变化后，一次输入多条风险因子变化情景（由统一模板导入），系统计算出指定冲击对象的相应变化情况，以报表形式统一输出测试结果。

27