我国商业银行企业债券投资业务风险研究

一、研究背景与意义

我国债券市场发展向好，2023 年债券发行、成交及托管量显著增长，为商业银行债券投资提供机遇。而商业银行净利差持续收窄，2023 年一季度末净息差降至 1.74% ，2024 年三季度再降至 1.53% ，促使银行重视企业债券投资。受益于债券特性，商业银行企业债券投资规模不断扩大，虽2023 年有波动，但长期增长趋势不改。

研究商业银行企业债券投资风险意义重大。企业债券不确定性高、违约风险攀升，且商业银行在金融体系地位关键，研究该风险可为银行投资多元化提供理论支持，助力盈利模式转型，完善风险管理体系。

二、研究设计

为研究我国商业银行企业债券投资业务风险，本文选取 2010年 1 月 4 日 -2022 年 1 月 1 日共 2895 个交易日的上证企业债指数（000013）收盘数据，基于RESSET 金融研究数据库，以（第t 日与t-1日收盘指数差额/ 第t-1 日收盘指数）计算收益率。

在模型设定上，采用 VaR 模型与 GARCH-VaR 模型。VaR 模型由 J.P.Morgan 提出，可量化特定时期、置信度下金融资产的最大潜在损失，计算方法包括历史模拟法、参数化法和蒙特卡洛模拟法。GARCH-VaR 模型结合 GARCH 对波动率的估计与 VaR 的风险度量，本文将运用 GARCH 模型估计上证企业债指数收益率波动率，以精准度量风险。

三、实证分析

（一）基于GARCH 类模型的波动率分析

1、上证企业债指数收益率的描述性统计分析

本小节对上证企业债指数收益率进行描述性统计分析。通过Eviews 软件分析上证企业债指数收益率序列，其均值 0.000228、标准差 0.000386，偏度 0.475504>0 呈右拖尾，峰度 12.63804>3 显尖峰。偏度、峰度及 Jarque-Bera 值 11310.26（ P<0.05 ）表明，该收益率序列非正态分布，具有尖峰厚尾特征。

Eviews 输出结果如下图：

图 1：上证企业债收益率基本指标

2、上证企业债指数收益率的平稳性检验

本小节使用 ADF 检验对上证企业债收盘指数收益率数据的平稳性进行检验，判断数据是否为平稳的时间序列数据。ADF 检验结果如下表：

表 1: 上证企业债指数收益率ADF 检验结果

从 ADF 检验结果得出：在 5% 的置信水平下，P 值小于 0.05，所以上证企业债收盘指数收益率数据为平稳的时间序列数据，因此可以使用ARCH 模型进行检验。

3、ARCH LM 效应检验

本小节通过 LM 检验对收盘指数的残差项进行检验，判断残差项中是否存在ARCH 效应。ARCH-LM 检验滞后一阶结果如下表：

表 2：上证企业债指数收益率ARCH-LM 检验结果

从检验结果可以看出：滞后1阶的P值小于 0.05，因此可以拒绝不存在条件异方差的原假设，即上证企业债收盘指数的回归方程的残差序列存在ARCH 效应，因此可以使用 ARCH 模型进行检验。

4、GARCH 模型的建立

由上面的检验可知，上证企业债收益率的分布不服从正态分布，存在着尖峰后尾性，收益率的序列比较平稳且残差序列存在着ARCH 效应。因此选取 GARCH 模型族来计算值。本小节首先分别估计了 GARCH(1，1) 模型在 t 分布、N 分布、GED 分布三种不同分布下的参数估计结果。

（1）GARCH（1,1）t 分布模型参数估计

GARCH(1，1)t 分布模型的 Eviews 估计结果如下：

均值方程： 方差方程： （ 1.53×10^-9 ）（0.012509）（0.023316）（0.00000）（0.00000）（0.00000）R²=0.999996 对 数 似 然 值 =19248.96 AIC -13.29921 SC=- 13.28889方差方程中，第一行括号内为标准差，第二行为 Z 统计量对应的P 值，第三行为模型的 R² 、对数似然值、AIC 值和SC 值，下同。（2）GARCH（1,1）N 分布模型参数估计GARCH(1，1)N 分布模型的 Eviews 估计结果如下：均值方程： 方差方程： （0.025254）（0.065047）（0.00000）（0.00000）R²=0.999996 对 数 似 然 值 =18965.87 AIC -13.10426 SC=- 13.09601（3）GARCH（1,1）GED 分布模型参数估计GARCH(1，1)GED 分布模型的 Eviews 估计结果如下：均值方程： 方差方程： （0.032144）（0.089317）（0.00000）（0.00000）R²=0.999996 对 数 似 然 值 =18490.10 AIC -12.77478 SC=- 12.76446

5、检验建模后数据是否存在ARCH 效应

将不同分布下的 GARCH（1,1）模型分别进行 LM 检验，判断建模后的数据是否存在 ARCH 效应。将所得结果与原方程和临界值的比较如下表：

表 3：GARCH 模型的 LM 检验

表格显示，两类 GARCH(1,1) 模型的 LM 检验 F 值和 TR² 值均显著低于 OLS 残差检验值，且其值小于临界值 F(0.05)=3 ，故接受无ARCH效应的假设，表明GARCH模型有效消除了原序列ARCH效应。因此，本文选用 GARCH(1,1)-N 与 GARCH(1,1)-t 模型计算上证企业债指数VaR 值。

（二）VaR 值计算

本小节采用上证企业债指数从 2010 年 1 月 4 日至 2021 年 12月 31 日共 2895 个交易日的收盘指数计算 VaR 值。使用 GARCH 类模型的估计结果计算VaR 值的公式如下：

VaR=P_t-1Z_dVh

其中： P_t-1 为前一日的收盘指数，h 为基于 GARCH 类模型估计的波动率值。

在 95% 的置信水平下，t 分布的临界值为：1.96，标准正态分布的临界值为：1.645。

1、VaR 值的计算结果

Eviews 输出结果如下表：

表 4：GARCH 模型下VAR 值的描述性统计值

从上表可知，GARCH-t 分布估计的 VaR 值相较于 GARCH-N分布的估计值更大，但 GARCH-N 分布标准差更小，表明 VaR 值的波动性较低。

2、VaR 值结果分析

本小节先计算每个交易日的实际损失和期望失败天数，再计算失败天数。通过比较实际失败天数与期望失败天数，分析GARCH—VaR 模型衡量上证企业债指数风险的能力。

从 2010 年 1 月 4 日至 2021 年 12 月 31 日共 2895 个交易日，当置信区间为 95% 时，期望失败天数为：（ (1-95%)×2895=144.75 天。实际损失为当天收盘指数与前一天收盘指数的差额，计算公式为：Pt-Pt-1，其中 Pt 为第 t 日收盘指数。

每日实际损失值大于VaR 值的天数为失败天数。

（2）GARCH—VaR 模型衡量风险能力分析通过上述结果，在Excel 中汇总数据，结果如下表：

表5：GARCH—VaR 模型衡量风险能力分析

通过上表可知，GARCH-t 分布和 GARCH-N 分布下的实际失败天数都大于期望失败天数，表明低估了风险。GARCH-t 分布的实际失败天数和失败率更低，表明相较于 GARCH-N 分布对风险的预测效果更佳。因此 GARCH-t 分布模型更适于计算上证企业债指数的VaR 值的模型。

四、结论与建议

实证研究表明，GARCH-t-VaR 模型能有效度量商业银行企业债投资风险，其捕捉波动聚集性和尖峰厚尾性的能力提供了动态风险评估。然而，该模型存在风险低估倾向，失败率较高。因此，商业银行应用模型结果时需保持谨慎。

建议一方面进行多维度风险管理，除模型外，需综合考量利率变动、宏观经济、行业趋势及政策等多元因素；另一方面要优化投资组合，根据风险偏好，通过债券品种、期限的差异化配置构建最优组合，平衡收益与风险。

参考文献：

[1] 戴晓云 . 商业银行利率风险与管理实证研究—— 基于GARCH 模型的 VaR 测算和利率敏感性分析 [J]. 环渤海经济瞭望 ,2021,(12):34-37.

[2] 冯 媞 , 谢 斌 斌 , 侯 俊 屹 , 董 子 腾 . 基 于 VaR-GARCH 模型的我国商业银行汇率风险度量的分析研究 [J]. 商场现代化 ,2020,(21):101-103.

[3] 应成一 .VaR 在商业银行信用风险管理中的应用 [J]. 现代商业 ,2020,(05):111-112.

[4] 林文豪 , 陈梅倩 , 周礼刚 , 孟晓旭 . 基于 VaR-GARCH 模型族的中国股市风险预测能力分析 [J]. 统计与决策 ,2019,35(21):151-155.