印度：技术援助报告——对印度储备银行压力测试模型框架的审查与评估

印度 《印度储备银行压力测试模型框架的审查与评估》 2023年9月 编制者： 马克罗·格罗斯和魏孙 货币与资本市场部门 免责声明 本文件的 内容构成国际货币基金组织（IMF）工作人员向印度储备银行（RBI），“能力发展（CD）接受方”，提供的 技术建议，以响应RBI对技术援助的请求。除非CD接受方明确反对此类公开披露，否则本文件（全部或部分）或其摘要可由IMF向IMF印度执行董事、其他IMF执行董事及其工作人员以及CD接受方的其他机关或机构公开，并根据他们的请求，向世界银行工作人员和其他技术援助提供者公开（见员工操作指南关于能力发展信息传播). 公布或披露本报告（全部或部分）给国际货币基金组织（IMF）以外的CD受益国机构或机构、世界银行工作人员、其他技术援助提供者和有合法利益的捐助者，需经CD受益国和IMF货币与资本市场部门的明确同意。 目录表 术语表 _____________________________________________________________________ 4 前言 _______________________________________________________________________ 5 摘要____________________________________________________________ 6 一、背景 _____________________________________________________ 7 第二部分模型评审与评估____________________________________ 8A.银行偿债风险分析____________________________________________ 8 B.银行流动性风险分析 ___________________________________________ 16 C.宏观金融情景设计 _______________________________________ 18 D.资产负债和流动性风险分析非银行金融机构__________________________ 第19页网络与传染分析________________________________________ 19 箱子 1. 信用风险基本原理——股票流关系 _________________________________________ 10 2. LGD 模型选项 __________________________________________________________ 12 3. 修改后的久期和市值重估（MtM）计算方法用于债券敞口______ 14 图 1. 印度：银行和金融体系结构_________________________________________ 7 表格 1. 主要建议 __________________________________________________________ 6 2. 建议：信用风险 _____________________________________________________ 9 3. 建议：利率风险（通过净利息收入）________________________________________ 13 4. 建议：市场风险 ___________________________________________________ 14 5. 建议：其他经营收入和支出 ______________________________ 15 6. 建议：动态资产负债表_________________________________________ 16 7. 建议：风险加权资产 ___________________________________________ 16 8. 建议：流动性压力测试 __________________________________________ 17 9. 建议：场景设计 _______________________________________________ 18 10. 建议：非银行金融机构压力测试____________________________________________ 19 附件 背景：银行系统数据和指标 _______________________________________ 21 词汇表 自回归分布滞后模型外汇高质量的流动资产基于内部评级的方法流动性覆盖率比率损失发生时市值法非银行金融机构净利息收入不良贷款网络稳定资金比率其他全面收益其他运营费用其他运营收入违约概率损益印度储备银行房地产资产收益率风险加权资产 ARDL FX HQLA IRBLCR LGD MtM NBFIs NII NPLs NSFR OCI OOE OOI PD P&LRBI RE RoA RWA 序言 技术援助（TA）任务于2023年4月根据印度储备银行（RBI）的要求组织，由国际货币基金组织（IMF）对其实施的压力测试模型套件进行审查和评估。任务团队由来自国际货币基金组织货币和资本市场（MCM）部门的马可·格罗斯先生（TA任务负责人）和魏孙女士组成。 任务小组的主要对应人员来自RBI，包括凯亚·特拉帕蒂女士（金融稳定单元负责人）、斯内哈蒂·盖恩先生（金融稳定单元主任）、桑吉塔·马修斯女士（金融稳定单元助理顾问）、库什·夏尔马先生（金融稳定单元助理顾问）以及普雷姆·莫汉先生（金融稳定单元经理）。团队还包括阿约帕南·奈尔先生（金融稳定单元总经理）、拉克什·库马尔先生（金融稳定单元主任）、阿夫德什·库马尔·舒克拉先生（监督部门研究和建模小组主任）以及维贾伊·辛格·谢卡瓦特博士（监督部门总经理）。与RBI执行董事奥·P·马尔的讨论非常有益。 国际货币基金组织技术援助团成员对印度储备银行在其任务期间提供的友好款待和大力合作表示感谢。 高管总结 该任务的目的是让国际货币基金组织（IMF）对印度储备银行（RBI）的分析能力和风险管理模型进行全面审查，包括偿付能力风险分析、流动性风险分析以及银行（含非银行金融机构）的资产负债表关联性。央行向IMF团队提供了所有可用的文件，包括记录、演示文稿，并通过对一系列持续长达十天的会议进行详细讨论。在任务后期阶段，IMF团队向央行工作人员概述了其认为上述领域的最佳实践——在基金组织和借鉴其他国家实践经验的基础上。 印度储备银行（RBI）的压力测试模型套件在多个方面被发现得到了良好的发展。印度储备银行（RBI）的模型套件和分析在以下领域被发现特别稳健：（1）所有主要数据库的内容和结构包括通过监管报告所必需的、用于系统性风险分析的数据；值得称赞的是，所有必需的数据可以在需要访问它的各个部门之间“自由流动”；（2）系统风险分析涵盖了一系列风险和机构，包括信用、市场、利率、流动性和衍生品对手方风险；除银行外，评估还包括保险公司、共同基金和中央对手方（例如，在最新的金融稳定报告中）；以及（3）结构性网络传染模块在基于长达十年的双边暴露数据矩阵的大规模序列的基础上建立，这些数据始于2010年，涵盖了银行和非银行金融机构类型，包括养老基金、保险公司、住房融资公司以及非银行金融机构。该模型总计纳入了225家银行和非银行金融机构。 主要建议涉及信用风险、市场风险（包括利率风险）以及宏观经济情景设计。高级推荐总结于表1。更详细的推荐在本报告中详细阐述。表1中的最后一条推荐与RBI金融稳定部门的员工相关，他们应从增员中受益。 任务团队建议，大多数建议最好在两年内得到解决，即到2025年。在2025年之前解决这些问题将有益，因为印度将在2025年实施一个新的会计制度（类似于2018年在其他司法管辖区实施的《国际财务报告准则》第9号），这将意味着新的任务和分析发展需求。 任务团队还为印度储备银行（RBI）提供了关于气候风险评估的入门指南。中国人民银行询问是否可以将此类会议纳入任务中。作为回应，计划中增加了一个为期三小时的会议，以向中国人民银行提供如何进行气候风险评估的理解，包括数据、分析工具和模型。国际货币基金组织团队在相关会议之前进行了针对印度的特定研究，以提供讨论的背景。 I. 背景 印度的金融体系中包含了相当一部分的银行，同时也包含了一部分不容忽视的非银行金融机构（NBFIs）。公共、私营和外资商业银行占金融体系资产的55%（截至2022年底，见图1）。银行体系由国有银行（59%）、私营银行（35%）和外资银行（6%）组成。46家银行中的最大16家银行拥有85%的银行体系资产。保险公司构成最大的非银行金融部门，占总资产的15%。除保险公司和养老基金之外的非银行金融机构，如共同基金、住房金融公司等，对金融体系资产贡献了28%。1过去十年中，银行体系资产与年度名义GDP之比平均为81%；由于2021年和2022年名义GDP分别强劲增长18%和16%，这一比例在这两年有所下降。 印度的银行体系自疫情以来在资本化方面实现了复苏。其综合资本比率在2022年底排名同行中等，约为16%（附件图1）。其盈利能力（资产回报率，RoA）在2019年前较弱，但自2020年以来有所增强，2022年达到1.4%（附件图2）。其利息收入和支出均较低（分别为负数和正数）。与同行相比，其净利息收入相对较弱。 在跨国比较中，印度的银行系统以总资产中证券占比高为特点。它于2022年末在系统层面超过了26%（附件图3）。私人银行往往比国有银行的比率低（图1，右下角）。证券的高比例突显了在印度的银行压力测试模型套件中包含一个发达的市场风险模块的重要性。 二、模型综述与评价 A. 银行偿付能力风险分析 中国人民银行对46家商业银行进行偿付能力风险评估。2这个样本代表印度商业银行业资产总量的98%。分析考虑了多种风险因素，并评估了国有、私营和外资银行的资本状况。监管机构返还的数据是该分析的主要来源。此外，RBI的金融稳定单位对特定主题的银行特定数据提交进行了补充。 两种互补的方法支撑银行偿付能力分析。第一种方法是一种基于情景的压力测试分析，该方法将宏观金融情景转换为银行资本比率的轨迹，以一年的情景时间为 horizon。在银行集群层面上（时间序列模型）开发了多个模型组件。然后，由此模型得出的预测被分发给各个银行。第二种方法考虑了各种敏感性分析，以补充基于情景的压力测试，例如与银行和交易账户中的利率风险相关的分析。 信用风险 印度储备银行（RBI）以三种方式对信贷风险进行建模：使用不良贷款（NPL）比率、信贷损失拨备流动，以及行业层面的违约概率（PDs）。这三大元素在印度的储备银行（RBI）当前框架中承担不同的职能。首先，不良贷款比例（NPL ratios）用于供应计量经济学净利息收入（NII）模型（这一方面将在NII章节中进行讨论）。目前，它们并不用于暗示违约流量，也不在结构上影响银行资本比率动态。其次，用于拨备流量的计量经济学模型（通过损益表计算）旨在暗示贷款损失，并影响资本比率分子的值。第三，行业违约概率（PD）模型作为内部评级基础（IRB）的监管权重资产（RWA）模块的输入。这将将在单独的小节中进行讨论。 两种模型方法已适用于NPL模型组件。这些包括自回归分布滞后模型（ARDL）结构和向量自回归（VAR）模型结构。它们捕捉了不良贷款（以贷款总额的比率建模）和实际GDP增长、利率（利差）波动以及各种企业部门脆弱性变量的关系。ARDL模型用于通过方程右侧变量将宏观经济金融情景进行转换。VAR模型与脉冲响应方法结合使用，以体现不良贷款比率情景条件的响应。从两个模型的预测中为每家银行取简单平均值。 信用损失准备金流量模型用于预测通过损益表流动的贷款损失。这些回归模型将不良贷款比率作为解释变量放在其右侧，同时还