存款专业化与借贷行为

NO. 11752025年12月 Kristian Blickle | Cecilia Parlatore | Anthony Saunders 存款专业化和放贷行为克里斯蒂安·布里克勒，塞西莉亚·帕拉托雷，安东尼·萨瑟兰纽约联邦储备银行工作人员报告, no. 1175 2025年12月https://doi.org/10.59576/sr.1175 摘要 我们使用美国最大银行的存款、贷款和证券的细粒度监管数据，检验银行储户构成如何影响放贷行为。按储户专业化分类银行后，我们发现资金来源的持续差异转化为资产配置的差异。零售储户导向型银行持有更长期限的贷款，进行更多房地产贷款，而企业和非银行金融机构导向型银行，其资金波动性更大，持有更短期限的贷款和流动性证券。贷款层面的分析表明，稳定的资金来源与较低利率、较长期限和更大规模的贷款相关。存款增长根据银行的储户专业化有所不同，我们可以通过新冠疫情期间外生的存款增长来探讨这一点。 JEL分类：G20，G21，G01 关键词：银行融资，贷款，储户流动性强，储户结构，存款波动性，金融稳定，贷款决策，贷款条款 经典模型将银行视为进行期限转换；创造流动性的可转让存款，同时将相应的资金投资于（希望是有利可图的）长期资产。虽然存款为它们的持有人提供流动性保障，但它们使银行面临挤兑风险，反过来内生地约束了银行的资产组合选择（考虑：钻石和迪布维格(1983)).然而，存款人类型的行为极不相似，因此银行面临的运行风险取决于他们服务的存款人类型。1 拥有不同储户群体的银行可能会选择具有系统上不同风险特征的资产组合。 本文使用监管数据记录银行存款基础的显著且持久的异质性，即银行通过满足不同的储户细分群体来区分自身。我们表明这种异质性体现在银行贷款行为的有意义差异上：它们贷给不同的客户、在不同的期限和不同的利率下放贷。关键在于，这种储户基础的异质性意味着银行是不可替代的。针对特定类型存款的总冲击——例如量化宽松期间公司存款的激增——根据接收资金银行的类型不同，会对实体经济产生不同的传导效应。因此，理解储户基础与贷款条款的联系，对于理解资本如何分配到生产部门至关重要。我们的结果将在下文详细讨论，为货币政策和学术辩论提供了有用的证据。 我们的研究基于美国最大的50多家金融机构的颗粒化月度存款数据。我们能够识别存款产品、交易对手类型、有保险/无保险存款以及期限。我们记录了不同银行类型的持续差异：一些银行始终从某些类型的存款中获得远大于其他银行的资金份额。虽然我们在以下分析中使用了许多细分方式，但为了简洁和演示目的，我们可以在这里专注于交易对手专业化：根据银行是否从单一交易对手类型获得多数（始终超过三分之一）的存款，银行被分类为零售、企业、非银行金融机构或通才型。2 我们发现零售银行平均而言比非银行金融机构（NBFI）和企业存款导向型银行拥有更稳定的储户基础，并且支付更低的平均存款利率。这影响了他们的资产持有：零售银行倾向于持有期限更长的贷款，更多投资于房地产，较少投资于证券。然而，零售导向型银行也承担了更多信用风险，其风险加权资产（RWA）高于NBFI导向型银行，后者更倾向于持有流动性较高的证券，如国债。 具体而言，我们利用C&I贷款的监管资产端数据发现，拥有更高稳定存款比重的银行提供的贷款条件更为优惠，其他条件相同。然而，专注于非银行金融机构存款或企业存款的银行对不稳定存款基础更为熟悉，因此存款波动性增加时，其贷款收缩程度会更小。关键在于，存款流入会根据银行类型引发不同的贷款反应，这表明资金冲击并不会统一转化为信贷供给。面向零售存款的银行会将新到期的零售存款转投于房地产，而非企业贷款，仅在利率更高时才会进行新的企业贷款。类似地，它们会将企业存款投向证券或房地产，而非C&I贷款。另一方面，企业银行会将新到期的资金，特别是新企业存款，投向C&I贷款。非银行金融机构对新增存款反应非常小，更倾向于持有现金/储备或流动性证券。 越来越多的研究显示，一家银行的存款人是谁会影响其韧性和放贷能力。粘性存款在利率上升时会产生专营权价值，支持长期放贷（德雷克斯勒等人,2021), 并且将存款人和信贷额度用户之间的流动性需求汇集起来降低了管理提取和支取的成本(卡什亚普等人,2002）。与此一致，拥有更稳定资金来源的银行似乎更愿意从事长期、基于关系的贷款（例如，）。盖特维和斯特兰,2006）。相比之下，无保险和信息敏感的储户更容易根据资产恶化的信号（例如，）而出现挤兑。伊耶尔和普里,2012;伊耶等,2016;马丁等人,明;Blickle 等.,2024;卡莱蒂等人,2023;江等人,2024), 并且政策不确定性会进一步放大某些储户群体的撤资（阿尔文尼斯等人,2022）。近期使用与我们相似的颗粒沉积物级别数据的研究进一步证实了存款人构成的重要性：大额存款人更倾向于易变（）。西皮拉尼和艾森巴赫,2023）；来自大型个人存款人的快速增长可以让银行缩减其网点网络，但在压力时期会增加资金流出风险（本梅莱赫等,2023）；而且银行似乎会根据不同的商业模式进行分类——高利率/低网点数量与低利率/高网点数量——以吸引不同类型的储户（昆杜和张,2024).3 与此同时，互补文献表明，银行在资产端进行专业化——根据借款人类型、行业或地域——因为专业化降低了信息生产成本并加强了关系（例如，伯格和乌德尔,1995;彼得森和拉詹,1995;德格里塞和翁根纳,2005;帕拉维西尼等人。,2023;Blickle 等.,2025,2024）。一些最近的论文通过强调融资模式、存款粘性和利率敏感性如何影响借款行为和货币政策传导，将负债纳入这幅图中（例如，）。江等人,2023;伊根等人,2023;德雷德勒等,2017;英语等,2018). 与我们的论文类似,陈等人(2024) 使用公开数据表明，当银行投资更多流动性较差的资产时，没有保险的储户对负回报冲击特别敏感。然而，所有这些工作通常将储户基础概括为总体聚合——例如，有保险的与无保险的、批发与零售——而没有检查储户细分市场的内部异质性，或者银行如何策略性地专门从事这些细分市场。流动性覆盖率（LCR）等监管框架承认存款稳定性有所不同，但他们仅粗略处理，并且没有将储户构成与银行商业模式、投资组合选择或贷款结果联系起来。 我们的论文通过从资产负债表两边的细粒度视角将这些问题结合起来。我们表明，银行不仅在其放贷业务上专业化，而且在资金来源方面为其服务的对象上专业化，并且存款人基础的专业化与借款人构成、贷款条款和证券持有紧密相关。利用高度细粒度的监管数据，我们证明存款人构成是银行商业模式的一个持久且定义性的特征——这种特征与放贷专业化协同演化，而不仅仅是限制其发展。这填补了一个关键空白：以往的研究认识到融资稳定性和存款人流动性的重要性，但它没有展示存款提供者的变化如何转化为银行放贷方式的系统性差异。 这种观点意味着银行是不可互换的信用或货币政策传导渠道。由于资产和负债选择是共同决定和相互强化的，因此流动性冲击的分配——例如由量化宽松(QE)引发的那些冲击，重塑了银行资金结构(格林伍德等人,2016;罗达等人。,2022)—跨越异质银行类型可以有意义地改变实体经济中的信贷分配、贷款定价和期限结构。 1 数据 1.1 贸易融资 我们的贷款级C&I贷款数据来源于Y-14表格H。这些数据由美联储为压力测试目的进行维护。它追踪所有C&I贷款，包括由压力测试银行发起或持有的、金额超过100万美元的贷款。它包括定期贷款和循环信贷额度。对于每个融资项目，数据包括借款人标识符、行业代码、承诺额和利用额、利率条款、抵押/担保数据、发起和到期日期、贷款目的信息以及绩效状态（针对长期追踪的贷款）。重要的是，数据还包含银行内部贷款评级的详细信息，该评级为各银行的压力测试工作标准化。数据以季度频率收集。重要的是，与商业数据集不同，我们可以观察到对公共和私营企业的贷款。在合并我们的数据集（见下文）后，我们观察到一个略不平衡的面板，包含25个机构。这25家银行是美国C&I贷款领域的最大机构，代表美国公司贷款的绝大多数（>65%）。 我们使用我们的贷款级数据有两种方式。首先，我们将数据汇总到银行季度层面。这使得我们能够按贷款类型、评级档次和偿还期构建资产端构成指标。其次，我们直接使用我们的贷款级数据，并分析贷款定价（利率）、贷款规模和贷款 成熟度。更细粒度的方法使我们能够考虑更多贷款的特征。 1.2 证券持有数据 Y-14数据包括各银行持有的证券信息。附表B包含详细信息，使我们能够识别银行在特定季度购买的具体证券。该数据追踪购买价格以及在相关情况下季度末的当前市值。为简化，我们将数据分为美国国债、抵押贷款支持证券（MBS）（这些证券共同占我们数据中银行持有的80%以上）、公司债券和CLO投资等类别。对于大多数分析（详见下文），我们将数据进一步细化为银行-季度-证券类型级别。这是因为关于证券本身的额外信息稀少或对我们的目的无用。 1.3 存款数据 我们通过 FR 2052a（也称为复杂机构流动性监测报告）的高频资金信息来补充我们的资产数据。2052a 包含了关于银行合同负债的信息。我们关注存款数据，其中可以提供详细的颗粒度分解。虽然我们不能观察到单个储户，但数据被划分成几个有用的类别。具体来说，我们观察到存款的到期日 * 保险/未保险 * 产品类型 *交易对手层级。到期日被映射到标准化的时间区间（例如，开放式、2-7天、8-30天等）。我们通常关注“开放式”（即可随时支取）与定期存款的对比。交易对手可以被大致分为银行、公共部门实体、中小企业、非银行金融机构（包括基金和非银行贷款机构）、公司储户和零售储户。 虽然对系统性有重大影响的最大银行每日报告数据，其他银行则以较低频率报告。就我们的目的而言，我们主要使用月度数据，并在必要时从更频繁报告的机构中汇总信息。这个样本更加一致（每日报告者可以改变他们的报告频率）并且对于我们来说是足够的。我们可以使用从2018年第一季度到大约2024年第一季度的存款数据。虽然可以使用更早的数据进行一些扩展，但报告结构的变更使得某些分析变得复杂。 我们分别将数据聚合到银行*对手方*月份、银行*被保险人*月份、银行*到期*月份级别，然后计算我们在此使用的关键指标（如方差）。随后，我们将数据进一步聚合到银行*季度*类型级别，以便与季度数据集合并。 1.4 Y-9C数据 我们将上述数据与银行控股公司的机密Y-9C申报文件合并。这些数据包括银行规模、风险加权总资产以及房地产贷款的详细信息，而我们对这些信息目前没有更细化的分类。Y-9C的机密版本比公开版本稍详细，这对我们下面分析的资本措施和风险权重很有用。 我们合并的样本包含25家银行（剔除非美国国内银行或2022a报告不一致的银行后）。我们干净合并样本中银行的存款总额占2022年末所有银行持有的约17万亿美元的存款中的11.3万亿美元。对于使用未与Y-14或Y-9c数据合并的存款数据的分析，我们的存款数据占2022年存款总额的13万亿美元。当显示 我们展示了变量——对于我们的完全合并样本——的关键汇总统计数据，见表1我们可以看到，在我们的样本银行中，无论是资金投资还是（即从谁那里）获得存款的方式，都存在巨大的异质性。零售存款约占我们样本中所有存款的一半，在不同银行之间存在显著的异质性。超过40%的存款是有保险的——毕竟，有几个零售存款账户没有被保险。有趣的是，我们样本中的大部分资金都是可以随时支取的。零售存款的相对标准差（即12个月标准差/12个月平均存款基础）远低于非银行金融机构存款。 我们样本中约三分之一的贷款是传统的商业与工业贷款。我们记录的贷款平均规模是8.8。样本期间贷款的平均利率是4.4%，这个数字被最近较高的利率拉高了。大约25%的贷款没有使用任何形式的担保，而40%可以归类为定期贷款。 2 方法论 2.1 银行级分析 我们从简单的银行层面分析开始，这些分析检验了银行融资结构与资产结构之间的关系。