论文：测试气候压力的金融方法
Henk Jan Reinders, Dirk Schoenmaker, Mathijs van Dijk. A finance approach to climate stress testing[J]. Journal of International Money and Finance, 2023, 131, 102797. 下载地址：
https://doi.org/10.1016/j.jimonfin.2022.102797
金融脆弱性模型的构建分为两步：首先是估计资产价值的冲击，第二步是将这些资产价值冲击分配给股票和债务的持有者。本文以资产具有相似脆弱性特征（如碳强度）为依据进行分组，每组中银行的总风险敞口分为股权风险敞口和债务风险敞口。银行市场价值的损失总额：
股票的压力测试系数与债务的压力测试系数定义如下：
其中k代表资产具有相似特征的行业（企业）和类似住宅类型的房地产，MV表示k股权（E）和债务（D）的当前市场价值，MV*表示应用情景冲击后的未来市场价值。
估算资产组k受到的价值冲击：
其中情景变量τ表示每吨 CO2排放量在一段时间内的欧元税额，则Ω代表每个资产组k的脆弱性参数，随时间t而变化。
借鉴默顿模型，将υ作为一组校准参数θ和资产价值冲击ξ的函数来建模：
其中θ是从公司层面进行敏感性分析并将结果汇总到行业层面得到的。
03 荷兰银行的压力测试
首先需要定义压力测试中采用的一系列情景，本文根据三个特征来定义情景：碳税水平（即每吨二氧化碳排放量的价格）、征税时间（如一夜之间征税还是分阶段征税）以及征税范围（如在特定地区征税还是在全球征税）。
表8报告了每个细分市场（行）和情景（I至IV，列）的资产估值冲击。首先，对于每吨 100 欧元碳税的主要估算，整个荷兰银行系统的总市值损失在27亿欧元到152亿欧元之间，具体取决于政策选择。在最严重的情况下（I），即突然征收碳税，并且不存在转嫁（例如，由于区域性征税），损失达到CET1资本的12.7%，占总资产的0.6%。如果碳税在十年内分阶段征收（情景 II），损失占CET1资本和总资产的比例将分别降至7.3%和0.4%。如果突然征收碳税并允许50%的转嫁（情景III），损失占CET1资本和总资产的比例分别为4.5%和0.2%。最后，在最不严重的情景（IV）中，碳税在十年内分阶段征收，并允许50%的转嫁，损失占CET1资本和总资产的比例分别为2.3%和0.1%。这些损失是巨大的：与金融监管机构的常规压力测试结果相比，我们发现在最严重的政策假设（情景 I）下的市值损失与常规金融部门压力测试中采用的最严重情景对CET1资本的影响处于同一数量级（15-20%）。
其次，荷兰银行业的损失主要来自企业贷款和债务风险。在征收 100 欧元碳税的情况下，住宅抵押贷款和股票造成的损失仅占总损失的1%至2%。造成这一结果的主要原因是荷兰银行在碳密集型产业的股权工具方面的风险较低（即不到总资产的1%），以及大多数类型住房的碳税净现值与其估值相比较低，再加上对借款人收入的追索权高于对相关房地产的追索权（这使得房地产的市值损失主要成为家庭而非银行业的负担）。从企业贷款和债务风险的更多细节来看，在我们估算的100欧元/吨的损失中，大部分依次是焦炭和精炼石油产品制造（C.19）、航空运输（H.51）、原油和天然气开采（B.06）、废物收集、处理和处置活动（E.38）以及电力、天然气、蒸汽和空调供应（D.35）。在四种情景下，这五个行业合计占企业和抵押贷款组合市值损失总额的46%至60%。表9按2位数的 NACE 分类报告了所有行业的市值损失。
2. 默顿模型校准
为了校准默顿模型，需要对每个行业和房地产领域的四个参数进行估算：杠杆率、资产价值波动率、剩余到期时间和无风险利率。此外，对于抵押贷款，还需要对拖欠概率进行估算。到期时间是风险敞口数据的一部分，提供了2位数 NACE 水平的各行业平均值，以及不同抵押贷款到期时间（即0-5年、5-10年、10-20年、20-30年和30年以上）。贷款价值比（LTV）作为住宅房地产风险数据进一步细分的一部分，提供了每组中10个贷款价值比的风险。这些数据提供了按揭贷款中的杠杆指标。本文假定长期无风险利率为 2%，并在敏感性分析中提供了长期 0%利率的结果。
荷兰整体平均房价的年标准偏差为 6.1%，本文还研究了同一Statline数据库中荷兰12个省首府城市的一组房价指数，发现在1995-2018年期间，这些指数的年平均标准偏差为6.6%（12个城市的横截面标准偏差为1.1%）。关于拖欠的概率，本文认为抵押贷款只有在（长期）拖欠的情况下才会触发违约，而荷兰抵押贷款的长期年度违约概率为 0.96%，将其与单笔抵押贷款的到期时间相乘，可得出平均每笔抵押贷款在其整个生命周期内的违约概率。
3. 上市公司与非上市公司
考虑到上市公司与非上市公司在资产波动性上的差异以及剔除非上市公司样本可能带来的偏差，本文根据Orbis数据库中的相关财务和规模特征，估计了非上市公司资产波动性的预测模型。我们首先使用上市公司的数据对模型进行估算，然后用来预测非上市公司的资产波动率。
表 5 列出了 OLS 回归四个变量的结果。简易模型1结果显示总资产与资产波动率呈显著负相关，这意味着规模较小的公司确实比规模较大的公司具有更高的资产波动率。模型进一步引入其他几个可能相关的变量：模型2中的资产收益率，模型3中的杠杆率和流动性比率，模型4提供了一个包含总资产、资产回报率、杠杆比率和流动性比率的完整模型。盈利能力（即资产收益率）在模型4中具有显著性，但并未大幅增加解释方差，模型4和模型3的R平方相近，均为0.37，而模型3剔除资产收益率后更为简单，因此，本文使用模型 3 作为基准模型来估计非上市公司的资产价值波动性。
04 结论
如果有好的建议，请留言给我们。
"大于研究"是华南理工大学经济与金融学院、金融工程研究中心于老师和学生对外分享研究成果和学习的心得的公众号。
对我们的研究感兴趣的可以联系fofscut@163.com
