李祥林:从美国经验看中国资产证券化的发展

2018-06-06

上海交通大学上海高级金融学院(SAIF/高金)教授、中国金融研究院(CAFR)副院长李祥林近日在出席“中国资产证券化和结构性融资行业年会暨第四届中国资产证券化论坛年会”时,围绕“美国市场经验和中国市场期望”这一主题发表演讲。


其演讲内容主要包括两部分:第一是美国资产证券化市场的概况和过去十年的回顾,第二是对我国资产证券化市场的发展提出一些期望。以下为其演讲实录。。。


李祥林

上海交通大学上海高级金融学院教授

上海交通大学中国金融研究院副院长



01

美国证券化市场概况


全球证券化市场目前大约有十万亿美元的规模,按照证券化产品抵押资产分类,第一大类是地产,地产中包括民用、商用;第二大类是企业贷款,这类产品近几年在国外市场受到热捧;第三大类是债券;此外是个人消费类,比如信用卡、汽车贷款和学生贷款等。


美国至今仍然是全球最大的证券化市场,占全球总量85%,中国发展证券化市场发展速度非常快,在今后几年有可能会赶上美国的规模。


美国证券化市场总量在2008年全球金融危机后有所下降,最近又开始增加,其主要原因之一是投资收益率不停下降。证券化产品通过提高杠杆能为市场提供更高收益率投资产品,其中包括近几年比较受欢迎的产品,如CLO和CMBS等。


在金融危机中证券化市场暴露出诸多问题,如利益不一致和冲突、过分依赖评级机构、抵押资产不透明、结构复杂等。期待中国发展证券化产品可以以美国历史为鉴,尽量避免犯同样的错误。金融危机之后,美国监管要求不断增加,使得证券化业务成本显著提高。有人戏言,做证券化产品,一个人做产品,后面跟着四个人在看。



金融危机中,大类证券化产品的违约率爆发性增长。下图反映了2007年中期到2016年末大类证券化产品的累计违约率。



资产支持证券(ABS)的违约率相对比较低,美国的违约率是2%,其他国家是1.6%;结构化信用产品(Structured Credit)主要以公司信用为基础,美国的违约率是6.6%,其他国家达到8.6%;担保债务证券(CDOs of ABS,或CDO的平方),美国的违约率达到70.2%,其他国家也达到18.2%;金融危机中商业地产抵押贷款支持证券(CMBS),美国的违约率达到29.9%,其他国家达到14%;住房抵押贷款支持证券(RMBS),主要是以次贷为基础资产的产品,美国的违约率达到48.7%,其他国家为1.3%。由此大家可以看到,资产证券化产品在金融危机中暴露出很大的问题,投资者损失惨重。


美国各类资产的证券化程度以及银行等机构持有的证券化产品的比例在危机前后也有不同。以汽车贷款为例,从1998年到金融危机之前的2007年,汽车贷款的证券化程度不断上升,金融危机之后,证券化比例不断下降,几乎回到十年前的水平。信用卡贷款也是如此,1998年的证券化程度是34%,到2017年下降到12%。学生贷款也是类似的情况。


原因是什么呢?许多公司因为传统投资资产整体收益率不停下降,证券化产品减少,与其购买证券化产品,还不如直接购买基本资产,比如说,个人和商业地产贷款。商业地产抵押贷款的证券化程度几年来基本保持稳定,但个人住房抵押贷款的证券化程度有所下降。总体来讲,美国资产证券化程度与危机之前的高位比较,有所下降,但基本还是保持稳定的证券化比例。



证券化产品作为投资标的,拥有以下优点:


首先,证券化市场给投资者提供了更多可选择的投资产品,例如保险公司没有办法给企业直接贷款,但是保险公司可以购买企业贷款证券化产品。


其次,证券化可以带来杠杆,产生高收益产品。


此外,从资产配置角度来讲,资产证券化产品与其他投资产品的相关系数比较低。


同时,资产证券化产品的发行如果通过合成的方式可以变得非常灵活例如,大部分债券一旦发行后,都被长期投资者购买和持有,市场流动性很差。通过CDS我们可以短时间内产生很多合成债券,投资者可以购买政府债券,卖出公司的信用保险。 两者相加, 如果不考虑CDS的对手风险,就和投资该公司债券一样。


金融危机前,大约二三百个美国公司的CDS市场都比他们发行的债券市场的流动性更高。 类似的, 我们可以产生大量合成CDO产品。



证券化产品的缺点是什么呢?


首先,它的产品结构较为复杂。


其次,证券化产品发行成本较高,可以想像,发起人要选一个资产池,然后打包,通过评级,需要完成大量工作和文档,最后发行,成本的确挺高。


此外,证券化产品的定价技术复杂。 很多金融人士理解单一资产定价,但证券化产品的交易和管理、需要组合定价能力,是一个很大的挑战。 金融危机之后,监管不停的加强,监管收紧也是顾虑之一。


我们就三个类别资产讨论资产的区别:住房抵押贷款(RMBS),商业地产抵押贷款(CMBS),和资产支持类型(ABS)。通过发行潜力、信用风险、利率风险和流动性的不同,我们可以看到不同资产类别的特征。



下面的表格主要展示了资产证券化产品和其它主要投资产品之间的相关系数。


作为一个机构投资者,特别是大型机构投资者,为什么要投资资产证券化产品?原因不仅取决于证券化产品能提供的风险收益,很大程度上也取决于证券化产品和其它投资产品之间较低的相关关系。


大家可以看到,多年来全球化程度加深,使得各市场关系越发密切,各类资产类别间相关系数越来越高;在金融危机中,相关系数会变得更高。如果能找到一种资产,它与其它投资产品的相关系数比较弱,就可以在分散风险方面提供很大优势。




下面我简单介绍下资产证券化的原理。


资产证券化过程是从资产池中筛选出一个标的组合,通常会通过真正的销售(true sale)建立起一个SPV。这个SPV就如同一个独立公司,它的资产就是这个标的组合,它的债务就是打包后的所有证券化产品。所有的现金流只能从这个SPV中进出。 通过结构化设计分成不同级别的证券化产品,标的组合资产的收入从上往下(waterfall)分配到各级证券化产品,标的组合资产的损失从下往上(loss fountain)分配到各级证券化产品。


实际工作中,不同资产切分的块数和规则有所不同,比如说美国公司信用资产证券化通常分成6个级别,而住房抵押贷款则会高达18到20个级别。



首先,资产证券化是通过组合标的的方式分散风险。


其次,资产证券化对应的是有限风险。假设投资债券,在不损失的情况下,投资人可以获得所有收益以及本金,但是一旦损失,除了能收回的部分,其余会全部损失掉;而证券化通过确定资产池,便将风险转换成为有限风险的概念。


这个概念在保险行业,特别是再保险行业,已经存在大概一两个世纪。在保险行业中,很多合同都有免赔额以及最大赔偿,基本原理和证券化一样,就是改变风险特征,产生杠杆。


前几年国内流行的股票分级基金也是同样的道理,分级基金对应于一个股票组合,结构方面分为两个级别,第一级A是固定收益,剩下的B级就是具有杠杆的股票,因为分级改变了风险特征。这也是在收益比较低的情况下,市场更愿意追求有证券化的产品的原因。


证券化产品的定价很复杂。当我们将同类资产放在一起,怎样能对它们未来收入和未来损失做出完整的描述?下图展示了100个信用主体在各相关性条件下的总损失分布,这当中用到了高斯连接函数。



这张图显示的是有价证券组合总损失大于某一个量的概率分布。证券化产品的期望损失就是这超损失分布曲线下面被证券化打包分割上下限的面积。


从这张图可以看出不同证券化产品对相关系数的敏感性。最底层权益类希望相关系数越大越好,最上层希望相关系数越小越好, 因为随着相关系数的增大,超损失分布曲线的右尾部越来越粗。


任何一个证券化产品, 如果你可以计算得出这样一张图,就能从图中可以对复杂的金融产品做出损失期望的预估。很多因子,比如说相关性、单一资产的信用质量,回收大小都对超损失分布曲线有影响。

 

谈到资产证券化产品就必须谈到评级机构。评级机构是为谁服务的?在美国,评级机构的初衷是为投资者服务的,但评级机构在金融危机前的主要收入来自于结构化产品的评级。证券化产品的评级和定价原理比较复杂,这里我举出两个模型,一个是BET模型,一个是高斯连接函数。



美国穆迪评级公司使用一个非常简单的BET模型对资产证券化做了十几年的评级,这让大家都备感吃惊。BET模型的基本思想是用一个数量更少,相互独立的债券有价证券来逼近原来数量,但是相互关联的债券有价证券,使得它们的损失分布在一、二阶矩相同。相互独立的数量叫做分散分数(diversity score)。 


这个模型充其量是个近似方法, 没有严格的理论支撑。把BET模型和高斯连接函数比较,用在100个债券组合,分散分数为64, 平均评级是BBB。


我们画出二个模型的积累性的分布函数图,可以看到区别不算大。但是使用BET模型,得到的损失分布基本是三点分布:没有一个损失的概率非常高,一个债券损失的概率非常显著,两个债券的损失概率仍然有意义,三个及三个以上债券损失的概率几乎全部为零。


大概90年代中期的时候,我就曾经给穆迪的人讲过这个模型的缺点。当时他们为10亿美金的证券化产品评级,收费价格是大约15万美金,而穆迪提供的损失分布就是三点分布。几大评级机构一直到2004、2005年时才开始改变,使用了高斯连接函数的方法。 AIG做了几千亿结构性产品, 支持这些产品的方法就是BET模型, 但即使到今天,穆迪还在用这个模式在做CLO评级,公信力有待商榷。


上图展示了两个模型下的损失概率分布的比较,下图展示使用两个模型做评级时的比较。可以看到,二种方法, 对中间二个证券评级结果一致。 但是对评级结果较高的证券,BET模型给出比用高斯连接函数更高的评级。在金融危机中,大部分证券化产品,包含评级比较高的产品,评级都被下调。



在金融危机前,市场一共发行了大约50到60个SIV证券化产品。 在金融危机中,所有SIV产品无一例外的出现了违约问题,投资者损失非常惨重。这和评级机构当时用的评级方法有很大关系。 



SIV产品中有个技术性问题,即需要考虑到损失分布的动态情况,要考虑到SIV产品中的资产池在每个季度,甚至每个月的动态变化情况,包括损失,资产池的价值,和评级情况。


有一家评级机构把高斯连接函数方法做了修改,按照每个阶段应用高斯连接函数模型——而真正的高斯连接函数是一次性考虑到今后违约到底在什么时候发生的。由于缺乏对高斯连接函数真正理解,把高斯连接函数按月来应用。在第一个月中,如果有一个债券违约,把这个扔掉,第二个月,再做一次模拟。这样简单的做法,把高斯连接函数模型完全改变了。这种做法等于假设违约相关仅仅局限于一个月。


下表中我将在单一时段和多区间假设下,高斯连接函数得到的损失分布对应出来。单一时段模拟60%相关系数的损失概率相对于多区间模拟中相关系数为65.4%的结果,如果把区间从一年变成一个月,那么单一时段模拟60%相关系数相当于多区间模拟中相关系数为95%的结果。从二种方法导致的二年后的损失概率来看,它们是对应的。



二种方法的区别可以从违约概率的条件分布看出。可以看到,在极端的情况下(黑色加粗内容),如果使用单一时段高斯函数,在第一时段第一个信用已经违约,第二个信用也违约的概率是10.16%,如果使用多区间高斯函数的话,第二个信用也违约的条件概率仅仅是1%了。虽然是使用同一个高斯相连函数,由于使用方法不一样,会对评级结果产生了相当大的偏差。


02


 对中国资产证券化市场的一些期望


第一个关于证券化产品的发展。


金融危机之前,证券化产品被做得越来越复杂,复杂到没几个人懂,而懂的人就能赚钱。金融产品和其他产品不一样,不是越复杂越好,因此我希望大家把证券化产品做的简单一点,尽量标准化。


需要注意的是,不是所有产品都能拿来做证券化。由于国内消费类资产的样本比较大,做起来比较成熟;但对于很多其他类资产,内在资产定价都并不科学,为什么还要做证券化呢?这会产生很多的问题。


证券化的资产应该完全剥离, 发行者不应该提供担保。 应该控制可以安排证券化产品的金融机构的数量,建立资格认证标准。



第二个是关于评级。


刚才我提到了评级最主要的几个问题,第一个要透明,第二个要区别化,第三个是要科学化。国内评级机构喜欢把大家的分数都打得很高。我曾经参加过证券业协会为证券公司风险管理能力做评比。打分之后,别人的打分都是92、93、94,我打出来的分数是30、40,最高是70分。大家对我比较客气,没有把我的票去掉。 由于这个原因,我这一票很重要。


但我觉得大家打92、93、94分会造成很大的困惑,首先是会认为水平都很高,已经都能达到90分了。 其次我很吃惊大家如何能区分出92、93分差别?


从国际标准来讲我们证券公司当年的风险管理水平的确还比较低,相互间差别也挺大。 因此我希望评级机构不要把分数都打成AA、AAA,要把评级结果分开一点。毕竟评级只是对产品根据风险进行分类,不是定价。评级机构必须把评级透明化,一步步完善各种资产证券化的评级方法。


第三个是关于定价。


国内证券化市场目前主要活跃在一级市场,定价原理大家可以多花些时间来研究。科学定价前提必然要有一个高度发展的交易市场。不发展交易市场就很难知道真正的定价在什么地方。


讲讲定价和评级之间的关系:定价是个连续型的评级,产品到底是值一分钱,三块还是两毛五,市场必须研究得非常仔细才能得出交易价格,这就是所谓的连续型评级,反过来评级是零散型的定价,比如把大家分成好人和坏人,分成8个级别或者是分成16个级别,这就是评级。



第四个是关于市场。


必须要发展二级市场、交易市场。没有交易市场,没有双向的买卖,这个市场始终是不透明的;通过交易,市场会变得更有效。


我认为需要产生一些指数产品,没有指数产品,大家很难知道市场往哪个方向走


最后是关于平台。


市场需要有些专业化平台,美国几乎所有做证券化产品的人都在用Intex 或彭博,中国对应的平台是什么?过去五年找我谈证券化的人很多,有的经济学家说要做证券化,有的银行行长说要做证券化平台,这让我感到很吃惊。因为平台是需要高度技术化的。目前国内已经出现了很好的公司,比如说和逸金融,做的CNABS就相当不错。


我希望市场可以凝聚到一个公开的平台上,把信息透明化,这样整个行业作为整体便可以把市场健康持续地发展下去,否则会容易出现很多问题。


一旦出现问题,在中国大环境下,监管机构肯定要管。但如果监管机构也不太清楚市场,没有完全掌握,那么在这种情况下,监管机构能做的事情,就是把这个市场削减的很小,或者说管死。


*以上根据李祥林教授出席中国资产证券化和结构性融资行业年会暨第四届中国资产证券化论坛年会上的演讲稿整理