4. 轻度不利情景构建：参数设定、传导路径与应用案例
各位同学，咱们今天聊一个实操性很强的话题——轻度不利情景怎么构建。
说实话，我在银行做压力测试那几年，最常被问到的问题就是：“轻度情景到底该怎么设？设得太轻没意义，设得太重又过不了审批。” 嗯，这里面的分寸感，确实需要一些实战经验来把握。
4.1 参数设定：GDP下降1%、失业率上升2%
先看参数。轻度不利情景，我个人的习惯是参考历史波动区间的中位数偏上一点。比如GDP下降1%，失业率上升2%，这两个数字怎么来的？
咱们可以做个简单回溯：
- GDP增速：过去十年，我国GDP季度环比年化波动率大约在0.5%-1.5%之间。下降1%，相当于一个标准差左右的偏离，属于“能感受到压力但不会崩盘”的级别。
- 失业率：城镇调查失业率正常在5%左右，上升2%就到了7%。这个水平在历史上出现过吗？我记得2019年某些月份确实接近过这个数字，所以不是凭空捏造。
关键原则：轻度情景的参数设定，要满足“可解释、可回溯、可传导”三个条件。说白了，就是监管问起来你能说清楚为什么选这个数，而不是拍脑袋。
这里有个避坑指南：我曾经见过一家银行，把轻度情景设成GDP下降0.5%，结果压力测试结果几乎没变化，等于白做。 所以轻度情景虽然叫“轻度”，但一定要能产生实质性的风险暴露变化。
4.2 传导路径：从宏观指标到微观风险
参数设好了，接下来最关键的一步——传导路径。说白了，就是GDP下降1%、失业率上升2%这个宏观冲击，怎么一步步变成银行账面上的不良贷款和资本缺口？
我习惯把传导路径拆成三个层次：
- 宏观→行业：GDP下降，哪些行业最先受伤？
- 行业→企业：行业不景气，企业现金流怎么变？
- 企业→银行：企业还不上钱，银行的不良率和拨备怎么走？
咱们用一张图来展示这个逻辑链条：
你看，这个传导路径其实不复杂。但实战中容易出问题的地方在哪？我遇到过很多团队，直接把宏观参数映射到不良率，跳过了行业和企业两个环节。 结果就是模型解释性很差，监管一追问就露馅。
4.3 具体传导机制拆解
咱们把每个环节再细化一下：
4.3.1 宏观→行业：敏感性分析
GDP下降1%，不同行业的敏感度是不一样的。我整理了一个参考表：
| 行业 | GDP弹性系数 | 解释 |
|---|---|---|
| 制造业 | 1.2 - 1.5 | 出口导向，对经济周期敏感 |
| 批发零售 | 1.0 - 1.3 | 消费疲软直接冲击 |
| 房地产 | 1.5 - 2.0 | 高杠杆行业，最脆弱 |
| 公用事业 | 0.3 - 0.5 | 刚需，抗周期能力强 |
举个例子：如果GDP下降1%，房地产行业的营收可能下降1.5%-2%。这个弹性系数怎么来的？我习惯用历史数据做回归，至少取5年以上的季度数据。 数据量不够的话，也可以用行业研究报告里的参考值，但一定要注明来源。
4.3.2 行业→企业：现金流压力测试
行业层面传导完了，接下来看企业。这里我推荐用“现金流覆盖倍数”这个指标：
现金流覆盖倍数 = 经营性现金流 / (利息支出 + 到期本金)
轻度情景下：
- 正常企业：覆盖倍数 > 1.5 → 安全
- 关注企业：1.0 < 覆盖倍数 < 1.5 → 需监控
- 问题企业：覆盖倍数 < 1.0 → 违约风险高为什么用这个指标？我在项目中发现，很多企业利润表是正的，但现金流是负的。 只看利润表会低估风险。现金流覆盖倍数能更真实地反映企业的偿债能力。
实战技巧：做企业级传导时，不要对所有企业用同一个参数。我建议按行业、规模、评级三个维度分层。比如大型制造业企业，现金流下降幅度可能只有10%，但小微企业可能下降30%以上。
4.3.3 企业→银行：不良率与拨备
最后一步，企业违约了，银行的不良率怎么变？这里有一个常用的转换公式：
新增不良率 = 违约概率(PD) × 违约损失率(LGD)
轻度情景下：
- PD上升幅度：根据企业现金流覆盖倍数确定
- LGD：通常假设上升5-10个百分点（抵押品贬值）举个例子：某银行对制造业的贷款，正常PD是2%，轻度情景下PD上升到4%。LGD从40%上升到45%。那么新增不良率 = 4% × 45% = 1.8%。加上原有的不良，总不良率可能从2%上升到3.8%左右。
注意：这里有一个常见的坑——很多人直接把PD和LGD相乘就完事了。但实际中，PD和LGD是相关的。经济下行时，违约的企业多了，抵押品集中抛售，回收率会更低。所以LGD的上升幅度要适当调高。我一般会在模型里加一个相关系数，大概0.2-0.3之间。
4.4 应用案例：某中型银行轻度情景测试
好了，理论讲完了，咱们看一个完整的案例。这是我之前参与过的一个项目，数据做了脱敏处理，但逻辑是真实的。
银行背景：某城商行，总资产2000亿，对公贷款占比60%，其中制造业和批发零售占对公贷款的50%。
情景参数：GDP下降1%，失业率上升2%。
传导过程：
- 行业层面：制造业营收下降12%，批发零售下降10%，房地产下降18%。
- 企业层面：对公客户中，现金流覆盖倍数低于1.0的企业占比从5%上升到15%。
- 银行层面：不良率从1.8%上升到3.2%，拨备覆盖率从180%下降到110%。
资本影响：
初始资本充足率：12.5%
压力后资本充足率：10.8%
资本缺口：约15亿元这个结果意味着什么？轻度情景下，资本充足率下降了1.7个百分点，但仍在监管红线（10.5%）之上。不过，如果考虑到第二支柱的附加资本要求，可能就需要提前准备资本补充计划了。
案例启示：轻度情景测试的目的不是看银行会不会倒闭，而是看“压力有多大、缺口有多大、准备时间有多长”。这个案例里，15亿的资本缺口，如果提前6个月规划，完全可以通过发行二级资本债或利润留存来补充。
4.5 几个实操建议
最后，分享几个我在实战中总结的经验：
- 参数设定要留有余地：轻度情景的参数，最好比历史极值稍微宽松一点。这样测试结果更有说服力。
- 传导路径要可追溯：每个环节的假设都要有依据，不能拍脑袋。我习惯在报告里附一个“假设清单”，列清楚每个参数的数据来源和计算方法。
- 结果要可行动：测试做完了，一定要给出具体的资本规划建议。比如“建议在Q3前发行10亿元二级资本债”或者“建议降低房地产行业风险敞口5%”。
嗯，轻度不利情景的构建，说白了就是“用合理的假设，讲一个可信的故事”。参数是骨架，传导路径是血肉，应用案例是灵魂。三者缺一不可。
希望今天的分享对你有帮助。下次咱们聊中度情景的时候，会涉及到更复杂的非线性传导和尾部风险，到时候再细讲。
公众号:蓝海资料掘金营，微信deep3321