资产证券化产品主要可以分为资产支持证券(ABS)和房屋抵押贷款证券(MBS)两大类;其中ABS又可以分为狭义ABS和抵押债务证券(CDO)两类,前者包括以信用卡贷款、学生贷款、汽车贷款、设备租赁、消费贷款、房屋资产抵押贷款等为标的资产的证券化产品,后者是近年内迅速发展的以银行贷款、债券等为标的资产的证券化产品,也是本文将要重点研究的对象。抵押债务证券的基础资产可以是几乎任何门类的债务类资产,如银行贷款(CLO)、债券(CBO)、以及抵押债务证券所发行的各系列证券等;抵押债务证券基础资产池中贷款和债券占的比重较大,但其结构也逐年发生变化,比较明显的是以结构性融资的资产支持证券、房屋抵押贷款证券为基础资产的抵押债务证券和合成化抵押债务证券(Synthesize CDO)的比重在增加。抵押债务证券的风险状况主要取决于其自身的基础资产池的信用风险情况,抵押债务证券基础资产池内的资产分散化程度越高,其抵押资产回报的不确定性风险越小,也就是说,由多个基础资产支持的抵押债务证券,其基础资产池内的违约相关性较小,更加易于分散风险,降低违约损失。一般情况下,抵押债务证券将基础资产池所产生的利息和本金现金流分配至不同信用风险级别的证券中,也就是所谓的各系列(Tranches),优先级系列比中间级系列和低等级系列先偿付,剩余的现金流支付给权益系列(Equity Tranche)。由此可见,抵押债务证券是一个结构性的信用衍生产品,它具有转移信用风险的作用,它自身也具有较大的风险。在设计和发行抵押债务证券过程中,其基础资产池的设计是非常重要的关键点,尤其是入池资产本身的信用风险高低,以及各资产之间的违约相关性大小对整个产品是否成功发行将起到决定性的作用;同时,也会影响到其发行的各个结构化系列证券的收益、风险波动情况,从而影响各个类型投资人的收益,尤其是最先受风险损失的权益系列的持有人。抵押债务证券基础资产池内每个债务类资产的信用风险事件是并非相互独立的,一般来说,要测量整个基础资产池的信用风险,就需要知道基础资产池中各随机变量之间的边际分布和相关关系,这样便可以明确基础资产池内各随机变量的联合分布函数,反之则不行。在给定边际分布和相关关系的假设下,有许多不同的统计方法可以建立随机变量之间的联合分布,通常的处理方式为假设标的资产报酬率服从多元正态分布,并进行数据模拟;当然,连接函数(Copula)方法,是一种简单、快捷的构建方法,且能构造出更符合实际的联合概率分布。连接函数主要分为三种类型:高斯连接函数(Gaussian Copula)、学生t连接函数(Student-t Copula)以及阿基米德连接函数(Archimedes Copula),然而,由于本文的研究目的并非在于分析利用不同类型的连接函数对抵押债务证券进行敏感性测试;而是在于选择适当的连接函数类型对提出的如下思路进行实证检验,即在具体的连接函数分析方法下,利用由信用风险转移矩阵导出的信用曲线,来拟合抵押债务证券基础资产池的信用风险分布。根据前人对抵押债务证券信用风险的研究可知,一方面,有学者提出了用违约率强度函数来构造信用曲线,并结合连接函数对信用衍生产品进行分析,但尚未对抵押债务证券进行过信用风险分析,且没有提到用信用风险转移矩阵来导出信用曲线;另一方面,有学者提出了用信用评级数据来推导信用曲线,并由信用曲线来表示信用资产的违约时间概率,但未用连接函数拟合联合违约风险的方法对抵押债务证券进行分析。因此,本文的研究将把这两方面内容结合起来进行分析,以便能找出另一种分析抵押债务证券信用风险的研究思路。而结合的关键点在于,论证分析基础资产池入池资产边际违约概率可以表示为该入池资产的信用曲线,以及用连接函数拟合该信用曲线等同于拟合边际违约概率,主要思路如下。首先,以抵押债务证券基础资产池某一入池资产为例,分析其违约强度函数(或违约率函数),并得到该入池资产的边际违约概率,并证明由一系列的边际违约概率组成相对应入池资产的信用曲线;其次,通过信用风险转移矩阵导出每项入池资产的信用曲线,并证明该信用曲线为各入池资产相对应的违约时间分布;再次,由连接函数方法拟合抵押债务证券各入池资产的信用曲线,便可得到整个基础资产池的违约风险分布;最后,以“开元”二期作为实证分析标的,由马尔可夫链(Markov Chain)构建信用风险转移矩阵,借以高斯和学生t连接函数(Gaussian Copula and Student-t Copula)作对比分析,发现学生t连接函数更能捕捉信用违约风险,这与前人的研究结论相同,则可以验证该思路具有一定合理性。当然,本文在分析过程中也存在某些不足之处,比如:信用风险转移矩阵的针对性较差,并非来自国开行或“开元”二期入池资产债务人的具体数据;同时,本文在分析抵押债务证券的信用风险时,仅限于预期损失和违约损失率等最基本的风险指标因素,未做更进一步的风险分析,如没有做在险价值(VAR)或预期向下风险(ES)分析等等。正因为存在不足之处,说明本文的研究范围尚有拓展的空间;比如:可以根据“开元”二期公布的入池资产行业分布比重信息,在上交所和深交所选取合适比例相关行业的上市公司,并根据“开元”二期入池资产的风险水平,选择信用质量类似的上市公司作为测算样本,以便与其基础资产池质量水平相对应,从而结合马尔可夫链推导出有针对性的信用风险转移矩阵。关于本文的进一步或者更详细的分析请见正文。