我国住房抵押贷款提前偿还影响因素与预测研究 ——基于某大城市的分析

论文摘要

2008年全球金融危机后我国基准贷款利率经历了一场下降风波,然而从2010年开始,央行频繁动用货币政策,仅2010年1月1日至2011年4月7日期间就加息4次。据2004年至2007年间随着基准贷款利率的上升我国住房抵押贷款迎来了空前炽热的提前偿还高潮的经验,最近紧缩的货币政策在防通胀的同时也可能让银行再次面临提前偿还高峰。提前偿还使银行面临预期利息收入损失,同时还给银行资产负债流动性的管理带来挑战。因此银行迫切需要对提前偿还进行深入研究,探索影响提前偿还的各因素、对提前偿还进行预测以积极应对借款人的提前偿还行为,从而尽可能使银行收益最大化。本文写作的目的在于对影响提前偿还的因素进行深入研究,探讨各因素如何对提前偿还产生影响,在此基础上为银行发放住房抵押贷款提供参考建议。建立提前偿还预测模型,对已发生的住房抵押贷款未来的还款状态进行预测,根据预测结果,在银行资产负债结构方面提前做好迎接借款人提前偿还的准备,尽量避免因借款人突然提前偿还使银行遭受预期利息收入损失。在研究思路方面,为达到研究目的,本文借助SPSS18.0软件,基于收集的53218个有效样本,首先进行因子分析,按特征值大于1的原则提取公因子,对各因子按因子载荷系数大于0.5的原则提取出对提前偿还有显著影响的变量。对提取出的变量进行逐步logistic回归分析,得出关于各变量如何影响提前偿还的结论。其次,基于本文有效样本的还款状态情况,进行判别分析。建立预测贷款未来还款状态的典型判别函数和用于简易预测的Fisher判别函数；此外,还分住房类型、住房位置和贷款类型分别建立判别函数以更具体的对贷款未来的还款状态进行预测。本文以定量分析为主,定性分析为辅。用定性分析对借款人选择提前偿还的原因和提前偿还对银行的影响进行分析。对影响提前偿还因素的分析,将因子分析和logistic回归分析相结合进行定量研究。对已发生贷款未来还款状态的预测利用判别分析进行定量研究。基于以上思路,本文共分为五章,具体安排如下：第一章为绪论。在绪论中介绍了本文的选题背景、研究意义、研究思路与结构安排。对国内外已有研究成果进行综述后,在总结前人研究成果的基础上,归纳出借款人特征维度变量(年龄、性别、户籍、职业、月收入等)、房屋特征维度变量(住房权益、单位房价、房屋总价等)、贷款特征维度变量(贷款期限、初始贷款利率、LTV等)和宏观经济特征维度变量(GDP增长率、季节特征等)是影响提前偿还的主要因素。此外也总结出国内外对提前偿还研究的常用模型和方法。第二章是对提前偿还的一般分析。该章对借款人选择提前偿还的原因、提前偿还对银行的正面和负面影响,以及国内外对提前偿还风险的管理进行了定性分析。第三章是对提前偿还的统计描述分析。该章在对正常偿还样本、提前偿还样本和样本总体各变量进行统计描述后,通过比较初步了解提前偿还样本各变量的特点。同时,对提前偿还样本的历时特征进行分析,发现提前偿还贷款的平均历时为26.16个月,占贷款发生初期预计偿还期限比的均值为19.28%。通过提前偿还贷款的历时直方图和历时占提前偿还期限比直方图可知,在贷款发生的前50个月内和借款人贷款初期预计偿还期限的40%之前会有大量的提前偿还发生,银行在这段时间内要尤其注意防范借款人的提前偿还风险。该章也对提前偿还样本在利差方面的特征进行了分析,分析结果表明我国住房抵押贷款提前偿还的再融资效应不明显,只要利差达到一定程度,无论是正的利差还是负的利差,都有大量提前偿还出现。第四章作为本文最重要的章节,是对个人住房抵押贷款提前偿还的实证分析,本章共分为三节。第一节着重对影响提前偿还的因素进行实证分析。首先,通过因子分析,按特征值大于1的原则提取出7个公因子,并从7个公因子中按载荷系数大于0.5的原则,删除借款人性别、户籍和学历3个变量后,提取出17个对提前偿还有显著影响的变量。其次,对提取出的变量进行逐步logistic回归分析,将年龄和总房价2个变量删除回归模型外,得到关于剩余15个变量的logistic回归系数,和相应各变量变化对应的概率发生比的变化情况。实证分析结果表明,在借款人特征维度方面单身借款人和月收入高的借款人更易于选择提前偿还。在房屋特征维度方面单位房价高、位置在市区、住房面积大的、非商品房更容易被提前偿还。在贷款特征维度方面,商业银行住房抵押贷款、贷款期限短、初始贷款利率高、贷款总额低、首付成数高、月债务收入比低、房价收入比高的住房抵押贷款易被提前偿还。在宏观经济变量维度方面,房价指数越高,CPI越低时发生的住房抵押贷款越易被提前偿还。第二节主要是对提前偿还的判别预测分析。本章在结合因子分析删除借款人性别、户籍和学历3个变量的基础上,基于全部有效样本的逐步判别分析建立了关于16个变量(婚姻状况、月收入、单位房价、总房价、住房类型、住房位置、住房面积、贷款类型、贷款期数、初始贷款利率、贷款总额、首付成数、月债务收入比、房价收入比、房价指数和CPI)的总体典型判别函数,并对典型判别函数的预测准确率进行了验证,验证结果表明典型判别函数对正常偿还和提前偿还的预测准确率分别为70.5%和70.0%。同时,还建立了可用于简便预测贷款未来还款状态的Fisher判别函数。第三节主要是分类别进行判别分析。本节根据本章前两节中,住房类型、住房位置和贷款类型对提前偿还影响十分显著的结论,分住房类型、住房位置和贷款类型分别进行判别预测分析,建立分类别的典型判别函数和Fisher判别函数,以更好的对贷款未来的还款状态进行预测。第五章是本文的政策建议部分。该章基于本文研究的结果,从银行信贷审查和管理角度提出加强借款人资料真实性的审核,从借款人特征、住房特征、贷款特征和宏观经济特征方面防范提前偿还风险。同时,在贷款发生后15至40个月的时间段内,尤其注重提前偿还风险的管理。本文选取了某大城市2004年1月1日至2009年12月31日期间发生的83935个住房抵押贷款样本中的53218个有效样本进行研究,样本容量在国内已有研究中属最大。在借鉴前人研究的基础上,将因子分析、logistic回归分析和判别分析相结合进行实证分析,还分住房类型、住房位置和贷款类型分别建立判别函数进行研究,国内已有研究中很少分类对提前偿还进行预测的,属于本文内容上的创新点。本文对提前偿还利差效应的研究结论表明,我国住抵押贷款的再融资效应不明显,当利差达到一定程度时,正的或负的利差都会引发大量提前偿还,这是本文研究结论方面的创新。

论文目录

• 摘要
• Abstract
• 1. 绪论
• 1.1 选题背景与研究意义
• 1.2 研究思路与框架
• 1.2.1 研究思路
• 1.2.2 论文结构安排
• 1.2.3 论文特色与创新
• 1.3. 文献综述与提前偿还概述
• 1.3.1 国外研究现状综述
• 1.3.2 国内研究现状综述
• 1.3.3 国内外研究综述总结
• 2. 个人住房抵押贷款提前偿还一般分析
• 2.1 提前偿还介绍
• 2.2 个人住房抵押贷款提前偿还原因分析
• 2.3 提前偿还对银行的影响
• 2.4 国内外提前偿还风险的管理
• 2.4.1 美国住房抵押贷款的罚息管理
• 2.4.2 我国对提前偿还风险的管理
• 3. 个人住房抵押贷款提前偿还数量特征分析
• 3.1 数据来源与处理
• 3.2 变量定义与赋值
• 3.3 样本统计描述分析
• 3.3.1 分样本类别的统计描述分析
• 3.3.2 提前偿还历时效应统计描述分析
• 3.3.3 提前偿还的利差统计描述分析
• 4. 个人住房抵押贷款提前偿还实证分析
• 4.1 影响提前偿还因素实证分析
• 4.1.1 模型选择
• 4.1.2 分析步骤
• 4.1.3 影响提前偿还因素的实证结果分析
• 4.2 提前偿还判别预测分析
• 4.2.1 模型选择和模型原理
• 4.2.2 典型判别函数的建立
• 4.2.3 判别结论分析
• 4.2.4 典型判别函数预测准确率分析
• 4.2.5 Fisher判别函数的建立
• 4.3 分类判别预测分析
• 4.3.1 分类判别分析原因和变量选择
• 4.3.2 按住房类型分类的判别预测分析
• 4.3.3 按住房位置分类的判别预测分析
• 4.3.4 按贷款类型分类的判别预测分析
• 5. 本文结论及政策建议
• 5.1 我国住房抵押贷款提前偿还的结论和建议
• 5.1.1 借款人特征维度方面的结论和建议
• 5.1.2 住房特征维度方面的结论和建议
• 5.1.3 贷款特征维度方面的结论和建议
• 5.1.4 宏观经济特征维度方面的结论和建议
• 5.2 深入我国住房抵押贷款提前偿还研究方面的建议
• 5.2.1 加强和完善现有统计制度
• 5.2.2 探索我国住房抵押贷款服务机制的建议
• 参考文献
• 后记
• 致谢
• 在读期间科研成果目录