一、商用CMBS在疫情下的影响

（一）住房抵押贷款MBS简介

      美国的MBS在债市中是非常大的分支，去年2月份的时候，是10万亿美元的规模，仅次于美国的国债。现在比那个时候稍微大一点。这里边最主要的是agency，就是用美国的联邦政府来做后盾的。这里面有房利美、房地美、吉利美，大概占了85%左右。然后剩下的比较少的有Non-Agency CMBS，还有Non-Agency CMBS。虽然看起来比较少，实际上他们的绝对数额也并不少，大概是5000亿美元的规模。

（二）受到疫情影响的住宅MBS和商用MBS

      疫情带来的影响主要有以下几点。第一个是失业率，还有就是国库券收益率、房贷利率。然后再简单谈一下房地产，还有 MBS的表现。

      住宅抵押债券非常重要的一点是有一个提前还款的期权在里面。房地产为抵押的债券跟房地产的巨大差别，在于提前还款期权。在什么情况下他们可以提前还款，数学和大数据在预测方面占了非常主导的地位。大数据和人工智能在这方面具有特别大的前景。商用的MBS有违约风险，因为他们有信用风险。

      国库券的低利率很容易传染到房贷利率。MBS在这种情况下，从风险角度的来说，可能发生提前还贷。在疫情之下，因为利率大幅度降低，很多人出于经济目的就去提前还款。因为几年以前的房贷利率可能是5%，现在可以拿到3%，可以省掉非常多的利息。而且这种是没有什么惩罚性的。但是美国经济严重分化，就导致了有两种人。一部分人经济条件比较好，尽管失业率居高不下，也还有工作。在这种情况下，他们可以拿到新的贷款，所以这一部分人会有动力、也有能力去提前还贷。但是另外一部分人，很多美国底层的人，即便是有工作，他们本身的经济条件就比较差。所以他们即便是想去做也做不到。因为去银行提前还款需要新的贷款批准。在现在的疫情条件下，银行经常会反市而为，对贷款人的要求反而提高。

      商用MBS有信用的问题，如果说还不上了，投资者就要承担这一部分的损失。今年商用的MBS最大的一块是零售业，然后是办公室，剩下的是多家庭，旅馆，还有healthcare，体育设施之类。可以想象疫情之下，像这种零售、办公室，还有旅馆、体育设施，实际上是面临非常大的挑战。虽然各个州的政策不同，但是都有各种不同程度的限制措施，所以说他们的收入下降很多，违约上升非常多。美国的房地产在今年实际上还是非常强劲，房贷利率下降，买房变得更加容易；还有就是原来很多居住的大城市的人，如果有经济条件，宁愿搬到更靠近郊区或者农村的地方。

（三）对中国MBS（即REIT）的借鉴意义

      中美还是有一些差异的。对房地产来说，一旦遇到冲击，政府就要出台法案帮助大家渡过难关。但在中国，大家可以消化的时间也会长很多，因为大家有足够的存款来还贷。 另外一个巨大的差别就是贷款与房产的价值比：LTV。中国是控制在50%以内，这在美国几乎是不可想象的，因为美国实际上这几年才开始慢慢过渡到80%的要求。一旦房价下跌，银行或者投资者的风险就会大大提高。 REITS与MBS最大的差别是股和债的差别，但是我觉得以房地产为主的REITS，实际上和MBS有些风险因子是共同的。因为整个房地产行业，特别是REITS以MBS为主的话，实际上跟MBS很多地方是类似的。

      我觉得可以借鉴的地方，是分析房地产在不同的经济形势下，会有什么变化。08年的金融危机，加上今年的疫情，其中很大的一个变数，就是政府会出台什么样的政策。比方说提前还贷的费用问题，还有政府的监管。在08年金融危机之后，本来房利美和房地美只是美国政府隐性支持的，后来变成了美国政府直接管理。这种政策上的变化是很难估计的，它给风险分析也带来很大的挑战。

      来源：2020（第十六届）中国金融风险经理年度总论坛NO.18 房地产金融业务与风险管理——张聚宝《疫情下的美国房地产金融市场：挑战和机遇》

二、美国标准普尔500回报率中的黑天鹅问题

（一）尾部风险与非正态分布

      当我们讨论压力测试时，往往更关注小概率的风险，也即尾部风险。在学界，正态分布已是一个老生常谈的问题，但大家都知道很多情况都是非正态分布。这里从数据着手，比较它们之间的差别，以及在风险管理和压力测试过程中如何运用？什么是金融风险？风险没有一个统一的定义，不同的人可能有不同的定义，但总体来说更倾向于理解为对于可能损失的计量。

（二）以标准普尔500回报率为例分析非正态分布的风险问题

      关于非正态分布与厚尾，它们实际上是同一概念。所谓的厚尾，它是相对于正态分布而言的，位于两端小概率分布中，如果在不太出现的情况下，概率大于正态分布，则把这种现象称为肥尾，也就是一种非正态分布，它的最重要体现是小概率事件出现几率大大增加。关于为何压力测试和风险管理要特别重视肥尾的出现，因为它可能让许多人失去工作，让很多人损失多年积累的财产。

      为了验证这种非正态分布，这里使用2020年疫情之中（2月至6月）的数据，美国标准普尔相当于把每一天的回报率取出，然后把每天回报率超过4%或损失超过4%的这些天挑出来。根据美国50年标准普尔的分布，大约来说每一天它的标准方差，基本上都在1.05%左右，简单来说用1%表示。如果假定满足正态分布，就相当于用一个正态函数来计算，当每一天给定一个回报率时，它要多少年才可能出现一次这么大的回报。

      关于厚尾如何确定，可以用QQ Plot来进行简单观察。可以看出，如果每天大概上升1%和下跌1%之间，基本能满足正态分布。但一旦到了2%之外，正态分布将远远低估出现的概率。这里还可以使用Student t分布，代入数据进行模拟，结果会接近很多。总的来说，Student t分布从风险管理的角度、模式的角度，都比正态分布好很多。

      尽管正态分布是一个老生常谈的问题，但非正态分布对于风险管理具有更重要的意义。尤其是厚尾，越往两端走，正态分布会越严重低估真正可能出现的概率。

      来源：2020（第十六届）中国金融风险经理年度总论坛NO.16 压力测试和模型风险管理——张聚宝《美国标准普尔500回报率中的黑天鹅问题》