第３１卷第１ ６７期 ２０１０年９月 财经理论与实践（双月刊） ＴＨＥ ＴＨＥＯＲＹ ＡＮＤ ＰＲＡＣＴＩＣＥ ＯＦ ＦＩＮＡＮＣＥ ＡＮＤ ＥＣＯＮＯＭＩＣＳ Ｖｏ１．３１ ＮＯ．１６７ Ｓｅｐ． ２０１０ ・金融与保险・ 住房抵押贷款风险控制实证研究 ——基于中国银行某分行的数据分析 龙海明，唐海龙，欧阳娟 （湖南大学金融学院，湖南长沙４１００７９） 摘要：选取中国银行某分行住房抵押贷款数据，运用压力测试、Ｌｏｇｉｓｔｉｃ模型对住房抵押贷款风险进 行实证研究，判断该行抵御风险的能力。研究发现，贷款客户的学历、婚姻状况、贷款利率和期限等因素对该 行住房抵押贷款违约风险产生了重要影响。因此，银行应在相关方面加强控制以有效防范风险。 关键词：风险控制；压力测试；因子分析；Ｌｏｇｉｓｔｉｃ模型 中图分类号：Ｆ８３２．４７９ 文献标识码： Ａ 文章编号：１００３－－７２１７（２０１０）０５－－００２９—０５ 类模型的深入研究Ｌ３］。彭建刚（２００８）分析认为， 一、引言 Ｌｏｇｉｓｔｉｃ回归模型成为量化银行客户信用风险的一 种主流方法啪。Ｗｉｇｉｎｔｏｎ（１９８０）将Ｌｏｇｉｓｔｉｃ回归模 ２００７年，美国次贷危机爆发并引发全球性的金 融危机。中国房贷市场的现实状况与美国次贷危机 爆发前的情形有相似之处，各大银行在业务繁荣的 背后积聚了巨大的风险压力。面对严峻的形势，利 型和判别分析方法应用于信用评分，并对二者做了 比较，发现Ｌｏｇｉｓｔｉｃ模型估计结果与实际数据的拟 合度较高，适用性较强。于立勇，詹捷辉（２００８）利用 Ｌｏｇｉｓｔｉｃ模型构建了具有一定实用性的违约概率测 用数学计量模型来有效度量和控制住房抵押贷款风 险就显得尤为迫切，而市场风险和信用风险又是运 算模型，结果表明该模型是较理想的预测工具 Ｊ。 单就市场风险而言，常用的综合度量技术主要 有ＶＡＲ模型和压力测试法。ＶＡＲ模型不会产生 一用计量模型分析的主要风险。其中，商业银行市场 风险是因利率、汇率等的变动而导致价值未预料到 的潜在损失的风险。而信用风险又称违约风险，指 交易对手未能履行约定契约中的义务而造成经济损 失的风险。中国银行的住房抵押贷款业务已经达到 一致性度量的结果，而压力测试可以反映各种经济 环境改变的情景对信贷资产组合的不利影响。任宇 航，孙孝坤（２００７）利用Ｌｏｇｉｓｔｉｃ回归方法进行压力 定的规模，该行抵御风险能力是否达到商业银行 测试，结果表明该方法可以为我国银行的风险管理 提供有益的参考［６］。 以下试运用定量和定性分析相结合的方法研究 所应有的稳健性标准，能否找出影响该行住房抵押 贷款违约风险的关键因子并加以控制，成为中国银 行能否持续有效经营的关键问题。 国内外相关学者对上述问题提出了不同的见 解。熊志斌，李荣钧（２００７）将现代信用风险计量模 型分为两类：一是基于Ｍｅｒｔｏｎ期权理论的随机波 动模型，主要有ＫＭＶ公司的信用风险度量模型、瑞 我国住房抵押贷款风险控制的状况，通过压力测试 分析了中国银行某分行的抗风险能力，测试其稳健 性在不同压力情况下受到的影响。与此同时，采用 因子分析、聚类分析及Ｌｏｇｉｓｔｉｃ回归分析等方法对 其面临的住房抵押贷款风险进行分析，进而找出影 响该行住房抵押贷款违约风险的关键因素。 二、风险压力测试 士银行的信用风险附加模型、ＪＰ摩根的信用度量术 模型和麦肯锡公司的信贷组合管理模型ｌ１ ；二是 基于统计分析方法的信用风险模型，具有代表性的 有多变量判别分析模型、Ｌｏｇｉｓｔｉｃ模型以及Ｐｒｏｂｉｔ 通过压力测试，可以分析中国银行某分行应对 重大经济因素变动的能力，有利于防范并控制住房 模型。郭敏（２００７）认为，我国国情严重制约着第一 ＊收稿日期：２０１０—０４一Ｉ５ 基金项目： 教育部人文社会科学研究规划基金（０９ＹＪＡ７９００６３）、中国银行立项课题 作者简介： 龙海明（１９６２一），男，湖南邵阳人，湖南大学金融学院教授，研究方向：金融管理。 财经理论与实践（双月刊） ２０１０年第５期 抵押贷款在局部地区的过度集中，促进其有效抵御 市场风险，实现稳健经营。 （一）数据来源与模型构建 本文采用Ｌｏｇｉｓｔｉｃ回归来度量宏观经济对ＰＤ 的冲击模型，该模型能保证预测的违约率ＰＤ在Ｏ～ ｌ之间，而且具有很好的适用性。模型的数学公式 通过Ｌｏｇｉｓｔｉｃ转换，可得： 一，．０．０００００７６Ｍ２＋０．１８６３１４ＬＲ一１．０６２２２６ ＰＤ— ｝ 百而而而 丽 面 丽 （２） 式（１）中，Ｍ２代表当季货币供应增加量，ＬＲ为 季度５年以上贷款利率。经检验，满足置信度为 ９５ 的假设检验，拟合优度较好。从以上模型可以 可以表达如下： Ｉｎ（ ）一ａ十 １ｚ－＋ ｚ２＋届ｚ３ ＋…＋母ｋｚ ｋ 其中：ｐ ｄｌ表示ｔ时刻的违约率；Ｘｋ为宏观经济的 各个变量在ｔ时刻的指标值；ａ为常数项；１３．代表各个 宏观经济变量影响方向和程度的参数。这些参数可以 通过回归和极大似然估计获得。将上式变形可得： 已。＋岛 １＋岛 ＋ｔＳ．ａｔｘ３＋…＋ ＾ 。 Ｐ ｒ 根据上式可以预测假设情境对ＰＤ的影响。 本文收集了２００３～２００８年的季度宏观经济数 据和银行住房抵押贷款违约情况数据。其中，宏观 经济因素的影响主要体现在ＧＤＰ、货币发行量Ｍ２、 贷款利率Ｒ和消费物价指数ＣＰＩ上；而住房抵押贷 款违约情况用中国银行某分行的住房抵押贷款违约 率ＰＤ表示。以上数据均为季度数据，一般住房抵 押贷款年限较长，因此，本文贷款利率选取了贷款年 限为５年以上的数据。以中国银行某分行住房抵押 贷款违约率数据为依据，采用假设情景事件方法建 立假设情景（见表１）。 表１市场风险压力测试压力情景模拟 单位： 通过对ＰＤ进行Ｌｏｇｉｓｔｉｃ转换，采用线性回归 方法对变量进行分析，剔除变量之间的多重共线性 等因素，根据回归结果筛选出两个具有显著水平的 宏观经济指标：贷款利率和当季Ｍ２增加量。模型 参数估计如下： ｌ 一一ｏ．０００００７６Ｍ２＋０．１８６３１４ＬＲ－－ １一ｐａ １．０６２２２６ （１） 看出，贷款利率的变化对违约率有重要影响，利率的 上升将增加每月的还款额，增加客户的违约概率。 （二）压力测试结果分析 根据设定的假设压力情景，基于２００９年第一季 度中国银行某分行的经济金融数据，建立ＰＤ预测模 型，可以预测出在三种冲击状况下的季度违约率的数 值，然后用公式：ＰＤ—ｌ—ｌＩ（１一ＰＤ（ｉ））４／ｎ将其 ｆ—Ｉ 转换为年度违约率，可得出在三种不同情况下的年度 违约率表（见表２）。 表２三种不同情况下的年度违约率表 项目 ２００９—１ 温和冲击 中度冲击 严重冲击 利率ＬＲ（ ）５．９４ ６．１２ ６．５３ ６．８３ 黜５４０ ４８１ ５２４ ２６６．５７ ４８６ ４３３ ４３２ ３８５ 笤一Ｏ．０１９７１６０３５ ｏ．ｏ捌ｚ 川ｏ－ｏ Ⅲ 。 年 羹约一ｏ．ｏ ｅｓｓｚ。 。． 。 ８ｓ。 ３１。．１６５１１。３８ 根据表２对中国银行某分行进行信用风险损失 （ＥＬ）估计。用公式可表示为： ＥＬ—ＰＤ×ＬＧＤ×ＥＡＤ （３） 式（３）中违约损失率ＬＧＤ采用巴塞尔资本协 议的经验数据４５ 做近似估计；违约风险暴露 ＥＡＤ设为该行的贷款余额１ １５６ ３１４万元；截至到 ２００８年末，该行年度贷款损失准备金为４０ ４５９．４２ 万元；所有者权益为２３０ ７００．３３万元，实收资本为 ８４ ６４３．０４万元。由此，可以判断准备金能否覆盖 压力情景的冲击，或者资本金能否覆盖压力情景冲 击下的信用风险损失。其计算结果如表３所示。 从表３可以看出，在假设的压力情景下，中国银 行某分行依靠准备金不能覆盖中等冲击，表明该分 行的年度准备金余额不足，依靠其贷款准备金难以 应对这种压力情景。其核心资本能够覆盖假设的温 和与中等冲击，不能覆盖严重冲击，其资本金能够覆 盖温和、中等和严重冲击，其资本金充足，抗风险能 力较强。因此，应适当增加其年度贷款准备金的余 ２０１０年第５期（总第１６７期） 龙海明。唐海龙等：住房抵押贷款风险控制实证研究——基于中国银行某分行的数据分析 ３１ 额，以防范风险。 表３压力测试情景表 项目 三、影响因素分析 通过对中国银行某分行进行压力测试得出的结 果分析可以发现，该行抵御市场风险的能力良好，能 达到商业银行所应有的稳健性标准。然而，还需进 一步对造成该行住房抵押贷款违约的主要因素进行 有效识别，以促进该行有效控制风险。 （一）数据来源与方法选择 选取中国银行某分行调查数据，对其住房抵押 贷款进行分类和筛选，最终选取了３０９个有效住房 抵押贷款数据样本，每个样本均包含借款人家庭月 收入（Ｍｉｎｃｏｍｅ）、年龄（Ａｇｅ）、教育程度（Ｅｄｕ）、月还 款额占家庭月收入比（Ｍｐｔｉｎｃ）、贷款价值比（ＬＴＶ） 等１３个变量的详细资料数据。该组样本的贷款发 放时间为１９９９￣２００７年。其中包含了２２个违约样 本和２８７个正常样本。考虑到对住房抵押贷款违约 风险水平进行实证分析时，所选变量之间的多重共 线性问题和不同变量对违约风险的影响程度不同， 对该１３个变量进行因子分析，以缩减变量维度和消 除变量间的多重共线性问题。然后对其进行聚类分 析，利用加权后的因子变量将样本聚为不同风险类 别，并对各个风险类别做进一步深入分析，揭示每个 风险类别的本质特征，识别不同违约风险等级的关 键性影响因素，再运用Ｌｏｇｉｓｔｉｅ模型识别、总结出对 个人住房抵押贷款违约有显著性影响的因素，从而 为个人住房抵押贷款违约风险管理提供防范措施。 （二）因子分析 首先对３０９个样本的１３个变量进行相关性检 验，结果发现样本数据的自变量间相关性较强，为了 保证分析结果的可信度，利用ＳＰＳＳ１３．０软件对该 样本组数据进行因子分析，选用主成分分析法，按特 征值大于１的标准提取因子，并用方差最大法进行 因子旋转。结果见表４所示。 表４ ＫＭＯ和Ｂａｒｔｌｅｔｔ检验 表４显示样本的ＫＭＯ检验统计量为０．６２６， Ｂａｒｔｌｅｔｔ球形检验的显著程度为０，表明做因子检验 是比较合适的。对变量进行共同度分析可知，大部 分变量的共同度对前４个因子（特征值大于１）均在 ０．７以上，表明大部分变量都能很好地被前几个因 子所解释。通过对样本数据进行特征值分析可以发 现，变量相关矩阵前４个因子的特征根均大于１，说 明这４个因子提供了原始数据大部分的信息，前４ 个因子的特征值大于１，且明显大于后面因子的特 征值，这说明因子分析结果是比较理想的。 采用主成分分析法计算得出的因子载荷矩阵系 数不是太明显，为了使因子载荷矩阵中系数向０—１ 分化，对初始因子载荷矩阵进行方差最大旋转，旋转 后的结果显示，住房购买价格（Ｈｖａｌｕｅ）、贷款金额 （Ｌｏａｎ）、月还款额（Ｍｐａｙ）、住房建筑面积（Ａｒｅａ）４ 个变量在因子１上有较高荷重，理论上认为这４个 变量组合起来代表因子１，因此，定义因子１为绝对 财务因子（ＦＡＣ ）。同理，定义因子２为年龄学历婚 姻因子（ＦＡＣ：），因子３为财务负担比率因子 （ＦＡＣ。），因子４为贷款期限利率因子（ＦＡＣ ）。 采用Ｚ分数法对原始变量进行标准化，然后根 据因子得分系数矩阵给因子赋值，可得出因子得分 矩阵如表５。 表５因子得分系数矩阵 根据表５可以得出因子得分函数为： 财经理论与实践（双月刊） ２０１０年第５期 ＦＡＣ１—０．２２３Ｌｏａｎ＋０．０４１Ｒａｔｅ十０．２０８Ｍｉｎ ｃｏｍｅ十０．２Ｍｐａｙ＋…一０．０４５Ｍｐｔｉｎｃ＋０．１ １５Ｐｒｉｃｅ ＦＡ Ｃ２一一０．０５３Ｌｏａｎ十０．０３２Ｒ“ 一 ０．０５３Ｍｉｎｃｏｍｅ－－０．０５３Ｍｐａｙ￣…＋ ０．０２３Ｍｐｔｉｎｃ－－Ｏ．２４２Ｐｒｉｃｅ ＦＡＧ一０．０１４Ｌｏａｎ＋０．１２２尺ｎ Ｐ一０．０６９Ｍ ｃｏｍＰ一０．０４９Ｍｐａｙ＋…十０．５９２Ｍｐｔｉｎｃ＋ ０．０９６Ｐｒｉｃｅ ＦＡ Ｃ４—０．０８９Ｌｏａｎ＋０．６３６Ｒ“ 一０．１５０Ｍｉｎ ｃ０ Ｐ一０．１３４Ｍｐａｙ＋…＋０．１６９Ｍｐｔｉｎｃ－－ ０．４０７Ｐｒｉｃｅ （三）聚类分析与Ｌｏｇｉｓｔｉｃ回归 利用软件ＳＰＳＳ１３．０对样本进行分层聚类分 析。根据“组内变异最小，组间变异最大”的原则，采 用组内连接聚类法和欧氏距离平方测度为样本进行 聚类，然后根据聚类的输出结果，分析出样本的最佳 聚类数为三类，并进行描述性统计分析，可以判别出 １类高违约风险群组、２类低风险群组及３类中等违 约风险群组分别为低收人者、中小型住房抵押贷款 户及中期贷款户。 １．对低收入组样本做Ｌｏｇｉｓｔｉｃ回归。利用因子 分析结果得出的４个因子为自变量，因变量选择是 否违约该变量，违约设为１，正常为０。利用 ＳＰＳＳ１３．０对该样本组进行二项Ｌｏｇｉｓｔｉｃ回归分析， 回归方法选择强迫引入法，最终结果表明，年龄学历 婚姻因子ＦＡＣ 、贷款期限利率因子ＦＡＣ 是决定 低收入贷款群体违约风险的关键影响因子，证明了 年龄越高、已婚家庭和高学历贷款户的违约风险较 低；借款人的贷款期限越长，抵押贷款利率越高，借 款人的违约可能性越大。这种关系在９５ 的置信 水平上显著。该模型的函数表达式可以写为： Ｚ一一３．６９５—０．６０１ＦＡＣ ＋２．９７５ＦＡＣ２一 １．５ｌ６ＦＡＣ 一２．１７７ＦＡＣ４ （４） 从模型的预测准确性来看，模型对正常贷款预 测、违约贷款预测的准确性、模型预测的准确率分别 为９６．８％、１８．８ 、８９．４ ，说明模型的整体预测效 果非常好。从模型的整体拟合情况来看，极大似然 估计值为６１．４２６，ＮａｇｅｌｋｅｒｋｅＲ 为０．５９８，Ｐ值小于 ０．００１，说明整个模型的拟合效果好。 ２．对中期贷款组进行Ｌｏｇｉｓｔｉｃ回归。同理，利 用强迫引入法对中期贷款组进行检验，检验结果显 示不显著，因此，本文用Ｆｏｒｗａｒｄ Ｃｏｎｄｉｔｉｏｎａｌ回归 方法对样本组进行二项Ｌｏｇｉｓｔｉｃ分析，回归结果表 明，年龄学历婚姻因子ＦＡＣ。、贷款期限利率因子 ＦＡＣ 是决定中期贷款群体违约风险的关键影响因 子，说明年龄越高、已婚家庭和高学历贷款户的违约 风险较低；借款人的贷款期限越长，抵押贷款利率越 高，借款人的违约可能性越大。这种关系在９５％的 置信水平上显著。该模型的函数表达式为： Ｚ一－－４．２１０＋２．７０６ＦＡＣ２一１．７７９ＦＡ Ｃ４ （５） 从模型的预测准确性来看，模型对正常贷款预 测和违约贷款预测的准确性分别为９８．７ 、１００ ， 模型预测的总准确率为９８．８ ，说明模型的整体预 测效果非常好，进一步支持了上述结论的可靠性。 从模型的整体拟合情况来看，极大似然估计值为 ２６．８６３，ＮａｇｅｌｋｅｒｋｅＲ 为０．８７９，Ｐ值小于０．００１，说 明整个模型的拟合效果好。 ３．对中小住房贷款组分析。考虑到该类样本的 违约样本过少，不能进行二项Ｌｏｇｉｓｔｉｃ回归，因此， 通过对该样本组做描述性统计分析得出：该样本的 月还款额集中在１ｌＯＯ～１５００元左右，其占家庭收入 比主要集中在４Ｏ 左右，表明月还款金额比较适 中。该组的年龄分布状况（见图１）主要是中年人， ４０岁和４２岁贷款者分别占１９．３ 、３１．６ ，表明处 于这一年龄段的中年人的贷款违约风险较小。但 是，２９岁的贷款者也占２１．１％，可能这一年龄段的 贷款者申请贷款的年限不长，违约风险还未浮现。 根据费斯腾伯格的研究，认为住房抵押贷款违约风 险在贷款最开始的３～５年将达到峰值，因此，还必 须防范这一年龄段贷款者的违约风险。总体上看， 该组的贷款金额较小，月还款额与月还款额占家庭 收人的比例比较适中，贷款者年龄主要为４Ｏ左右的 中年人。因此，该组总体贷款的违约风险小，但同时 应关注购房时间为３～５年的贷款者，以防范违约 风险。 重２。 １Ｏ ０ 图１ 中小住户贷款组年龄分布状况 ２０１０年第５期（总第１６７期） 龙海明。唐海龙等：住房抵押贷款风险控制实证研究——基于中国银行某分行的数据分析 ３３ 四、结论与对策 险等将住房抵押贷款一级市场的风险转移分散到二 级市场的投资者，来分散和转移发起人抵押贷款风 险啪。同时，还应从宏观上采取加强信用环境建设、 以上通过压力测试模拟了不同宏观情景下中国 银行某分行受到的冲击，进而分析市场风险对该行 稳健性的影响，发现该行抵御市场风险的能力较强， 规范征信市场发展等多种手段来防范住房抵押贷款 风险。 但应适当增加其年度贷款准备金的余额，以防范不 利的宏观经济对银行的冲击。在此基础上，利用因 子分析、聚类分析和Ｌｏｇｉｓｔｉｃ模型对该行住房抵押 参考文献： 贷款数据及影响信用风险因素进行了实证分析，发 现贷款客户的学历、婚姻状况、贷款期限和利率是影 响客户违约的关键因素。 ［１］熊志斌，李荣钧．现代信用风险管理度量模型比较［Ｊ］．科技管理 研究，２００７，（２）：１２６—１２８． ［２］Ｊ．Ｐ Ｍｏｒｇａｎ．Ｃｒｅｄｉｔ ｒｉａｋ ｍａｎａｇｅｒ ｈａｎｄｂｏｏｋ［Ｍ］．Ｎｅｗ Ｙｏｒｋ；Ｊ． Ｐ．Ｍｏｒｇａｎ Ｂａｎｋ，１ ９９７：８２—９５． 为了控制银行住房抵押贷款的风险，针对低收 入客户和中期贷款期限客户，银行应该重点关注借 款人的贷款期限和抵押贷款利率这两方面的情况。 针对中小住房贷款的客户，银行应该重点关注购房 ［３］郭敏．商业银行信用风险度量模型简介及思考［Ｊ］．上海金融， ２００７，（２）：４９—５１． ［４］彭建刚，屠海波．有序多分类Ｌｏｇｉｓｔｉｃ模型在违约概率测算中的 应用［Ｊ］．财经理论与实践，２００９，（４）：２７—７． ［５］于立勇，詹捷辉．基于Ｌｏｇｉｓｔｉｃ回归分析的违约概率预测研究 口］．财经研究，２００４，３０（９）：１５—２３． ［６］任宇航，孙孝坤．信用风险压力测试方法与应用研究［刀．统计与 决策，２００７，（４）：１０１—１９３． ［７］Ｆｏｌｌａｉｎ Ｊ．Ｒ，Ｚｏｒｎ Ｐ．Ｍ．Ｔｈｅ ｕｎｂｕｎｄｌｉｎｇ ｏｆ ｍｏｒｔｇａｇｅ ｆｉｎａｎｃｅ ［刀．Ｊｏｕｒｎａｌ ｏｆ Ｈｏｕｓｉｎｇ Ｒｅｓｅａｒｃｈ，１９９０，８（１）：６２３—６４０． 时间为３～５年的贷款者。总体而言，银行在放贷前 应该密切关注客户信用风险评估的信息状况，并以 此建立住房抵押贷款借款人违约的经验数据库，利 用这些经验数据对客户的违约行为进行定量分析， 以加强信用风险的管理。此外，通过衍生证券和保 Ａｎ Ｅｍｐｉｒｉｃａｌ Ｓｔｕｄｙ ｏｎ ｔｈｅ Ｒｉｓｋ Ｃｏｎｔｒｏｌ ｏｆ Ｍｏｒｔｇａｇｅ Ｌｏａｎｓ： Ｂａｓｅｄ ｏｎ ｔｈｅ Ｄａｔａ ｆｒｏｍ Ａ Ｂｒａｎｃｈ ｏｆ Ｂａｎｋ ｏｆ Ｃｈｉｎａ ＬＯＮＧ Ｈａｉ—ｍｉｎｇ，ＴＡＮＧ Ｈａｉ—ｌｏｎｇ，ＯＵＹＡＮＧ Ｊｕａｎ （Ｆｉｎａｎｃｅ Ｃｏｌｌｅｇｅ，Ｈｕｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ ４１００７９＋Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｐａｐｅｒ ｓｅｌｅｃｔｓ ｔｈｅ ｄａｔａ ｏｆ ｍｏｒｔｇａｇｅ ｌｏａｎｓ ｆｒｏｍ ｏｎｅ ｏｆ ｔｈｅ ｂｒａｎｃｈｅｓ ｏｆ Ｂａｎｋ ｏｆ Ｃｈｉｎａ ａｎｄ ｕｓｅｓ ｓｔｒｅｓｓ ｔｅｓｔｓ ａｎｄ Ｌｏｇｉｓｔｉｃ ｍｏｄｅｌ ｔｏ ｅｍｐｉｒｉｃａｌｌｙ ａｎａｌｙｚｅ ｍｏｒｔｇａｇｅ—ｌｏａｎｓ ｒｉｓｋ，ｔｈｕｓ ｄｅｔｅｒｍｉｎｅｓ ｉｔｓ ｒｉｓｋｓ ｄｅｆｅｎｄｉｎｇ ｃａｐａｃｉｔｙＡｎｄ ｔｈｅｎ ｗｅ ｉｄｅｎｔｉｆｙ ｔｈｅ ｍａｉｎ ｆａｃｔｏｒｓ ｓｕｃｈ ａｓ ｃｕｓｔｏｍｅｒ ．ｅｄｕｃａｔｉｏｎ，ｍａｒｉｔａｌ ｓｔａｔｕｓ，ｌｏａｎ ｉｎｔｅｒｅｓｔ ｒａｔｅｓ ａｎｄ ｄｅａｄｌｉｎｅｓ ａｆｆｅｃｔ ｔｈｅ ｂａｎｋ Ｓ ｍｏｒｔｇａｇｅ ｄｅｆａｕｌｔ ｒｉｓｋ．Ｓｏ ｂａｎｋｓ ｓｈｏｕｌｄ ｐａｙ ａｔｔｅｎｔｉｏｎ ｔｏ ｔｈｅｓｅ ａｓｐｅｃｔｓ ｉｎ ｏｒｄｅｒ ｔｏ ａｖｏｉｄ ｒｉｓｋｓ ｅｆｆｅｃｔｉｖｅｌｙＫｅｙ ｗｏｒｄｓ：Ｒｉｓｋ ｃｏｎｔｒｏｌ；Ｓｔｒｅｓｓ ｔｅｓｔｉｎｇ；Ｆａｃｔｏｒ ａｎａｌｙｓｉｓ；Ｌｏｇｉｓｔｉｃ ｍｏｄｅｌ ．