【研报精选】硅谷银行:不合时宜的膨胀

Mirror发布于2023-03-15更新于2023-03-17

文章摘要

硅谷银行风波因何而起?通胀和美联储加息只是触发因素,根本还是在于资产膨胀太快,超过其管理能力,被动地进入陌生领域。其未来会如何?

美联储最近有点背运。近期发布的二月份就业数据本来是不错的,就业保持增长,工资环比增速则持续放缓至近两年的低点,这大幅减缓了通胀压力,而劳动参与率的提高缓解了劳动力市场的压力,让失业率有所提高,这都是经济恢复趋势水平的良好信号。不过,硅谷银行被挤兑震惊了市场,股市大跌,在两天之内该银行竟然就被接管了。我们知道系统性银行危机基本都发生在通缩时期,因为负债是刚性的,而资产因为实体经济的恶化而减值。通胀时期发生银行危机,这是很不常见的,美联储刚刚明朗的加息步伐又踌躇起来,真可谓是刚跳出煎锅,又跌入油锅。短短的一两天,媒体对硅谷银行的评论已经很多,大多数评论归因于美国倒挂的收益率曲线,不过我觉得这不是最重要的原因,根本的原因在于:它不合时宜的膨胀。

快速的资产负债表膨胀

硅谷银行不是一家一般的银行,它基本上没有零售业务,主要服务于硅谷的科技创业公司,负债来源也基本是这些科技企业的存款。硅谷银行的母公司硅谷银行金融集团是上市公司,我们可以很方便地看到它的历史财务数据。2012年末它的资产规模是227亿美元,2019年末达到了710亿,年复合增长率是18%,考虑硅谷科技行业的发展速度,这看起来是匹配的。不过事情在2020年有了一些变化,当年的资产规模增长63%达到了1155亿美元;而2021年则更是让人瞠目,增长83%达到了2113亿美元。这个惊人的增长原因不详,不过我猜测和这两年硅谷科技企业爆发的盈利有很大关系。2021年末这家银行的存款规模达到了1892亿美元,占比总资产90%,是2012年(84%)以来的最高点。大量存款涌入,硅谷银行来者不拒,为后面的麻烦埋下了伏笔。

有钱是好,但时间有点背

科技企业贷款,是和创业规模相匹配的,我们没有理由相信在2020和2021年硅谷的创业规模有远超历史趋势的爆发增长,因此给科技创业企业的贷款消化不了这么多的增量存款,资产配置成为一个大问题。由于2020-2021期间美联储的量化宽松,短期资产利率很低,硅谷银行买了安全的资产长期国债和房屋抵押贷款,久期比较长是因为利率要高一些。一些研究认为,在2020和2021期间,硅谷银行增持了大约120亿美元的国债和800亿美元的房屋抵押贷款证券,两年之中新流入的存款中接近80%购买了长期证券。这极大地改变了它本来熟悉的资产结构,几乎成为了一家债券投资基金,并且流动资产占比极少。

进入2022年一季度,美联储迫于通胀压力第一次加息,长端利率开始快速上行,硅谷银行在低利率时期买入的大量长期资产市场估值下降了(最新的账面亏损可能接近200亿美元)。不巧的是,2022年硅谷的企业也比较艰难,年年见涨的存款竟然出现了净流出。2022年1季度末存款规模达到顶峰1981亿美元,而2022年底已经下降到1731亿美元,速度可谓惊人。从借款项目看,该行管理层也做了不少的努力改善流动性,比如借款从1季度的26亿增长到4季度的193亿。但借款的规模仍然不能弥补存款的流失和资产的减值。于是它亏钱出售了一些资产换取流动性,此后又被迫进行股本融资,开始给投资者做路演,而披露的数据让市场感到惊慌,于是立刻发生挤兑。由于它的流动性资产占比极少,而企业客户要求存款转出的规模极大(据报道3月9日当天就接近400亿美元),这导致任何的常规流动性操作都于事无补。3月10日周五,银行被监管当局接管了。

作为为初创企业进行贷款融资的银行,硅谷银行的银行家不是传统意义上的,大概率他们不足够熟悉传统银行的久期管理和利率风险管理,在此他们犯下了大错。至于流动性管理,虽说是每家银行的基础课,不过硅谷银行可能也有点松弛了,毕竟硅谷这些年兴旺发达,存款纷至沓来,流动性不用担心。如果在2020-2021期间银行拒绝把资金投入陌生领域,无非是几年内资产回报率低一点,但不会有大问题。它把将近一半的资产,新增的几乎所有资产,配置到并不熟悉的长期债券,可谓是忘了初心,最终也受到了经济规律的惩罚。

这也让我想起一个说法,在几个场合我都听到一个观点,说有的干部贪腐严重是因为出身贫苦没见过“大钱”,言下之意是小时候见过大钱的干部不容易贪腐。且不说这样的干部不好找,硅谷银行的高管薪酬丰厚,可谓是已经见过大钱了,可为了一两个点的利差在收益率曲线上爬行太远而跌落,可见多金是人性使然,和家境是否宽裕关系不大,还是不忘初心来的更重要。

美联储加息责任几何?

很多的评论家把硅谷银行的困境主要归于通胀和美联储加息导致的收益率曲线的倒挂。这是个问题,但不是主要问题,因为别的银行盈利和流动性都尚好。尽管长期资产的市场价值下降了,但只要不违约且持有到期,就算不上损失,至多是收益率低。不过这个策略需要银行有别的业务能够保持流动性,并且在高利率环境下也有高收益的资产,这类资产来自短期的消费信贷、企业短期信贷等等,而恰恰硅谷银行在这方面很缺乏。

我的看法是,通胀和美联储加息只是触发因素,硅谷银行的问题根本还是在于资产膨胀太快了,超过了它的管理能力,被动之下进入了陌生领域,造成了今天的局面。

人类的承平时代:只缺银行治理?

美国银行监管部门这次可谓是神速,在出现挤兑的第二天就接管了银行,这对于风险管理至关重要。一个有利的因素是,硅谷银行对别的银行负债有限,其风险传染给其它银行的风险可控。避免金融风险传染还需要足够的透明度,如果市场了解了问题的实质和体量,就不会造成恐慌,这一点需要进一步观察监管部门的举措。

在当今的时代,科技进步特别是信息技术的不断进步将使生活更美好,几乎是没有悬念了。但是在将近100年前,在经济萧条,世界大战阴影下,能够对人类的前景极具信心,那就是极其有远见的了,凯恩斯确实洞见非凡。不过凯恩斯也不是全然乐观,他认为在基本物质需求满足以后,如何在无聊的生活中寻找一些有趣的事情是大多数人面临的最大挑战。

在治理良好的国家,给持续经济繁荣带来最大破坏的(但仍然阻碍不了)现在看来主要是银行了。它杠杆率很高,它的管理很复杂,它的规模有时候很大,管理银行需要的知识大到宏观经济,小到账本的精打细算,能大能小,收放自如,同时具备这些才能的人太少了。银行不定期发生危机,它潜滋暗长,慢慢积蓄力量,然后以狂野的方式爆发,这时候货币突然不再是中性的,给经济造成巨大伤害。更糟糕的是,银行的资金绝大部分是借来的,它的危机有显著的外部性,银行危机的成本主要由社会承担。这让银行家看起来权力很大,可是责任很小。它很不完美,但是又不可或缺。

由此看来,银行治理的问题如果能够基本解决或极大改善,有极大的社会价值。超长期限的薪酬递延可能是个好办法,银行高管的大部分薪酬可以递延到其离任后资产到期(离任时的资产),根据资产的实际表现给予兑现,而不仅仅是任期内的表现。此外,规模限制,增速限制也是可以考虑的事情。为了竞争优势,银行之间关于客户数据的共享和可交换性很差,是银行市场竞争不充分、不透明的重要原因。未来的监管,如何界定客户数据的所有权,增加数据共享和透明度,同样可以有很多改进的地方。

硅谷银行的未来

回到硅谷银行,被接管之后会发生什么呢?它最近两年规模膨胀太快了,然后被动进入了它不熟悉的投资领域,这是问题的起源。好消息是它的底层资产质量良好,持有的国债和房屋抵押贷款证券都是优质资产,这和次贷危机时期是完全不同的。政府接管之后会找到新的经营者,把长期资产继续持有至到期,一些资产有序卖出,实际损失应该要远小于市场所担心的。说到底,对于银行,利率波动带来的风险远没有贷款违约风险那么致命。此外,它和银行同业借贷不过是200亿美元,在被接管之后风险继续传播的可能性不大。综合起来,我认为硅谷银行事件不可能导致一场系统的金融危机,因为它比较透明简单,资产都很优质,缺乏触发系统风险需要的“朦胧想象空间”。

硅谷银行是一家特殊的银行,在美国银行业不具有普遍性。它和硅谷共同成长,做了别的银行做不来的事情。创业企业需要股本金,这是风投家的工作;也需要一点借款(高风险企业也可以借点钱),这是硅谷银行有独特贡献的地方。它目前的困境是成长过快的烦恼,是硅谷科技生态的损失。接管以后,应该保持它的企业文化和专业知识,让新的所有者继续这个商业模式。

硅谷也有低谷,也有艰辛探索,也就在二十年多年前,纳斯达克泡沫破裂,硅谷苦苦挣扎了接近3年。不过,技术的进步超乎想象,当年的梦想几乎都成真了。展望下一个20年,硅谷银行目前的困境,很可能也只是个不大的插曲。

你可能也喜欢

Deepseek 能否为中国节省 1 万亿美元?

《DeepSeek 能否为中国节省 1 万亿美元?》一文探讨了DeepSeek如何通过技术创新,可能大幅降低中国AI基础设施的建设成本。 核心在于,AI硬件的成本正从计算芯片向昂贵的内存(如HBM)倾斜。DeepSeek通过三方面技术突破,系统性降低了对这类稀缺硬件的依赖: 1. **压缩“记性”**:采用多头潜在注意力(MLA)等技术,将长上下文对话所需的缓存(KV Cache)压缩至原来的极小部分,极大节省显存。 2. **按需唤醒“身体”**:利用混合专家(MoE)模型架构,每次只激活部分参数,并结合智能的存储调度,将多数参数移出昂贵显存。 3. **复用计算结果**:将算过的上下文作为缓存复用,用低成本的内存读取替代高成本的重复计算。 这些技术协同,使DeepSeek V4等模型在长上下文场景下,用同等硬件可能产出数倍的有效Token,等效于大幅提升硬件效率、摊薄单位成本。 文章据此进行推演:到2030年,全球AI硬件投资预计达数万亿美元。若DeepSeek的技术路线能使中国未来AI基建的硬件需求等效减少75%,在日均Token消耗达到数千万亿级的规模时,节省的投资额可能接近1万亿美元(约7万亿元人民币),相当于少建数万座智算中心。 更重要的是,此举将产业价值从受制于人的尖端算力芯片,部分转移至中国已有所突破的存储芯片及系统工程领域,提升了供应链安全性。DeepSeek的意义不在于“消灭硬件”,而在于通过极致优化,降低行业对最昂贵、最稀缺硬件的边际依赖,让AI能力更普惠,重塑未来AI基建的账本。 (注:文中关于万亿节省的具体数字属于基于行业趋势的推演观点。)

marsbit1小时前

Deepseek 能否为中国节省 1 万亿美元?

marsbit1小时前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

谷歌研究院与特拉维夫大学联合发表论文,提出对抗大模型“幻觉”问题的新思路:与其追求让AI全知全能或过度拒答,不如培养其“元认知”能力,即让模型能够感知并诚实表达自身对每个答案的确信程度。 论文指出,当前主流方法存在局限:一味增加知识覆盖无法穷尽所有事实;而通过大幅拒答来降低错误率则会征收沉重的“实用性税”,牺牲大量本可正确回答的问题。核心原因在于模型缺乏“判别力”,难以精准区分具体问题的对错,导致校准良好但实用性低下。 论文重新定义了“幻觉”:问题不在于AI输出错误信息,而在于其“没有资格确定却以确定的语气给出错误信息”。因此,解决路径应是实现“忠实不确定性”——让AI语言表达的确信度与其内部状态的真实确信度对齐。这比消灭所有错误更可行,是一个依赖内部信号的闭环问题。 在AI代理(Agent)时代,元认知更为关键。没有它,Agent在调用外部工具(如搜索)时将陷入“盲飞”,无法智能决策何时需要搜索、如何评估信息可信度。 实现元认知面临几大挑战:“自举悖论”涉及用静态数据训练动态能力的困难;“对齐破坏信号”指RLHF等训练可能磨灭模型原有的内部不确定性信号;“因果性评估”则需区分真正的元认知与对其的表演。 论文建议,评估反幻觉方法应超越单一准确率指标,转而分析完整的“实用性-错误率权衡曲线”,并关注其在其他任务上的“附带损伤”。最终目标是让AI学会诚实地沟通其认知状态,从而在保留实用性的同时,将错误信息的危害降至最低,建立可靠信任。

marsbit1小时前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

marsbit1小时前

交易

现货
合约
活动图片