场外信用违约互换市场的竞争分析

同时，他们与其他CCP竞争市场份额。此外，中央清算有两层结构。中央对手方清算所直接与其成员互动，后者通过中央对手方清算所向theirhttps://en.wikipedia.org/wiki/European_Market_Infrastructure_Regulation1.3.模拟交易商间交易客户。可以从这两个维度来研究竞争：成员之间选择CCP，以及客户选择CCP。没有明确的证据表明，中央对手方之间的竞争模式以及中央对手方之间的利害攸关的竞争类型可能会对金融稳定产生影响。我们想使用EMIR数据集来研究会员和客户对CCP的选择。EMIR数据集包含多种衍生品（信贷、股权、外汇等）。我们希望使用已经部分预处理的信用衍生数据（CDS），并清理股权衍生（主要是期权和未来合约）数据。然而，由于特殊的卫生状况导致的强制远程办公，使我们在技术上无法清理股票衍生品数据，因为它涉及在没有适当的IT架构的情况下远程处理大量数据。因此，我们的结果只涉及CDS数据。我们的预期方法如下。首先，使用机器学习模型估计CCP所需的抵押品。然后，将附带预测纳入成员国选择CCP的离散模型中。然而，一个主要挑战是CCP计算交易组合的抵押品，而不是单一交易，这使得交易价格难以计算。在对数据进行处理，以重新组合资产组合后，所报告的抵押品需求似乎不可预测，无法用作CCP选择模型的输入。

我们报告了分析结果，并对数据和模型之间的不匹配提出了一些解释。1.3模拟交易商间交易然后我们转向第二个问题，与中央清算无关，但基于相同的CDS交易。场外CDS市场有两层：既有交易商（大银行）也有客户。每个客户主要与极少数经销商（一个或两个）进行交易，而经销商则与客户以及客户之间进行交易。交易商和客户之间的交易形成了一个典型的双边市场，这是经济学中一个经过深入研究的问题。相反，我们对经销商间市场特别感兴趣，而这方面的研究要少得多。我们的问题可以通过以下问题来表述：dodealers如何选择其他经销商进行交易？我们做出以下（强有力的）假设：在每笔交易中，一个交易人与另一个交易人进行交易。这个假设迫使我们的模型在计算可能性之前，为每一笔交易选择一个攻击方。我们通过一个可培训的先验知识对这种选择进行建模，并表明它降低到了一个典型的期望值1。引言最大化问题。最后，我们将这个优化问题描述为可微目标，可以通过梯度下降进行训练。在这个模型的基础上，我们应用了机器学习中可解释性领域的技术，为分析经济数据集提供了一个原则框架。我们的贡献也是理论上的，发展了两个新概念：Razor熵和top-k Shapley值。剃刀熵是我们原则训练目标的概括，为我们的可能性带来了理论保证。Top-k Shapley值是博弈论中收益分配问题的一种解决方案。

我们证明了它们为单调子模值函数提供了有趣的性质，并且可以有效地计算。1.4其他贡献为了扩展我们的分析，并为我们的交易商间交易预测模型提供有关网络其余部分交易的一些信息，我们采用了著名的node2vec[23]算法。在这样做的时候，我们实现了两个方面：现有的Python实现非常低，使用了大量内存，而且[23]中描述的邻居采样不可扩展，因为它在预处理步骤中使用了非线性内存量（在使用线性内存库进行空间-时间权衡时，它也可能运行得较慢）。我们设计了一种基于rejectionsampling的随机邻居采样算法，该算法与[23]中的预期运行时间相同，但使用线性内存量。然后，我们编程了一个新的NODE2VEC[1]实现，它比现有的实现效率高出几个数量级，这都要归功于我们改进的算法和我们使用的JIT（即时）编译。1.5致谢我们感谢Demange教授在这项工作中的指导，以及博士候选人Thibaut Piquard在该项目上的不懈支持和帮助。我们还感谢法国银行的整个宏观审慎政策团队，特别是朱利安·伊迪尔博士和奥罗尔·施尔特博士对这项工作的宝贵意见。第2章MIR数据2。1数据描述2。1.1托收流程EMIR《EMIR条例》要求每个欧盟注册实体将其签订的每份衍生合同提交给所谓的交易库。报告数据的详细信息由官方指南规定。有几个交易存储库，每个存储库记录不同的数据子集。

幸运的是，我们从中获取数据的DTCC交易存储库占据了CD市场的大部分[49]。可用数据大多数收集的数据对公众不可用。作为监管实体，法国银行可以访问与法国公司活动相关的数据。在该类别中，输入（i）法国机构进行的任何交易，即使交易的另一方不是法国人；（ii）与法国公司关联的任何产品交易。对于信用违约掉期，这不仅包括法国公司（单名）的信用违约掉期，还包括交易量大得多的指数。指数指数是一篮子具有公共成分的相关资产。指数允许交易这些产品的组合，从而简化了想拥有组合的交易者的行为。这种CDS指数的一个例子是iTraxx Europe，它结合了过去一段时间内125个交易量最大的单一名称的CDS（指数内容每半年更新一次）。指数对于我们的分析来说尤其有趣，因为它们交易广泛且频繁，我们可以访问所有交易。我们还可以访问彭博社提供的汇总数据，以追踪指数的交易商间场外交易价格。https://www.esma.europa.eu/policy-rules/post-trading/trade-reporting2.EMIR数据由于EMIR数据集具有高度机密性，且我们访问了监管机构的数据，因此我们无法在本报告中明确实体名称或给出投资组合构成。然而，这一限制不适用于我们呈现的聚合结果或我们进行的分析。2.1.2数据格式我们使用的EMIR数据由贸易资料库DTCC提供的3种报告组成。

这些报告被称为：贸易活动报告、贸易状态报告和抵押品估值报告。贸易活动报告贸易活动报告是最精确的：它们包含每项合同修改的细节。然而，由于这种粒度，它们很难预处理。交易状态报告交易状态报告包含的是交易活动报告的每日聚合版本，该报告陈述了每个投资组合的内容。因为贸易活动报告是由数据采集器（DTCC）生成的，所以我们尽可能使用它们，而不是更复杂的贸易活动报告。此外，他们通过陈述每个投资组合的头寸来避免处理活动报告的整个历史。抵押品估值报告抵押品估值报告是最简单的报告，包含每个投资组合的抵押品。请注意，初始保证金只是CCP可以收集的不同类型抵押品之一。2.2数据清理和扩充2。2.1活动报告清理活动报告包含大量与我们的分析无关的丰富信息。事实上，它们包含对合同的所有修改，其中大多数与交易对手选择的研究无关，如更替、终止、错误更正和交易压缩。一个主要的挑战是，活动报告是双边报告，也就是说，如果双方都是欧洲国家，一次交易将由双方报告。这可能会导致交易重复。此外，对于大多数实体来说，报告流程是手动的，这可能会导致交易信息输入不正确，相同的交易会被计数一次或两次以上。另一个错误来源是报告日期可能与实际交易日期不同。

检测重复事务是一个非常重要的问题，需要对每个派生类分别进行检测。2.2. 数据清理和扩充在之前的工作[14]中，为了提取与价格相关的操作，对信用衍生工具（CDS）的活动报告进行了清理，因为活动报告中包含的大多数操作都是不涉及新价格谈判的交易，如压缩和清算。这个清理过程使用图形匹配来消除重复事务，并使用大量手工编制的规则来解释频繁的报告错误。例如，异常数据点的一个常见来源是使用错误或缺失的货币字段报告的日元金额，从而将值乘以~100美元或欧元。我们在这里没有详细介绍的许多其他异常值检测规则是针对CDS合同的，允许纠正或丢弃错误行。2.2.2报告Merging理论上，当一个交易对手是法国人时，抵押品估值报告应包含有关投资组合初始保证金的所有信息，因为我们通过法国银行访问了数据。

然而，当一个交易对手不是法国人时，初始保证金将仅出现在贸易状态和贸易活动报告中。因此，大量工作致力于处理国家报告，以从各类资产的国家报告内容中增加评估报告的内容。由于我们其余的分析都是针对信用衍生品的，因此我们将自己局限于只包含信用衍生品的投资组合，因为只分析部分投资组合更为合理。然后，我们将这些增强的估值报告与清理后的状态报告合并，以获得每个投资组合的内容和初始保证金。这方面的工作涉及大量代码优化，以使处理过程可靠且可扩展。事实上，我们在覆盖去年的200 GB样本上运行了我们的代码，现在它用于法国银行每天收到的数据。2.2.3投资组合链接在我们的数据处理过程中，我们遇到了一些情况，即双方报告了相同的交易，但投资组合类型不同。我们采用图论的方法来解决这个问题。我们考虑每个投资组合ID作为一个节点，当交易有两个不同的投资组合ID时，我们在这两个投资组合之间画一个边。2.EMIR DataID 1234ID ABCDID 1232图2.1：至少进行了两次交易。在第一种情况下，一方报告投资组合ID 1234，另一方报告ABCD。在第二种情况下，一方报告了投资组合ID ABCD2，另一方报告了1232。一个自然的解决方案是考虑两个对手之间的组合的投资组合ID作为同一个投资组合，或者简单地说，我们在无向图中的连通分量。

我们使用不相交的集合数据结构来跟踪组件，同时在线读取边缘。算法1：公文包链接结果：等价公文包列表初始化一个不相交的集合数据结构，函数并集和查找；foreach transaction in reports doUnion（transaction.port f olio id1，transaction.port f olio id2）；END初始化从字符串到字符串列表的映射；foreach公文包id doAdd（port f olio id，Find（port f olio id））到映射；返回映射的值；该算法具有O（n）空间复杂度和O（nα（m））时间复杂度，其中n是节点数，m是边数，α是逆阿克曼函数。在这种联系之后，我们必须恢复投资组合的特征。内容很容易定义，因为它们只是聚合交易。最初的利润率更难描述。抵押品估值报告为我们提供了每个单独投资组合的利润。决定边缘。3.探索和可视化图2.2：从合并投资组合的原始数据（估值报告）和后处理（状态报告）中检索到的投资组合数量，我们对别名投资组合进行投票。2.3探索和可视化2。3.1数据源的比较我们在图2.2中报告了从第2.2.2小节所述的mergingstep中检索到的投资组合数量。我们的处理使我们获得了更多的数据。然而，正如我们在图2.3中看到的，有更多的投资组合在州报告中没有利润。最后，我们在图2.4中绘制了非零边际分布的四分位数，以更好地表示两个来源之间的差异。

我们观察到，估值报告中报告的利润率要大得多。2.3.2保证金流为了显示数据与已知市场实践的一致性，我们绘制了图2.5和图2.6中各部门收到并在部门之间转移的金额。演员的分类从in2中检索。EMIR数据图2.3：零边际的比例图2.4：非零边际的四分位数2。3.探索和可视化2018-12 2019-02 2019-04 2019-06 2019-08 2019-101050510未知收到的初始保证金人寿保险和养老基金收到的其他收到的银行收到的g14_交易收到的其他FCN收到的中央银行收到的非人寿保险收到的CCP2.5：部门收到的净利润（十亿欧元）法兰西银行的内部数据库是手工制作的，因此未知参与者的比例较大，大多较小。毫不奇怪，G14交易商（最大的14家交易商）和CCP是净额结算后获得利润的主要实体，而银行和基金是供应商。有趣的是，中央对手方清算所获得的巨额利润来自未知机构，这表明存在一个厚尾。从银行和基金到CCP的保证金转移显然遵循一个分级流程。G14交易商从银行和基金收取初始保证金，并将一部分转让给CCP。银行也直接向中央对手方清算所转账。最后，这些图表显示了所收集数据的不稳定性，其中一部分对应于现实世界的现象（例如周期性市场事件），而数据收集过程中的不一致也可能是原因之一。2.

埃米尔数据2018-12 2019-02 2019-04 2019-06 2019-08 2019-1002468银行人寿保险和养老基金向g14_dealerUnknown银行其他向CCPFund g14_dealerUnknown其他向CCPBUN g14_dealerUnknown其他向CCPBUNK g14_交易商向CCP14_交易商未知向g14_交易商图2.6：部门间净利润转移（十亿欧元）第3章初始利润预测3。1描述CCP之间的竞争是与金融稳定相关的重要问题。使用中央结算的主要原因是确保每一个交易对手不承担另一方的违约风险。然而，由于中央对手方清算所本身存在违约的可能性，因此其所有成员都面临更大的风险，因此对中央对手方清算所降低系统性风险的效率存在争议。降低其成员违约风险的抵押品要求，CCPscollect抵押品。aCCP可以通过几种方式要求抵押品，例如向违约基金供款、涵盖头寸变化的变动保证金和初始保证金。在这项工作中，我们只对初始利润感兴趣。初始保证金是CCP要求的抵押品金额，用于覆盖投资组合的流动性风险。如果合同的一方违约，CCP将试图清算其头寸，以抵消其市场敞口。然而，这样做，CCP将因市场波动而承受额外成本。