场外信用违约互换市场的竞争分析

因此，初始保证金被收集起来以弥补这些成本，并根据市场条件（通常是产品波动性）进行调整。抵押品要求的研究非常有趣，因为它关系到交易效率和CCP之间的竞争。净额结算-净额结算是一种做法，用于取消在两个不同方向上呈现等值头寸的机构对CCP的敞口。例如，如果机构A从机构B购买了15个单位，并向机构C出售了10个，并通过CCP清算了这些交易，那么A对CCP的净敞口将是5个单位的多头头寸。在本例中，净额结算减少了机构A的初始保证金要求，因为其头寸减少了。也可以对多个相关3执行净额结算。初始保证金预测产品：如果两种产品高度相关，当一个投资组合在第一个市场上有空头（或多头）头寸，在第二个市场上有多头（或空头）头寸时，流动性风险较低。因此，一方面，数量有限的CCP更可取，因为它们可以捕获更多交易，并在更大范围内应用净额结算。另一方面，垄断可能会因为提高清算费用而受到损害，从而降低依赖中央清算的动机。竞争也不一定是一件好事，因为竞相降低抵押品要求的风险会增加系统风险。要研究利润在选择CCP的客户眼中有多重要，必须知道每个CCP的收费是多少。然而，每笔交易仅与一个CCP关联，即选择的CCP。我们的目标是预测不同TCCP的初始保证金要求，并将这些估计作为CCP选择模型的一部分。

然而，在彻底清理了EMIR数据后，我们发现我们的估计不够精确，无法对CCP的定价产生清晰的见解，从而破坏了我们在CCP选择模型中使用它们的最初想法。3.2相关工作由于利润预测是CCP之间竞争分析的一部分，我们将本节分为两部分，一部分是竞争分析，另一部分是初始利润模型。有大量关于竞争分析的文献，无论是在中央对手方之间还是在交易所之间[10]。3.2.1竞争分析关于中央对手方之间竞争问题的早期论文是[72]。他们手动检查了主要CCPs的费用变化，并得出3个结论：竞争导致关税削减，没有全面的风险管理机制，没有证据表明CCPs之间的竞争导致CCPs风险管理的稳健性恶化。他们的分析基于泛欧股票市场上运营的三个主要CCP（LCH.Clearnet SA、EMCF和EurocCCP）。目前尚不清楚观察到的基于交易的费用减少是否仅仅是因为竞争，误入歧途的模式也随着算法交易的发展而演变，从而导致更低价值和更高频率的交易。我们注意到，CCPs的最大风险是重置成本风险，本文中的风险分析侧重于股权CCPs。三者之间有一个主要区别。2.因CCP提供的交易对手风险保险而进行的股权和衍生品相关工作清算：就股权而言，风险非常有限，因为CCP承担交易对手风险的期限非常短。这就解释了为什么交换和清算功能通常是完全集成的。

就衍生品而言，CCP承担长期风险。[50]分析CMEGroup设置的期货保证金数据集中的保证金变化。他们首先要对波动性变化后的利润变化进行建模。他们还想衡量竞争对边际变化的影响。由于保证金变动很少（每隔几个月一次），他们的模型断言，只有当一个指标上升到一定的阈值水平以上时，保证金才会变动。他们确定保证金的变化遵循EWMA对期货波动性的估计，这一影响在现货期货中尤其明显。它们还表明，保证金短缺的概率与不同期货合约板块之间保证金变化的平均天数之间存在负相关。作者首先建立了一个线性模型，从一些特征预测利润率。预测边际变化的第二个模型更具原创性，因为它们使用了原子位回归，即因变量的观测值被删失的回归。该模型基于这样一种直觉，即清算对手希望保持人类可读的费用，并且只有当差额超过他们设定的最小历史利润率变化的某些阈值水平时，才会更新他们的关税。他们的第三个模型是trichotomous Tobit回归（结果-1、0和1），该模型将正成分和负成分的特征分开，以研究边缘变化的对称性。与计量经济学中的许多论文一样，他们将回归系数解释为特征重要性，我们将在下一章讨论这个问题。3.2.2利润率估算关于利润率估算的文献也相当成熟，尽管年代久远。[30]提供了一个扩展的审查，但保证金定义自2002年以来不断演变。

[39]中对风险价值（VaR）和跨度这两个主要的现有框架进行了更近期的处理。SPAN于1988年由CME交易所推出。SPAN利用数值方法模拟了16种情景，并评估了投资组合价值的变化。然而，SPAN仅对投资组合中包含的不同资产的风险进行汇总，不利用资产之间的相关性。SPAN系统的复杂性和创新性来自于它可以支持的范围广泛的合同，以及用户可以选择的许多合同参数、CCP费用和风险水平。3.初始保证金预测风险价值VaR保证金是银行综合风险敞口和监管资本要求的默认衡量标准。VaR也可用于设定衍生品的保证金。定义3.1风险水平α回报率为V的资产的VaR保证金M∈[0,1]由以下等式定义：Pr[V<-M] =α[39]扩展了VaR保证金框架，以涵盖CCP层面而非投资组合层面的风险，即计算两个投资组合超过其保证金的联合概率。3.3实验如第2章所述收集投资组合内容后，我们尝试根据一些基线模型预测初始保证金。3.3.1基线初始保证金涵盖流动性风险，因此仅取决于试图取消头寸期间可能出现的价格变化。如果假设CDS指数的价格在给定的时间间隔内服从正态概率分布，那么它们的差异将是一个中心正态分布。

此外，我们有以下性质：引理3.2对于给定的风险水平r∈ [0,1]，有一个正常数α∈ R+使得对于遵循标准偏差σ的正态价格分布的任何资产，其VaR初始保证金M由以下公式给出：M=α·σα有一个简单的表达式，如下所示：标准正态分布的逆累积分布函数。我们在下面按复杂程度的递增顺序列出一些基线。投资组合pf是一组头寸（pr，q），其中pr是产品，q是数量。由于我们无法完全访问所有参与者的投资组合内容，我们限制了对法国实体投资组合的分析。在完整数据集上运行Samebaseline时，由于没有观察到产品，结果就不那么令人信服了。作为副产品，我们忽略了从州报告中检索到的Portfolios。3.3. 实验产品不经意基线前两个基线是：fIM（p f）=α∑（公共关系，q）∈p fqfIM（pf）=α∑（公共关系，q）∈p f | q | 5将保证金估计为与名义净值成比例。这假设所有产品都是完全相关的，具有相同的波动性。模糊了这些粗俗的概念。这类似于SPAN系统，它假定产品之间存在某种独立性。此外，我们假设所有产品都具有相同的风险。为了估计α，我们可以使用最小二乘回归：arg minα∑pf（im（pf）-fIM（p f））然而，这会带来糟糕的结果，因为概念非常不平衡，并且不遵循正态分布。相反，我们可以假设对数正态性并应用对数最小二乘回归[7]：logfIM（pf）=logα+log∑（公共关系，q）∈p fqlogIM（pf）=logα+log∑（公共关系，q）∈p f | q |这个模型可以简单地通过减去依赖变量和协变量的平均值来估计。波动性总和基线一个人可以考虑产品的波动性。

应用引理3.2，假设每种产品的风险分别测量并求和，我们建立基线3：fIM（PF）=α∑（公共关系，q）∈pf | q |·σ（pr）3。初始保证金预测标准偏差σ（pr）的值不是估计的，而是使用从彭博社检索的过去1000个工作日的每日价格滚动窗口计算的。我们将产品局限于指数，因此忽略了指数低于80%的投资组合（名义上）。我们还使用对数最小二乘回归估计α。方差协方差在这里，我们假设乘积服从高斯多元分布。从多元高斯函数的性质来看：Var(∑iXi）=∑我∑jCov（Xi，Xj）因此，我们提出以下模型：fIM（pf）=αs∑（公共关系，q）∈p f∑（公共关系，q）∈p fq·q·Cov（pr，pr）再次，我们计算α以最小化对数空间中的最小二乘误差。更复杂的模型我们也尝试了更复杂的模型，在不知道偏差Cov（pr，pr）的情况下隐式计算VaR。因此，可以估计不主要由指数组成的投资组合的VaR。然而，对于n产品，这样的模型必须估计O（n）系数，这比我们观察到的数量要大得多。我们使用了与模型3相同的公式：fIM（pf）=α∑（公共关系，q）∈pf | q |·σ（pr），但试图估算σ（pr），而不是将其作为输入。我们不能使用相同的对数标准，因为没有有效的解决方案。这给出了基线5：职能指令手册（p f）=∑（公共关系，q）∈pf | q |·αprA直接最小二乘回归方法导致了具有负系数的荒谬解。我们尝试了非负最小二乘法（使用scipy.optimize.nnls）以确保αpr>0，并尝试了约束最小二乘法（scipy.optimize.lsqlinear）以确保αpr<1，从而使产品的利润率永远不会大于名义利润率。3.3.

实验表明，我们无法使它们收敛，因为与我们观察到的数量相比，有太多不同的产品。此外，由于我们使用时间序列数据来跟踪随时间变化的投资组合的内容和边际，许多数据点高度相关。3.3.2结果我们仅限于数据集的一个子集，其中每个投资组合至少有一个法国成员，且指数代表投资组合价值的80%以上。这为65种不同的投资组合提供了3115个独特的数据点。我们报告了对数最小二乘回归的Rcoef系数。方法RfIM0。466fIM0。598fIM0。608fIM0。500我们在图3.1中绘制了最佳模型（fIM）的数据和估计。我们观察到，尽管大多数投资组合都很好地符合我们的模型，但也有一些离群值要么是孤立的，要么呈现一些水平或垂直分量。垂直轨迹意味着初始保证金会发生变化，而投资组合的波动性不会发生变化。它们可能与CCP进行的压缩和净额结算有关。水平轨迹意味着投资组合的内容发生了显著变化，但利润率没有变化。最可能的解释是，marginsor的更新延迟了报告值的更新。3.初始保证金预测图3.1：初始保证金与波动率之和。每个投资组合都由一条不同的曲线表示，表明其随时间的轨迹。估计值用一条直线表示。为了保护金额的一致性，我们隐藏了天平。这里，α=1.022·10-3.第4章交易图建模在这一部分中，我们试图对交易商之间的选择进行建模，以了解其动态性。我们的数据是一个边上有数据的时态图。

用数学术语来说，我们有一组节点V和一个事务列表（t、a、b、c）∈ T×V×V×DT描述时间信息，可以用T=R+连续描述，也可以用T=N离散描述。D描述交易的数据，即产品、数量（名义）和价格（价差）。此外，节点V可以与来自其他源的一些其他元数据M相关联。此类数据的一个例子是在经销商上传播CD（即所谓的单名CD）。因为这些交易商都是重要的金融公司，所以他们的债务上都有CDS。请注意，我们研究的是骰子，而不是单一名称的产品，因此我们不将确切的indexcomposition作为模型的参数。4.1相关工作4。1.1交易对手选择与我们最接近的工作是[16]，因为他们还研究OTC CDS市场上的交易对手选择。在2008年的危机中，他们激发了这个问题，在此期间，贝尔斯登和雷曼兄弟不会找到任何交易对手与他们进行交易，因为他们的风险度量太高。数据[16]还基于DTCC提供的机密交易级数据进行分析。一个区别是，我们无法访问数据集的相同子集，因为他们通过FRB访问数据集，而我们通过法国银行访问数据集。因此，我们各自的分析结果相同。交易图建模限制，即我们只能访问一方或合同参考实体受机构监管的交易。我们获取数据表。他们的分析基于单名CDS合同，而我们关注的是代表数据集最大部分的CDS指数。建模最关键的区别在于，它们为客户（包括非经销商）的经销商选择建模。另一个区别是，他们的模型预测了买家对卖家和经销商的选择。

在中间人是交易驱动因素的交易商间市场上，这种假设毫无意义[35]。相反，我们的模型遵循一种最大可能性方法，将方向赋予选择（有时选择由买方做出，有时由卖方做出）。方法论在算法部分，他们只使用逻辑或多项式线性回归，而我们使用多层感知器，并显示他们（毫不奇怪）更好地拟合数据。他们的结果纯粹是样本，这意味着他们不会用与训练集不同的数据测试或验证他们的预测。另一方面，我们暂时分割数据，并利用贝叶斯超参数优化和几种正则化技术来确保我们的模型学习模式。最后，他们的结论基于回归系数的幅度，而我们使用信息论框架下的可解释性和因果关系技术来建立更严格的特征重要性度量。4.1.2图形建模我们的方法也与链路预测和（时间）图形建模的更广泛文献密切相关。链接预测调查论文[38]用以下问题定义了链接预测：给定一个社交网络的快照，我们能否推断出在不久的将来，社交网络成员之间可能会发生哪些新的互动？我们的建模受到这个问题的启发，但在几点上有所不同：（i）我们有多个图，即两个实体可以通过多条边连接（ii）边包含信息。在这个框架中，任何可能的节点对都与一个描述它们之间某种相似性的连接权重相关联，但没有提到元数据。[3] 研究表明，监督学习是一种可能的解决方案：分类者可以学会区分假链接和真链接。照顾边缘。1.