相互关联的风险贡献：分析我们的重尾方法

在合作博弈中，S-hapley方法论赋予每个参与者的总价值部分等于该参与者对参与者集合中所有可能排列所创造价值的边际贡献的平均值，由麦克瓦尔和dMCoES风险措施。在我们的设定中，该值与市场参与者产生的总体风险一致。Shapley价值法所满足的可加性公理确保了风险分配的有效性，即个人机构的总体风险份额与总风险（即麦克瓦尔（或该系统中所有陷入困境的金融机构中。4实证分析在本节中，我们关注1992年至2013年期间银行、金融服务和保险行业之间的相互联系，特别强调人寿保险公司和非人寿保险公司之间的区别。人寿保险人和非人寿保险人主要因其风险敞口以及各自投资组合的构成而有所不同，这与系统性风险管理非常相关，并且与公司的核心业务密切相关。关于第一个方面，人寿保险公司比非人寿保险公司更容易受到灾难性死亡事件相关风险的影响。此外，人寿保险公司通常有较长的投资期限，这一特点在很大程度上有助于增加其风险，因为这些事件会影响金融市场的总体低迷或总收入的收缩。在此基础上，我们认为金融危机对寿险业的影响应该大于非寿险业。

关于eir分别为92 93 94 95 96 97 98 99 00 01 02 03 04 05 06 07 08 09 10 11 1200.511.52图1：不同行业的累积回报率：银行（蓝线）、金融服务（红线）、人寿保险（暗线）和非人寿保险（绿线）。垂直虚线代表重大的金融衰退：“黑色星期三”（1992年9月16日）、亚洲危机（1997年7月）、俄罗斯危机（1998年8月）、2001年9月11日的冲击、贝尔斯登对冲基金崩溃（2007年8月5日）、摩根大通收购贝尔斯登（2008年3月16日）、雷曼破产（2008年9月15日），最近的全球金融危机（2009年3月9日）和2010年4月的欧洲主权债务危机（2010年4月23日，希腊危机）爆发的高峰期。个人对整体风险的贡献出于风险政策的目的，评估他们是否积极地推动了风险在不同部门的传播，或者他们是否是负面传染效应的受害者，这一点很重要。为了研究美国银行业、保险业和更一般的金融行业的整体风险份额，我们使用多元Student–t MS模型和前面章节中解释的方法，对道琼斯工业平均指数（DJIA）的四个行业指数进行了分析。下一节将介绍我们的实证分析中使用的数据，而第4节则是。2和4.3详述了我们的主要发现。4.1数据为了评估美国市场寿险和非寿险、银行和其他金融机构的总体风险贡献，我们考虑了属于美国道琼斯综合指数的四个行业指数：银行、金融服务、寿险和非寿险。这四个行业指数的市场周收益率涵盖了1992年1月1日至2013年6月28日这段时间。附录A中的表1提供了完整样本描述性统计数据。

我们发现，与银行和多元化金融服务部门相比，这两个保险部门的特点都更加明显。令人惊讶的是，在这两个保险行业中，寿险行业显示出最大的峰度指数，该值与银行观察到的峰度指数一致，与n on–life观察到的峰度指数显著不同。此外，Jarque–Bera（JB）统计数据证实了所有收益序列在1%点火水平下与正态f的分离。此外，表1第8列中1%的经验分位数支持以下观点，即在本分析中，单独考虑的人寿保险将是风险最高的部门。然而，由于我们主要关注的是调查风险源如何在不同行业之间传播，我们需要收集有关其联合动态演变的信息。在一项未报告的分析中，作为第一步，我们评估了行业之间的完整样本相关性，指出非人寿保险与银行部门的相关性不如人寿保险，并显示出与多元化金融服务行业的最大系数。基于这些理由，有人认为，银行和人寿保险公司之间的市场联动应该大于行业内的联动（我们在这里考虑的两种保险公司）。在第4.2节中，我们表明，在考虑极端相互依赖的事件时，这一证据可能具有误导性。这种不一致结果的一种可能解释是，资产回报率存在非线性关系，否则，假设MS模型的条件密度为Student–t分布。图1显示了从1992年1月2日到样本结束的所有考虑资产的累积收益时间序列。

垂直虚线指的是以下事件：“黑色星期三”（1992年9月16日）、亚洲危机（1997年7月）、俄罗斯危机（1998年8月）、9月11日至2001年的冲击、贝尔斯登对冲基金崩溃（Au gu st5，2007年）、摩根大通（JP Morgan Chase）收购贝尔斯登（2008年3月16日）引发的抵押贷款次贷危机，塞勒曼的失败（2008年9月15日）、最近的全球金融危机（2009年3月9日）和2010年4月的欧洲主权债务危机（2010年4月23日，希腊危机）的顶峰。图中给出了危机时期如何影响其所考虑的不同行业的见解。在2001年双子塔袭击事件之后，直到2007年中期，美国金融体系经历了一段长时间的小扰动，在2007年初两家贝尔斯登对冲基金倒闭后不久，稳定性就结束了。从2007年8月开始，金融市场经历了巨大的下跌，次贷危机导致了金融危机，并于2008年开始了随后的衰退。2008年9月，几家主要金融机构倒闭，企业和消费者的信贷流动受到严重干扰，全球经济开始严重衰退。该体系在2009年3月触底，开始出现低复苏，在2010年4月欧洲主权债务危机之前达到顶峰。值得注意的是，自2007年全球危机开始以来，所有相关行业都经历了巨大的资本损失，银行业（蓝色线）是受危机影响最大的行业。

此外，在欧洲主权债务危机之后，银行和非寿险保险，以及金融服务和寿险，一方面变得更加相关，表现出类似的趋势。4.2估算结果在本节中，我们通过为所考虑的数据建立最佳模型，并估算所有相关参数来进行。为了在多元学生模型中选择最佳模型，我们需要选择潜态数L{St，t=1，…，t}。根据当前文献（参见C ap p’e等人2005年；Ryd’en，2008年），我们采用Akaike信息标准（AIC）和贝叶斯信息标准（BIC），根据非冗余参数的数量，涉及不同的惩罚条款。特别是，我们使用2到6个隐藏状态来验证所提出的模型。该初步分析的结果见附录A中的表2，其中很明显，两种信息都反映了具有四种隐藏状态的模型。对于所选模型，附录A中的表3和表4总结了参数估计。我们的模型很好地捕捉到了金融文献中经常记录的风险回报率的动态演变。事实上，我们在表4中观察到，根据显著不同的州-特定回报率平均值，确定了两个积极（州1和州2）和两个消极（州3和州4）制度。此外，大负回报（状态1）的特点是具有较大的标准偏差（参数∧），而不是标准偏差非常低的负回报。状态2和状态3分别确定了与中等负均值回报和正均值回报相关的低波动期。

这基本上意味着，状态1和状态4可以被识别为金融动荡和稳定的时期，而状态2和状态3则是金融系统在危机期之后或之前立即过渡的时期。后一个观察结果也可以通过检查图3显示在每个时间段p（St | IT）处于给定状态的马尔可夫平滑概率来证明。例如，在2007-2008年全球金融危机期间，我们观察到处于状态1（湍流）的概率大于99%。在2007年危机之前的一段时间内，包括2006年和2007年的大部分时间，直到2007年8月贝尔恩·斯登对冲基金崩溃，系统访问transitorystate 2，这与p-re危机机制相对应。所有这些结果都证明了选择正确的模型规格以了解经济系统的全球动力学的重要性。正如Bernardi et al.（2013b）中广泛记录的那样，多元学生——这里考虑的塔普罗奇——也能够识别股票之间不同的传染效应，通过国家特定相关性（参数Ohm). 正如预期的那样，在危机期间，每iod的相关性更高，而在更稳定的阶段，差异相对较低，传染效应不太明显。表3提供了隐马尔可夫链的t自由度和转移概率Q的参数估计。通过观察ν参数，我们已经检测到了估计的脂肪尾巴，这与经验观察到的典型事实相符。此外，引入有条件的Student–t分布会显著增加状态电阻，从而导致更长、更稳定的波动周期。转移矩阵估计证实了这一点。

除第一种状态外，所有状态下的大效应-对角转移概率都证实了过渡状态（2和3）以及金融稳定状态4的大持续性。相反，金融危机状态1的特征是主对角线上的概率值较小，转移到状态2的概率较大，这表明金融系统在走出危机后进入“现代化”金融动荡期。值得注意的是，尽管参数估计提供了支持政策决策过程的相关信息，但它们并不能提供足够的洞察力来评估极端的尾部相互依赖性。4.3总体风险贡献本节的目标是通过检查前几节中介绍的Shapley values风险度量的时间演变，分析总体风险如何在不同部门之间传播。关于Shapley值作为风险归因指标的应用及其性质的更多细节，请读者参阅Bernardi等人（2013b）的论文。我们研究了银行、金融服务和保险行业之间的极端尾部相互依存关系是否随着时间的推移发生了变化。在最近的文献中，各部门之间，尤其是金融和保险部门之间的相互关联性得到了深入研究。例如，Bernal等人（2013）在他们的实证调查中发现，在欧元区，b和k对系统性风险的贡献相对最大，而在2004年至2012年期间，保险业是美国系统性风险最高的行业。最近，Chen等人（2013）和Billio等人。（2012）使用单变量格兰杰因果分析，显示银行业和保险业之间存在显著的双向关联。

我们基于模型的方法能够在多变量框架内调查每个部门对所有剩余部门风险的贡献。此外，我们的分析考虑了不同的痛苦事件共同影响市场参与者的健康水平。图2根据多重CoVaR和多重CoESat置信水平τ=τ=0.05绘制了每个部门的总体风险。图2中的总风险为监管者提供了基准，以便在其他所有部门都陷入困境时，计算各个部门对总风险的贡献。所有部门总风险的动态演变表明，在分析期间，出现了四个主要的下降峰值：1998年底的俄罗斯危机部分与1999-2000年的互联网业务重叠；9月11日的冲击和最近的2007-2009年全球金融危机。有趣的是，俄罗斯危机和最近的2007年抵押贷款次贷危机，以及随后影响所有行业的几年金融动荡，都预计总风险将显著增加。

尽管这两个危机ep ISO的特征是持续时间不同，以及财务和92 93 94 96 97 98 00 01 02 03 04 05 06 07 08 09 10 11 12-0.4-0.3-0.2-0.192 93 94 95 96 97 98 99 00 01 02 03 04 05 06 07 08 09 10 11 12-0.6-0.5-0.4-0.3-0.2-0.1图2：由多个CoVaR（顶部面板）和多个COE（底部面板）评估的不同行业的总风险：银行（蓝线）、金融服务（红线），人寿保险（暗线）和非人寿保险（绿线）。92 93 94 95 96 97 98 99 00 01 02 03 04 05 06 08 09 10 11 200.5192 93 94 96 97 99 00 01 02 04 05 06 07 08 09 10 11 200.5192 93 94 95 96 96 97 98 99 00 01 02 03 05 06 07 08 09 10 11 200.5192 93 94 94 95 96 96 96 98 98 99 00 01 03 04 05 07 07 08 09 10 11 1200.51图3：访问美国各州的平滑概率马尔可夫链P（St=j | IT）对于j=1，4（从顶部到底部）由四个组成部分的Student-t模型暗示。垂直虚线代表重大的金融衰退：“黑色星期三”（1992年9月16日）、亚洲危机（1997年7月）、俄罗斯危机（1998年8月）、2001年9月11日的冲击、贝尔斯登对冲基金崩溃（2007年8月5日）、摩根大通收购贝尔斯登（2008年3月16日）、雷曼破产（2008年9月15日），最近的全球金融危机（2009年3月9日）和2010年4月的欧洲主权债务危机（2010年4月23日，希腊危机）爆发的高峰期。我们观察到，经济状况是由整体风险水平的增加所预期的。这一证据支持将总风险指标作为金融危机的领先指标。

特别是关于俄罗斯危机，我们仔细检查了针对银行的92 94 96 98 00 02 04 06 08 10 120.100.200.300.40（a）金融服务（浅灰色）、人寿（灰色）和非人寿（黑色）保险。92 94 96 98 00 02 06 08 10 120.200.300.400.50（b）银行（浅灰色）、人寿（灰色）和非人寿（黑色）金融服务保险。92 94 96 98 00 02 06 08 10 120.200.300.400.50（c）针对人寿保险的银行（浅灰色）、金融服务（灰色）和非人寿保险（黑色）。92 94 96 98 00 02 06 08 10 120.100.200.300.40（d）针对非人寿保险的银行（浅灰色）、金融服务（灰色）和人寿保险（深色）。图4：基于M——不同行业针对银行（a）、金融服务（b）、人寿保险（c）和非人寿保险（d）的CoVaR。垂直的圆点线代表着重大的金融衰退：“黑色星期三”（1992年9月16日）、亚洲危机（1997年7月）、俄罗斯危机（1998年8月）、2001年9月11日的冲击、贝尔斯登对冲基金崩溃（2007年8月5日）、摩根大通收购贝尔斯登（2008年3月16日）、雷曼破产（2008年9月15日），最近的全球金融危机（2009年3月9日）和2010年4月的欧洲主权债务危机（2010年4月23日，希腊危机）爆发的高峰期。图2我们观察到，1997年中期亚洲金融危机之前，所有行业的总风险突然增加。然后，该系统经历了一段长时间的财务不稳定，包括随后的三次危机，并在2001年9月的T win towers袭击中达到顶峰。相反，关于最近的全球危机，我们观察到，在贝尔斯登对冲基金于2007年8月t日崩盘之前的很长一段时间，所有行业的总风险都在增加。