电子银行同业市场中的网络关系：一个交易模型

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Networked relationships in the e-MID Interbank market: A trading model
  with memory》
---
作者：
Giulia Iori, Rosario N. Mantegna, Luca Marotta, Salvatore Micciche\',
  James Porter, Michele Tumminello
---
最新提交年份：
2014
---
英文摘要：
  Interbank markets are fundamental for bank liquidity management. In this paper, we introduce a model of interbank trading with memory. Our model reproduces features of preferential trading patterns in the e-MID market recently empirically observed through the method of statistically validated networks. The memory mechanism is used to introduce a proxy of trust in the model. The key idea is that a lender, having lent many times to a borrower in the past, is more likely to lend to that borrower again in the future than to other borrowers, with which the lender has never (or has in- frequently) interacted. The core of the model depends on only one parameter representing the initial attractiveness of all the banks as borrowers. Model outcomes and real data are compared through a variety of measures that describe the structure and properties of trading networks, including number of statistically validated links, bidirectional links, and 3-motifs. Refinements of the pairing method are also proposed, in order to capture finite memory and reciprocity in the model. The model is implemented within the Mason framework in Java.
---
中文摘要：
银行间市场是银行流动性管理的基础。本文介绍了一个带记忆的银行间交易模型。我们的模型再现了最近通过统计验证网络方法实证观察到的电子中介市场中优惠交易模式的特征。内存机制用于在模型中引入信任代理。关键的想法是，过去曾多次向借款人放贷的贷款人，未来再次向该借款人放贷的可能性比向其他借款人放贷的可能性更大，因为贷款人从未（或经常）与其他借款人互动。该模型的核心仅取决于一个参数，该参数代表所有银行作为借款人的初始吸引力。模型结果和真实数据通过描述交易网络结构和属性的各种度量进行比较，包括统计验证的链接数、双向链接和3-基序。为了捕获模型中的有限记忆和互易性，还对配对方法进行了改进。该模型是在Java的Mason框架中实现的。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Networked_relationships_in_the_e-MID_Interbank_market:_A_trading_model_with_memory.pdf (943.34 KB)

2022-5-6 00:13:08 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：电子银行 银行同业 交易模型 子银行 Quantitative

e-MID银行间市场中的网络关系：memoryGiulia Ioria的交易模型，Rosario N.Mantegnab，c，*, Luca Marottac、Salvatore Miccich`ec、James Portera、Michele TumminellodaDepartment of Economics，伦敦城市大学，伦敦，联合KingdombCenter for Network Scienze和经济系，中欧大学，N\'ador u.9，1051布达佩斯，Hungarycdipartment to di Fisca e Chimica，Universit\'a degli Studi di PalermoViale delle Scienze，Ed 18。90128巴勒莫，意大利巴勒莫大学统计和数学科学系，巴勒莫，意大利巴勒莫摘要银行间市场是银行流动性管理的基础。本文介绍了一个带记忆的银行间交易模型。我们的模型再现了最近通过统计验证网络方法实证观察到的电子中介市场中优惠交易模式的特征。在该模型中，使用内存机制引入信任代理。关键的想法是，过去曾多次向借款人放贷的贷款人，未来更有可能再次向该借款人放贷，而不是向其他借款人放贷，贷款人从未（或很少）与其他借款人互动。该模型的核心仅取决于一个参数，即所有银行作为借款人的初始吸引力。模型结果和真实数据通过描述交易网络结构和属性的各种度量进行比较，包括统计验证的链接数、双向链接和3-基序。为了在模型中捕捉有限的记忆和相互作用，还提出了配对方法的优点。该模型是在Java的Masonframework中实现的。作者感谢FP7研究项目“系统不稳定性的复杂性研究倡议”的支持。G.I。

感谢FP7研究项目FOC“预测金融危机”的支持。*通讯作者：电子邮件：rn。mantegna@gmail.comSeptember16，2018关键词：银行间市场，网络形成，统计验证网络，Java/MasonJEL:G15，G211。引言功能良好的银行间市场有效地将流动性从资金过剩的机构输送到有需要的机构，从而在银行流动性管理和货币政策传导中发挥关键作用。在2007-2008年金融危机之前，这些市场的流动性和信用风险被认为微不足道。尽管如此，银行间借贷的崩溃一直是次贷金融危机的核心特征。流动性囤积和信任蒸发被认为是危机期间银行间市场枯竭的两个重要决定因素（Heider et al.（2009）；Acharyaet等人（2013年）。霍尔丹（2009）主张，银行间市场冻结是复杂、适应性网络压力下行为的一种表现，是参与者通过相互接触而产生的相互关联性所产生的复杂性，以及代理人在（奈特式）不确定性存在时优化相互依存战略的尝试所产生的适应性。此后，几位作者呼吁采用网络分析，以充分了解银行业的稳定性。最近，一些理论研究考虑了金融系统中的网络形成问题（Babus（2007）、Allen和Babus（2008））以及从网络形成博弈的角度（Jackson和Wolinsky（1996）、Dutta等人（2005）、Bloch和Jackson（2007）、Goyal和Vega Rodondo（2007））。

例如，在银行间市场中，双边信贷互动的基础网络的存在，对确保流动性风险的联系和可能传导传染风险的联系的设置都有作用。实证网络文献旨在描述观察到的银行间市场的拓扑结构，检查规律性和程式化事实。研究考察了世界各地的几个银行间市场，包括奥地利（Boss等人（2008））、e-MID（Iori等人（2008））、Iazzetta and Manna（2009））、FedFunds（Bech and Atalay（2008））、德国（Craigand Von Peter（2010）、布劳宁（2011））、墨西哥（Martinez Jaramillo等人（2012））和印度（Iyer and Pehydro（2011））。Bech和Atalay（2008）表明，Fedfunds交换产生的网络是稀疏的，表现出小世界现象，并且是不可分割的。此外，互惠性和中心性指标是利率贷款的预测因子。克雷格和冯·彼得（2010）对德国银行间市场分层的分析确定了一种核心-外围结构。Martinez Jaramillo等人（2012年）结合支付系统和银行间风险敞口的数据分析了墨西哥银行网络。其他研究试图更直接地量化网络结构对传染病传播的影响，包括一些补充问题，包括：银行间市场的网络结构与其对不同类型冲击的弹性之间的关系（Gai等人（2011年）、Iori等人（2006年）、Battistonet等人（2012年）、Lenzu和Tedeschi（2012年）、Georg（2013年），Ladley（2013））；资产转售的影响（Nier等人（2007））；滚动风险和投资组合重叠（Anand等人（2012年），Caccioli等人。

(2012)); 监管税的影响（Thurner和Poledna（2013），Poledna和Thurner（2014），宏观经济和金融部门之间的反馈回路（Grilli等人（2012））。采取了两种互补的方法。在一种情况下，风险敞口网络被视为外部给定的，或者根据真实市场数据校准，或者根据预设规格生成。然后进行压力测试实验，并监测其影响（Gai和Kapadia（2010年）、Upper（2011年）、Caccioli等人（2012年））。或者，在基于代理的模型中，行为规则被分配给经济代理，其策略决定了银行间风险敞口网络和违约事件（Ioriet al.（2006）、Georg（2013）、Ladley（2013））。我们的论文属于基于代理的模型传统，试图找出简单的行为规则来解释现实市场中观察到的特征。我们尤其对e-MID市场感兴趣，它是欧元区和美国唯一的银行间存款电子市场。在集中的银行间市场，如e-MID，银行会公开引用他们的报价，在给定的到期日借出或借入资金。报价可能不合法，但在贷款合同最终确定之前，贷款人有权知道借款人的身份，并可以拒绝完成交易。由于这种明显的搜索摩擦的缺乏，因此有必要研究目前的网络结构。虽然早期对电子中端市场的研究（Iori et al.（2008））表明，在日常规模上，电子中端市场是一个相当随机的网络，但在较长的聚合期内，非随机结构并未被覆盖。月度和季度汇总数据显示，自20世纪90年代以来，银行高度集中（Iazzetta和Manna（2009）），充当整个网络全球中心的银行越来越少。

枢纽往往聚集在一起，并观察到显著的核心-外围结构（Lux等人（2013））。A fififinito（2011）和Temizsoy等人（2014）观察到了在整个金融危机期间保持稳定的持久银行间关系。Hatzopoulos等人（2013年）通过使用基于统计验证网络检测的方法（Tumminello等人（2011年））观察到电子中介市场的网络结构，该方法允许研究人员控制银行异质性。在所引用的研究中，通过选择成对银行之间的重复信贷互动（特别是隔夜贷款合同），强调了电子中端市场的网络化性质，这些重复信贷互动在统计上与贷款随机配对的无效假设不符，这也解释了银行的交易异质性。换句话说，假设银行的基本交易网络主要由银行的异质性驱动，而一些双边关系的网络性质与双边交易数量的动态过度表达有关。对e-MID数据的整体实证研究已经确定了市场的重要属性，但也表明，在次贷危机期间，e-MID银行间网络保持了惊人的稳定（Lux and Fricke（2013）），只有在雷曼违约后才出现结构性突破。Abraham等人（2013年）以日内规模证实了这些发现，他们发现了网络增长过程中的规律性，这些规律性在危机期间没有改变。这间接表明，驱动链接形成的潜在机制随着时间的推移是稳定的。在本研究中，我们引入了一个在集中的异质信贷市场中双边信贷关系优先形成的随机模型。

信贷交易数量的市场异质性被认为是外生的，信贷关系的网络性质与双边交易过度表达的检测有关。在这些文件中，借贷关系的强度是通过银行间借贷活动的集中度来衡量的。更准确地说，对于每个贷款人和借款人，都会计算出一个偏好指数，该指数等于贷款人（借款人）在给定期间借给借款人（贷款人）的资金总额与贷款人（借款人）在同一期间借给银行间市场的资金总额之比。尽管如此，这项措施并未考虑到银行体系的异质性，以及如果大银行需要大量交易，它们可能除了相互交易之外别无选择。关于考虑银行异质性的无效假设。该模型的数值模拟使用电子中间市场交易的真实数据进行了校准。我们的模型的模拟显示了网络信用关系的动态性，它模仿了真实数据中观察到的一种关系。模拟数据的分析是通过分别考虑贷方侵略者和借方侵略者的角色来进行的。侵略者是提议制定贷款合同的一方。校准后，在这两种情况下，模拟中观察到的网络关系的数量与realdata中观察到的数量非常一致，无论是针对贷方攻击者还是借方攻击者。除了检测网络关系的平均数量外，我们还通过研究原始网络和统计验证网络的模拟和真实数据中存在的三元组或3-基序来分析网络关系的局部性质。

最近，在荷兰（Squartini et al.（2013））和意大利（Bargigli et al.（2013））的银行间交易网络实证研究中，研究了三元组或3-基序，即三节点子网络的同构类。我们发现，在调查的三个维持期中，真实数据呈现了一些特定的3-基序的过度表达，而过度表达几乎不存在，或者仅在经统计验证的贷方攻击方和借方攻击方网络中微弱存在。换句话说，真实数据呈现了局部子图的结构，这些子图在校准模型的模拟中不可见或仅微弱可见。这篇文章的结构如下。在第2节中，我们介绍了我们的交易模型。在第3节中，我们描述了用于揭示银行间优惠交易关系的方法。在第4节中，我们描述了e-MID银行间市场交易的调查数据库。在第5节中，我们比较了从模拟和真实数据中获得的交易网络。第6节提出了该模型的一个补充，以引入一种实体模型。最后，在第7节中，我们得出结论。2.具有强化记忆功能的交易模型我们通过将银行贷款视为一个网络来研究电子中间市场中银行贷款的信用关系，在该网络中，节点是银行，如果我向j贷款，则从i银行到j银行设置一个定向链接，链接的权重是该事件在考虑的时间段内发生的次数。

我们还区分了贷方攻击者和借方攻击者交易，因此在几个案例中调查了两种不同类型的网络。在这里，我们提出了一个包含信任的银行间交易模型。该模型基于这样一种理念：如果一家银行过去曾多次向银行Bi贷款（i，j=1，··，n，其中n是银行的数量），那么它很可能在未来继续这样做，除非外部条件发生变化。我们的模型试图结合银行在给定时间段内借贷意愿的内在异质性。因此，我们将在模型中区分两个特征时间尺度。第一时间量表TM是定义这种交易意愿的量表，例如一个维护期或三个维护期。每家银行都可以在time window TM中同时充当贷款人和借款人。为了在我们的模型中解释银行的异质性，我们依赖realdata，并根据真实的交易数据系列，设置每家银行作为贷方（借方）在贷方攻击方交易中的交易数量Bl，lai（Bb，lai），以及作为借方攻击方交易中的借方（借方），Bl，bai（Bb，bai）。第二个时间是一个事件时间，定义了模型事务顺序发生的顺序。因此，可以用时间步长来自然地描述它。因此，特定时间窗口TM的时间步长t表示t事务已经在时间窗口TM中发生。模型应区分借款人攻击方交易和贷款人攻击方交易。在时间窗TM的每个时间步t，我们考虑一个二进制随机变量xlb的结果，以确定下一个交易是贷方侵略者交易还是借方侵略者交易。

变量xlb用概率pl（t）表示“贷方攻击者”的值，概率pl（t）是在时间窗t时间步t内剩余的贷方攻击者交易总数的分数，否则表示“借方攻击者”。一旦确定了下一笔交易的类型（贷方攻击方交易或借方攻击方交易），该模型将指示如何选择交易的对应方。我们首先关注贷方侵略者交易。为了模拟贷方侵略者交易，我们假设toborrow订单是由概率B（Bi，t）随机选择的银行比特下的∝ Bb，lai（t）。（1） Quantity Bb，lai（t）是银行在TMA中作为借款人在贷方攻击方交易中进行的交易数量Bb，lai，减去其在TM的时间步t已经作为借款人进行的贷方攻击方交易数量。一旦选择了借款人，我们随机选择一家银行作为交易的对应方，即贷款人，概率为（Bj，t | Bi）∝ Bl，laj（t）w+NBj→Bi（t）, （2） 式中，Bl，laj（t）是银行在贷方攻击方交易中作为贷方愿意进行的交易数量，Bl，laj减去其在时间步t.数量NBj已经作为贷方进行的贷方攻击方交易数量→Bi（t）是自模拟开始以来，无论交易类型如何，Bjto借钱给BIS的交易总数，最终包括Bjto在TM时间步t已经发生的交易。最后，w是所有银行的一个参数，代表了借款人的共同吸引力水平。在模拟开始时，当NBj→Bi（t）等于零或非常小。重要的是要注意关于w的两件事。首先，它作为一个随机化参数。