利用网络：基于DebtRank的压力测试框架

表中列出了按资产规模分列的前十大机构的名称。3.3损失的分布3。3.1全球损失我们通过模拟从贝塔分布中得出的150个不同系统冲击水平来评估相对全球股权损失的分布。图4显示了2008年和2013年仅考虑第一轮（蓝线）和第二轮（红线）遇险传播影响所产生的分布。垂直线表示95%的VaR值，虚线表示相同水平的CVaR（详见A.4）。从这个数据中可以得出一个非常重要的考虑因素：考虑二阶效应会大大增加全球股权损失更大的可能性，从而将VaR值向右移动。2008年，一种只引发一级风险的情景导致了相对较低的VaR水平。相反，在第二轮影响增加后，这个值会高得多。2013年发现了一个类似但不那么极端的模式。观察到的VaR转移现象是另一个令人信服的证据，表明系统风险度量应该考虑网络效应。3.3.2个人损失图5显示了框架的一个输出：可以获得每个银行的损失分布。在这里，我们关注两大机构（按资产规模）：汇丰银行（2013年按资产规模排名第一）和圣保罗联合银行（2013年排名第十三）。尽管资产规模存在差异，但当考虑到第二轮影响（0.28 vs 0.22）时，第一轮VaR水平的原始距离（0.15 vs 0.14）变得更加相关。这个例子表明，如果我们忽略第二轮效应，标准风险度量的显著差异就会被忽略。选择的贝塔分布参数分别为a=4和b=8。

为了达到0.015=1.5%的最大值和0.001=0.1%的最小值，对分布进行了截断。0.20.40.60.8 100.10.20.30.40.50.6全球相对损耗相对频率2008- Var级别=5%直方图（第二轮）Var第二轮CVAR第22轮直方图（第一轮）Var第一轮Var第二轮0。2 0.4 0.6 0.8 100.10.20.30.40.50.6全球相对损耗相对频率2013- Var级别=5%直方图（第二轮）Var第二轮CVAR第22轮直方图（第一轮）Var第一轮Var第二轮图4:2008年和2013年全球相对损失（全球脆弱性）的分布。从参数为[4,8]的贝塔分布中得出的外部资产价值的相对损失，最大值为0.015.0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.900.050.10.150.20.250.30.350.40.450.5损失分布相对频率2013- 银行：意大利圣保罗银行，5%VaR柱状图（第二轮）VaR（第二轮）CVaR柱状图（第一轮）VaR（第一轮）CVaR（第二轮）0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.900.050.10.150.20.250.30.350.40.450.5损失分布相对频率2013- 银行：汇丰银行，5%VaR柱状图（第二轮）VaR（第二轮）CVaR柱状图（第一轮）VaR（第一轮）CVaR（第二轮）图5：两家大型银行的个人损失。（左）图表显示了圣保罗联合银行和（右）汇丰银行的损失分布。4讨论和总结要点第3节中进行的练习展示了如何使用该框架计算与系统性风险相关的各种个体和整体数量。该框架允许进行大量额外的分析，为了更为一致，本文未详细报告这些分析。例如，图6显示了该框架在网络可视化方面的一个输出，并允许将单个机构的网络位置与其他信息进行比较。

在本例中，考虑了2008年（左）和2013年（右）按总资产规模排名前18位的银行间风险敞口。银行在图表中的位置由其影响决定：影响越大，银行在圆圈中的位置就越中心。气泡大小与银行的总资产规模成正比，而颜色编码其漏洞（从蓝色到红色，红色节点更容易受到攻击）。值得一提的是关于hsbcbnpdbarclayscred的讨论。阿格里克。Soc。RBSSantanderINGLloydsUnicred将军。北欧商业银行。图表丹麦。阿格里克。Soc。RBSSantanderINGLloydsUnicred将军。北欧商业银行。图表丹麦图6：2008年和2013年按资产规模划分的前18家机构的网络可视化。节点根据其Katz中心性定位在同心圆上。金融机构系统重要性的决定因素。特别是，一个问题是，机构的资产规模在多大程度上可以很好地预测银行对整个系统的影响，以及我们应该在多大程度上考虑银行在银行间网络中的地位。之前的研究发现，虽然系统重要性银行通常是大型银行中的一家，但在违约的情况下，规模相似的银行可能会对系统产生非常不同的影响（di Iasio等人，2013）。与这些结果一致，在我们的研究中，我们发现，粗略地说，资产规模并不是影响的良好预测因素（即，资产规模与个人影响之间的皮尔逊相关性，按债务等级衡量，按总资产计算的前30家机构，每年都很低，约为0.5）。总之，本文提出了一个压力测试框架，重点是评估系统性风险中的网络效应。

我们展示了如何在2008-2013年间对183家欧洲银行的数据进行压力测试。该框架的底层代码已在MATLAB中开发，可根据要求向作者提供。互联性的概念已经进入了关于“全球系统重要性银行”的辩论（G-SIBs，巴塞尔银行监管委员会，2011年）。然而，到目前为止，这一概念的含义是总体意义上的，没有充分认识到具有类似总体风险敞口的机构可能具有非常不同程度的系统性影响和/或对冲击的脆弱性。事实上，我们框架中的一个核心概念是杠杆网络，即银行资产负债表之间以及银行和资产之间的杠杆关系集。这些关系的影响是从网络角度监控系统风险的关键起点。因此，我们的框架允许分别跟踪所谓的第一、第二和第三轮效应的大小，这一特征在国家和国际层面未来压力测试的讨论中尤为重要。在这方面，根据之前对德国银行间数据的研究（Finket al.，2014），我们发现第二轮影响至少与第一轮影响一样大。请注意，通过采用基于仅违约机制的传统分析（艾森伯格和诺伊，2001年；罗杰斯和维拉特，2013年），我们反而会发现非常有限的第二轮效应。造成这种差异的主要原因有两个。首先，在仅违约的框架下，只有在完全违约的情况下，才会出现困境的传播。

例如，为了触发任何第二轮影响，第一轮中至少有一次违约是必要的：这反过来意味着初始冲击至少需要与银行杠杆的倒数一样大（见附录a）。为了让第二轮变得重要，第一轮中需要有大量违约。事实上，建议银行将其最大的单一风险敞口保持在远低于其资本的水平，以便第二轮损失的必要条件是至少两个交易对手违约。然而，在实践中，银行定期重新评估其对交易对手的按市值计价风险敞口，以考虑其违约概率的变化（即信贷估值调整；见巴塞尔银行监管委员会，2015年）。事实上，DebtRank以递归的方式捕捉到了这种调整的影响。产生这种差异的第二个原因是，在Eisenberg和Noe（2001）中，虽然银行间资产的回收率是由内生决定的，但外部资产的回收率被认为是一个。尽管这一假设在年有所放松（罗杰斯和维拉特，2013年），但要触发任何第二轮，仍然需要在第一轮进行非常大的射门。相比之下，DebtRank的动态假设银行间资产的回收率为零，这在短期内是一个现实的假设。未来的工作将致力于将这两种范式方法联系起来。在该框架中，我们进一步计算了一系列系统性风险变量及其随时间的演化，从而显示了金融系统中系统性风险的动态。