资产价格与银行行为的动态互动：系统分析

α（0）=0.48（反向预期市场）对应于反向预期者仍然占主导地位，但趋势跟随者的数量多于α（0）=0.31的情况。在α（0）=0.56（趋势跟随者占主导地位的市场）的情况下，趋势跟随者在市场中比反向者多。α（0）=0.75（趋势跟随者主导市场）表明趋势跟随者在市场中占主导地位。我们比较了这四种情况，并检验了α（t）对市场条件的依赖性。标签。6显示了四个案例的市场价格的描述性统计。如图5所示，由于银行破产，我们确认α（t）具有一定的方差，并且在时间上有很大的变化。也就是说，如果一家银行在时间t破产了16佐藤昭弘、塔斯卡和伊藤隆志，那么N（t+1）=N（t）- 1.如果它是进一步的趋势跟随者，那么Ntf（t+1）=Ntf（t）- 1.e图的持续时间相当于100年（36500天）。图6显示了现金总额，图7显示了r isky资产总额。标签。7和8显示现金和风险集合总额的描述性统计。当市场价格下跌时，风险资产总额减少，损失总额增加。这种情况可以在α（0）=0.75时得到证实。表6。四个案例的市场价格描述性统计。α（0）平均中值最小值最大值0.31 0.396906 0.388796 0.0021480.288575 0.9257970.48 0.422041 0.419790 0.003362 0.276761 0.8901190.56 0.268880 0.260136 0.015824 0.025530 0.8762530.75 0.024344 0.001470 0.004728 0.000013 0.838115表7。四个案例现金总额的描述性统计。α（0）平均中值Var Min。

最大0.31 221025.65 216784.15 434426403.00 193298.04 258798.490.48 222981.91 221224.41 471846434.54 190538.46 262366.220.56 200522.00 193584.94 686616124.42 163129.25 271543.810.75 262675.93 265049.78 959870096.96 179773.39 329123.678表8。四种情况下风险资产总额的描述性统计。α（0）平均中位风险最小值最大值0.31 199288.73 193253.00 711326678.75 162122.00 253637.000.48 198077.09 199944.00 827698672.91 150323.00 253288.000.56 173392.31 167072.00 710520661.60 132277.00 253255.000.75 137052.78 128987.00 1839165861.20 68731.00 253252.00如果对手对总交易者的比率增加，那么价格变动将使EEM均值回复。如选项卡所示。6.在这四种情况下，在α（0）=0.31时，承包商主导市场的方差最小。其他情况（α（0）=0.56和0.75）显示出更高的波动性，并对应泡沫和崩盘之间的顺周期市场行为。如选项卡中所示。7.资产价格与银行行为之间的动态互动170.20.40.60.8t市场价格（a）0.20.40.60.8t市场价格（b）0.20.40.60.8t市场价格（c）0.20.40.60.8t市场价格（d）图4。颜色在线。（a） （a）反向主导市场，（b）反向主导市场，（c）趋势跟随者主导市场，以及（d）趋势跟随者主导市场的市场价格。8.研究表明，与其他情况相比，α（0）=0.56时的现金和风险资产总额波动较小。这意味着，在α（0）=0.56时，趋势跟随者-主导市场的银行系统中的现金和风险资产总量的变化幅度小于其他情况（α（0）=0.75）。也就是说，如果趋势跟随者在市场中占主导地位，那么市场的顺周期行为将对市场参与者有害，并可能使银行系统更加不稳定。累积损失H（t）如图8所示。

据说，如果市场参与者是同质的，那么损失的总金额要少于更异质的情况。在趋势跟随者主导市场和反向主导市场中，破产的数量都大于趋势跟随者主导市场和反向主导市场等其他两种情况。当市场价格回暖时，逆向投资者可能会从市场中获得利益。当市场价格顺周期时，趋势跟随者可能会从市场中获得利润。无花果。9和10显示了市场价格与现金总量之间以及市场价格与总损失之间的卡特尔曲线。我们发现，均值回复价格变动对银行的危害可能小于高波动价格变动。图11显示了（a）α（0）=0.31，（b）α（0）=0.48，（c）α（0）=0.56和（d）α（0）=0.75时的时间序列资本充足率（CAR）。经证实，银行18佐藤昭弘（Aki Hiro Sato）和保罗塔斯卡（Paolo Tasca）以及高石Isogai0。20.250.30.350.40.45talpha（a）0.40.420.440.460.480.50.520.540.560.580.6talpha（b）0.450.50.550.60.650.70.75talpha（c）0.680.70.720.740.760.780.80.820.840.860.880.9talpha（d）图5。颜色在线。α（t）的时间发展；（a） 反向主导市场，（b）反向主导市场，（c）趋势跟随者主导市场，以及（d）趋势跟随者主导市场。其中破产的有一辆小型汽车。在银行破产之前，汽车的价值下降了。因此，违约概率应该是CAR的函数，它不是齐次的。一般来说，反向投资者占主导地位的市场表现出均值回复的价格波动，而趋势跟随者占主导地位的市场使市场价格波动。

然而，逆反者的汽车倾向于减少，而趋势跟随者的汽车倾向于增加。在某些情况下，我们比较了CAR和CEAR的灵敏度。图12显示了100个银行（α（0）=0.79）的CAR和C EAR的节奏发展。当银行破产时，他们的汽车最终会下降，然而，他们的资本充足率并没有改变。这意味着汽车可以用作衡量银行状况的指标，但CEAR可能不会用作此类目的的指标。汽车的灵敏度非常高。我们应该认识到CAR和CEAR在特性上的差异。6讨论我们的方法有很多局限性。第一个问题与简单和复杂的基于代理的模型之间的关系有关。通常，简单的代理模型过于简单，无法应用实际的风险估计。资产价格和银行行为之间的简单动态互动的主要目的是19t总现金（a）t总现金（b）t总现金（c）t总现金（d）图6。颜色在线。现金总额；（a） 反向者主导市场，（b）反向者主导市场，（c）趋势跟随者主导市场，以及（d）趋势跟随者主导市场。基于代理的模型是指定我们想要绘制的场景中假定的角色和组件。通过建模过程，我们最终了解了这些问题的结构，并确定了角色和组件。在采购案例中，我们使用基于年龄的简单模型来确定金融资产在资产负债表中的基本关系、代理人和角色。同时，基于复杂agent的模型的主要目的是捕捉、再现和模拟现象。为此，我们还考虑如何校准模型参数。一般来说，要在可靠的程序下评估所有参数并不容易。我们有时会面临参数的模糊性，从而得出类似的结果。

也就是说，不同的参数集可以产生类似的结果。这个问题与参数的非线性有关。众所周知，一个简单的基于agent的模式l经过改进后往往会变成一个基于复杂agent的模式。如果我们改进我们的模型，最终我们模型的目的将从结构规范转变为风险评估。在这种情况下，我们还将解决c校准问题。我们方法的第二个限制是参数校准。我们对实际的银行系统一无所知。事实上，可以使用金融和银行系统的部分数据；然而，我们没有校准模型参数的所有数据。此外，我们基于代理的模型过于简单，无法应用于实际银行网络的风险评估。尽管它很简单，但我们可以理解银行之间的相互作用，并用它来开发和测试20佐藤昭弘（Aki Hiro Sato）、Tasca（Paolo Tasca）和Takashi（Takashi Isogaitto）持有股票的总数（a）持有股票的总数（b）持有股票的总数（c）持有股票的总数（d）图7。颜色在线。（a） 风险资产总额；（a） 反向主导市场，（b）反向主导市场，（c）趋势跟随者主导市场，以及（d）趋势跟随者主导市场。【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】【典型句型】。8.颜色在线。四种情况下的经济损失总数H（t）。指标。例如，我们可以认识到，金融资产有潜力发挥共同因素的作用，现金充足率和资本充足率资产价格和银行行为之间的动态互动210 0.2 0.4 0.6 0.8 1市场价格（a）0 0.2 0.4 0.6 0.8 1市场价格（b）0 0.2 0.4 0.6 0.8市场价格（c）0 0.2 0.4 0.6 0.8市场价格（d）图9。

市场价格与现金总额之间的散点图；（a） 反向者主导市场，（b）反向者主导市场，（c）趋势跟随者主导市场，以及（d）趋势跟随者主导市场。比率可以作为估计的指标。此外，如果我们能以银行的角度计算它们的相关性，我们就能量化共同因素的强度。第三个限制与模型的表达式有关。我们使用矩阵来描述银行之间的关系。然而，银行有时会因新成立、破产和并购而出现或消失。matrixrepresentation无法表达这些事情。然而，我们的目标是识别银行资产负债表中的重要组成部分，并对它们有更深入的了解。虽然我们对银行和金融系统进行了简化，但我们建立了一个有用的基准参考模型，阐明了银行行为之间的反馈回路以及资产价格如何影响违约风险。根据国际清算银行2015年第一季度的综合银行统计数据[24]，所有银行国籍的总资产为70082.7（十亿美元），贷款和存款总额为65919.9（十亿美元），债务证券总额为7862,0（十亿美元）（见表9）。我们发现资产总额大于债务证券的负债。也就是说，我们可以证明我们的假设，即对金融市场的敞口大于银行间网络中的借贷金额。22佐藤明博、塔斯卡和Isogai0.2 0.4 0.6 0.8 1市场价格（a）0.2 0.4 0.6 0.8 1市场价格（b）0.2 0.4 0.6 0.8市场价格（c）0.2 0.4 0.6 0.8市场价格（d）图10。

市场价格和总损失之间的散点图；（a） 反向者主导市场，（b）反向者主导市场，（c）趋势跟随者主导市场，以及（d）趋势跟随者主导市场。表9。国际清算银行2015年第一季度合并银行ing统计数据。该金额是所有CSB报告银行的总和。未偿金额，以十亿美元计。项目金额外国索赔（直接对手）27077.7外国索赔（最终风险）24231.7国内索赔（直接对手）46882.2国内索赔（最终风险）46627.4总资产70082.7负债（总计）65919.9负债（其中贷款和存款）45095.7负债（其中Deb t证券）7862.0负债（其中衍生品）6336.0总股本4809.17结论和未来工作我们强调，在我们建议的模型中，我们能够捕捉银行行为和资产价格之间的关系。我们描述了银行违约概率和资产价格动态之间的正反馈回路。结果表明，顺周期银行的行为（即故障概率和资产价格之间的反馈回路）可以解释资产价格泡沫的形成及其破裂。银行间市场的特征在资产价格和银行行为之间的动态互动中发挥作用23（a）（b）（c）（d）图11。颜色在线。各银行资本充足率；（a） 反向者主导市场，（b）反向者主导市场，（c）趋势跟随者主导市场，以及（d）趋势跟随者主导市场。如果金融市场中的风险敞口大于银行间网络中的资本敞口，则上下文将扮演次要角色。从这个角度来看，银行间市场只允许我们将个人违约概率浓缩为系统违约概率。

资本充足率（杠杆率）是监测违约可能性的有用指标。至于未来，我们需要根据详细的数据来检验我们的假设，并估计概率。模型参数明显取决于金融市场的宏观行为和银行违约概率。然而，这些参数在很大程度上也取决于市场状况和银行的风险偏好。不幸的是，我们总体上没有足够的关于银行风险偏好的信息。我们需要推断宏观经济状况、银行资产负债表和市场情绪。本文为进一步研究这一重要问题铺平了道路。因此，根据有关实际银行行为的可用信息进行参数估计是未来的关键任务。利益冲突作者声明与本手册无利益冲突。视图是作者的视图，不一定反映B银行（德国银行、日本B银行）的视图。24佐藤明博、塔斯卡保罗和高石Isogai-10 100 200 300 500 600 800 900 1000吨（a）0 100 200 300 500 600 900 1000吨（B）图12。颜色在线。（a）CAR和（b）CEARatα（0）的时间发展=0.79。确认这项工作得到了科学研究援助基金（KAKENHI）（B）（26282089）的财政支持。参考文献1。北卡罗来纳州比尔、兰德公司、H.巴蒂、K.克罗克森、R.M.梅、M.A.诺瓦克：《个人与系统风险和监管者的困境》。PNAS 10812647–12652（2011年）。资产价格和银行行为之间的动态互动252。M.蒙塔尼亚和T.勒克斯：《枢纽和恢复力：走向更现实的银行间市场模型》。基尔工作文件，第1826号（2013年）。赫尔宾，D.：全球网络化风险和如何应对，《自然》杂志，第497页，第51-59页（2013年）。塔斯卡，P.和巴蒂斯顿，S.：市场顺周期性和系统性风险。

量化金融，161219-1235（2016）。5。Iori，G.，Jafarey，S.和Padilla，F.G.：银行间市场的系统性风险，经济行为与组织杂志，61525-542（2006）。Gai，P.和Kapadia，S.：金融网络中的传染，Proc。R.Soc。A、 4662401-2423（2010）。霍尔丹，A.G.和梅，R.M.：银行生态系统中的系统性风险，自然，469351-355（2011）。南卡罗来纳州巴蒂斯顿、南卡罗来纳州普里加、右卡西克、塔斯卡、P.和卡尔达雷利，G.：债务等级：太中心而不能失败？金融网络，美联储和系统性风险，Sci。代表2541；内政部：10.1038/srep00541（2012）。巴塞尔银行监管委员会，《巴塞尔协议III：更具弹性的银行和银行系统的全球监管框架》，第5页（2011年）。10。Sornette，D.：为什么股市崩溃：复杂金融系统中的关键事件。普林斯顿大学出版社，普林斯顿（2003）11。Bouchaud，J.P.，Potters，M.：金融风险和衍生品定价理论：从统计物理学到风险管理。剑桥大学出版社，剑桥（2000）12。Michich`e，S.，Bonanno，G.，L illo，F.，Mantegna，R.N.：金融市场的波动性：随机模型和实证结果。Physica A 314756–761（2002）13。Preis，T.，Golke，S.，Paul，W.，Schneider，J.J.：基于多代理的金融市场订单簿模型。欧罗皮斯。莱特。75 (3), 510–516 (2006).14. 博纳诺，G.，卡尔达雷利，G.，利洛，F.，密歇根州，南卡罗来纳州，范德维尔，N.，曼特尼亚，R.N.：金融市场中的股票网络。欧元。菲斯。J.B 38363–371（2004）15。Huang，X.，Vodenska，I.，Havlin，S.，Stanley，H.E.：双向图中的级联故障：系统性风险传播模型。科学报告31129（2013）16。关于椭圆分布类及其在投资组合选择理论中的应用Joel Owen和Ramon Rabinovitch，金融杂志，38（3），745–752（1983）。

Sato Aki Hiro，金融资产风险量化方法：日本安全价格的实证分析，先进材料研究，452-453469–473（2012）。18。Isogai，T.：通过递归模块化优化对日本股票收益进行聚类，以实现有效的投资组合多元化。《复杂网络杂志》，2（4），557-584（2014）。19。这些数据是从世界银行下载的。http://data.worldbank.org/indicator/FB.BNK.CAPA.ZS20.资本披露的构成可下载fromhttp://www.mufg.jp/english/ir/annualreport/2015mufg/pdf/half/baseliii15half.pdf#page=5Accessed2015年5月2日。21。资本披露方的构成可下载fromhttp://www.mizuho-fg.co.jp/english/investors/financial/basel/data1503/pdf/fg_3q01.pdfAccessed2015年5月2日。22。资本披露方的构成可下载fromhttp://www.smfg.co.jp/english/investor/library/pi3_disclosure/2015/h2703_fg03_e01.pdAccessed2015年5月5日。26佐藤昭弘、塔斯卡和Isogai23。A.Elizalde和R.Repullo，“银行业中的经济和监管资本：差异是什么？”国际中央银行业杂志，3（3），87–117（2007）24。国际清算银行，综合银行统计数据（2015年9月13日更新），http://www.bis.org/statistics/consstats.htm2015年10月13日查阅。