银行网络与杠杆依赖：来自选定银行的证据

1/2级调整后的资本比率）在国内是中性的（因为它适用于所有国家），与各国无关，因为本文不比较绝对杠杆水平，而是比较常见杠杆行为产生的相互作用。正如我们调查的那样，银行体系的规模与平均杠杆率无关。2018年8月21日3:36 WSPC/INSTRUCTION FILEbanking˙networks˙arxiv˙重新提交Banking networks and Leverage Dependence 720052007 2009 2011Time05101520 Leverager Gentina BrazilMexicosouth Africa Taiwanfig。2.杠杆率的平稳行为。杠杆率中值随时间变化。每种颜色对应一个国家。使用平均值作为中心相关性的度量也得到了类似的结果。台湾的总时间杠杆中值为16.4，墨西哥为11.3，南非为9.7，阿根廷为6.0，巴西为5.5。3.结果我们接下来用阿根廷银行系统的数据举例说明。给定两个时间序列，对应于两个银行的杠杆变化，x（t）和y（t），t={1，2，…，t}，我们计算皮尔逊相关系数。该系数取r值∈ [-1，1]，当两个时间序列相同时（x（t）=y（t）代表所有t），则等于1。相关矩阵由N（N）组成-1） /2对银行相关系数（相互作用）。图3（A）显示了六家（总共75家）不同阿根廷银行的杠杆率变化。三种颜色用于说明在整个样品中观察到的不同行为。例如，蓝色（绿色）的中间（底部）两条杠杆曲线对应于两家银行，它们表现出杠杆的增加（减少）演变。另一种杠杆演化以红色显示，带有凹形杠杆行为。

从负债的角度来看，阿根廷银行体系的动态非常丰富。正如我们稍后将看到的，这些丰富的动态导致了一个复杂的银行网络。这也表明C银行和D银行的杠杆率增长模式相似。在E和F银行之间发现了同样的情况，它们之间的比例系数实际上有所不同，而a和B银行则发现了同样的情况，尽管它们的进化类型不同。每一对银行在其相应的杠杆时间序列之间都表现出很大的相关性，例如，银行a-B、C-D和e-F对的r=0.81、0.84和0.83。然而，如果我们计算银行C（或D）和E（或F）之间的杠杆相关性，该值将为负值，因此表明这两家银行表现出相反的行为。在最后一种情况下，四个相关文件UGUST 212018 3:36 WSPC/指令文件银行˙网络˙arxiv˙重新提交8 D.Aparicio和D.FraimanFig。3.银行杠杆动态。上、中、下面板显示了阿根廷不同银行的杠杆曲线特征。每个面板中两条曲线之间的相关性如右图所示。请注意，存在负相关的情况，例如，中间和下部面板的红色曲线之间为-0.9，黑色曲线之间为-0.86。系数范围在-0.35（C-E）和-0.65（D-E）之间。这六家银行之间剩下的可能的相互作用大约为零。面板B中的相关矩阵捕捉了75家银行之间相互依赖的完整特征，每列androw代表一家银行。

使用一种特殊算法对银行进行排序，以实现更好的服务化，这样浅黄色的“点”对应于一组银行，这些银行之间的行为相似（r系数较大），而负相关性则用深红色表示。尽管杠杆依赖性并不意味着银行间交易（如回购协议），但在理解集中度和系统性风险时，强烈且经常性的同步仍然是相关的。我们有理由认为，多家银行同时杠杆化的高杠杆网络并不意味着与只有少数几家银行适度杠杆化的网络具有相同的传染风险。我们还可以将负相关和正相关的程度视为银行系统稳健程度的另一个决定因素。从这个意义上说，识别和研究哪些银行形成了倾向于共同杠杆化（去杠杆化）的集群，也可以在更严格的银行监管处于争论核心的时候提供有用的政策含义（[23]）。有趣的是，从风险分担的角度来看，金融机构最好不要共享相同的杠杆动态，这样就不会对某家银行的债务产生冲击，而不会被同行效仿。一个银行系统要保持健康，抵御金融传染，其动态需要是异质的。也就是说，更大的异质性有助于隔离个体冲击Saugust 21，2018 3:36 WSPC/指令文件银行˙网络˙arxiv˙重新提交银行网络，并通过设置一个互联较少的金融系统来利用依赖性。此外，这可以理解为系统的内生解决方案，以降低金融冲击的风险。请注意，正依赖情景和负依赖情景背后的经济影响是相当不同的。

两家银行之间的正相关性意味着它们同时提高和降低了债务与股权比率。在这种情况下，我们预计两家银行将分享（或瞄准）类似的增长。或者，银行的资产负债表可能会受到外部政策的影响，包括资产负债表效应（[18,19,20]）、银行贷款渠道（[21,22]）和银行挤兑（[30,31,32]）。另一方面，负相关意味着当一家银行增加杠杆时，另一家银行的情况正好相反，反之亦然。这种情况的一个潜在解释与“从流动到安全”的文献有关，即在金融动荡期间，家庭从一家小银行提取存款，并将其转移到一家更大（被认为更安全）的机构。因此，小银行的负债减少，而另一家银行的负债增加，导致它们之间的杠杆负相关。如[24]所述，这种影响在2008年末的巴西被观察到，储户从较小的银行流向较大的银行，后者被视为太大而不能倒的机构，有中央银行的隐性担保。另一种机制来自文献中所谓的存款人纪律：存款人可以通过要求更高的利率或提取存款来惩罚表现不佳的银行。[25]在阿根廷、智利和墨西哥找到存款人纪律机制的证据，特别是银行存款增长随着风险敞口的增加而下降。

[26,27]和[28]还记录了储户青睐大银行，尽管很难区分储户的决策是基于太大而不能倒的情绪还是基于银行基本面。此外，[29]报告称，在2001年阿根廷可兑换性危机期间，风险承担较高的银行提取存款的情况更为明显，从而进一步证明各银行的资产负债表账户发生了相反的变化。现在我们来描述完整的阿根廷网络。图4的上面板描绘了阿根廷金融网络的图形表示，其中有MLINK，或平均hki等于2M/~N。回想一下，每个节点代表一个银行，M个最高银行的对关联通过一条无向边连接。或者，当杠杆对相关性超过某个阈值ρ时，两个节点（或顶点）之间的边（或链接）就会被添加。图3所示的相同组在图4的网络表示中突出显示。图4显示了银行集群，其中一个集群被定义为互联（链接）银行的社区。每种颜色都代表着不同的平均（时间）依赖性。特别是，该网络可以由四个同质集团来描述：一个大型的银行集群，基本上具有不断增加的杠杆变化（例如，银行C和D）；三个小群体有不同的杠杆行为（递减、凹形和两者混合）；最后是一大组孤立的节点（75个中的41个），用白色圆圈表示。2018年8月21日3:36 WSPC/指令文件银行˙网络˙arxiv˙重新提交10 D.Aparicio和D.FraimanFig。4.两大银行系统的银行杠杆网络。上（下）面板对应于阿根廷（巴西）。

在这两个国家，hki=2.5。有趣的是，我们还发现，阿根廷银行系统中观察到的模块化结构与其他国家类似。尽管各国的规模、监管甚至平均负债水平各不相同，但杠杆动态在各国都是一致的。图4的底部面板显示了使用相同方法以及阿根廷使用的相同hki=2.5的巴西银行网络。可以观察到，巴西的网络与阿根廷的网络相似，即两者都是characAugust 212018 3:36 WSPC/INSTRUCTION FILEbanking˙networks˙arxiv˙重新提交银行网络和杠杆依赖性，由一个大型银行社区、另一组小型银行集群和许多孤立的银行实现。随着相关阈值降低（链路数M增加），孤立的和小的集群节点开始合并为一个大型互联集群。在图5中可以观察到不同组之间的这种合并类型的行为，其中属于最大簇（图4中的蓝色节点）的节点部分显示为相关阈值的函数。当我们降低阈值ρ时，最大的集群开始吸收较小的社区。图中的大跳跃表示两个大集群已经合并。例如，在巴西的案例中，相关阈值在0.6左右的微小变化会导致两个最大的集群（每个集群代表大约40%的节点）合并或分割。在阿根廷，这种类似的突然集中发生在一个更大的相关阈值（ρ=0.75）。

我们还发现，在这两个国家，90%的银行在相对较小的相关阈值ρ=0.5时属于一个独特的集群，因此表明金融网络可能突然变得过于集中。最后，我们将分析复制到墨西哥、南非和台湾的小型银行系统。图6（A）显示了这些国家基于杠杆的网络，每个节点的链路数相等，即hki=2.5。在这些国家也观察到类似的网络特性。特别是，尽管台湾的银行体系更不稳定（N（t）中的波动较大），但银行网络结构与南非的非常相似，两者的银行总数几乎相同（N=30）。最大簇的大小与图B所示的相关阈值之间的相似关系加强了这一结果。相反，墨西哥网络似乎与其他两个网络存在某些差异。对于ρ=0.5，最大的集群没有显著的权重（右下面板），因为它只占网络中总节点的30%。随着相关阈值的降低，第二个簇不断增长，直到最后与最大的簇合并（左下图）。因此，我们观察到，墨西哥银行网络的合并以两个大型集群的合并为特征，而在其他国家，只有一个大型集群吸收单个节点或非常小的集群。综上所述，我们提出的从杠杆角度研究银行系统的方法产生了由大量密集互联的银行（图4和图6中的蓝色集群）、几个较小的集群和许多孤立的银行组成的网络。有趣的是，如图4和图6所示，这种拓扑结构在各个国家都是同质的。

随着互动标准变得越来越宽松（绝对值ρ越小），银行开始重新组合成一个独特的金融集群。此外，网络结构不是由一个枢纽主导的，因为它发生在许多自然网络中（[33,34]）。相反，这些银行网络禁止模块化结构，每个模块紧密连接。只有少数银行在不同模块之间起到桥梁或连接器的作用。2018年8月21日3:36 WSPC/指令文件银行˙网络˙arxiv˙重新提交12 D.Aparicio和D.FraimanFig。5.最大集群的规模。根据相关阈值，属于最大集群的银行的比例。现有的结构也表明了一种脆弱的特性：对这些连接器组的一个小的修改可能会对集群的配置产生明显的影响，也会对整个网络中的冲击隔离或传播产生明显的影响。一方面，高度互联的银行（集线器）是不可取的，因为集线器中的故障可能会扩散到网络中，从而可能导致整体系统崩溃。但另一方面，某种程度的互联是积极的，因为它有助于通过与对等节点共享和加载影响风险来减少受影响节点的暴露。因此，我们认为，为了增加风险分担和减少风险暴露，密集网络结构的存在在一定程度上可能是可取的。从这个意义上讲，为了降低风险并提高冲击韧性，regAugust 212018 3:36 WSPC/指令文件银行业务˙网络˙arxiv˙重新提交银行业务网络和杠杆依赖性13Fig。6.三个小型银行系统的银行杠杆网络，以及最大集群的规模。（A） 墨西哥、台湾和南非的网络。（B） 作为相关阈值的函数，属于最大集群的银行的比例。

（C） 墨西哥网络处于两个不同的相关阈值，如上图中的两个绿色箭头所示。规划者应该认识到一个基本的权衡：随着连通性和集群的增加，个人（特质）风险可能会因更好的风险分担而降低，但由于传播渠道更快，全球或系统风险可能会增加。最佳银行连通性的程度，以及如何达到最佳连通性，在文献中仍然是一个活跃的问题。4.公司和银行间贷款模式4。1.描述在本节中，我们打算将第3节的实证结果与公司和银行间贷款模型的模拟结果进行对比。我们首先描述模型的设置。我们建议，企业部门根据给定的随机过程向银行系统申请贷款，银行之间的联系因流动性不足而无法满足这些贷款。这种借贷效应产生了丰富的资产负债表和杠杆动态，产生了与实证结果总体一致的网络。2018年8月21日3:36 WSPC/指令文件银行业务˙网络˙arxiv˙重新提交14 D.Aparicio和D.FraimanOur模型基于[38]中提出的银行间模型。为了简单起见，我们在经济中提供完美的信息，尽管正如[39]所解释的，不完善的信息可能会导致额外的金融风险来源。此外，尽管我们认为实体部门的代理人是银行间联系的隐性来源，但该模型并未从经济的代理人方面产生资产负债表动态。有关基于代理的银行间网络模型的示例，请参见[40]。参见[41]了解经济学中的ACE（基于代理的计算经济学）建模。该模型的结构如下。1.银行体系由N家银行组成。

资产定义为流动性L、流动性I资产、公司贷款C和银行间贷款BL之和。负债定义为存款D和银行间债务BD之和。此外，任何银行I在t时必须满足：资产=负债+股权+Iit+Cit+BL，it=Dit+BD，it+Eit2。让时间t=1的资产从均匀分布中提取，例如从5000到50000。然后，为每家银行设定一个保守的权益与资产比率，从0.10到0.35之间随机选择。最后，让流动性负债t=0成为固定的资产份额，因此，特定银行可以有偿付能力提供贷款或承担额外债务，但仍然缺乏流动性。迄今为止，这些步骤足以描述初始阶段的银行体系。3.接下来，假设企业部门根据利率λ的泊松过程向银行系统申请贷款，即贷款申请之间的时间长度呈指数分布。让`是贷款的固定金额，R是这些贷款的利率。每笔贷款仅由一家银行i提供，其中i在N家银行中以相同的概率随机选择。但是，如果选择并点亮了气缸组i-然而，它缺乏足够的流动资产来填补全部贷款。为了弥补差异，i银行进入银行间市场，以rB利率（rC>rB）从j银行借款，j银行在N银行中也随机选择- 1剩余银行。4.同样，如果Ljt-1< ` - 点燃-1当j银行无法提供银行间贷款时。如果发生这种情况，则从剩余的N个库中选择一个新的库- 2家银行。5.一旦`被提供给企业部门，流动性LMTA以及家庭存款DMT就会在一部分银行m中增加∈ M乘以ωmt×`，其中ωmare是随机权重，使得pmωmt=1，M<N。