通过最大化风险评估火爆销售溢出带来的系统性风险

相似文件 换一批

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：
《Assessing systemic risk due to fire sales spillover through maximum
  entropy network reconstruction》
---
作者：
Domenico Di Gangi, Fabrizio Lillo, Davide Pirino
---
最新提交年份：
2018
---
英文摘要：
  Assessing systemic risk in financial markets is of great importance but it often requires data that are unavailable or available at a very low frequency. For this reason, systemic risk assessment with partial information is potentially very useful for regulators and other stakeholders. In this paper we consider systemic risk due to fire sales spillover and portfolio rebalancing by using the risk metrics defined by Greenwood et al. (2015). By using the Maximum Entropy principle we propose a method to assess aggregated and single bank\'s systemicness and vulnerability and to statistically test for a change in these variables when only the information on the size of each bank and the capitalization of the investment assets are available. We prove the effectiveness of our method on 2001-2013 quarterly data of US banks for which portfolio composition is available.
---
中文摘要：
评估金融市场的系统性风险非常重要，但它通常需要不可用或频率非常低的数据。因此，对监管机构和其他利益相关者而言，利用部分信息进行系统性风险评估可能非常有用。在本文中，我们使用Greenwood等人（2015年）定义的风险度量，考虑了火爆销售溢出和投资组合再平衡带来的系统性风险。通过使用最大熵原理，我们提出了一种方法来评估综合银行和单一银行的系统性和脆弱性，并在只有关于每家银行规模和投资资产资本化的信息可用时，对这些变量的变化进行统计测试。我们通过2001-2013年美国银行的季度数据证明了我们的方法的有效性，这些银行的投资组合是可用的。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
--> Assessing_systemic_risk_due_to_fire_sales_spillover_through_maximum_entropy_netw.pdf (1.63 MB)

2022-5-12 14:40:23 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：系统性风险 风险评估 最大化 系统性 Construction

通过最大熵网络重构评估零售溢出带来的系统性风险*Domenico Di Gangi+，Fabrizio Lillo*,+, 和戴维德·皮里诺++斯库拉·诺梅勒·苏普里奥雷*意大利博洛尼亚大学+意大利米兰人类技术极分析、决策和社会中心2018年1月1日摘要监测和评估金融市场的系统性风险非常重要，但通常需要不可用或频率非常低的数据。因此，对监管机构和其他利益相关者而言，利用部分信息进行系统性风险评估可能非常有用。在本文中，我们使用Greenwood等人（2015）定义的风险度量，考虑了由于零售溢出和投资组合平衡而产生的系统性风险。通过使用基于交叉熵约束最小化的方法，我们表明，仅使用每家银行的规模和每项投资资产的资本化信息，就可以评估综合银行和单一银行的系统性和脆弱性。我们还将我们的方法与另一种广泛应用的最大熵原理进行了比较，该原理允许导出图形概率分布并生成场景，我们使用它提出了一个统计测试，以检测银行对系统性事件的脆弱性的变化。JEL代码：C45；C80；G01；G33。关键词：系统性风险；最大熵；零售；金融网络；资产变现能力*这项工作得到了欧洲共同体H2020项目的支持，该项目位于schemeINFRAIA-1-2014-2015：研究基础设施、拨款协议#654024 SoBigData：社会采矿和大数据生态系统(http://www.sobigdata.eu).我们感谢富尔维奥·科尔西和皮耶罗马扎里西进行的鼓舞人心的讨论和提出的有益建议。

任何实质性或形式上的错误都是我们自己的责任。1导言近年来，全球经济陷入困境，两次严重危机（2007年金融市场危机和2010年主权债务危机）使整个经济体系陷入巨大困境，银行对系统事件的脆弱性现在是学术界越来越多调查的主要焦点。同时，许多研究工作致力于了解银行或金融机构在系统性风险的创造和传播中的作用。鉴于这一主题的突出重要性及其多方面性质，关于系统事件评估和预测的文献非常丰富（见Demirg–u,c-Kunt和Detragiache，1998年；Kaminsky和Reinhart，1999年；Harrington，2009年；Scheffer等人，2009年；Barrell等人，2010年；Duttagupta和Cashin，2011年；Kritzman等人，2011年；Allen等人，2012年；Arnold等人，2012年；Bisias等人，2012年；Scheffer等人，2012年；Merton等人，2013年；Oet等人，2013年，在众多贡献中）。金融危机可能通过几个渠道从一个机构传播到另一个机构，并最终影响全球经济的很大一部分。由于资产流动性不足和持有普通投资组合而产生的甩卖溢出效应是系统性风险的主要驱动因素之一。共享投资在金融机构的组合中产生了巨大的重叠。这种（间接的）金融关联性是传染病的一个重要来源，因为单一市场参与者对资产的部分清算预计会影响与其分享大部分投资的所有其他市场参与者（见Corsiet al.，2013；Huang et al.，2013；Caccioli et al.，2014；Lillo and Pirino，2015）。由于资产的流动性和市场影响，Firesales会调整价格。

在流动性良好的市场中，根本不会出现转售传染（有关流动性在金融传染中的作用的综述，见Adrianand Shin，2008）。最后，利用这些反馈。事实上，正如Adrian和Shin（2010年、2014年）详细描述的那样，杠杆机构不断重新平衡其头寸，从而产生积极的影响，最重要的是负资产的价格变化。因此，对监管机构、政策制定者和金融市场的其他参与者而言，评估和监控因零售溢出而产生的系统性风险具有极其重要的意义。Greenwood等人（2015年）最近介绍了一种风格化的零售模式，其中流动性不足、目标杠杆和投资组合重叠是构成要素。他们利用该模型提出了两个系统性风险指标：系统性和银行的脆弱性。考虑到市场冲击，第一个是银行危机对系统造成的总损失百分比，而第二个是整个系统危机时银行遭受的总损失百分比。为了计算这些数量，需要全面了解所有银行的投资组合构成，因为银行的系统性和脆弱性取决于其他银行的投资组合和杠杆。Greenwood等人（2015年）将其方法应用于欧洲银行管理局（EBA）2011年7月欧洲压力测试得出的数据。这些数据提供了欧盟90家最大银行的详细资产负债表。Duarte和Eisenbach（2013）利用美国银行控股公司资产负债表的公开数据集，应用Greenwood等人的框架。

(2015).他们得出了一个衡量总体脆弱性的指标[…]2008年秋季达到峰值，但从2005年开始出现显著增长，领先于许多其他系统风险指标。然而，一般来说，计算此类系统风险指标所需的详细信息集可能不可用。例如，欧洲的压力测试数据是零星的。此外，资产负债表数据的抽样频率很少高于季度数据。因此，一个重要的问题是，在缺乏金融中介机构投资组合构成数据的情况下，是否有可能估计因零售溢出而产生的系统性风险。文献中提出了两种可能的方法。第一种方法（见阿德里安和布伦纳迈耶，2011年；阿查里亚等，2012年；班努列斯库和杜米特雷斯库，2015年；科西等，2015年）纯粹是计量经济学，通常基于公开上市金融机构的资产价格和市场权益价值的公开数据。一般来说，该方法包括估计条件变量，如条件风险值或条件预期短缺。计量经济学方法绕过了投资组合持有量数据的不可用性，但引入了强平稳性假设，从而发挥了这一优势：基于过去信息的估计始终被认为是系统未来行为的良好预测者。然而，由于全球金融危机的性质，正是在一段时期的危机开始时，平稳性假设可能无法正常工作。

此外，它通常仅限于公开上市的机构，这些机构的股票价值每天都可获得。本文所采用的第二种可能的方法是，仅使用一个简化但容易获得的信息集来推断投资组合持有量的矩阵，和/或根据某些标准推导投资组合权重的概率分布。这通常是通过调用最大熵原理来实现的，该原理假定（Anand等人，2013）[…]受已知约束[…]熵最大的概率分布最能代表我们当前的知识，且偏差最小。最大熵方法至少可以以两种不同的方式应用，我们在下文中明确区分了这两种方式，在系统风险研究中并不新鲜（Mistrulli，2011；Anand等人，2013；Musmeci等人，2013；Squartini等人，2013；Bargigli等人，2015）。当只有每家银行的银行间借贷总额数据（加上可能的其他信息）可用时，它被广泛用于推断银行间网络的结构（有关不同方法的比较，请参见Anand等人，2017年；Gandyand Veraart，2016年）。Mistruelli（2011）的开创性贡献是，将经验意大利银行间网络与通过最大熵优化程序重建的银行间网络进行比较，结果表明后者是完全连通的，而前者是verysparse（另见Mastromatteo et al.（2012）），由于这种错误估计，重建的网络低估了风险传染。当然，最近有许多不同的方法来评估金融网络中的系统性风险。例如，Amini等人（2013年）提出了一个严格的渐进理论，可以预测银行间网络中的危机蔓延。Anand等人（2015）提出了一种补充方法。

在这里，作者还对两部分网络的网络重建技术进行了比较（Ramadiah等人，2017）。作为网络重构的一部分，熵方法的使用在非经济科学中非常普遍。例如，在计量经济学中，它被广泛用于概率密度的估计，因为在这个方向上有大量的贡献（见Zellner和High Field，1988年；Ryu，1993年；Wu，2003年；Kouskoulas等人，2004年；Park和Bera，2009年；Usta和Kantar，2011年；Chen，2015年）。本文比较的一个有趣之处是熵在投资组合选择理论中的应用。当投资者不确定现实的概率结构，并且厌恶模糊性时，使用相对性作为惩罚的方式（参见该领域最显著的贡献，Hansen和Sargent的著作，2001年；Maccheroni等人，2006年；Bera和Park，2008年；Zhou等人，2008年；Gilboa和Marinacci，2016年；Zhou等人，2013年）。在这方面，重要的是要澄清，我们从监管者（或社会规划者）的角度含蓄地采用了最大熵原则，无论网络创建背后的决策过程如何，监管者都对系统性风险的无偏估计非常感兴趣。因此，我们的视角可以被认为与模糊厌恶文献所采用的视角是正交的，因为我们对最大熵原理的偏离是纯粹的推断，它并不意味着以任何方式模仿银行的决策过程，这些决策过程创造了网络，并相应地模拟了系统风险的普遍水平。在本文中，我们建议将最大熵方法应用于投资组合权重网络的推断，以估计因转售溢出而产生的系统性风险指标。

具体而言，我们展示了当只有部分信息（每家银行的规模和每项资产的资本化）可用时，如何估计美国商业银行的间接脆弱性、系统性（Greenwood et al.，2015）和总体系统性风险。与银行间研究（如Mistrulli，2011；Mastromatteo等人，2012；Anand等人，2015）不同，我们处理的是两部分网络，即图，其节点可分为两个截然不同的集合，在我们的案例中，这两个集合是商业银行和资产类别。更具体地说，我们使用联邦金融机构审查委员会（FFIEC）通过Call报告文件分析了2001-2013年期间美国商业银行风险敞口的季度网络。我们计算每个季度每家银行的系统性和脆弱性，以及系统的总脆弱性。我们将其与假设银行资产负债表组成未知时推断的值进行比较。从这个意义上说，我们的论文与Mistrulli（2011）相似，但适用于因零售溢出而产生的系统性风险，而不是银行间网络中的级联风险。与银行间案例不同的是，我们发现，通过矩阵，德国银行系统的双边风险敞口网络具有最小密度，保留了一些约束条件。然而，如果交叉熵方法高估了网络密度，从而低估了系统风险，Anand等人（2015）表明，出于类似的原因，最小密度返回正偏估计。

因此，这两种方法可以联合使用，形成一条真正的系统性风险应该存在的走廊。我们感谢匿名推荐人的建议。在所有的手稿中，我们交替使用术语“网络”和“图形”。因此，我们的数据集与Duarte和Eisenbach（2013）采用的数据集非常相似，但它来自更大的银行样本，因为商业银行比银行控股公司数量更多。所有数据可从以下网址获取：https://cdr.ffiec.gov/public/introduced当部分信息可用时，最大熵方法在评估因零售溢出而产生的系统性风险时非常准确。本文的贡献分为两个主要部分。首先，在学术机构和中央银行的研究人员中使用了大量不同的方法（见Sheldon和Maurer，1998年；Upper和Worms，2004年；Wells，2004年；Mistrulli，2011年；Sachs，2014年），我们重构了投资组合持有矩阵，使交叉熵（或Kullback-Leibler发散）从最初的猜测中最小化。尽管这种方法通常被称为最大熵法或矩阵平衡法，为了避免与下文讨论的不同方法混淆，我们将其称为交叉熵法。我们证明，这种方法在我们的案例中做得非常好，提供了Greenwood等人（2015）定义的系统性风险指标的无偏估计。此外，我们还证明了重构矩阵与CapitalAsset定价模型所隐含的矩阵相对应，因此它具有明确的经济意义。其次，我们将交叉熵与熵最大化的不同方法进行了比较，这种方法允许通过在适当的约束条件下最大化熵来定义图（集合）的概率质量函数，其中一些平均量与数据中观察到的量相等。

尽管这种方法的经济直觉不如前一种方法敏锐，但该方法在文献中广泛存在，并允许执行场景生成。我们提出了一个新的集合，称为MECAPM，它（i）满足一组经济驱动的约束条件，（ii）与之前提出的交叉熵方法一样表现平均，以及（iii）允许场景生成，可能有助于监管机构测试ifa特定机构相对于过去增加了系统性。我们的论文结构如下。第2节介绍了一些术语，并简要介绍了Greenwood等人（2015）的风险度量。第3节讨论了FFIEC提供的美国商业银行数据集。在第四节中，我们介绍了交叉熵方法，并展示了它在系统风险估计中的性能。在第5节中，我们比较了交叉熵法和最大熵法，后者导出了图的概率分布。除其他外，这有助于对中央银行和其他监管机构的监管活动进行统计测试。第六部分总结了本文的主要贡献。附录提供了有关银行投资组合持有量数据集构建的额外信息，以及正文中省略的所有分析计算。2系统性风险指标：脆弱性和系统性在本文中，我们使用了Greenwood等人（2015）最近介绍的一些因零售而产生的系统性风险指标。他们认为这是一个由N家银行和K个资产类别组成的系统。投资组合持有量由N×Kmatrix X描述，其元素Xn，kis是N银行扣留的k型资产的美元金额。