银行间市场流动性短缺的流行病

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：
《Epidemics of Liquidity Shortages in Interbank Markets》
---
作者：
Giuseppe Brandi, Riccardo Di Clemente, Giulio Cimini
---
最新提交年份：
2018
---
英文摘要：
  Financial contagion from liquidity shocks has being recently ascribed as a prominent driver of systemic risk in interbank lending markets. Building on standard compartment models used in epidemics, in this work we develop an EDB (Exposed-Distressed-Bankrupted) model for the dynamics of liquidity shocks reverberation between banks, and validate it on electronic market for interbank deposits data. We show that the interbank network was highly susceptible to liquidity contagion at the beginning of the 2007/2008 global financial crisis, and that the subsequent micro-prudential and liquidity hoarding policies adopted by banks increased the network resilience to systemic risk---yet with the undesired side effect of drying out liquidity from the market. We finally show that the individual riskiness of a bank is better captured by its network centrality than by its participation to the market, along with the currently debated concept of \"too interconnected to fail\".
---
中文摘要：
最近，流动性冲击引发的金融传染被认为是银行间借贷市场系统性风险的主要驱动因素。在流行病中使用的标准隔间模型的基础上，我们在这项工作中开发了银行间流动性冲击混响动力学的EDB（暴露的不良破产）模型，并在银行间存款数据的电子市场上进行了验证。我们表明，在2007/2008年全球金融危机开始时，银行间网络极易受到流动性传染的影响，银行随后采取的微观审慎和流动性囤积政策提高了网络对系统性风险的抵御能力，但也带来了市场流动性枯竭的不良副作用。我们最后表明，银行的个人风险最好通过其网络中心性来捕捉，而不是通过其对市场的参与，再加上目前备受争议的“太相互关联而不能倒闭”的概念。
---
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
--
一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--

---
PDF下载：
--> Epidemics_of_Liquidity_Shortages_in_Interbank_Markets.pdf (509.32 KB)

2022-5-26 19:05:55 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：流动性 银行间 流行病 Quantitative Applications

银行间市场流动性短缺流行病Giusepe Brandi、Riccardo Di Clemente和Giulio Cimini3，4意大利罗马国际社会研究自由大学（LUISS）“Guido Carli”，00197*麻省理工学院，MA 02139，剑桥，美国高等研究院，55100 Lucca，ItalyIstituto dei Sistemi Complessi（ISC）-CNR，00185，意大利罗马（日期：2018年5月17日）。最近，流动性冲击的金融传染被认为是银行间借贷市场系统性风险的一个突出驱动因素。在流行病中使用的标准隔间模型的基础上，我们在这项工作中开发了一个EDB（暴露的不良破产）模型，用于银行间流动性冲击的动态回响，并在银行间存款数据的电子市场上进行验证。我们表明，在2007/2008年全球金融危机开始时，银行间网络极易受到流动性传染的影响，银行随后采取的微观审慎和流动性囤积政策提高了网络对系统性风险的抵御能力，同时也带来了市场流动性枯竭的不利影响。我们最终表明，银行的个人风险更容易通过其网络中心性而不是通过其对市场的参与来捕捉，以及目前备受争议的“互联互通而不能倒闭”的概念。关键词：金融传染；流动性冲击；银行同业拆借市场；流行病模型i。简介2007/2008年全球金融危机对金融系统的稳定性提出了重要关注，尤其是其复杂性和相互关联性[1-5]。事实上，由于金融机构之间的双边或间接敞口，信贷损失和资金不足可能会在整个系统中蔓延，对整个市场造成潜在的灾难性后果[6-12]。

在这种背景下，人们非常关注评估银行间贷款市场的系统性风险，即银行间隔夜贷款产生的金融互联网络【13–15】。事实上，尽管银行间借贷对银行面对不断变化的流动性需求至关重要，并能为经济提供适当的动力，但银行间市场却相当脆弱，因为单是系统内现金流动就有可能导致系统性违约，而异常的流动性冲击可能导致完全的市场旱灾。后一种情况在全球金融危机后的时期尤为突出：银行持有更多的流动资产，以预测未来的预期损失和流动性需求【19-21】，而这种预防性囤积行为导致除最短期限外的所有无担保银行间借款利率大幅上升【22】。央行的大规模流动性注入进一步加剧了银行间市场的收缩，银行间市场系统性风险分析的文献流集中在两个主要方面：基于网络的市场拓扑结构表征[15，25–30]，以及金融危机在网络上蔓延的动力学和指标设计【1，31–39】，包括流动性冲击【40–44】。在这项工作中，我们通过一个类似于流行病学中常用的隔室模型，提出了银行间网络中流动性驱动的金融传染的模型，从而补充了这一研究领域。

特别是，通过假设流动性冲击作为一种流行病在市场上传播，我们将著名的SIR（易感感染移除）模型【47–49】改编为流动性冲击银行间网络的特定背景，并将其转换为EDB（暴露的不良破产）模型。这与托伊瓦南在信贷冲击背景下的工作非常接近[50]。我们在意大利银行间网络e-MID（银行间存款电子市场）[15、27、29、30]上模拟这种动态模型，分析与网络结构和演变相关的流动性传染，并通过单个银行和整个系统对流动性冲击的弹性来定义系统性风险。简言之，我们表明，电子商务部的网络拓扑结构在流动性危机的爆发中起着至关重要的作用，并且当初始冲击最小时，银行倒闭的总数也可以假设非常高的值。重要的是，就在全球金融危机之前，系统性风险大幅增加，并可能在危机发生后很长时间才恢复到危机前的水平。对于占银行间网络较大份额的银行来说，破产的可能性更大；然而，银行的贷款人数量*gbrandi@luiss.itcan从统计学上来说，风险比借款总额更能解释风险，这与最近从“太大而不能倒”到“太相互关联而不能倒”的范式转变一致[51]。我们通过基于网络的电子MID研究对这一分析进行了补充，提供了额外的证据表明，由于金融动荡，参与市场的银行越来越少，执行的贷款交易越来越少，市场发生了重大变化。

流动性交易也对基础网络结构产生了相当大的影响：枢纽银行基本上消失了，互惠和三方合同的数量减少了，尽管最终系统风险降低了，但网络在银行内部的资金流动方面失去了效率。论文的其余部分结构如下。第2节回顾了e-MID数据集的基本特征和网络特征，第3节介绍了数据的网络分析。EDB传染模型见第4节，模型模拟结果见第5节。最后，第6节介绍了模拟结果的计量经济学研究，第7节得出结论。二、E-MID数据银行间存款电子市场（E-MID）是一个无担保货币市场贷款的交易平台，在欧元区是唯一一个基于屏幕和完全电子化的平台。e-MID覆盖了意大利的整个国内隔夜存款市场，但对意大利和外国银行都开放，欧元区所有流动性存款的很大一部分是通过e-MID平台进行交易的【52】。我们拥有的数据集包括1999年1月至2012年9月在电子MID上完成的所有银行间交易。对于每份合同，我们都有关于交换金额、日期和时间、利率、贷款人和借款人银行的ID以及合同到期日的信息。由于数据结构的原因，e-MID（以及一般的银行间市场）被恰当地表示为一个直接加权网络，其中银行间贷款构成银行间的直接风险敞口，并允许金融危机在系统中传播。在这里，我们重点关注通过聚合三个月的交易而获得的季度网络，因为这个时间尺度足以允许出现复杂的交互模式【29】。

为了描述网络，我们使用以下符号。在t季度，我们有一个系统，由一组NTBank（网络节点）和它们之间的Lttransactions组成，对应于连接成对节点的链路。交易量由Nt×Ntweighted邻接矩阵W（t）描述，其泛型元素wij（t）≥ 0（i，j=1，…，Nt）相当于我授予j的总贷款（通过将单个合同相加得出，从而产生从i到j的资金流）。类似地，连接的整个模式由Nt×Ntbinary邻接矩阵A（t）描述，如果存在从节点i到节点j的连接（即，如果j银行在t期间从i借钱，使得wij（t）>0），则其泛型元素aij（t）等于1，否则为0。以这种方式构建的网络是定向的，这意味着通常aij（t）6=aji（t）和wij（t）6=wji（t）[27]。在下文中，我们将把分析局限于网络的弱连接部分，定义为最大的子网络，其中任何两个节点通过有限的链接序列相互连接（无论其方向如何）。这种限制在模拟流行病级联的情况下尤其有用，因为它消除了感染从汇节点或孤立社区开始或停止时无法传播的可能性。三、 网络演进分析我们现在描述和分析电子商务部的网络拓扑，介绍一些网络数量，并展示全球金融危机导致的银行间市场结构变化。作为危机的参考期，我们使用TED价差大于统一的时间跨度（2007年第3季度至2009年第1季度），这在带有阴影区域的地块中表示。

此外，在显示经验量的时间趋势时，我们采用5点简单对称移动平均值来平滑短期波动并突出长期趋势。2009年2月，引入了一个匿名和抵押的e-MID部门（新MIC），目的是改善欧元区内的流动性分布[63]。交易可以是ON（隔夜）、ONL（隔夜）、TN（明天下一个）、TNL（明天下一个）、SN（现货下一个）、SNL（现货下一个）、1W（一周）、1WL（一周）、2W（两周）、3W（三周）、1M（一个月）、2M（两个月）、3M（三个月）、4M（四个月）、5M（五个月）、6M（六个月）、7M（七个月）、8M（八个月）、9M（九个月）、10M（十个月），1100万（十一个月），1年（一年）。在本文中，我们仅使用隔夜交易，这代表了绝大多数交易（约90%）。请注意，正如电子商务银行不向自己放贷一样，这是所有i=wii=0i按结构。A、 第t季度各银行i的学位和实力，其单位为kIi（t）=Pj∈Ntaji（t）定义为传入连接的总数（即t期间向i借钱的银行数量）。类似地，其出度kOi（t）=Pj∈Ntaij（t）是传出链接的总数（即t期间从i借钱的银行数量）。互惠协议k<->i（t）=Pj∈Ntaij（t）aji（t）Quantifies是指同时是i的借款人和贷款人的银行数量。贸易伙伴的总数以度命名，表示为ki（t）=Pj∈Nt[aij（t）+aji（t）- aij（t）aji（t）]≡ kOi（t）+kIi（t）- k<->i（t）。

考虑到所有银行，我们可以将第t季度的总链接数（即至少完成一笔交易的银行对数）计算为Lt=Pijaij（t），并将网络的总链接密度定义为已实现链接数除以最大可能链接数（即全连接网络的链接数）：Dt=Lt/[Nt（Nt- 1） 】。图1a显示，在全球金融危机爆发之前，存款准备金率保持相当稳定，在危机期间，随着银行开始囤积流动性并减少发放贷款数量，存款准备金率大幅下降。关于银行连接度的分布，已知e-MID的特征是高度倾斜和长尾度分布P（k），存在少量具有许多连接的“枢纽”银行，以及大量具有很少连接的银行【27】。图1b显示了P（k）的偏态系数，该系数确实为正值，但在危机开始之前呈下降趋势，之后呈上升趋势。就在危机之前和危机期间，偏态系数变得非常小，这意味着P（k）在这段时间内失去了不对称性：度均匀分布，网络中没有枢纽银行。在这种情况下，由于大型银行大幅减少其市场参与，网络对节点随机故障的恢复能力下降[27]。移动到网络的加权结构，我们通过其强度sIi（t）=Pj来表征每个银行i∈Ntwji（t）（从其他银行借款的总金额），超出实力sOi（t）=Pj∈Ntwij（t）（借给其他银行的总金额），综合实力si（t）=Pj∈Ntwij（t）+wji（t）≡ sOi（t）+sIi（t）（该银行兑换的总金额）。与链接数量类似，第t季度的交易总量定义为Vt=Pijwij（t）。

图2显示，危机期间，每家银行的平均货币兑换量（Vt/Nt）下降：同样，在动荡期间，银行发放的贷款减少，因为对交易对手信誉的担忧压倒了利率爆发带来的可能增加的收益【53，54】。危机后，平均交易量也保持在较低水平，这可能是因为银行之间难以重建信任。1999 2000 2001 2002 2003 2004 2005 2006 2008 2009 2010 2011 20120.080.090.10.110.120.130.140.150.16密度a）1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2010 2011 201200.20.40.60.811.21.4偏斜度系数b）图1。a） 随着时间的推移，e-MID中的网络密度。DTS的特点是在危机之前保持温和增长，然后下降，因为从那时起，几家银行减少了电子MID的交易。b） e-MID加班中度分布的偏态系数。P（k）通常是正偏态的，但在危机之前和危机期间，分布变得相当对称。B、 核心-外围结构在季度聚合级别上，e-MID的特点是核心-外围结构：枢纽银行（核心）之间高度连接，而其他叶银行（外围）主要连接到核心，外围内几乎没有链接【30】。在这里，我们求助于[55]中的方法来确定短于一周的核心和聚集水平，相反，网络的更好特征是一个二分（或蝴蝶结）结构，一些银行优先贷款，而其他银行优先贷款[64]。1999年2000年2001年2002年2003年2004年2005年2007年2008年2010年2011年201240060080010001200140016000子期货币兑换平均值。2、随着时间的推移，每家银行的平均货币兑换量（以十亿欧元为单位）。银行对市场的参与在危机之前相当稳定，然后持续下降。

根据两个样本的Kolmogorov-Smirnov检验（5%置信水平），强烈反对危机前后的平均值来自同一分布的假设。相反，当将危机前阶段细分为两个子阶段时，这一假设不能被推翻：危机前趋势是稳定的。并在图3所示的总体网络特性分析中使用获得的分区。特别是，图3a显示了活跃银行数量Nt的下降趋势，即第t季度至少在一次电子商务交易中出现的银行数量。图3b和3c分别显示，连接数量lt和交换量vt也随着时间的推移而减少，无论这些数量是在核心区内还是在外围区内计算的，核心和外围之间。请注意，长期贷款和VTI的下降仅部分解释为活跃银行Nt数量减少（事实上，Vt/NTI在危机前几乎保持不变，见图2）。在这方面，虽然预防性动机可能导致自危机爆发以来银行活动减少，但并购可能在危机发生之前发挥了重要作用。1999年2000年2001年2002年2003年2004年2005年2007年2008年2010年2011年2012020406080100120140银行数量私人银行a）1999年2000年2001年2002年2003年2005年2007年2008年2010年2011年20120501000150020002500300003500核心银行之间的连接从外围银行到核心银行从外围银行到核心银行从核心银行到外围银行b）1999年2000年2001年2003年2005年2007年2008年2009年2011年2012050100150200核心银行之间的货币兑换外围银行之间的货币兑换从外围到核心从核心到外围c）图3。随时间变化的核心-外围网络分析。