银行间市场流动性短缺的流行病

为了证明这一说法，我们通过测量零网络集合上模拟的系统性风险进行了非统计检验，即危机后具有相同密度、度序列和强度序列的电子中间网络快照的随机网络【60，61】。使用atwo样本Kolmogorov-Smirnov检验，在0.1%置信水平下，两个风险度量来自相同分布的独立随机样本的无效假设被拒绝。然而，请注意，当最初的冲击较大时，危机后系统的弹性并没有恢复。1999 2000 2001 2002 2003 2004 2005 2007 2008 2009 2010 2011 20120.30.40.50.60.70.8Bankrupcy ratioLC LDLC NLDNLC NLDa）1999 2000 2001 2002 2003 2004 2005 2007 2008 2010 2011 20120.450.50.550.60.650.70.750.80.85破产比率ob）1999 2000 2001 2002 2004 2005 2007 2008 2010 2011 20120.550.60.650.750.80.85破产比率oc）图6。模拟结束时，针对各种经济情景和不同的困境银行初始密度，破产银行的平均比率：a）1%，b）5%，c）10%。就在金融危机开始之前，违约数量达到了最大值。请注意，通过观察第三种情形中违约数量的显著增加，发现与上述流动性囤积和系统性风险之间的关系存在明显的矛盾，在第三种情形中，一种囤积倾向进入了传染动态：银行削减流动性准备金的概率高于其他经济体，显著促进流动性疾病的传播。

这里发生的是，在给定市场配置下模拟的流动性囤积行为会增加流动性风险。然而，如果银行确实囤积了流动性，那么已实现的市场结构就会发生变化，而新的配置对流动性冲击的弹性更大，主要是因为它被剥夺了向银行提供流动性的功能。1999 2000 2001 2002 2003 2004 2005 2007 2008 2009 2010 2011 20120.450.50.550.60.650.70.75资金损失率破产率。7、与破产银行比率给出的系统性风险相比的相对流动性损失。结果参考了第一种经济情景（LC-LD）和初始困境银行密度等于1%。除了通过破产银行的数量来评估系统性风险外，我们还可以通过计算违约银行的规模来衡量市场的整体流动性损失。因此，我们计算1999、2000、2001、2002、2003、2004、2005、2006、2007、2008、2009、2010、2011、2012-1-0.500.51相关度和个人风险与个人风险之间的比率1999、2000、2001、2002、2004、2005、2007、2008、2009、2010、2012-1-0.500.51相关度和个人风险图。银行网络特征与个人风险之间相关系数的时间演化。a） 进出度；b） 输入/输出强度。结果参考了第一种经济情景（LC-LD）和初始不良银行密度等于1%。最初由破产银行提供的流动性和整体启动市场流动性，即isPi∈BsOi/PisOi。图7显示，在数据的整个时间跨度内，流动性损失的比率非常高，这表明小的初始冲击可能导致严重的系统性损失。

重要的是，货币损失远远高于破产百分比所给出的风险指标，这表明在银行间网络中占有较大份额的银行，即属于网络核心的银行，实际上更有可能违约。我们通过研究哪些网络特征使银行更容易受到流动性冲击来结束本节。为此，我们在每个季度评估银行的入/出程度和入/出/强顺序之间的相关系数，以及根据模型实现的违约频率评估的个人风险。图8显示，银行的流动性风险与其程度（即贷款人数量）和实力（借款总额）高度相关：正如预期的那样，更依赖市场为其活动提供资金的银行更容易受到流动性冲击的影响。六、 计量经济学分析在本节中，我们进行了一项统计工作，以识别abank的不同网络特征对其流动性风险的贡献。在可能影响银行倒闭可能性的各种特征中，我们将重点放在以下两组在分析中用作回归系数的数量上：o二元特征：入度、出度、二元聚类和核心度；o加权特征：内强度、外强度、加权聚类和介数。在上述数量列表中，第3.1节定义了等级和强度；二元聚类在第3.3节中定义，通过使用uij（t）=wij（t）+wji（t）[56]，以其二元对应物的相同表达式获得加权聚类；coreness是一个虚拟变量，如果所考虑的银行在core中，则取值1，否则取值0【55】；介数是网络中通过被考虑的数据库的所有最短路径的分数【62】。

所有这些量都是网络中节点中心性（或重要性）的度量。以xmi（t）表示时间t时银行i变量m的值，我们的基准回归显示：yi（t）=ωi+η（t）+Xmαmxmi（t）+ΘtXmβmxmi（t）+ζΘt+εi（t），（3）其中yi（t），即在日期t时为每个银行i观察到的EDB模型中的默认频率，是从属变量。后者由组内OLS估计器（固定效应）使用聚类调整标准误差进行估计。在上述表达式中，我们通过系数ωi解释了银行层面未观察到的异质性，包括各种时间不变因素，如银行所在地、所在国的制度特征、所有权等。另一方面，η（t）解释了一般的暂时效应，如聚合。虽然流动性原则上是由陷入困境的银行和破产的银行囤积的，但模拟的停止条件是市场上没有留下任何陷入困境的银行（或者当我们达到100步时，只有极少数银行幸存下来）：在这一点上，所有损失的流动性基本上都是由破产的银行提供的。时间t时冲击市场的冲击。我们还通过虚拟变量Θt引入Nt不连续性，在2008年第四季度（雷曼兄弟违约后第一季度）之前取0，之后取1，以捕捉全球金融危机导致的变量变化。总的来说，我们感兴趣的回归系数集是{αm}，表示特征m是否解释了默认频率的可变性，以及{βm}，表示特征m在危机后的影响如何变化。表一和表二分别显示了二元变量集和加权变量集的回归结果。在这两种情况下，我们考虑不良银行的初始密度分别为1%、5%、10%和20%（对应于不同的表列）。

从总体上看，我们发现银行网络特征，即网络拓扑结构，对于降低陷入困境银行的初始密度起着越来越重要的作用。这意味着网络效应非常重要，尤其是对于小的初始冲击。然后我们观察到，介数和核心度确实会影响默认频率，而聚类是唯一不会影响的度量。关于表一所列的二元特征，我们看到，某一银行的贷款人数量与该银行的违约频率呈正相关，而该银行的借款人数量则呈负相关。表二还显示，借贷总额也是重要的变量，但与二元对应物相比，其影响可忽略不计。最后，关于危机后变量的影响，我们发现中间性、核心度和聚类的统计影响要小得多。相反，银行之间的联系出现了不连续性，危机后其影响程度增加了一倍。以变量Θ为代表的危机影响随着陷入困境银行的初始密度在两个回归中增加。然而，请注意，危机仅对二元回归集（以及初始密度的低值）具有重要意义：由于银行间交易减少（流动性阻碍），危机后违约频率下降。总的来说，根据聚类调整后的R，这两个回归的优度表明，二元特征可以解释因变量的可变性，比加权特征高出两到三倍。因此，我们可以得出结论，与其他变量相比，核心度和内外度更能解释系统性风险，这与最近从“太大而不能倒”到“太相互关联而不能倒”的范式转变相一致[51]。

请注意，Toivanen[50]对其信贷驱动的传染模型得出了类似的结论，在该模型中，银行连通性的增加对银行系统的威胁比其规模的增加更大。七、结论在这项工作中，我们解决了由于流动性不足导致的银行间市场系统性风险问题。利用意大利银行间存款电子市场（e-MID）的交易数据，我们分析了银行间网络结构，并通过引入暴露的不良银行破产（EDB）模型来研究其对流动性冲击的弹性，该模型模拟了市场内流动性疾病的流行动态。我们发现，2007/2008年的全球金融危机对网络拓扑结构产生了重大影响：流动性囤积政策和对交易对手信誉的担忧不仅导致银行间市场在活跃参与者和交易密度/程度方面更加糟糕，但市场本身的结构变化，如银行和优惠贷款渠道的消失，最终导致银行间网络在银行间的货币流动中变得不那么有效。事实上，EDB模型的结果表明，在全球金融危机发生时，系统性风险是最大的，随后的金融危机迫使银行改变其战略行为，以适应新的更恶劣的环境，最终降低风险，但剥夺了市场的功能。我们还指出，在压力测试场景中，考虑银行间网络上的流动性冲击动态是极其重要的，因为对于较弱的初始冲击，系统中的总体损失也可能很严重。

事实证明，严重依赖市场提供流动性的银行的破产概率有所提高，尤其是在借款人数量方面：融资渠道的高度多元化通常会最大程度地降低低水平金融危机的翻滚风险，但在危机期间，这会增加受到流动性冲击的可能性。我们在这项工作中实施的EDB模型可以通过作用于感染和违约概率来进一步推广，这可以修改为包括外生溢出。例如，违约率可能取决于储户的取款，或者包括将银行恢复到风险敞口状态的救助机制。最后请注意，正如我们已经指出的，EDB模型的实施没有考虑银行的详细资产负债表头寸，我们无法通过电子MID数据访问这些头寸。虽然在定性研究与网络拓扑结构相关的市场金融稳定性时，这种简化并不重要，但该模型可以考虑银行资产负债表信息，以便正确评估银行间市场中流动性驱动的系统性风险的实际范围。我们仅报告第一个经济情景LC-LD的结果，因为其他两个情景产生类似的结果。表1.银行二元网络特征给出的自变量回归结果，使用组内OLS估计器（固定效应）和聚类调整标准误差获得。

观察次数N=4387，组数=230，每组观察次数=19。感染概率1%5%10%20%α核心度9.791***8.900***7.609***5.993***（1.695）（1.610）（1.494）（1.298）α二元聚类-1.371-2.412-2.522-2.710（12.159）（11.445）（10.419）（8.824）α，度0.992***0.945***0.878***0.752***（0.084）（0.084）（0.081）（0.073）α出度-1.570***-1.498***-1.375***-1.156***（0.076）（0.078）（0.078）（0.074）β岩芯度-8.350**-7.006*-5.388-3.001（3.145）（3.251）（3.237）（3.030）β二元聚类19.172 17.807 16.411 14.899（14.102）（13.649）（12.863）（11.393）β度1.756***1.761***1.617***1.218***（0.224）（0.232）（0.230）（0.207）β向外度-1.631***-1.719***-1.642***-1.313***（0.223）（0.225）（0.220）（0.201）Θ-15.702**-12.779**-9.293*-4.778（4.883）（4.793）（4.564）（4.116）η42.738***49.039***54.855***63.231***（3.775）（3.609）（3.335）（2.873）N 4387 4387 4387 4387调整。R0.363 0.358 0.345 0.315括号内的标准错误*p<0.05，**p<0.01，***p<0.001表二。由银行加权网络特征给出的自变量回归结果，使用带聚类调整标准误差的组内OLS估计（固定效应）得出。

观察次数N=4387，组数=230，每组观察次数=19。感染概率1%5%10%20%a介于0.045之间***0.044***0.041***0.036***（0.007）（0.007）（0.006）（0.006）α加权聚类0.016 0.015 0.014 0.012（0.024）（0.021）（0.018）（0.013）α强度0.003***0.003***0.002***0.002***（0.001）（0.001）（0.000）（0.000）α外强度-0.003***-0.003***-0.002***-0.002***（0.000）（0.000）（0.000）（0.000）β介于0.042之间**0.045**0.043**0.036*（0.015）（0.015）（0.016）（0.015）β加权聚类0.066 0.078 0.075 0.049（0.116）（0.112）（0.102）（0.084）β内强度0.000 0.001 0.001（0.001）（0.001）（0.001）（0.001）β外强度-0.004***-0.004***-0.004**-0.003**（0.001）（0.001）（0.001）（0.001）Θ-0.763 1.145 2.909 4.569*（2.533）（2.556）（2.473）（2.202）η45.784***51.676***57.537***65.698***（1.375）（1.312）（1.205）（1.016）N 4387 4387 4387 4387调整。R0.168 0.162 0.153 0.139括号内的标准错误*p<0.05，**p<0.01，***p<0.001感谢Alessandro Belmonte的有益讨论。朱利奥·西米尼（Giulio Cimini）和里卡多·迪·克莱门特（Riccardo Di Clemente）表示感谢GROWTHCOM项目（FP7-ICT，n.611272）的支持。Giulio Cimini还感谢projectsMULTIPLEX（FP7-ICT，编号317532）和DOLFINS（H2020-EU，编号640772）的支持。资助者在研究设计、数据收集和分析、决定出版或准备手稿方面没有任何作用。[1] J.A.Chan Lau，M.Espinosa，K.Giesecke，J.A.Sol'e，《评估金融联系的系统性影响》，IMF《全球金融稳定报告2》（2009年）。[2] M.K.Brunnermeier，《解读2007-2008年的流动性和信贷紧缩》，《经济展望杂志》23（1）（2009）77–100。[3] S.Battiston，G.Caldarelli，R.May，T.Roukny，J.E.Stiglitz，《金融网络复杂性的代价》，美国国家科学院学报113（36）（2016）10031–10036。[4] S.Battiston，J.D。

Farmer，A.Flache，D.Garlaschelli，A.G.Haldane，H.Heesterbeek，C.Hommes，C.Jaeger，R.May，M.Scheffer，《复杂性理论与金融监管》，科学351（6275）（2016）818–819。[5] P.Glasserman，H.P.Young，《金融网络中的传染》，经济文献杂志54（3）（2016）779–831。[6] F.Allen，D.Gale，《金融传染》，政治经济学杂志108（1）（2000）1–33。[7] P.Gai，A.Haldane，S.Kapadia，《复杂性、集中度和传染》，货币经济学杂志58（5）（2011）453–470。[8] F.Caccioli，M.Shrestha，C.Moore，J.D.Farmer，《投资组合重叠导致的金融传染的稳定性分析》，银行与金融杂志46（2014）233–245。[9] D.Acemoglu、A.Ozdaglar、A.Tahbaz Salehi，《金融网络中的系统性风险和稳定性》，《美国经济评论》105（2）（2015）564–608。[10] R.Greenwood，A.Landier，D.Thesmar，《弱势银行》，金融经济学杂志115（3）（2015）471–485。[11] S.Gualdi、G.Cimini、K.Primicerio、R.D.Clemente、D.Challet，《经统计验证的投资组合重叠和系统风险网络》，科学报告6（39467）。[12] P.Barucca、M.Bardocia、F.Caccioli、M.D\'Errico、G.Visentin、S.Battiston、G.Caldarelli，《金融系统网络估值》，arXiv:1606.05164。[13] J.-C.Rochet，J.Tirole，《银行间借贷和系统性风险》，货币、信贷和银行杂志28（4）（1996）733–762。[14] X.Freixas，B.M.Parigi，J.-C.Rochet，《中央银行的系统风险、银行间关系和流动性规定》，《货币、信贷和银行杂志》32（3）（2000）611–638。[15] G.Iori，S.Jafarey，F.G.Padilla，《银行间市场的系统性风险》，《经济行为与组织杂志》61（4）（2006）525–542。[16] F.Allen，A.Hryckiewicz，O.Kowalewski，G。