全球银行业中区域不确定性溢出的关系

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：
《Relation between regional uncertainty spillovers in the global banking
  system》
---
作者：
Sachapon Tungsong, Fabio Caccioli, Tomaso Aste
---
最新提交年份：
2017
---
英文摘要：
  We report on time-varying network connectedness within three banking systems: North America, the EU, and ASEAN. The original method by Diebold and Yilmaz is improved by using exponentially weighted daily returns and ridge regularization on vector autoregression (VAR) and forecast error variance decomposition (FEVD). We compute the total network connectedness for each of the three banking systems, which quantifies regional uncertainty. Results over rolling windows of 300 days during the period between 2005 and 2015 reveal changing uncertainty patterns which are similar across regions, with common peaks associated with identifiable exogenous events. Lead-lag relationships among changes of total network connectedness of the three systems, quantified by transfer entropy, reveal that uncertainties in the three regional systems are significantly causally related, with the North American system having the largest influence on EU and ASEAN.
---
中文摘要：
我们报告了北美、欧盟和东盟三个银行系统内的时变网络连通性。对Diebold和Yilmaz的原始方法进行了改进，在向量自回归（VAR）和预测误差方差分解（FEVD）上使用指数加权日收益率和岭正则化。我们计算了三个银行系统中每个系统的总网络连通性，从而量化了区域不确定性。2005年至2015年期间300天滚动窗口的结果显示，不同地区的不确定性模式变化相似，常见峰值与可识别的外部事件相关。通过传递熵量化的三个系统总网络连通性变化之间的超前-滞后关系表明，三个区域系统中的不确定性具有显著的因果关系，其中北美系统对欧盟和东盟的影响最大。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Relation_between_regional_uncertainty_spillovers_in_the_global_banking_system.pdf (336.74 KB)

2022-5-31 04:45:24 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：全球银行 不确定性 银行业 确定性 不确定

全球银行体系中区域不确定性t y溢出之间的关系伦敦大学学院计算机科学系Chapon Tungsong，Fabio Caccioli；伦敦经济和政治科学学院系统性风险中心（Systemic Risk Centre，London School of Econ-omics and Political Sciences）Sabstractwe报告了北美、欧盟和东盟三个银行系统内随时间变化的网络连通性。对Diebold和Yilmaz的原始方法进行了改进，在向量自回归（VAR）和预测误差方差分解（FEVD）上使用指数加权日收益率和岭正则化。我们计算了三个银行系统中每一个系统的总网络连通性，从而量化了区域不确定性。2005年至2015年期间300天滚动窗口的结果显示，不同地区的不确定性模式变化相似，常见峰值与可识别的外部事件相关。通过转移熵量化的三个系统的总体网络连通性变化之间的超前-滞后关系表明，三个区域系统中的不确定性具有显著的因果关系，其中北美系统对欧盟和东盟的影响最大。1简介金融市场正变得越来越相互关联（Moghadam和Vinals，2010），最初影响系统某一部分的冲击可以迅速传播到系统的其他部分。因此，了解金融市场中的困境传播模式对于描述系统性风险很重要。2007-2009年全球金融危机之后，人们投入了大量精力来理解银行系统内危机传播的机制。一方面，astrand的文献侧重于对银行间网络中传染病发生的过程进行建模（最近的综述参见Glasserman和Young（2016））。

另一方面，另一系列文献侧重于从市场数据中量化系统性风险（见Adrian和Brunnermeier（2016）；Brownlees和Engle（2016））。特别是，Diebold和Yilmaz（2009）提出了一种基于预测误差方差分解（FEVD）的方法，从市场数据网络估计企业之间的相互依赖性，并利用估计网络的连通性来量化变量之间的不确定性溢出。在本文中，我们使用Diebold和Yilmaz（2009）的方法，通过引入时间序列的指数权重并将其与岭回归相结合，对北美（NA）、东南亚（东盟）和欧盟（EU）三个区域银行系统的连通性的时间演化进行了估计。通过VAR和FEVD，我们计算每个区域中银行对之间的成对连通性，并将这种成对连通性聚合起来，计算区域总连通性的度量。从2005-15年期间的300天滚动窗口计算出的每个银行系统的时变总连通性表明了系统性风险的时间变化，在重大危机事件期间达到峰值，在正常时期达到低谷。在其他金融系统和不同地区观察到了大量结果（Diebold和Yilmaz，2009、2012、2014；Chau和Deesomsak，2014；Alter和Beyer，2014；Fengler和Gisler，2015；Demirer等人，2015）。需要强调的是，与Diebold和Yilmaz（2009）认为所有金融机构都属于一个全球系统不同，我们将银行分为三个区域银行系统。通过这种方式，我们可以对不同地区进行比较分析，从而突出它们之间的相似性和差异性。

此外，这使我们能够量化不同地区之间因果关系的存在。我们必须注意，将所有银行合并在一起可能会产生某种误导，因为这三个银行系统中的银行股票在不同的股票市场交易，而这些股票市场的交易时间有显著差异。我们分析的主要结果如下：首先，我们注意到，三个地区银行系统的峰值结构与重大、可识别的重大事件相关的较大峰值非常相似。虽然总体模式相似，但我们观察到两个系统之间存在两个重要的差异。第一个事实是，连通性的总体规模有所不同，北美银行体系的连通性比欧盟强，而这一点又比东南亚银行体系的连通性强。其次，我们发现不同时间序列之间存在超前滞后关系。为了量化这种影响，我们计算了与不同地区连通性变化相关的时间序列之间的传递熵，并揭示了从北美到欧盟、从北美到东南亚以及从欧盟到东南亚的重大净信息流的存在。通过使用不同的传递熵度量来测试我们发现的稳健性。特别是，我们发现净信息流的一致结果，既有传递熵的线性度量（对应于格兰杰因果关系分析），也有不同参数的非线性度量。我们还检索了一天和五天回报的类似因果关系。据我们所知，这项区域不确定性之间的因果关系研究是此类研究中的首次。本文的其余部分组织如下。

在第2节中，我们提出了一个文献回顾，并将我们的论文放在以前作品的背景中。在第3节中，我们描述了使用的数据，而第4节简要描述了我们的方法。第5节阐述并讨论了本文的主要结果，最后我们在第6.2节文献综述中给出了我们的结论。关于溢出效应的文献大致可分为两类。第一类包括网络模型，旨在描述金融传染的各种因果机制，可以用资产负债表数据进行校准（Fur fine，2003；Degryse和Nguyen，2007；Upper和Worms，2004；M¨uller，2006；Cont等人，2010；Upper，2011；Birch和Aste，2014）。第二类包括计量经济学模型，其目的是仅从市场数据中识别溢出效应，而不必对银行间的痛苦传播动态做出假设（Adrian和Brunnermeier，2016；Brownlees和Engle，2016）。我们的论文接近于第二篇文献，因为我们试图了解市场数据是否包含有关银行间互联程度的信息，以及金融市场的内生动力如何放大外部冲击。传染网络模型可以追溯到Allen和Gale（2000）的开创性工作，他们展示了银行间互联模式如何影响银行系统在均衡状态下的稳定性，也可以追溯到Eisenberg和Noe（2001）的工作，他们展示了如何在银行间债权网络中始终如一地计算支付结算向量。银行间网络的结构与其稳定性之间的关系也在非均衡网络模型的背景下得到了广泛的探讨（例如，见Fur fine（2003），Iori et al.（2006），Nier et al.（2007），Gai and Kapadia（2010），Cont et al.（2010）。

（2010）、Upper（2011）、Battiston et al.（2012）、Fricke and Lux（2015）、Bardocia et al.（2015）），尤其显示了个人风险和系统风险之间的紧张关系——使SA银行个人风险降低的因素实际上可能会增加系统性失败的风险（Beale et al.，2011）。最近，这些分析已超出银行间借贷网络，扩展到重叠投资组合网络的研究（Huang et al.，2013；Caccioli et al.，2014；Corsi et al.，2016）。虽然这些模型在理解金融传染的动力学方面很有见地，而且在某些情况下，它们已经应用于实际数据（现有文献的回顾见Upper（2011）），但它们的适用性仍存在明显的挑战。首先，银行资产负债表缺乏可靠数据，这使得模型难以校准。其次，为了获得系统性风险的可靠评估，必须捕获银行之间所有相关类型的互联，因为不同传染渠道之间的相互作用可以显著改变系统的稳定性（Caccioli et al.，2015）。在这里，我们采用互补的方法，从市场数据推断银行之间的相互依赖关系，这属于上述第二类文献。该方法在网络建模方面的优势在于，市场数据随时可用，并且银行之间不同类型的互连已由市场汇总。缺点是，这种方法无法解释压力在银行之间如何传播，它依赖于市场效率的基本假设，这是不现实的（Shiller，2003）。然而，我们可以假设，尽管市场并不有效，但价格确实在一定程度上反映了有关基础资产的总信息（或预期）。

这一系列的文学作品有好几处贡献。特别是，Dungey等人（2005年）总结了截至2005年的传染经验模型。最近的实证研究包括Diebold和Yilmaz（2009、2012、2014）、Caceres等人（2010）、Billio等人（2012）、Claeys和Vasicek（2014）、Lucas等人（2014）以及Brownlees和Engle（2016）。与本文特别相关的是Diebold和Yilmaz（2009，Admati et al.（2013）的工作报告，该报告指出，银行倾向于找到规避监管的方法，以便通过属于表外项目的结构化投资工具投资抵押贷款支持证券和衍生品。法规允许的这种回旋余地造成了监管边界，使得外部人士很难知道银行实际报告的内容。2012年、2014年），影响了后续研究，如McMillan和Speight（2010年）、Bub'ak等人（2011年）、Fujiwara和Takahashi（2012年）、Kl¨ossner和Wagner（2014年）、Alter和Beyer（2014年）、Chau和Deesomsak（2014年）、D Emier等人（2015年）以及F engler和Gisler（2015年）。这串贡献使用向量自回归（VAR）和预测误差方差分解（FEVD）来量化网络中每个变量的不可预测性。通过使用VAR和FEVD方法，可以将内生相互依赖性对不可预测性的贡献与外生冲击造成的不可预测性分离开来。继Diebold和Yilmaz之后，我们将在本文中提及这一内生成分，即总体网络连通性，从而量化系统内银行冲击的传播。3数据我们从Compustat数据库中收集了2005年1月至2015年10月期间总部位于北美（美国和加拿大）、欧盟（欧盟）和东南亚（东盟）的银行的每日股价。

我们仅选择子行业“银行”中的金融机构，即GICS代码为4010101的金融机构，并根据每家银行的每日收盘价计算日志回报。我们的样本包括北美的10家上市银行、欧洲联盟（EU）的66家银行和东南亚（东盟）的39家银行。北美银行系统中的所有银行都在纽约证券交易所（NYSE）进行股票交易，而欧盟和A SEAN银行的股票大多在其本国的股票市场进行交易。附录A提供了所有三个地区的银行名单及其汇总统计数据。这些数据是在300天的滚动窗口和整个周期内进行分析的。4方法学4.1总连通性遵循Diebold和Yilmaz（2009、2012、2014）提出的方法，我们使用方差分解，其中变量的预测误差方差分解为归因于系统中每个变量的贡献。该方法基于Sims（1980）引入的向量自回归（VAR）模型（见Stock和Watson（2001）；科克伦（2005）；Lutkepohl（2006）；Tsay（2010），用于讨论、审查和应用）。VAR估计一组N个变量的值yt，1。。。通过执行多维回归，将其过去的值线性组合为yt、Nat时间t。通过使用矢量表示Yt=（Yt，1，…Yt，N）并考虑t-1仅滞后，回归可写为：Yt=AYt-1+t使用系数的anN×N矩阵。通过迭代该公式并用残差wi，t的正交基表示（var（wi，twj，t）=δi，j）（Cochrane，2005），可以写出：yi，t=∞s=0Nj=1θij，swj，t-s、 （1）一步预测为^Yt+1=AYt。预测误差为差值yi，t+1- ^yi，t+1=θij，0wj，t+1，因此其方差为：var（yi，t+1- ^yi，t+1）=Nj、 k=1θij，0θik，0var（wj，t+1，wk，t+1）=Nj=1θij，0。

（2） 总和中的每个项θij，0被解释为因变量j中的冲击而对变量i的一步预测误差方差的贡献。其归一化值cij=θij，0∑Diebold和Yilmaz（2009，20122014）将Nk=1θik，0称为连通性，它与变量j到变量i的相对不确定性溢出有关。在本文中，我们将报告“总连通性”，即总连通性=NNi、 j=1i/=jcij（3），并测量变量对一步预测方差的平均影响。它是整个系统内溢出不确定性的度量。总连通性的较大值对应于不稳定时期，变量之间的不确定性会产生强烈的影响。我们通过引入两项技术改进，重新定义了最初的Diebold和Yilmaz（2009、2012、2014）方法。第一个改进在于使用岭正则化VAR（Tikhonov，1963；Hoerl和Kennard，1970），该方法用于降低估计对与时间序列有限长度相关的噪声和不确定性的敏感性。岭回归引入了回归系数平方和的惩罚，因此有利于系数较小的模型。这改善了回归性能，尤其是对于协方差矩阵几乎奇异的具有大量变量的系统（见Gruber（1998））。实际上，岭回归包括在回归系数的表达式中添加对角线项：B=（XX′+λI）-1XY′，I为单位矩阵，λ为系数，使反演对小特征值的不确定性不太敏感（Tikhonov，1963）。必须根据回归性能选择参数λ，它取决于时间序列的长度及其统计特性。

在我们的案例中，我们使用了λ=100，我们验证了它是该数据集的一个很好的折衷值，并且w indow length 300点。我们验证了结果对λ在很大范围内的变化几乎不敏感【100-1000）。第二项技术改进包括使用指数平滑来缓解与对远程观测大变化的敏感性相关的影响，Pozzi等人（2012年）。指数平滑计算观察窗口上的加权平均值，权重呈指数递减，exp(-s/θ），分配给更多的远程观测（此处s计算当前的点数）。在本文中，我们使用的滚动窗口大小为300天，具有指数权重，特征长度θ=100。Pozzi等人（2012年）建议选择与窗长第三条相等的特征长度为最佳长度。4.2传递熵和格兰杰因果关系我们通过量化不确定性溢出之间的超前-滞后关系，研究一个地区的不确定性如何影响另一个地区的不确定性。为此，我们计算了与三个系统总连通性的每日和每周变化相关的传递熵。在本文中，我们使用线性和非线性方法来估计传递熵。传递熵TY→X量化变量X的不确定性减少，这是由变量Y过去的知识提供的，考虑到X过去的信息。就条件熵而言，它可以写为：TY→X=H（Xt∣Xt公司-滞后）- H（Xt∣Xt公司-滞后，Yt-滞后）（4），其中Xt表示变量X和Xt的存在-落后于过去。在本文中，我们报告了一天滞后的结果。