金融网络的社会动力学

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：
《Social dynamics of financial networks》
---
作者：
Teruyoshi Kobayashi and Taro Takaguchi
---
最新提交年份：
2017
---
英文摘要：
  The global financial crisis in 2007-2009 demonstrated that systemic risk can spread all over the world through a complex web of financial linkages, yet we still lack fundamental knowledge about the evolution of the financial web. In particular, interbank credit networks shape the core of the financial system, in which a time-varying interconnected risk emerges from a massive number of temporal transactions between banks. The current lack of understanding of the mechanics of interbank networks makes it difficult to evaluate and control systemic risk. Here, we uncover fundamental dynamics of interbank networks by seeking the patterns of daily transactions between individual banks. We find stable interaction patterns between banks from which distinctive network-scale dynamics emerge. In fact, the dynamical patterns discovered at the local and network scales share common characteristics with social communication patterns of humans. To explain the origin of \"social\" dynamics in interbank networks, we provide a simple model that allows us to generate a sequence of synthetic daily networks characterized by the observed dynamical properties. The discovery of dynamical principles at the daily resolution will enhance our ability to assess systemic risk and could contribute to the real-time management of financial stability.
---
中文摘要：
2007-2009年的全球金融危机表明，系统性风险可以通过复杂的金融联系网络传播到全世界，但我们仍然缺乏有关金融网络演变的基本知识。特别是，银行间信贷网络塑造了金融体系的核心，在这一体系中，银行间的大量临时交易会产生随时间变化的互联风险。目前对银行间网络的机制缺乏了解，因此难以评估和控制系统性风险。在这里，我们通过寻找单个银行之间的日常交易模式来揭示银行间网络的基本动态。我们发现银行之间存在稳定的互动模式，由此产生了独特的网络规模动态。事实上，在本地和网络规模上发现的动态模式与人类的社会传播模式具有共同的特征。为了解释银行间网络中“社会”动力学的起源，我们提供了一个简单的模型，该模型允许我们生成一系列以观察到的动力学特性为特征的合成日常网络。在每日处置中发现动力学原理将增强我们评估系统性风险的能力，并有助于实时管理金融稳定。
---
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
--
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：
--> Social_dynamics_of_financial_networks.pdf (5.35 MB)

2022-5-31 07:24:27 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：动力学 金融网 Quantitative Transactions Applications

金融网络的社会动力学Steruyoshi Kobayashia和Taro Takaguchib，c、d，1日本神户大学经济研究生院，神户；B日本东京国家信息和通信技术研究所；日本东京国家信息研究所；dJST，ERATO，Kawarabayashi Large GraphProject，东京，日本，2017年《金融联系摘要》，但我们仍然缺乏关于金融网络演变的基本知识。特别是，银行间信贷网络塑造了金融系统的核心，在这个系统中，银行间大量的临时交易会产生随时间变化的互联风险。目前对银行间网络机制缺乏了解，使得难以评估和控制系统性风险。在这里，我们通过观察各个银行之间的日常交易模式来揭示银行间网络的基本动态。我们发现银行之间存在稳定的互动模式，从而形成独特的网络规模动态。事实上，在本地和网络规模上发现的动态模式与人类的社交模式具有共同的特征。为了解释银行间网络中“社会”动力学的起源，我们提供了一个简单的模型，该模型允许我们生成一系列由观察到的动力学特性表征的合成日常网络。在日常处置中发现动力学原理将增强我们评估系统性风险的能力，并有助于实时管理财务稳定性。金融系统性风险是全球经济面临的最严重威胁之一。2007-2009年的全球金融危机表明，一家银行的倒闭可以通过金融机构之间的日常交易所形成的复杂金融联系网络，导致金融传染[，]。

即使在危机之后，许多国家也经历了长期衰退，即所谓的大衰退，这表明金融危机的社会成本可能是正常的[，]。因此，评估和控制系统性风险被认为是跨不同科学领域跨学科研究人员面临的最大挑战之一[–8]。在现代金融体系中，银行间市场发挥着基础性作用，银行相互借贷（下文中，我们指的是所有类型的金融机构市场是银行顺利进行流动性管理所必需的日常任务[]，但同时，它们也构成了全球互联风险网络的中心；通过银行所连接的金融联系对金融系统的冲击[，]。之前的许多研究试图通过模拟真实[–]和综合银行间信贷网络[，–]上的不同分类银行倒闭场景来评估系统性风险。对金融casstatic结构的研究，如随机[，]、二部[，]和多重结构[，]，成功地揭示了结构属性影响默认赌场银行网络的可能性，应将其视为动态系统风险。然而，我们对日常网络的结构特征是如何随着时间的推移而演变的知之甚少。长期以来，人们一直认为，银行间网络的动态是随机的，因此，通过掩盖相互关联的复杂性，系统风险没有任何有意义的规律[]。目前缺乏对真实银行间网络机制的研究，与对其静态特性的大量研究形成鲜明对比【12、15、27–30】。这项工作的主要目的是揭示本地和系统范围内真实银行间网络的基本动态。

为此，我们首先寻求动态规律，以表征2000-2015年期间意大利银行间市场进行的互动模式交易[]。我们发现，存在着支配日常银行间交易的明确互动模式，其合作伙伴的互动方式与人们通过电话和面对面对话与朋友的互动方式相同[，]。事实上，即使在全球金融危机期间，银行的这些“社会”互动模式也一直保持着令人惊讶的稳定。除了银行之间的本地交互之外，银行数量和交易之间还存在着一种全系统范围的比例关系，就像对应作者的电话号码一样。电子邮件：taro。takaguchi@nict.go.jpscales与人口规模呈超线性关系[34]。模式同时出现在本地和网络规模上。我们对支撑银行间网络日常演变的基本机制的发现，将增强系统性风险的可预测性，并为金融稳定的实时管理提供重要步骤。结果从往来银行到借款银行的时间戳数据中识别出每日网络。有人可能会将从贷款人转移到借款人的资金数额视为边缘权重，但在这里，我们将日常网络视为未加权，因为我们发现，边缘权重的动态可以是边缘权重分析的非物质（SM）。日常网络的特点是，网络规模和边缘数量都呈下降趋势（图1 a和b）。这使得网络更接近于纯粹贷款人和纯粹借款人之间的二分结构[（图。

1c和表S1），在参与每个日常网络的一组银行中实现快速营业额（参见表1中的更替率，并将整个样本期分为三个子样本期，以观察是否存在2007-2009年全球金融危机前后的结构性变化。日网络的动态模式南非的下降趋势以及间歇性峰值，留下了广泛的日组合（N，M），这让我们不禁要问，金融联系的数量是如何受到银行数量的动态约束的。事实上，存在明显的超线性，M∝ N1.5（图2a）。这表明，日常网络的平均程度随着订单的增加而增加√N、 奥尔基∝√N、 应该注意的是，MIS作为的幂律函数给出的事实类似于社交网络中一种被广泛观察到的现象，称为超线性尺度（superlinearscaling），其中边的数量与跨不同位置的节点的数量呈超线性比例【34，38–40】。除了NAND的宏观动力学之外，我们还发现了表1微观动力学的特征特性。每日银行间网络统计摘要2000–2006 2007–2009 2010–2015年所有日期3922 1618 767 1537N 94.23 129.69 98.92 54.56M 302.76 466.35 304.89 129.48周转率0.22 0.18 0.22 0.26二分性0.77 0.64 0.78 0.92不包括日常网络中活跃银行和边缘的平均数量。周转率是Jaccard距离1的平均值- |它∪ 它-1 |/| It∩ 它-1 |，其中是dayt上的活动银行集。关于二分性的描述，参见图1c的标题。2000年2003年2006年2012年2015年0.50.751Bipartivity2000年2003年2009年2012年2015年50100150N2000年2003年2009年2012年20150200400600年11月23日，2000年10月29日，2008年8月15日，2013N=162N=77N=13cabFig。1、日网络时间序列。

（a） edgesM数量（上）和banksN数量（下）的每日时间序列。由于意大利的国定假日，南德马尔的大部分下降峰值都出现了。（b） 最大（左）、中等（中）和最小（右）日常网络的可视化（通过图形工具[]可视化）（c）二部性时间序列。偶性是对偶的一种度量。黑线表示具有20天平滑窗口的移动平均值。单个边：边持续时间和间隔时间。我们对每个银行对至少执行一个交易的情况进行反τ。对所有交易对进行聚合后，τ遵循幂律分布，其互补累积分布函数（CCDF）的指数在2.5和2.9之间（SM中的图2b和图S5）。使用参考文献[1]中提出的方法估计指数。当我们将τ重新定义为单个银行的连续交易活动的持续时间，无论是贷款、借贷还是两者兼有时，都可以观察到类似的幂律分布（SM中的图S6）。另一方面，间隔时间τ对于银行对，是指银行对不执行任何交易的操作。与τ相反，τ不遵循幂律分布，但仍表现出长尾行为（图2c）。区间分布与威布尔分布很好地匹配，达到一定的切割水平（图2c，插图。关于拟合方法的详细信息，参见SM第S1节【43，44】）。ττ在整个数据周期内非常稳定。本obser10010110210310-510-410-310-210-1100持续时间10010110210310-510-410-310-210-11000 10 20 30051015log rank10-410-310-210-1100t/T10-210-1100K（t）/K（t）2000–20062007–20092010–2015K（t）/K（t）~ t/t-10-5 0 5 10 R10-510-410-310-210-1100P（r）2000–20062007–20092010–201510-410-310-210-1100t/T10-210-1100K（t）/K（t）NP=300NP=100K（t）/K（t）~ t/t-10-5 0 5 10 R10-510-410-310-210-1100P（r）NP=300NP=100b caedFig。2、日常网络的动态模式。

（a） Mis是n的幂律函数。由普通最小二乘法估计。（b） 银行对的连续交易日分布，τ，在所有对上聚合。蓝色圆圈和红色三角形分别表示2000-2006年和2010-2015年的经验分布。实线和虚线分别表示NP=300和100的模拟分布。具有估计参数c（符号）及其理论值（线）的cττc分布。（d） 经验聚合度K（t）（所有银行的平均值）的时间序列，通过其终值K（t）和（e）模拟聚合度进行归一化。值得注意的是，这不仅是因为在递减趋势的过程中，每天的分辨率都在不断变化（图1a），还因为参与银行的很大一部分每天都在变化（图S4）。银行间市场的高度新陈代谢表明τ和τ不一定归因于特定银行之间存在稳定的关系。虽然日常网络中单个边缘的动态显示出遵循特定的模式，但查看聚合边缘的动态（即edgesK（t），由截至时间t[，]的唯一贸易伙伴的平均累积数量定义）也是有意义的。标准化的总市值/市值（图2d），意味着银行找到新合伙人的比率会随着时间的推移而下降。请注意，此类次非铠装电话用户[]以及通过面对面互动形成的人类个体联系网络[33]。图3：。能力模型中的超线性关系。实线表示理论结果（平均运行500次）。

缩放关系m∝ NPNP产生1<β<2的Nβ≤ NP≤NPto 10000恢复二次缩放M∝ Nsinceq公司≈0，因此有限尺寸效应消失。日常网络演化模型上述发现表明，银行间交易的动态模式在不同时期都是稳健的，这使我们认为可能存在生成日常银行间网络的通用机制。在这里，我们表明，这些规律的出现可以通过能力模型的动态推广来重建[，]（见材料和方法：模型）。首先，我们表明，简单适应性模型的系统规模变化可以解释经验超线性关系∝ N1.5。为了便于说明，假设网络暂时是无向的。在能力模型中∈[0,1]被分配给banki（1≤ 我≤ NP），其中NP表示一天内可能进行交易的银行数量所给出的潜在市场规模。在银行间交易的背景下，能力价值可以解释为bankitotrade的活动水平或意愿。pij=（aiaj）α（α）给出了在niandj之间形成边的概率≥1） 。对于此规则生成的每个网络，NandMdenote至少有一个边缘（thusN）的活动银行数量≤ NP）和边的总数。通过生成给定α的NP在20到300之间变化的模型网络∈[2,8]出现了缩放关系m∝ Nβ，1<β<2（图3中的符号）。在之前的研究[–]中，对能力模型PredictedM的理论分析∝ N、 这与我们的经验观测（图2a）和数值模拟（图3）都不同。银行内部。

在该模型中，由q定义的河岸被隔离（即无边缘）的概率由NP函数给出：q（NP）=α（α+1）αhBNP，α- B1级-α+1NP，αi、 其中，B（x，y）和Bz（x，y）分别是beta函数和不完全beta函数（关于推导，请参见第S2节）。ConseabNPhNi=146.7hMi=553.5hNi=88.2hMi=245.2hNi=34.8hMi=60.8图。4、模型网络的生成。（a） 用NP=100、100和300（通过图形工具[]可视化）对网络进行建模。还显示了每个参数的平均值。（b） 给定NP的联合条件概率函数f（N，M | NP）（colorbar）。接下来，N和M由下式给出N=（1- q（NP））NP，M=h（aiaj）αiNP（NP-1） 。[2] 自Q（NP）→0 asNP→ ∞,N’NPandM’h（aiaj）αiN（N-（1）/∝ n对于一个非常大的P，它恢复了先前研究中所示的二次标度[–]。然而，对于从数据中观察到的网络大小范围，q（NP）是不可忽略的。从公式（2）中得出的（N，M）对于给定值的组合非常适合模拟结果（图3中的线）。而超线性关系∝ N1.5可以解释为τ和τ（图2 b和c）和k（t）的次线性增长（图2d）由于这些特征来自于捕捉记忆效应，我们在fitnessai中引入了一个函数。我们假设在第t+1天开始时，ai，t+1根据随机游走过程进行更新，或重置为0到1之间的随机值，概率h（ai，t）旨在捕捉银行间市场的新陈代谢，其中一些银行在连续交易后退出市场，而其他银行在长时间休息后进入（例如，由于流动性管理战略的变化）。我们发现，持续时间τ和间隔的模拟分布成对交易的τ复制了给定NNP的经验分布（见图2 b和c中的线条）。

我们证实，该模型能够可靠地再现持续时间（图S7 b和c、S8和S9）。此外，生长模式kt/kt再现（图2e）。我们还评估了模型的其他动力学特性，如度分布和强度作为度的函数【49】（图S10-S12）。应该注意的是，虽然活动水平a、t随时间变化而独立于其他银行的活动水平，但该模型确保生成网络的规模和结构在给定NNP下是固定的。然而，在现实中，日常网络的演变呈现出下降趋势（图12000 2003 2006 2009 2012 2015010020030004000 200 400 6001003002000 2003 2006 2009 2012 2015年0.50.751BipartivityModelabcFig。5.固定日常网络的动态特征。（a）NP的时间序列，ML。插入：NP、ML与经验ANDM的散点图。（b） 固定每日网络的二部性（c）非固定每日网络散点图。一个点对应一天。实线表示与图2a所示相同的经验回归线。a和b）以及网络规模因各种外部因素（例如，货币政策的变化[]以及国家节假日和/或存款准备金制度引起的货币需求季节性[]）而每日变化。在HNIO中，EDGEHMI由调谐参数NP控制（图4a）。使模型适合数据影响网络大小可能每天都在变化。由于在该模型中，平均网络大小由调整参数NP控制，因此我们需要估计PTO的日序列以重构经验日网络的时间序列。在这里，我们采取以下步骤。首先，我们生成了（N，M）的大量InPhysitogram（图4b）。在广泛的抑制范围内生成网络，提供了一个条件概率函数f（N，M | NP），该函数将覆盖经验网络中的随机范围（图S13）。