太大而不能倒金融机构的系统性冲击模型

（19） 这一基于矩的程序是Genest和Rivest（1993）中考虑的Kendall基于tau的估计程序对多维fr模型的推广，Mazo等人（2015）对其进行了分析和研究。（19）中要求的优化不是一项简单的任务，只能通过数值求解。4.3结果适用于所有SIFI欧洲银行的程序不能提供良好的FIT，全球最小值仍远未达到0。如果将分析局限于金融稳定性委员会（FinancialStability Boar d）提供的全球系统重要性银行名单中的银行，则情况会好得多，因为它们的关联区间高于1（较高的区间对应较高的系统重要性）：法国巴黎银行（BNP Paribas）、德意志银行（Deutsche Bank）、汇丰银行（HSBC）、巴克莱银行（Barclays）。参见金融稳定委员会发布的报告“2016年全球系统重要性银行（G-SIB）名单”，http://www.fsb.org/wp-content/uploads/2016-list-of-global-systemly-i important-banks-G-SIBs。PDF表1：每年的肯德尔τ值τX，Xj。德意志银行巴黎巴克莱HSBC2009 0.66425573 0.04839780 0.25905985 0.017023012010 0.1961576 0.0000000.2135096 0.58919732011 0.00000000 0.17627564 0.04529224 0.77736158012 0.00000000 0.02586159 0.85703128 0.11605822013 0.0000000 0 0 0.37971770.0000000 0.61923732014 0.07860066 0.00000000 0 0.92038202015 0.0000000.3477391 0.0000000.65124622016 0.1911062 0.0000000 0.00000000.8068463每年进行一次估算，一旦估算出参数，则根据（6）评估K endall的τX，Xjare。

在表1中，我们显示了每个IDiosincratic组分xJan和系统性休克X之间的Kendallτ的已知值。值得一提的是，2009-2011年（19）中的全球最小值非常接近于0。特别是，2009年的情况尤其良好：今年，美国银行业危机在欧洲蔓延，并产生了系统相关的影响，如表1所示，从本文所考虑的意义上讲，所有银行都存在系统风险，即使程度不同。表1显示，即使每家银行导致整个银行系统银行收益的能力随时间而变化，HCB在分析期间在全球风险最大。将获得的结果与金融稳定委员会2015年和2016年的可用报告（分别基于2014年底和2015年底的数据）进行比较，我们观察到，2014年汇丰银行估计的异常高系统风险程度（92%）与2015年报告中该行与bucket 4（最高）的关联一致，虽然2015年估计的风险降低程度（65%）与2016年报告中HSBCto bucket 3的doungrade一致。此外，根据表1，近年来巴克莱银行可被归类为风险较小的银行（本文所考虑的意义上）：这与以下事实一致：在所考虑的银行中，巴克莱银行是2016年报告中唯一一家被指定为Bucket 2的银行。在表2中，我们列出了每个观察到的寿命tjan和系统冲击到达时间X之间的Kendall的τ值。我们注意到，在某些情况下，τX、XjandτX、Tjare相互关联：这是2009年欧洲银行、2012年巴克莱银行和2011年、2014年和2016年汇丰银行的情况。

如例3.1末尾所述，这是因为银行生命周期对系统性风险的依赖性本质上是由其诱发系统性冲击的能力决定的，而其自身也受到系统性冲击的影响则可以忽略不计：这是风险的明确证据。参见“2015年全球系统重要性银行（G-SIB）名单”，http://www.fsb.org/wp-content/uploads/2015-update-of-list-of-global-sy-important-banks-G-SIBs化学公司。PDF表2：每年的肯德尔τ值τX，Tj。德意志银行巴黎巴克莱HSBC2009 0.6939868 0.6954599 0.9342763 0.94068052010 0.8664811 0.8623019 0.8742886 0.70390192011 0.9176120 0.9161709 0.8260221 0.80662702012 0.8962147 0.8163799 0.8570315 0.75639002013 0.8559030 0.8049459 0.8226217 0.83447512014 0.6916339 0.7916272 0.9123942 0.9203838 222015 0.8375908 0.7653512 0.7463275 0.84344092016 0.2536626 0.5585990 0 0.6998114 0.82065325结论在本文中，我们介绍了马歇尔-奥尔金分布的一种推广，其中假设潜在冲击到达时间之间存在一些不可交换的依赖关系。更具体地说，我们假设每个生命周期都是非向斜冲击和系统性冲击之间的首次到达时间，与标准的马歇尔-奥尔金模型不同，我们假设每个特质到达时间和系统到达时间之间存在某种依赖性：所得到的模型特别适用于寿命仅通过其依赖的系统性休克到达时间相互影响的情况。研究了寿命的已知联合分布：通过诱导copula f函数及其相关的成对Wisekendall函数和Kendallτ，分析了其奇异性并研究了其依赖性。

依赖结构是aMarshall-Olkin型依赖和每个特质成分与系统性冲击到达时间的假设依赖的组成：第二个成分越高，所考虑的实体r Isky越多。将该模型应用于SIFI型欧洲银行的系统风险分析。结果表明，根据金融稳定性评级（BNP Paribas、Deutsche Bank、HSBC、Barclays），如果将模型限制在特别“大”的SIFI银行，则该模型会给出更好的结果。所得结果允许根据这些银行诱导所有系统同时违约的能力对其系统性风险进行分类。除了已经使用的信息外，这是一种可以用来更完整地分类银行资产的信息。参考文献【1】A.Baglioni，U.Cherubini（2013）：系统性国家风险内部和之间：欧洲主权危机的理论和证据，《经济动力学与控制杂志》，371581-1597【2】G.Bernhart，M.Escobar Anel，J.F.Mai，M.Scherer（2013）：基于马歇尔-奥尔金Copulas比例混合的违约模型：性质和应用。Metrika，76（2），179-203。[3] D.Brigo，F.Mercurio（2006）：利益相关模型理论与实践，第二版，海德堡斯普林格。[4] A.Charpentier，A.-L.Fougeres，C.Genest，J.G.Neslehov'A（2014）：多变量Archimax copulas。《多元分析杂志》，126，118-136【5】U.Cherubini，S.Mulinaci（201 4）：具有可交换传染的系统性风险：对欧洲银行体系的应用，http://arxiv.org/abs/1502.01918[6] Y.Elouerkhaoui（2007）：动态信贷模型中的定价和套期保值。内景。J、 《理论与应用金融》，10703-731【7】C.Genest，L-P R ivest（1993）：二元阿基米德连接函数的统计推断程序。

《美国统计协会杂志》，88（423），1034【8】C.Genest，L.-P.Rivest（2001）：关于多元概率积分变换，《统计学与概率快报》，53391-399【9】K.Giesecke（2003）：依赖违约的简单指数模型。《固定收入杂志》，13（3），74-83【10】A.Khoudraji（19 95）：贡献“l”练习曲和“A mod”elisation des valeursextr^emes bivari'ees。加拿大拉瓦尔大学博士论文[11]李浩（2009）：多元极值分布的正尾依赖性。J、 多变量分析，100（1），243-256。[12] X.Li，F.Pellerey（2011）：广义Marshall-Olkin分布和相关的双变量老化特性。J、 多变量分析，102（10），1399-1409。[13] E.Liebscher（2008）：非对称多元copulas的构建，多元分析杂志，992234-2250。[14] 林俊杰，李晓霞（2014）：多元广义马歇尔-奥尔金分布和Copulas。应用概率的方法和计算，16，1，53-78。[15] F.Lindskog，A.J.McNeil（2003）：常见泊松冲击模型：保险和信用风险建模的应用。阿斯汀公牛队。，33209-238【16】J.F.Mai，M.Scherer（2009）：基于随机时间变化的可处理多元违约模型。《理论与应用金融杂志》，1 2（2），227-2 49【17】J.F.Mai，M.Scherer，R.Zagst（2013）：CIID脆弱模型和隐含连接函数。《数学和定量金融中的Copulae》，《2013年统计学讲稿》，Springer Verlag，201-230【18】A.W.Marshall，I.Olkin（1967）：多重指数分布。J、 美国。统计学家。Ass.，62，30-49。[19] G.Mazo，S.Girard，F.Forbes（2015）：基于依赖系数的多变量人群加权最小二乘基础，ESAIM：概率与统计，19746765。[20] A.J.McNeil，J。

Neˇslehov\'a（2009）：多元阿基米德连接函数、d-单调函数和L1范数对称分布。《统计年鉴》，373059-3097。【21】S.Mulinaci（2015）：Marshall Olkin机械和功率混合：混合广义Marshall Olkin分布。在U.Cherubini、F.Durante、S.Mulinaci（编辑）中，Marshall Olkin D介绍了理论和应用方面的进展。斯普林格数学与统计学报。瑞士斯普林格国际出版社（2015），65-86【22】S.Mulinaci（2017）：基于阿基米德的马歇尔-奥尔金分布和相关依赖结构，应用概率中的方法和计算，DOI:10.1007/s11 009-016-9539-y【23】R.B.尼尔森（2003）：肯德尔分布函数，统计与概率快报，6 5263-268。【24】R.B.Nelsen（2006）：Copulas简介，第二版，Springer。[25]J.Pinto，N.Kolev（2015）：扩展的Marshall-Olkin模型及其双重版本。在U.Cherubini、F.Durante、S.Mulinaci（编辑）中，Marshall Olkin分布在理论和应用方面取得了进展。斯普林格数学与统计学报。SpringerInternational Publishing Switzerland（2015），87-113