异质性对重叠金融传染的影响

这种方法要求假设所有银行的资产负债表规模相同。在图4的左面板中，我们绘制了随机银行破产时传染概率随ub的变化曲线。我们比较了具有非均匀倾斜度的系统相对于均匀情况的不稳定区域。我们发现，在异构系统中，不稳定区域更宽。图4的右侧面板显示，这一观察结果与外源性休克的类型无关。特别是，我们绘制了资产随机贬值情况下的联系概率，仍然发现银行程度的异质性会导致更大的不稳定性。存在更广泛的un0 2 4 6 8 10 12ub00.20.40.60.81传染概率（a）银行冲击0 2 4 6 8 10 12ub00.20.40.60.81传染概率（b）资产冲击图4：左面板：arandom银行倒闭时，传染概率随ub的变化。红色圆圈：具有异构银行学位的系统。蓝色方块：具有均匀倾斜度的系统。右图：随机资产贬值时，传染概率与ub的函数关系。在异质系统中，无论是何种外源性休克，传染都会更严重。结果参考1000个模拟，N=M=1000异质系统中的稳定区域可以通过观察到与同质情况相反，异质系统的特征是少数高度多样化的银行和许多专业银行。因此，专业银行被初始冲击击中的概率相对较高。因此，专业银行会对其资产进行更高的贬值，因为他们持有大量此类资产。然而，这一结果与复杂网络文献中的一般报告形成了对比，在复杂网络文献中，异构网络拓扑已被证明可以创造更多的稳定性，例如，（Caccioli et al。

2012）表明，相对于同质情况，交易对手网络中的异质性创建了一个更稳健的系统。原因在于，之前的这些工作考虑了异质代理之间的直接双边敞口网络，使得少数枢纽（即连接最紧密的）节点成为最具系统相关性的节点，而在这种情况下，专业节点是最具系统相关性的节点，因为它们将投资集中在特定资产和从而带来更高的清算风险。这一结果为第83页的稳定性分析提供了一些线索，解释了为什么持有大量特定资产的专业机构（如抵押银行、建筑和贷款协会、专业基金等）应该被视为具有系统重要性，因为以订单为条件的这些资产的再出售可能会对资产价格产生毁灭性影响。此外，这一发现进一步证实了英国央行首席经济学家安德鲁·霍尔丹（AndrewHaldane）在一次演讲中提出的猜测，即“专业基金的快速增长可能会对最终投资者和金融体系带来风险影响”（霍尔丹，2014）。此外，（Wagner 2011）还建议对高清算风险金融机构的投资组合持有量施加更高的多样性要求，而不是对低风险金融机构。在图5中，我们显示了目标冲击对系统稳定性的影响。当初始冲击针对特定银行时，我们将传染概率绘制为ub的函数。我们发现，当任何一家专业化程度最高的前5%银行受到冲击时，不稳定区域最宽，而对任何一家多元化程度最高的前5%银行的有针对性的冲击则会导致最小的不稳定区域。

这可以从以下事实中理解：由于我们在此假设所有银行都拥有相同的资产规模，因此银行持有的特定资产数量越来越少。因此，针对多元化程度最高的银行的冲击将有效地更快地关闭转售传染渠道，因为只有少量资产将被出售，这意味着比银行受到随机干扰时更低的价格贬值。然而，当股票面向最专业的银行时，情况正好相反，因为它们持有大量特定资产，因此具有更高的清算风险。我们称这些银行为“过于专业化而不会倒闭”（TSTF）。0 5 10 15ub00.20.40.60.81传染概率图5：当银行具有异质程度时，作为uB函数的传染概率。蓝色方块：随机银行倒闭时的传染概率。绿色钻石：当冲击针对最专业的银行时的传染概率。红圈：当冲击仅针对多元化程度最高的银行时的传染概率。当专门银行成为攻击目标时，传染范围最广。结果参考1000次模拟，N=M=1000第93页稳定性分析3.2异质性资产集中在上一节中，我们将异质性引入到银行度的分布中，并且持有每项资产的银行数量是均匀的。在本节中，我们将注意力转向持有每种资产类别的银行数量分布不均匀且银行度分布均匀的情况。我们遵循上一节的方法，假设资产集中度中存在幂律分布。资产的集中度可以解释为银行对该资产类别的偏好。

我们的目的是研究这种偏好结构如何影响整个系统的稳定性。0 2 4 6 8 10 12ua00.20.40.60.81传染概率（a）随机冲击0 2 4 6 8 10ua00.20.40.60.81传染概率（b）目标冲击图6：左面板：资产集中度均匀和非均匀分布的传染概率随ua的变化。蓝色方块：具有同质资产集中度的系统。红圈：具有异质资产集中的系统。随机银行在这两种情况下都会失败。在资产浓度分布中引入异质性将导致更稳健的系统。右图：异质资产集中的系统目标冲击。目标集中资产放大接触概率。结果参考1000个模拟，N=M=1000在图6的左面板中，我们绘制了随机银行倒闭时，作为平均资产集中度函数的传染概率。与异质银行度的观察结果相比，我们发现在资产集中度中引入异质性会产生一个相对于同质系统更稳健的系统。这可以从以下事实中理解：高度集中的资产受到干扰的概率相对较低，因为无标度网络由极少数集中资产和许多不太集中（即孤立）的资产组成。这有效地减少了不稳定地区，因为受传染影响的银行更少。图6的右侧面板显示了针对任何前5%最集中资产的初始冲击的稳定性影响。正如预期的那样，针对这些高度集中资产的初始冲击具有放大传染的效果，因为更多银行的投资组合受到初始资产贬值的负面影响。

然而，不稳定区域的widthPage 103稳定性分析与均质系统中的基本相同。这是因为，一旦银行达到临界的平均水平，无论资产方面的冲击是什么，它们都会变得具有抗冲击能力。3.3异质银行规模在前几节中，我们假设所有银行的资产负债表规模相同，以区分规模的影响和多元化。然而，文献中的经验证据清楚地表明，银行的规模也存在很大的异质性（Bosset al.2004）。例如，SNL Financial最近的数据分析显示，前五大银行拥有美国银行总资产的44%（Schaefer 2014）。本节的目的是研究银行规模分布的这种异质性对金融系统稳定性的影响。为此，我们根据幂律分布，即P（a），对银行规模进行建模∝ A.-γ导致少数银行的资产规模明显大于大多数银行，同时通过假设泊松度分布从多元化的影响中提取出来。在图8的左面板中，我们绘制了随机银行冲击情况下传染概率与ub的函数关系图。我们发现，当银行规模与异质情况相比趋于同质时，传染停止得更快。下面的论点提供了一种直觉来解释为什么会出现这种情况。在异质系统中，当任何一家大型银行受到冲击时，零售业对资产价格的影响更为严重，因为这些银行相对于整个系统持有大量资产，因为我们假设了泊松度分布。

这有效地将不再可能发生传染的临界阈值向右移动。右图显示了特定银行受到初始冲击时，作为ub函数的传染概率。我们观察到，当外部冲击针对任何一家前5%的最大银行时，系统的不稳定性显著增加，但当冲击针对任何一家前5%的最小银行时，系统更加稳定。这源于这样一个事实，即相对于其他银行而言，大银行持有的每种价值的资产相对较大，这意味着针对它们的冲击将导致对它们所持有的资产类别的更高评价，从而助长了导致更广泛不稳定区域的传染机制。我们称这些银行为“大到不能倒”（TBTF）。总之，第3节中进行的压力测试的结果如下：（i）引入银行程度的异质性加剧了系统对随机冲击的脆弱性，而（Caccioli et al.2012；P.Gai和Kapadia2010）表明，scalefree交易对手网络导致系统对随机冲击更为稳健。我们发现，这一结果与外部冲击（即银行或资产冲击）的类型无关。此外，我们发现，瞄准最专业的银行会使系统更加不稳定。（ii）资产集中度的异质性提高了系统对随机冲击的抵御能力，而非银行程度的异质性。此外，针对性高第113页稳定性分析0 2 4 6 8 10 12ub00.20.40.60.81传染概率（a）随机冲击0 2 4 6 8 10 12ub00.20.40.60.81传染概率（b）针对性冲击图7：左面板：银行规模均匀和非均匀分布的传染概率与ub的函数关系。蓝色方块：具有类似平衡表大小的系统。

红圈：资产负债表规模不均匀的系统。在这两种情况下，系统都会随机发生银行故障。相对于同质情况，异质系统中的传染概率更大。右图：银行资产负债表规模分布不均的系统上的目标冲击。Bluesquares：随机银行受到干扰时的传染概率。红圈：当冲击针对最大的银行时，传染的可能性。绿色钻石：当冲击针对最小的银行时，传染的可能性。针对最大银行的冲击导致最广泛的不稳定区域。结果参考1000次模拟，n=M=1000。第124页政策影响分析集中资产增加了传染的可能性，但传染消失的平均程度阈值实际上没有变化。（iii）当银行规模与异质情况相比同质时，连锁违约的停止速度略快，当外部冲击针对最大的银行时，连锁违约的停止速度更大。4政策影响分析2007-2009年金融危机促使人们呼吁提高银行监管资本要求。虽然更高的资本要求可以提高金融稳定性，但它们带来了一些隐性成本，银行的盈利能力大大降低，贷款成本也会增加，这可能会对社会福利产生负面影响（IMF 2016；Bridges et al.2014；Brooke et al.2015）。因此，重要的是，新的监管资本要求应以最稳定的配置方式分配给银行。为此，我们研究了第3节压力测试中产生的直觉如何影响基于资本的监管政策。

然后，通过研究二部网络的结构，我们提出了一种基于非资本的备选策略。4.1基于资本的政策在此，我们根据第3节中的直觉，比较可能的资本政策模型的绩效。在每个模型中，向系统注入相同数量的资本χ。政策的差异在于χ在银行间的分布方式。4.1.1有针对性与随机性第3节中进行的压力测试表明，“太专业而不能倒闭”和“太大而不能倒闭”的银行具有系统重要性。因此，有一个有趣的问题是，如果仅将资本要求分配给这一组银行，就可以提高金融稳定性，而不是针对一组随机的银行。我们考虑两种有针对性的政策。在第一种情况下，我们将资本平均分配给最专业的前5%的银行，并将此政策称为TST，而在第二种情况下，我们称之为TB，只有前5%的最大银行需要持有更多资本。为了进行比较，我们建立了一个随机策略模型。在随机政策中，随机选择5%的银行，平均分配额外资本要求。TS：我们现在研究了TSpolicy相对于randompolicy的稳定性影响，因此我们通过假设类似的平衡来摆脱规模的影响这是基于Modigliani-Miller定理不成立的假设，这本质上意味着，在理想化的世界中，如果没有债务利息、税收、破产和代理成本等定价，银行的资本结构不会影响利润或社会福利（Franco Modigliani1958）。第134页所有银行的政策影响分析表大小。

我们在图8的左面板中通过计算两种策略的传染概率的比率R作为ub的函数来显示这种比较，因此R=1意味着类似的性能，R>1意味着TSpolicy取代了随机策略，R<1意味着TSpolicy优于随机策略。我们将分析重点放在两个系统都发生传染的地区，以避免零分裂。该图表明，与ub值较高的区域的随机政策相比，专注于最专业银行的政策会带来更大的稳定性，这从政策角度来看是非常重要的，因为现实世界的金融网络更可能位于该区域。图8的右侧面板深入了解了TSpolicy优于随机策略的原因。它显示了一家具有Kidefa学位的银行在传染发生之前发生的概率。该图表明，在危机蔓延之前，专业银行最有可能违约。因此，有理由推测，将资本政策重点放在这些银行上更有可能提高系统的弹性。1 2 3 4 5 6 7ub02468R0 100 200 300 400ki00.050.10.150.2Pr（在5%初始默认值范围内）图8：左面板：TSpolicy相对于异构倾斜度系统的随机策略的稳定性影响。虚线：比较基础，即R=1。相对于ub高值的随机策略，策略产生了更大的稳定性。右图：在传染发生之前，具有uIDE级的银行i发生故障的概率。在危机蔓延之前，最专业的银行有更大的违约机会。TB：为了研究TBpolicy相对于randompolicy的稳定性影响，我们现在从异类度中抽象出来，只考虑异类大小。

我们在图9的左面板中通过计算两种策略的传染概率的比率R作为ub的函数来显示这种比较，因此，R=1意味着类似的性能，R>1意味着TBpolicy取代了随机策略，R<1意味着TBpolicy优于随机策略。曲线图标记在1左右波动，表明只关注最大银行的政策是有效的。为了理解为什么TBpolicy的性能不如randompolicy，我们绘制了一家i级银行在发生size AIDE故障之前发生故障的概率第144页政策影响分析5 10 15ub0.911.11.21.3R101102103104Ai00.010.020.030.040.050.06Pr（初始默认值在5%以内）图9：左面板：TBpolicy相对于银行规模异构系统的随机政策的稳定性影响。虚线：比较基础，即R=1。TBpolicy相对于random policy似乎无效。右面板：规模为Ai（以对数刻度显示）的银行i在传染发生之前违约的概率。在危机蔓延之前，最大的银行有更大的违约机会。在图9的右侧面板中，我们发现大型银行在传染发生之前倒闭的可能性较小。这意味着，在这种模式下，仅向这些银行分配资本要求可能不会产生效果。4.1.2多样性与规模在上一节中，我们简化了模型，以分离多样性和规模的影响。然而，问两个因素（即多元化和规模）中哪一个是资本需求政策的更重要因素也是很有趣的。为了便于进行这种比较，我们将异质性引入到银行的程度和规模中。