美国的分裂、整合和宏观审慎监管

最后，第四部分得出结论。2方法为了表示金融系统中的相互依存关系，我们遵循了[1]提出的基于时变参数向量自回归的框架，如[9，12]所示，以恢复完全动态的金融溢出网络或基于因果关系的网络。在其框架中，金融机构代表定向网络中的节点。而溢出，即金融机构股价回报之间的速度依赖性，则代表了网络的定向边缘。股票收益率之间的时间相关性根据以下向量自回归进行衡量：Rt=ct+BtRt-1+ut（1），其中Rt=[r1t，…，rN t]’是网络中N家金融机构的股票回收量的向量。CTI是时变截距，而BTI是时变自回归系数的nxN矩阵，它决定了股票收益之间的时间依赖性，从而决定了金融机构之间的定向溢出。准确地说，如果Bt的ji元素B（ji）t与m零显著不同，则在m i到j的周期t绘制方向边。该框架与利用Granger ca实用性恢复金融溢出网络的经典时不变方法相似，参见示例[5]。当前的监管体系围绕巴塞尔协议III（银行监管体系）、偿付能力II（保险公司监管体系）和金融工具市场（2004/39/EC）（简称“MiFID”）对欧洲投资基金进行阐述。我们将传染过程的步数（M-reach centrality）设置为2，将Katz centrality的DAMP参数设置为0.625。最后，假设误差ut为正态分布，均值为零，方差协方差矩阵∑（见支持信息的附录SA）。

[1]的原始模型考虑了异方差性和胖尾误差。然而，在这里，我们采用了一种更简单的方法，并对回报率r1t，…，进行了标准化（因此有单位方差）。。。，rN t，在前一步中，使用aGARCH（1,1）模型来估计时变波动率。公式1中的模型可以以紧凑的形式重新编写，asRt=X′tθt+ut，（2）其中Xt=in[1，Rt-1] 和INis是一个N xN单位矩阵。 是Kroneckerproduct，θ是一个向量，包含CTA和Bt的叠加元素。然后假设时变参数根据arandom walk进行演化：θt=θt-1+νt，（3）其中νt~ N（0，Q）。这种假设允许时间参数Ct和Bt随时间灵活变化，并允许数据自己说话。时间变化量由误差方差Q决定，Q与模型的其他参数θtand∑一起估计。最后，为了确定从i到j的链接是否存在，在给定的时间段t，我们检验以下无效假设：H0，t:B（ji）t=0j 6=i（4）方程式1、2和3中所述的模型是使用Bayesiantechniques进行估算的，如下所示【13】。然后，使用贝叶斯推理对等式3给出的假设进行测试。具体而言，我们使用Bayes因子，该因子给出了有利于零假设和替代假设H1，t:B（ji）t6=0的ODD，而无需假设零次命题为真。Bayes因子估计如下【14】。一旦我们检索到Bayes因子，我们就会看到真实的隐含可能性。我们使用隐含概率在不同切点检索网络。有效地，切分效果是一种过滤机制，更高的切分效果会导致网络更密集，链接更多。我们分析的稳定性是通过改变用于检测链接的统计测试的截止值来评估的。

在整个研究的大多数数据中，以下四个系数被认为是：5%、7%、10%和15%。附录SA1中给出了用于检索贝叶斯估计值的参数的先验分布。附录SA2给出了后验分布算法，对于时变参数，该算法使用Ka-lman滤波器和更平滑的asper-Carter和Kohn（1997）。我们将该模型应用于1990年1月至2014年12月期间属于标准普尔500指数组成部分的银行、保险公司和房地产公司（SEC代码6000至6799）中的所有金融机构。对于这些公司，我们从汤森路透Eikon收集了同期的月度收盘价。最初，样本包含182家公司，但在将我们的分析限制为至少36个月观察到的股票后，样本减少到155家。如果H（ji）0，t的^Kjitis Bayes因子，则隐含概率仅为^Kjit/（1+^Kjit）。如上所述，在应用上述时变框架之前，所有收益均采用GARCH（1,1）模型进行标准化，以说明异方差性。93 97 2001 2009 2013年图1：1993年4月至2014年11月期间每个金融部门（即子网）的连接节点数。自上而下：银行（GREEN）、经纪人（紫色）、保险公司（蓝色）和房地产公司（黄色）。每个图中的不同色调分别与敏感度参数（即检测显著链接的测试切割水平）相关，分别为5%（最柔和的色调）、7%、10%和15%（深灰色）。3结果3.1基于扇区的行为在本节中，我们对网络进行了概述。系统中的节点数以及中心度测量值按扇区显示。图1显示了在上述不同扇区中组成我们网络的跨时段连接no DE的数量。

通过直观检查，我们无法证明，表征每个部门演变的主要模式对用于消除联系的削减水平的选择不敏感。现在比较各个扇区的序列，图1显示了Contrast动力学。特别是，虽然自1995年以来，关联银行的数量稳步下降，但保险公司和房地产公司经历了连续两个阶段，其特点是在2008年底之前呈上升趋势，随后出现逆转。经纪自营商的数量总体上表现出更大的稳定性。现阶段值得一提的是，由于我们的联系建立在资产价格之间的因果关系之上；被确定为未连接到网络其余部分的机构可以在一定程度上与其他机构有物理关联。然而，这种关系不会产生溢出效应。图2通过将跨扇区的节点数相加完成了该图。我们可以从那里更清楚地观察到系统范围内的各个阶段。从1993年到1997年，互联节点的数量急剧增加，这主要是由银行部门推动的。此后，这一趋势一直扭转到2001年，从1997年的70个连接节点增至55个。从2001年到2008年，上升趋势在80多个节点达到峰值，达到整个样本的最高水平。有趣的是，如图1所示，在此期间，银行数量有所减少。因此，我们的数据显示，在金融危机爆发前，美国金融业的一系列大型关联机构中，ashift与保险公司和康复公司以及在较低程度上的经纪自营商一起存在，在系统中的重要性不断增加。

最终，网络规模在2008年后急剧缩小，在2013年末达到最低水平，约有35个连接节点——在我们的案例中，影响或被其他系统影响的机构数量——机构。这四个部门受到的影响几乎相同。这样的结果意味着许多机构与系统的其他部分变得孤立或弱连接。从第一次检查中，我们可以注意到，成功转折点的日期对应于众所周知的金融事件，如1997年末的亚洲危机、2001年所谓的“互联网”泡沫的破灭以及2007-2009年的金融危机。接下来，我们从另一个角度考虑构成我们网络的一组机构之间的直接联系。图3报告了每个扇区的传入（入度）和传出（出度）连接的份额。由于我们的定向链接描述了股市回报之间的因果关系，即它们区分了金融压力的发送者和接受者，因此内度可以衡量影响该部门的机构（来自整个样本）数量，而外度则说明了其中有多少机构受到该部门的影响。据此，前一种方法描述了部门脆弱性及其影响。为了便于进行速度比较，我们提出了一种略为修改的rawin和out-de-gree中心度度量，因为我们通过系统中每个给定时间点的链接总数来标准化所有值。该测量值可以在水平或变化中进行分析，以便更容易地显示周期。为了清晰起见，我们通常会在论文中显示与sol e10%cuto ff水平相关的结果。

如有要求，可提供其他重要绩效水平的数据。值得提醒的是，我们的链接识别策略基于统计数据。因此，配对之间缺乏联系意味着我们没有足够的证据，或者说，数据中的证据太弱，无法拒绝机构可能是独立的。扇区报告的份额计算为（i）连接到属于该扇区的节点的传入（传出）链路总数（即与这些节点相关的传入（传出）度）和（ii）系统中的链路总数之间的比率。93 97 20012009 2013年银行经纪人保险公司房地产公司图2：从1993年4月到2014年11月，每个栏大小代表我们四个部门内关联机构的数量：银行（GREEN）、经纪交易商（紫色）、保险公司（蓝色）和房地产公司（黄色）。数值按季度显示，以便于可视化。灵敏度参数已固定为10%。网络进化中的加速或减速。为了简单起见，我们在下面的内容中保持分析的水平。对图3的目视检查显示了out学位的第一个显著特征：银行部门的经验比其他部门的变化更为显著，尤其是在90年代。这一观察结果与之前文献中关于银行业在竞争、整合和效率不断提高的情况下进行大规模重组的讨论一致。如【13】所述，在此期间，银行采用了以客户为基础的全能银行业务的新方法，从而在美国银行业掀起了并购浪潮。这一变化影响了市场上银行的数量，但也深刻影响了它们的运作。

我们的数据表明，整个行业对系统的影响一直在减弱。第二个值得注意的特点是，在1999年开始时出现了换档点。从这一天起，银行业对外联系份额的下降或多或少停止了，主要表现在30%和40%左右。相比之下，保险公司和房地产公司的情况则相反。直到90年代末，这两个行业的影响力都有所增加，然后稳定在30%和35%左右。从2000年初开始，这四个部门的合作关系一直保持在密切的范围内，保险公司略占主导地位，在这方面，保险公司可以被视为s系统中最具影响力的部门，尤其是在2007-2009年危机爆发后。传入链接的时间序列提供了不同的图片。对于所报告的四个图表中的任何一个，上升和下降趋势的周期都不如对外联系的周期那么明显，因为各部门之间的异质性。在样本的第一年，银行仍然是联系最紧密的，相对于总链接（相对程度）而言，传入链接的比例约为60%-80%，而其他行业约为10%-30%。然而，他们作为系统溢出的重要接受者的作用一直在下降，直到2010年才略有反弹。这一结果补充了美国联邦存款保险公司（Federal DepositInsurance Corporation）报告的90年代美国银行倒闭数量的大幅下降。另一个有趣的结果在于房地产部门所扮演的核心角色，房地产部门似乎是这两次危机中风险敞口最大的部门。因此，从2001年到2009年，其传入链接占总链接的比例约为30%，而其他链接的平均比例为20%。

这一发现意味着，在2007年危机之前，房地产公司承担的部分潜在风险可以通过使用该指标检测出来。然而，在这一阶段，我们在得出结论时应该谨慎，因为我们对基于部门的影响和脆弱性的衡量包含两种不同的影响：一种是由于部门在系统中的相对重要性而产生的规模影响，另一种是与填充部门的节点的连接度相对应的个体影响。例如，图1至图3中bankingsector的前一部分结果可能至少部分是由许多银行在样本中消失的事实驱动的。多年来，房地产公司和经纪人的数量不断增长，而保险公司的数量却保持不变。解释样本中这些潜在的变化反过来可能会改变情况。下一组测量值建立在图3所示的基础上，同时校正每个扇区的大小。它被计算为传出（或传入）链路的平均值除以总链路数。通过这样做，我们希望抽象出任何潜在的规模效应（即某些部门在更大程度上填充系统的事实），以评估每个部门组成部分的流动性（相对脆弱性）性质，而不是整个部门的实际影响（相对脆弱性）。图4显示了内外度中心度测量及其偏差的演变。高方差值是各部门内广泛分散的迹象（即企业在特定维度上的异质性）。我们可以观察到，当两次危机都发生时，它达到了顶峰。

第二个值得注意的特点是，虽然银行业在90年代初仍然是最具影响力的部门，但一旦我们控制了规模，其相对于系统其他部分的脆弱性就会发生显著变化。现在，它似乎与其他人没有什么不同。这一结果说明了计算各种测量值的兴趣，因为它们可以提供不同的信息。解释这一结论的方法是，当单独考虑时，银行机构并不比其他金融机构更脆弱。然而，由于该部门是当时金融行业中规模最大的部门（即关联行为体数量最多），因此它是溢出效应的最大接受者。因此，记录相对传入链路的图（图3）主要由大小影响驱动。看见https://www.fdic.gov/bank/analytical/banking/2006jan/article2/fig5。htm。93 97 2001 2005 2009 20130.20.40.60.8银行经纪公司-经销商保险公司房地产公司Outdegree 93 97 2001 2005 2009 20130.20.40.60.8指数93 97 2001 2005 2005 2009 20130.20.40.60.893 97 2001 2005 2009 20130.20.40.60.893 97 2001 2005 2009 20130.20.60.893 97 2001 2005 2009 20130.20.60.893 97 2001 2009 20130.20.60.893 97 2001 2005 2013 2013年0.20.60.893 97 2001 2009 2013年0.20.60.893图3 The左（右）面板显示1993年4月至2014年11月期间每个部门的相对程度（outdegree）：连接到部门的所有节点的传入（传出）链接数，按链接总数划分-银行（gre-en）、经纪交易商（紫色）、保险公司（蓝色）和房地产公司（黄色）。报告了灵敏度参数不同值的结果（即检测重要链接的测试切割水平）。

透明灰色对应美国国家经济研究局定义的美国衰退。另一个需要注意的点是2007-2009年金融危机时观察到的所有系列的钟形曲线，银行业相对于传入链接的显著例外。在危机爆发之前，这种模式增强了联系，在雷曼兄弟倒闭之后，美国金融网络也变得支离破碎。如果我们比较每个系列的各自情况，我们的结果也证实，在危机期间，银行业主要是风险的传递者，而不是接受者，房地产公司似乎是系统的主要脆弱因素，具有最高的平均传入链接数。最终，该图揭示了一个关于保险公司的新特征，从2000年到2010年，保险公司对系统其他部分的影响达到了最高水平。图4：左（右）面板显示了1993年4月至2014年11月期间的平均内度（外度）中心度：平均外度-银行（绿色）、经纪人（普尔）、保险公司（蓝色）和房地产公司（黄色）。中心度值的变化以相同颜色的浅层报告。我们现在将重点放在最极端的情况下，考虑上述两个指标的前20%值内的机构浓度。为此，我们每个月都会考虑跨机构的不同重心测量。我们将所有值按降序或降序排列。我们取第一个值（即最高值），然后创建一个等于最高值80%的阈值。最高值和阈值之间的范围对应于前20%的最高值。接下来，我们统计了排名前20%的机构数量。