识别银行间市场中的关系型贷款：一个网络

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：
《Identifying relationship lending in the interbank market: A network
  approach》
---
作者：
Teruyoshi Kobayashi, Taro Takaguchi
---
最新提交年份：
2018
---
英文摘要：
  Relationship lending is broadly interpreted as a strong partnership between a lender and a borrower. Nevertheless, we still lack consensus regarding how to quantify the strength of a lending relationship, while simple statistics such as the frequency and volume of loans have been used as proxies in previous studies. Here, we propose statistical tests to identify relationship lending as a significant tie between banks. Application of the proposed method to the Italian interbank networks reveals that the fraction of relationship lending among all bilateral trades has been quite stable and that the relationship lenders tend to impose high interest rates at the time of financial distress.
---
中文摘要：
关系型贷款被广泛理解为贷款人和借款人之间的牢固伙伴关系。尽管如此，对于如何量化借贷关系的强度，我们仍然缺乏共识，而在以前的研究中，贷款的频率和数量等简单统计数据被用作代理。在这里，我们建议进行统计测试，以确定关系型贷款是银行之间的重要纽带。将拟议方法应用于意大利银行间网络表明，关系贷款在所有双边交易中所占比例一直相当稳定，关系贷款人往往在发生金融危机时实施高利率。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
--> Identifying_relationship_lending_in_the_interbank_market:_A_network_approach.pdf (3.37 MB)

2022-6-1 07:02:28 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：关系型 银行间 relationship Quantitative Applications

识别银行间市场中的关系借贷：网络方法神户大学经济系，神户，日本信息与通信技术研究所，东京，日本信息研究所，东京，2018AbstractRelationship lending被广泛理解为贷款人和借款人之间的强大伙伴关系。然而，对于如何量化借贷关系的强度，我们仍然缺乏共识，而在以前的研究中，贷款的频率和数量等简单统计数据被用作代理。在这里，我们建议进行统计测试，以确定relationshiplending是银行之间的重要纽带。将所提出的方法应用于意大利银行间网络表明，关系贷款在所有双边交易中所占的比例相当稳定，关系贷款人往往在金融危机时实施高利率。关键词：关系借贷，银行间市场，时间网络。EL分类：G10，G211简介贷款人和借款人之间牢固关系的作用，即所谓的关系借贷（或关系银行），是银行业理论和实证研究中讨论最广泛的问题之一。许多实证研究调查了关系型贷款对贷款条件的经济影响，如利率和贷款金额，旨在检验自20世纪90年代初以来提供的理论含义（Sharpe，1990；Rajan，1992；Elyasiani和Goldberg，2004；Freixas和Rochet，2008）。

特别是，关系型贷款被认为通过减少贷款人和借款人之间的信息不对称程度，在向面临信贷约束的借款人提供流动性方面发挥着重要作用。另一方面，关系交易中的借款人可能会因其独家获取私人信息而被贷款人“锁定”，从而导致拖延问题（Petersenand Rajan，1995；Von Thadden，2004；Freixas和Rochet，2008）。还有一些关于银行间市场关系借贷的研究，银行间市场是银行相互借贷的市场。然而，之前的分析结果是基于特殊和简单的关系贷款衡量标准，其简单性可能会导致误判，尤其是当银行活动存在异质性时。关系贷款的一个简单衡量标准是在一定时期内两家银行之间进行的交易数量（Fur fine，1999；Br¨auning and Fecht，2017）。另一个广泛使用的衡量标准是贷款集中度（Cocco et al.，2009；Afonso et al.，2013），通过贷款给特定交易对手的资金份额来衡量。预计这两项措施将直接抓住银行间市场双边关系的优势；从事关系型贷款的银行对将更频繁地进行交易，并将其总交易量的更大份额用于它们之间的交易，而不是与其他银行的交易。然而，这些措施可能会误解借贷关系的强度。首先，与特定交易对手的交易数量可能仅仅反映了银行在银行间市场的交易需求。例如，如果两家银行都有强烈的需求，分别在银行间市场提供和获得隔夜流动性，那么即使它们对交易伙伴没有偏好，这些银行也可能是偶然进行交易的。

其次，借贷集中度可能会受到交易对手资产负债表规模差异的影响。例如，假设一家大型银行比小型银行需要更多的资金。如果一家银行向大型银行贷款，贷款的集中度可能看起来很大，即使贷款银行对合作伙伴没有偏好。如果所有交易对手都有相同的流动性需求，那么向特定合作伙伴分配贷款量可以正确反映关系贷款。鉴于这些局限性，我们需要一个更为仔细设计的关系型贷款衡量标准，使我们能够控制这些因素。在这项工作中，我们提出了重要关系的概念，作为一种基于统计的关系借贷定义。如果两家银行之间的交易数量太大，在控制其内部活动水平后，无法用随机机会解释，那么这两家银行就被认为是通过一种重要的纽带联系在一起的。我们通过使用一个简单的网络生成模型作为空模型来控制银行的活动。所谓的能力模型是网络科学中的标准网络生成模型之一（Caldarelli et al.，2002；De Masi et al.，2006；Musmeciet al.，2013），该模型考虑了这样一种情况，即两个银行被匹配的概率是作为其活动参数（即能力）的函数给出的，与它们的交易历史无关。这种与历史无关的特性使我们能够在没有对合作伙伴偏好的无效假设下明确计算双边贸易数量的理论分布，从而允许进行统计检验。在本文中，我们将通过重要纽带连接的银行对视为参与关系借贷。

这一定义将消除由于银行活动水平的差异而可能导致的关系型贷款误判，银行活动水平应反映其流动性需求和资产负债表规模。我们将拟议的识别框架应用于2000-2015年间意大利银行间市场（e-MID）进行的100多万笔银行间交易的数据。研究结果揭示了关系型贷款的重要事实，其中一些可以总结如下。首先，在整个数据期间，关系型贷款在所有双边交易中的比例一直保持稳定，尽管该比例在特定经济事件发生前后略有上升（例如，2002年开始欧元流通，2008年雷曼兄弟破产）。其次，重要关系的持续时间往往比非重要关系的持续时间更长，这与关系型贷款的传统概念是一致的。有趣的是，关系的持续时间具有降低的风险率（即，结束关系的概率在持续时间上减少）。这意味着，与Ongena和Smith（2001）关于银行-企业关系的研究结果相反，银行间市场中关系的价值会随着时间的推移而增加。第三，全球金融危机前后，关系型贷款的利率与交易型贷款的利率没有什么区别，但在危机中期，关系型贷款的借款人支付的利率明显高于平均水平。这表明，一些银行在发生财务危机时面临滞纳问题。第四，银行对通过重要联系联系的可能性几乎不受银行国籍的影响，这表明在建立双边关系时没有母国偏见。论文的其余部分组织如下。

在第2节中，我们简要回顾了相关研究，并解释了隔夜银行间交易的数据。第3节描述了识别关系借贷的方法，第4节显示了结果。第5节提供了稳健性分析和一些扩展，第6节得出结论。2前期文献回顾2.1关系贷款研究银行与非金融企业之间双边关系的大量以往著作（Sette和Gobbi，2015；Kysucky和Norden，2015），其他研究探讨了关系借贷在银行间市场中的作用（Fur fine，1999；Cocco et al.，2009；A ffinito，2012；Craig et al.，2015；Hatzopoulos et al.，2015；Br¨auning and Fecht，2017）。例如，Cocco等人（2009年）表明，在葡萄牙银行间市场中，关系较强的银行进行的双边交易往往会显示出较低的利率。在意大利，A finito（2012）发现，关系贷款人作为流动性提供者发挥着至关重要的作用，尤其是在2007-2009年全球金融危机期间。Brauning和Fecht（2017）认为，在金融危机期间，德国的关系型贷款机构向其亲密合作伙伴提供的利率较低。Hatzopoulos等人（2015年）提出了一个基于超几何分布的零模型，用于测试电子商务中端市场中边缘的重要性。在文献中，衡量雷曼破产对银行间市场的影响一直是核心利益之一。Afonso等人（2011年）认为，在雷曼兄弟破产时，交易对手风险比流动性囤积更为重要，这表明贷款条款对借款人的信用价值更加敏感。Angelini等人。

（2011）还表明，与2007年8月之前相比，危机期间“太大而不能倒”导致的道德风险增加。此外，还从复杂网络的角度对电子中介市场进行了广泛的研究。Iori et al.（2008）、Finger et al.（2013）和Fricke and Lux（2015）分析了聚合银行间网络的拓扑结构，而Barucca和Lillo（2016）则侧重于银行间网络的时变性。Kobayashi和Takaguchi（2017）在双边交易中发现了一些与人类社会交流模式中观察到的类似的临时模式（Cattuto等人，2010）。其他银行间市场的研究示例包括德国的Craig和Von Peter（2014），英国的Giraitis et al.（2016），巴西的Cont et al.（2013），日本的Imakubo和Soejima（2010）。01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 160501001500200400600800年图1：银行间网络的演变。实线和虚线分别表示日常网络的活动组数N（左轴）和边数E（右轴）。最大的网络（2000年11月23日）、中等规模的网络（2008年10月29日）和最小的网络（2013年8月15日）被可视化。2.2数据我们使用2000年9月至2015年12月期间在意大利在线银行间市场（e-MID）进行的银行间交易的时间戳数据。与其他银行间市场一样，e-MID扮演着一个市场的角色，在这个市场中，需要短期流动性或流动性过剩的银行通过在平台上发布订单找到交易对手。发出请求的银行称为报价人，其交易对手称为侵略者。交易银行的实际名称不会在平台上显示，但其适当的ID（包括其国籍）会公开（例如，“IT0002”，其中“IT”表示意大利）。

交易数据包含以下信息：日期和时间（例如，“2000-09-04 09:12:40”）、银行ID、到期日、利率和交易金额（单位：百万欧元）。e-MID数据可从位于意大利米兰的e-MID SIM S.p.A获得(http://www.e-mid.it/).在这项工作中，我们使用标记为“ON”（即隔夜）或“ONL”（即隔夜大额，即不低于1亿欧元的隔夜交易）的无担保欧元存款的隔夜交易，这些交易构成了中端市场的绝大多数交易（>86%）。关注隔夜交易的一个优势是，我们可以构建表1：每日银行间网络的汇总统计数据。符号x表示相应时期内变量x的平均值，hki表示日平均度数。下标“max”和“min”分别表示最大值和最小值。所有2000–2006 2007–2009 2010–2015#天3922 1618 767 1537N 95.80 130.40 101.67 56.45Nmax161 144 89Nmin13 56 48 13E 262.96 402.16 266.00 114.91Emax662 661 265Emin15 122 76 15hki 2.54 3.07 2.57 1.97以银行为节点、借贷关系为边缘的每日银行间网络快照序列（图1）。执行贷款时创建边缘。如果一天内两家银行之间有多笔交易，我们将交易关系表示为一条未加权边。因此，整个数据周期内的边数总计为103349。从图1中可以明显看出，银行间网络的规模每天都在不断变化，活跃银行N和E的数量普遍呈下降趋势。这里，日常网络中的“活跃”银行被定义为至少在9:00和18:00之间有一次交易的银行。

N和E的下降峰值主要是由于最初的国定假日。另一方面，长期下降趋势的存在可归因于多种因素，如全球金融危机的爆发、希腊主权债务危机以及欧洲中央银行（ECB）（可能还有其他中央银行）引入的高度扩张性货币政策。表1列出了每日银行间网络时间序列的汇总统计数据。由于市场关闭，周末不包括在内。3模型和方法3.1适应度模型作为后续统计分析的基线框架，我们在此介绍一个简单的日常银行间网络模型，该模型描述了贷款人和借款人的匹配情况。我们的模型是能力模型的变体（Caldarelli等人，2002；De Masi等人，2006）。网络科学领域经常使用适应性模型来解释动态网络形成的机制，其中两个代理连接的概率取决于代理的适应性。在银行间市场的背景下，能力与银行的内部活动水平相对应，例如，如果银行是可能的借款人，则需要短期流动性，如果银行是可能的贷款人，则需要提供资金。尽管简单，但能力模型已被证明可以解释银行间网络演变中出现的许多丰富属性（De Masi et al.，2006；Kobayashi and Takaguchi，2017）。在基线模型中，我们认为日常银行间网络是无方向的（即我们忽略了边缘的方向），因为我们的主要重点是识别和分析银行间双边关系的作用。我们将把分析扩展到第5.4节中的定向网络。

我们假设银行i在给定日期与银行j交易的概率u由其活动水平的乘积表示：u（ai，aj）≡ aiaj，（1）其中ai>0表示银行i的活动水平（或能力）。根据{ai}的规格，该模型嵌套了各种著名的网络生成模型。例如，如果ai=a i、 然后，该模型等价于具有常数匹配概率u=a的Erd"os-R'enyi随机图（Erd"os和R'enyi，1959）。如果ai=ki/√2M，其中Ki和M分别是组i的度数和每日网络中的边总数，则匹配概率由u=kikj/（2M）给出，从而得到配置模型（Newman，2010）。在Kobayashi和Takaguchi（2017）中，我们使用了形式为u（ai，aj）=（aiaj）α的匹配函数。在当前模型中，我们可以设置α=1而不丧失一般性，因为α6=1的情况可以通过将活动参数重新定义为α来恢复。配置模型是一种网络模型，它生成具有预先定义的度序列{ki}的随机网络。详见Newman（2010）。我们首先估计活动向量a≡ （a，…，aN），假设ais的每个元素在由τ连续营业日组成的累计期间保持不变。换言之，聚合期内的每日网络被视为具有估计a的能力模型的独立实现。在第5.3节中，我们将考虑时变活动参数的情况。简而言之，我们从包含N×（N）的观察网络结构中提取银行活动水平的N×1向量- 1） 双边贸易信息要素（即邻接矩阵）。这种降维显然丢弃了网络的结构信息。