公司支付网络和信用风险评级

相似文件 换一批

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：
《Corporate payments networks and credit risk rating》
---
作者：
Elisa Letizia, Fabrizio Lillo
---
最新提交年份：
2018
---
英文摘要：
  Aggregate and systemic risk in complex systems are emergent phenomena depending on two properties: the idiosyncratic risks of the elements and the topology of the network of interactions among them. While a significant attention has been given to aggregate risk assessment and risk propagation once the above two properties are given, less is known about how the risk is distributed in the network and its relations with the topology. We study this problem by investigating a large proprietary dataset of payments among 2.4M Italian firms, whose credit risk rating is known. We document significant correlations between local topological properties of a node (firm) and its risk. Moreover we show the existence of an homophily of risk, i.e. the tendency of firms with similar risk profile to be statistically more connected among themselves. This effect is observed when considering both pairs of firms and communities or hierarchies identified in the network. We leverage this knowledge to show the predictability of the missing rating of a firm using only the network properties of the associated node.
---
中文摘要：
复杂系统中的聚合风险和系统风险是一种突发现象，取决于两个特性：要素的特殊风险和要素之间相互作用网络的拓扑结构。虽然在给出上述两个属性后，人们对总体风险评估和风险传播给予了极大的关注，但对风险在网络中的分布及其与拓扑的关系知之甚少。我们通过调查240万家意大利公司的大型专有支付数据集来研究这个问题，这些公司的信用风险评级是已知的。我们记录了节点（企业）的局部拓扑性质与其风险之间的显著相关性。此外，我们还证明了风险的同质性的存在，即具有相似风险状况的公司在统计上更倾向于彼此之间的联系。当考虑网络中确定的成对企业和社区或等级时，就会观察到这种影响。我们利用这些知识，仅使用关联节点的网络属性来显示公司缺失评级的可预测性。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Social and Information Networks        社会和信息网络
分类描述：Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模，包括它们在联机信息访问、通信和交互方面的应用，以及它们作为数据集在这些领域和其他领域的问题探索中的作用，包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题；计算应用包括H.3、H.4和H.5中的主题；计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议（例如TCP/IP）的论文通常更适合网络和因特网体系结构（CS.NI）类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
--> Corporate_payments_networks_and_credit_risk_rating.pdf (2.13 MB)

2022-6-1 18:00:35 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：信用风险 Applications interactions Quantitative correlations

公司支付网络和信用风险比率意大利比萨卡瓦列里广场356126号Lisa Letiziaaand Fabrizio Lillo1,2,3 Cuola Normale Superiore。letizia@sns.itDepartment博洛尼亚大学数学系，意大利博洛尼亚圣多纳托广场5号，40126，法布里齐奥。lillo@unibo.itCenter对于分析、决策和社会而言，复杂系统中的人类技术极、米兰、意大利抽象聚合和系统风险是突发现象，取决于两个属性：元素的特殊风险和元素之间交互网络的拓扑结构。虽然在给出上述两个属性后，人们对风险评估和风险传播的集合给予了极大的关注，但对风险在网络中的分布及其与拓扑的关系知之甚少。我们通过调查240万家意大利公司的大型专有付款数据集来研究这个问题，这些公司的信用风险评级是已知的。我们记录了节点（实体）的局部拓扑属性与其风险之间的显著相关性。此外，我们还表明了风险同质性的存在，即具有类似风险特征的企业在统计上彼此之间的联系更紧密。当考虑网络中确定的成对企业和社区或层级时，就会观察到这种影响。

我们利用这些知识，仅使用相关节点的网络属性来显示企业缺失评级的可预测性。关键词：金融网络-企业网络-信用风险-信用评级-机器学习JEL分类：C45-C88-G21-G33-L14评估复杂系统中出现的总风险在经济、金融、流行病学、基础设施工程等各个领域都至关重要。。大量近期文献从理论和经验上探讨了风险如何传播【Pozzi等人，2013年】，以及当每个实体的风险已知时如何评估总风险【Nier等人，2007年】，以及它们之间相互作用网络的拓扑结构。这两个方面都很重要，但它们之间的相互关系却相对较少探讨。在理论研究中，通常假设特质风险和拓扑结构之间是独立的，而在实证研究中，相关性是调查数据集中存在的相关性。但是，节点的特殊风险与其局部拓扑属性（如度、中心性、社区等）之间有什么关系（如果有）？在本文中，我们通过研究一个特别重要的总体风险评估系统来回答这个问题，即企业之间的互动网络。评估企业风险是信贷系统的基本活动之一。银行花费大量资源审查企业的资产负债表，以便准确估计其风险、内部评级，并提供反映企业偿还贷款能力及其违约概率的信用条件。企业的风险取决于任何特殊因素（例如。

资产负债表、管理结构等）以及工业部门或其地理位置【Treacy和Carey，2000年，Crouhy等人，2000年，Crouhy等人，2001年】。然而，企业并不是孤立地生活，而是每天相互交流。这种互动可能有不同的类型，包括供应链、支付、商业伙伴关系、金融合同和共同所有权所产生的互动。互动的结构是复杂和多方面的，但其知识对于宏观经济学家以及信贷和银行业了解经济动态、商业周期、公司控制结构，当然还有企业风险（单独或合并）至关重要。在这里，我们研究了企业风险和它们之间的相互联系之间的相互作用。该网络由一家大型欧洲银行（Europeanbank）提供的大型专有数据集构建而成。该数据集包含200多万家意大利公司每天收集的付款，以及其中大部分公司的内部风险评级信息。我们想了解企业在网络中的角色是否以及在哪些方面可以提供风险信息。这一点很重要，原因有二。首先，即使一家公司的风险并非所有对应方都知道，也可能会影响其与其他公司的互动能力。例如，较差的评级（即高风险）可能会妨碍获得信贷，因此可能会导致对供应商的付款减少或延迟。如果供应商存在高风险，则缺失或延迟付款可能会阻碍其自身的付款，从而增加缺失付款和财务困境蔓延的可能性。第二个原因是，在某些情况下，对一家或一组公司的风险性缺乏了解或不准确。

在这些情况下，网络属性和风险之间的相关性可以允许或改进风险评估。事实上，在本文的最后一部分，我们将展示如何利用节点的网络属性预测相应企业的风险。以往关于企业网络的研究主要集中在所有权上【Kogut和Walker，2001年，Souma et al.，2006年，Vitali et al.，2011年，Romei et al.，2015年，Garcia Bernardo et al.，2017年】，并没有涉及实证部分，而是涉及建模【Huremovic和Vega Redondo，2016年】。例外情况是对日本经济体系的实证研究【Ohnishi等人，2009年，Watanabe等人，2012年】，其中的联系代表了买方与供应商之间的关系，但没有关于交换金额的信息。在开创性的工作中【Acemoglu等人，2012年】，即使理论框架也适用于单个企业，但由于缺乏更细粒度的数据，实证部分将重点放在聚合、行业网络上。将薪酬用作经济实体之间互动的代理并非新鲜事，主要针对银行进行了系统风险研究【Soram–aki等人，2007年，Rodam等人，2009年，Battiston等人，2012年，Bargigli等人，2015年，Fukuyama和Matousek，2016年】，然而，可以选择其他方式来描述相互作用【Elliott等人，2014年，Cimini等人，2015年，A ffinito and Pozzolo，2017年，DErrico等人，2017年】。显然，对企业之间的支付网络了解甚少，主要是因为缺乏数据。至于评级预测，它可以嵌入到现在广泛的分类问题文献中【Friedman等人，2001年】。

在信用评级评分中使用机器学习技术的想法之前已经探讨过【Altman等人，1994年】，但在这种情况下，评级的预测值都来自资产负债表，因此结果与我们的结果不可比较。其他研究使用更多的异质信息来预测评级【Wilson和Sharda，1994，Grunert等人，2005，Lee，2007，Parnes，2012】。本文从几个方面对这些文献流作出了贡献。首先，我们通过考虑标准网络度量，如度和强度分布以及组件分解，研究支付网络的拓扑性质。我们发现，本文研究的大型支付网络具有其他复杂网络中观察到的相同特性，即它们是稀疏的，但几乎完全由单个组件组成，它们是无标度的小世界。然后，我们研究了企业在支付网络中的风险分布，以量化节点或节点组的网络属性与节点所代表的企业风险之间的依赖关系。本文最主要也是最具创新性的贡献是记录了这种相关性的存在。我们发现风险的同质性，即企业与风险相似的企业互动的趋势。这是一个两节点属性，但在更大的聚合规模下，观察到类似的行为，甚至更清楚。通过使用不同的方法检测到的企业社区，往往显示出具有特定风险类别的企业数量在统计上非常丰富，这表明评级相似的企业倾向于通过支付联系在一起。因此，风险不会在网络上均匀分布，而是集中在特定区域。

这意味着对单个企业的特殊冲击可以或多或少地快速传播，这取决于本地网络结构和节点所属的社区。最后一个贡献是利用企业风险与相应节点的网络特征之间的相关性，仅使用网络属性预测企业的风险评级。为此，我们采用机器学习技术构建风险评级分类器，其输入仅为网络属性（如学位、社区等）。我们表明，我们的分类方法在准确性和召回率方面都有很好的表现，并且显著优于随机分配。1付款网络1.1数据集调查的数据集包含超过200万家意大利公司之间的付款信息，并基于欧洲主要银行支付平台的交易数据构建。2014年，交易以每日粒度进行登记，共有4700万条记录，其中每一条记录都包括涉及的两个副本、日期、类型、金额和当天的交易数量。交易最初是通过账户识别的，但对于客户和前客户，与同一家公司相关的多个账户被合并为一个实体。这导致在整个过程中，共有240万个实体（为简洁起见，将称为公司）通过该平台运营。为了遵守隐私规定，排除了自然人的任何付款或向自然人的付款，此外，还实施了过滤器以排除任何不明确的记录。调查期间。副本可以是不同的类型。原则上，任何企业或公共机构都可以使用该平台，但在实践中，在大多数情况下，至少有一家是银行的客户。

对于交易总额也有类似的考虑：每个月都有超过50%的交易量在客户之间转移，当考虑到至少涉及一个客户的交易时，交易量会上升到95%以上。关于数据集和一些描述性统计的更多详细信息，请参见A。对于客户，数据集包含关于经济部门的信息以及关于公司内部评级的信息，分为三个等级：低（L）、中（M）和高（H）风险。1.2网络定义和基本度量网络或图由两个集合标识：V，基数为V |=n的节点集合，E，基数为E |=m的链接或边集合。后者是连接节点有序对的集合。在我们的例子中，我们还考虑了相互作用的强度，因此每个链接都有一个权重wijis。从交易数据开始，支付网络的构建如下：给定一个时间窗口，每个节点代表一个在此期间处于活动状态的公司，如果两家公司之间存在支付，则添加从来源到收件人的链接，权重等于支付金额。如果同一（有序）对节点之间发生多个交易，则链接的权重为支付金额之和。因此，对于每个时间段，我们构建一个有向加权网络。分析的时间窗口可能会因要从数据集提取的信息类型而异。在下文中，重点将放在每月网络上，对于这些网络，结果相当稳定，但代价是处理更少和更大的图表。在数据集覆盖的时间段内，每个月的网络平均由n=100万个节点和m=320万个链路组成，8月的活动最低，7月的活动最高（见A.1）。密度ρ=mn（n-1） 因此很小，导致了所谓的稀疏网络。

然而，这种低密度并不意味着一个分类系统。事实上，对于所有网络而言，直径与大小相比都非常小：平均而言，从一个节点开始，必须通过most19链路才能到达弱连接组件中的任何其他节点（见表1）。因此，网络具有所谓的小世界属性。1.3网络拓扑当考虑到少数公司时，人们会期望简单的拓扑：一家公司为另一家公司提供中间产品供应商，形成一条生产线（最简单的供应链），或者一家公司为许多其他公司提供供应商或买方，形成astar网络。相反，观察到的是一个更加复杂的组织，存在着不容忽视的周期。在非常粗略的层面上，可以确定两大类公司。First构成了网络的核心，包括大约20%的节点和一半以上的链路。该核心的密度比整个网络的密度大一个数量级，其特点是任何一对企业都是直接或通过中介连接的。大约60%的总体积在核心节点之间循环。另一类仅由付款人组成，即没有传入链接的节点。这些公司每月约占活跃公司的一半，其活动是零星的。

表1：支付网络的基本指标节点链接度向外度密度直径月n m E[k（in）]E[k（out）]ρ=mn（n-1） dJan 1000555 3271861 6.61 4.20 3.27·10-1997年2月6日3067029 6.11 3.98 3.09·10-6Mar 1018164 3146559 6.19 3.98 3.04·10-6Apr 1047706 3346763 6.52 4.09 3.05·10-2010年5月6日1048803 3359315 6.58 4.08 3.05-6月6日1039876 3239886 6.30 4.02 3.00·10-1091393年7月6日3510435 6.44 4.14 2.95·10-6Aug 891587 2319697 5.21 3.44 2.92·10-2011年9月6日3465233 6.80 4.25 3.20·10-10月6日1066044 3289946 6 6.11 4.00 2.89·10-2003年11月6日3103365 6.15 3.90 2.96·10-2010年12月6日1052975 3000284 5.60 3.74 2.71-6为了更好地理解这一重要企业子集的作用，我们检查了它们的客户状态，发现其中大多数都是未分类的，而且它们的数量超过了所有企业无条件分布的预期。这意味着他们可能不是客户，更重要的是，几乎没有关于他们的信息，例如aboutrisk。有关这方面的更多详细信息，请参阅A.3。我们现在将注意力转向程度和力量的分布。在我们的案例中，入（出）度是给定企业的付款人（收款人）数量和相应的欧元金额。对于月度汇总情况，企业的平均流入和流出程度分别为6和4（见表1）。这些低值是网络密度低的直接后果。然而，学位和强度分布证明，学位和强度极不均匀。图1以双对数标度显示了这两个量的经验累积分布。近似直线表示存在具有幂律行为的胖尾。