衡量风险敞口多元化的动态网络模型

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：
《A dynamic network model to measure exposure diversification in the
  Austrian interbank market》
---
作者：
Juraj Hledik and Riccardo Rastelli
---
最新提交年份：
2018
---
英文摘要：
  We propose a statistical model for weighted temporal networks capable of measuring the level of heterogeneity in a financial system. Our model focuses on the level of diversification of financial institutions; that is, whether they are more inclined to distribute their assets equally among partners, or if they rather concentrate their commitment towards a limited number of institutions. Crucially, a Markov property is introduced to capture time dependencies and to make our measures comparable across time. We apply the model on an original dataset of Austrian interbank exposures. The temporal span encompasses the onset and development of the financial crisis in 2008 as well as the beginnings of European sovereign debt crisis in 2011. Our analysis highlights an overall increasing trend for network homogeneity, whereby core banks have a tendency to distribute their market exposures more equally across their partners.
---
中文摘要：
我们提出了一个加权时间网络的统计模型，能够衡量金融系统的异质性水平。我们的模型侧重于金融机构的多元化水平；也就是说，他们是否更倾向于在合作伙伴之间平均分配资产，或者是否更愿意将承诺集中在数量有限的机构上。关键的是，引入了马尔可夫特性来捕获时间依赖性，并使我们的度量在时间上具有可比性。我们将该模型应用于奥地利银行间风险敞口的原始数据集。时间跨度包括2008年金融危机的开始和发展，以及2011年欧洲主权债务危机的开始。我们的分析强调了网络同质性的总体增长趋势，即核心银行倾向于在其合作伙伴之间更平均地分配其市场敞口。
---
分类信息：

一级分类：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--
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：
--> A_dynamic_network_model_to_measure_exposure_diversification_in_the_Austrian_inte.pdf (1.41 MB)

2022-6-9 21:41:26 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：网络模型 多元化 Applications Institutions Quantitative

衡量奥地利银行间市场风险敞口多元化的动态网络模型Juraj Hledik和Riccardo Rastelli*2018年8月15日摘要我们提出了一个加权时间网络统计模型，该模型能够衡量金融系统的异质性水平。我们的模型侧重于金融机构的多元化水平；也就是说，他们是更倾向于在合伙人之间平均分配资产，还是更倾向于将承诺集中在数量有限的机构上。关键的是，引入了马尔可夫特性来捕获时间依赖性，并使我们的度量在时间上具有可比性。我们将该模型应用于奥地利银行间风险敞口的原始数据集。时间的*本文作者是维也纳经济与商业大学（WU Vienna University of Economics and Business）的教授。维也纳Welthandelsplatz 1号。作者衷心感谢奥地利科学基金会（FWF）的财政支持，以及使用奥地利国家银行（OeNB）提供的数据的可能性。这项研究还得到了维也纳科学技术基金（WWTF）项目MA14-031的支持。所有错误都是我们自己的责任。跨度包括2008年金融危机的开始和发展，以及2011年欧洲主权债务危机的开始。

我们的分析强调了网络同质性的总体增长趋势，即核心银行倾向于在其合作伙伴之间更平等地分配其市场敞口。关键词：潜在变量模型、动态网络、奥地利银行间市场、系统性风险、贝叶斯推断在过去10年中，欧盟遭受了两次重大金融危机的打击。2008年，这些问题开始于美国次级抵押贷款市场，部分原因是监管松懈和债务评级过于保守。然而，2011年欧洲主权债务危机的根源很可能是房地产泡沫引发的私人债务，并导致ZF救助。欧盟缺乏一个共同的规模联盟无助于改善现状，这导致欧洲央行提供廉价贷款，以维持欧盟银行之间的稳定现金流。在这些动荡时期，欧洲银行面临着高度的不确定性。目前尚不清楚哪一个交易对手在可预见的未来仍有偿付能力，甚至主权债券也不再被视为最安全的选择。面对这些不利条件，银行不得不重新考虑其在印度央行的投资，并重新调整其投资组合，以应对经济形势的变化。本文研究了2008年春季至2011年秋季奥地利银行间风险敞口的原始数据集。即，我们引入动态网络模型来分析银行风险敞口的多元化模式以及奥地利银行间市场多元化的总体趋势。为了完成这项任务，我们创建了一个原始的潜在变量模型，可以分析随时间演化的加权网络。这种方法为我们提供了一种基于模型的系统性风险度量方法，不仅适用于每家银行的本地风险，也适用于整个金融系统的全球风险。

在我们的应用程序中，我们表明，与基本描述性统计相比，我们的度量提供了一个质量上不同的视图。为了实现这一点，我们求助于对单个网络同质性（漂移）参数的直观建模，我们使用该参数来研究网络同质性在时间上的演变。我们的模型专门设计用于网络需要由单个演变变量表征的情况，或者当人们有兴趣获得基于模型的网络同质性跨时间发展定量测量时。重要的是要理解，金融网络结构的变化可能会产生深远的影响。为了进一步说明这一事实，请考虑一个由四个机构（银行）组成的假设金融网络，这些机构（银行）由节点表示，它们的共同金融风险敞口（债务）由边缘表示。在这个简单的例子中，连接是对称的，每家银行将其投资平均分配给其邻居。此外，监管机构要求银行始终保持资本充足率，以应对意外提款、不利的经济状况和其他因素。因此，我们假设一家机构保持安全，除非它损失了至少一半的投资。如果发生这种情况，该机构就会破产，并可能进一步对网络中的其他银行产生负面影响。要了解网络结构如何影响整体稳定性，请考虑以下情况：这四家银行中的一家受到外部冲击，不得不宣布破产。在这种情况下，其邻国将无法获得各自的投资，并可能承受同样的命运，使其邻国处于危险之中。

这种传染行为取决于银行之间的联系方式，这说明了在对系统重要性和金融稳定性提出质疑时，结构的重要性。对于四家银行的假设情况，可能会出现11种不同的网络结构：其中一个子集如图0.1所示。在图0.1a所示的情况下，由于（a）（b）（c）图0.1，因此没有传染危险。四家银行的不同贷款网络结构。没有传播冲击的边。图0.1c所示的网络得出了类似的结果，其中一个节点的故障不足以摧毁其余节点，因为其他机构只损失了三分之一的投资。问题出现在中间连接的系统中，如0.1b，其中初始冲击会覆盖整个系统。这个基本的例子暗示了一个更为复杂的网络稳定性问题，在过去二十年中，金融监管机构对这个问题进行了广泛的研究。更重要的是，它强调了系统中的多样性水平可能在决定其稳定性方面起着至关重要的作用，并且对观察到的网络的这一特征进行评估可能具有挑战性。在本文中，我们解决了这一僵局，引入了一个统计模型，该模型专门用于衡量金融系统的多样性，从而获得了系统性风险的一个方面的衡量标准。本文跨越了两个不同的学术领域。一方面，westrive致力于系统性风险和金融网络的既定文献。这一系列文献经常关注金融系统的稳定性以及类似于上述简单例子的传染性破产的可能性。

金融学界和市场监管机构都发表了关于这一主题的研究论文。另一方面，我们也为处理网络数据潜在变量建模的理论论文做出了贡献。我们提出的方法借鉴了这两个领域，为系统风险提出了新的视角。Allen和Gale（2000）最早发表的关于金融系统性风险的论文之一表明，银行间市场的结构对于评估可能的传染性破产非常重要。后来，Gai和Kapadia（2010）将他们的工作从四个机构的简单模型扩展到任意规模的金融网络。关于系统性风险的其他著名论文包括，例如Glassermanand Young（2016）或Acemoglu、Ozdaglar和Tahbaz Salehi（2015），whileUpper（2011）提供了一份关于监管发布科学的优秀调查。这包括各国的中央银行以及欧洲中央银行和美联储。国际清算银行（Bank for InternationalSettlements）或国际货币基金组织（International Monetary Fund）进行了进一步的研究。关于该主题的报告。关于多元化的问题，我们请读者阅读Elliott、Golub和Jackson（2014）以及Frey和Hledik（2014），其中阐述了多元化与传染性债务之间的重要关系，或者阅读Goncharenko、Hledik和Pinto（2015），其中银行在均衡设置中内生选择其多元化水平。我们的论文与这些工作相关，因为这是我们正在研究的金融网络的结构，同时探索有关多元化的问题。

我们在这些论文中进一步引入了新的生成机制和建模框架，在这些框架中，可以跨时间研究系统的多样性和同质性。正如我们前面提到的，我们的论文也有助于潜变量建模的研究。突出的例子包括Hoff、Raftery和Handcock（2002）的潜在位置模型，后来Sarkar和Moore（2006）将其扩展到动态框架，以及Yang、Chi、Zhu、Gong和Jin（2011）、Xu和Hero（2014）以及Matias和Miele（2017）等人将潜在随机块模型（Nowicki和Snijders，2001）扩展到动态框架。这些潜在变量模型具有许多可设计的理论特征，如Rastelli、Friel和Raftery（2016）以及Daudin、Picard和Robin（2008）所示。我们的方法与其他最近的论文也有许多相似之处，这些论文将潜在变量框架应用于各种类型的网络数据。其中包括Friel、Rastelli、Wyse和Raftery（2016），其中作者引入了动态潜在头寸模型来衡量爱尔兰证券交易所的金融稳定性；Sewell和Chen（2016），介绍了动态加权网络的建模框架；但是，McLaughlin和EmBree（2018）也提出了一个重建协作网络的框架。进一步的相关工作包括Dechakrabarti（2017），其中分析了推特用户的动机；Ji and Jin（2016），其中对统计论文中的引文进行了元分析；以及Xin、Zhu和Chipman（2017），其中通过网络模型分析了篮球运动员的兼容性。最后，我们还为有关奥地利银行间市场稳定性的文献做出了贡献。

该领域的其他工作包括Elsinger、Lehar和Summer（2006年）、Puhr、Seliger和Sigmund（2014年）以及Boss、Elsinger、Summer和Thurner（2004年），他们研究了奥地利金融网络的可能传染效应和描述性统计。我们通过创建网络进化的统计模型来扩展他们的工作。1数据和探索性分析在本文中，我们使用了奥地利国家银行（Austrian NationalBank）获得的一个独特的数据集，其中包含四年（从2008年春季到2011年秋季）奥地利银行间市场的季度观察结果。更准确地说，该数据集包含奥地利800家银行中任意两家银行在相应季度的相互债权，从而对金融网络进行了16次观察。所考虑的所有银行在整个时期都存在。为了遵守奥地利国家银行的隐私规则，数据被匿名化，以便隐藏系统中银行的真实身份，并用非描述性ID替换。此外，我们无法看到银行相互债权的真正价值，只有按比例计算的等价物。然而，就我们的模型而言，并不需要金融网络中连接的真实值，因为我们只需要它们的相对大小来进行有意义的统计分析。为了更好地阐明这些概念，我们引入以下术语。银行间风险敞口动态网络是一系列图，其中，对于每个时间帧，节点对应于银行，边对应于银行之间的连接。特别是，边缘是有方向的，并带有正值，表示一家银行对另一家银行的债权。我们注意到，在时间框架内观察到的N家银行之间的银行间风险敞口网络可以表示为大小相同的N×N邻接矩阵集合，如以下定义所示：定义1.1。

真实曝光序列E={Et}t∈在时间跨度T上定义的节点集V由邻接矩阵Et组成t型∈ t元素e（t）ij表示t∈ T，i∈ 五、 j∈ 五、 其中，e（t）ij对应于t期间i银行对j银行的金融风险敞口。就奥地利银行间市场而言，邻接矩阵two可以包含n=800家奥地利银行中任意两家银行在相应时间框架内的所有相互债权的真实值。然而，如前所述，由于奥地利国家银行的私人政策，我们无法观察到真实的风险敞口。因此，为了本文的目的，我们将从债权银行的角度研究与相对风险敞口相对应的序列Y。更具体地说，这种转换将我们网络中的边缘权重限制为[0,1]区间，同时将给定银行的所有风险敞口之和保持为1。有关Y的正确数据转换、描述和推导的更多详细信息，请参阅附录。此外，我们将与800家机构的完整数据集（OeNB 800）以及仅包含前100家最密切相关机构的子样本合作，我们将其称为OeNB 100。同样，有关我们如何选择系统相关银行以及银行相关性定义的更多详细信息，请参阅附录。我们在图1.1中绘制了平均银行相关性的演变。由于这一指标与银行间风险敞口的规模成正比，我们认为2008年下半年的大幅下降是金融危机的直接影响。这一下降对应于银行出于对交易对手风险的担忧，显著限制了其风险敞口的总体规模。为了更好地了解数据，我们对数据集进行了简要的探索性分析。

特别是，在示例中可以看到连接的演变。表1和图1.2包含简要的描述性统计数据，其中可以看到连接的数量和大小随时间的变化。连接数●●●●●●●●●●●●●●●●2009 2010 2011 20120.005 0.010 0.015 0.020 0.025 0.030 0.035 0.040OeNB\\u 800：平均相关性时间平均相关性（a）OeNB 800●●●●●●●●●●●●●●●●2009 2010 2011 20120.05 0.10 0.15 0.20 0.25OeNB\\u 100：平均相关性时间平均相关性（b）OeNB 100图1.1。全样本的银行相关性（a）和仅包含100家最相关银行的样本（b）。（第2列）显示了截至时间t时网络中的边缘数量，而相对大小（第3列）描述了市场中的总体现金流，根据第一次观察进行缩放。我们想重点介绍2008年第二季度和第三季度，在这两个季度中，可以观察到经济中现金流的总体幅度有所下降。这一时期与雷曼兄弟（LehmanBrothers）在美国破产相关的金融危机以及房地产市场产生的问题相对应。有趣的是，在澳大利亚银行间市场，连接的总数量似乎不会像其规模那样受到这些事件的影响。这表明，虽然澳大利亚的银行已经显著减少了相互风险敞口，但它们实际上完全被削减了。另一个重要时期是2011年第二季度和第三季度，这大约是欧洲主权债务危机开始的时候。乍一看，我们的数据似乎与这一事件没有太大关系。然而，正如我们稍后将看到的那样，我们的主要模型将进一步洞察这一时期的多元化趋势。2008 2009 2010 2011时间00.20.40.60.811.21.4连接值2900300031003200330340035003600370038003900连接数图1.2。