系统性风险的网络敏感性

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：
《Network Sensitivity of Systemic Risk》
---
作者：
Amanah Ramadiah, Domenico Di Gangi, D. Ruggiero Lo Sardo, Valentina
  Macchiati, Tuan Pham Minh, Francesco Pinotti, Mateusz Wilinski, Paolo Barucca
  and Giulio Cimini
---
最新提交年份：
2020
---
英文摘要：
  A growing body of studies on systemic risk in financial markets has emphasized the key importance of taking into consideration the complex interconnections among financial institutions. Much effort has been put in modeling the contagion dynamics of financial shocks, and to assess the resilience of specific financial markets - either using real network data, reconstruction techniques or simple toy networks. Here we address the more general problem of how shock propagation dynamics depends on the topological details of the underlying network. To this end we consider different realistic network topologies, all consistent with balance sheets information obtained from real data on financial institutions. In particular, we consider networks of varying density and with different block structures, and diversify as well in the details of the shock propagation dynamics. We confirm that the systemic risk properties of a financial network are extremely sensitive to its network features. Our results can aid in the design of regulatory policies to improve the robustness of financial markets.
---
中文摘要：
越来越多的关于金融市场系统性风险的研究强调了考虑金融机构之间复杂相互联系的关键重要性。在建模金融冲击的传染动力学和评估特定金融市场的弹性方面，已经付出了很大的努力——要么使用真实的网络数据、重建技术，要么使用简单的玩具网络。在这里，我们讨论了更一般的问题，即冲击传播动力学如何依赖于底层网络的拓扑细节。为此，我们考虑了不同的现实网络拓扑，所有这些拓扑都与从金融机构真实数据中获得的资产负债表信息一致。特别是，我们考虑了具有不同密度和块体结构的网络，并在激波传播动力学的细节方面进行了多样化。我们确认，金融网络的系统性风险属性对其网络特征极为敏感。我们的结果可以帮助设计监管政策，以提高金融市场的稳健性。
---
分类信息：

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
--
一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--

---
PDF下载：
--> Network_Sensitivity_of_Systemic_Risk.pdf (1.62 MB)

2022-6-10 02:33:04 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：系统性风险 系统性 敏感性 Institutions Quantitative

系统性风险的网络敏感性Amanah Ramadiah、Domenico Di Gangi、D.Ruggiero Lo Sardo、ValentinaMacchiati、Tuan Pham Minh、Francesco Pinotti、Mateusz Wilinski、PaoloBarucca和Giulio Cimini5、6、7伦敦大学学院计算机科学系，LondonWC1E6BT，联合Kingscuola Normale Superiore，56126 Pisa，意大利都灵大学物理系，10125都灵，ItalyINSERM，索邦大学，Pierre-Louis d\'Epid\'emologie et de Sant\'ePublique研究所（IPLESP），75012巴黎，法国物理系，罗马大学托尔韦加塔分校，00133罗马，ItalyIMT高级研究院，55100 Lucca，ItalyInstitute for Complex Systems（CNR），00185罗马，Italy6月19日，2020年摘要越来越多的关于金融市场系统性风险的研究强调了考虑金融机构之间复杂相互联系的关键重要性。在建模金融冲击的传染动态以及评估特定金融市场的弹性（无论是使用真实的网络数据、重建技术还是简单的玩具网络）方面，已经做了大量工作。在这里，我们解决了更普遍的问题，即冲击传播动力学如何依赖于底层网络的拓扑细节。为此，我们考虑了不同的现实网络拓扑，所有这些拓扑都与从金融机构真实数据中获得的资产负债表信息一致。特别是，我们考虑了具有不同块体结构的变密度网络，并在冲击传播动力学的细节方面进行了多样化。我们确认，金融网络的系统性风险属性对其网络特征极为敏感。

我们的研究结果可以帮助制定监管政策，以提高金融市场的稳健性。关键词-金融网络、系统性风险和传染、DebtRankKey信息o我们概括了金融网络的重建方法，与资产负债表信息一致o我们研究了网络结构与冲击传播动力学之间的相互作用o我们表明，系统性风险对金融网络的特征极为敏感o我们的结果可以帮助设计政策，以提高金融市场的稳健性1介绍过去二十年中冲击金融世界的危机引导科学家和监管者从系统的角度思考评估市场风险的方法，对金融关系的纠缠不清的结构越来越感兴趣（Acemoglu、Ozdaglar和Tahbazalehi，2015；Allen和Gale，2007；Allen、Hryckiewicz、Kowalewski和T¨umer Alkan，2014），其在潜在风险传播中的作用（Gai&Kapadia，2010）及其对风险管理和宏观审慎监管的影响（Battiston，Farmer等，2016；Haldane&May，2011）。从许多系统风险实证研究中得出的一个共同点是，考虑金融依赖结构的作用很重要（Boss，Elsinger，Summer，&Thurner，2004；Cocco，Gomes，&Martins，2009；Georg，2013；Nier，Yang，Yorulmazer，&Alentore，2007），以及金融网络中的中心性指标如何对确定系统重要性至关重要金融机构（Battiston、Puliga、Kaushik、Tasca和Caldarelli，2012）。虽然互联作用的证据以及对其直接测量或重建的需求（Anand et al.，2018）不断增加，但与此同时，近年来关于设计新颖和更现实的系统性风险机制的研究也有了很大发展。

从清算机制（Eisenberg&Noe，2001）和违约传染（Fur fine，2003）的开创性工作开始，现在已经产生了越来越多的扩展（Acharya、Pedersen、Philippon和Richardson，2017；Amini、Cont和Minca，2016；Benoit、Colliard、Hurlin和P’erignon，2017；Caccioli、Barucca和Kobayashi，2018），我们现在有各种方法，从开创性的违约传染方法到危机传染，如债务等级中心（Battiston et al.，2012）和网络估值（Barucca et al.，2016）。目前，中央银行在压力测试和稳定性分析中采用了这类网络方法（Bardocia、Barucca、Codd和Hill，2019；Covi、Montagna和Torri，2019）。因此，当前的科学挑战不再是一般地量化系统风险，而是能够更详细地了解系统风险度量和网络结构之间的相互作用，因为不同的传染机制可能会产生不同的风险和脆弱性，这取决于基础网络结构。只有提高了理解水平，才能获得改善系统结构和降低风险的具体监管解决方案。为此，必须了解金融网络的哪些特征使其对系统性风险具有或多或少的弹性。Gai和Kapadia（2010）的研究表明，随机Erd-R'enyi网络是“强健的yetfragile”：对于中等网络密度，传染的可能性最大，而系统性损失的数量随着网络连通性单调增加。Mastromatteo、Zarinelli和Marsili（2012）进一步表明，在精细动态下，稀疏的Erd-R网络通常比非常密集的网络导致更多的违约。

Roukny、Bersini、Pirotte、Caldarelli和Battiston（2013）指出，没有任何一种拓扑能够始终达到最低的风险水平（特别是，无标度网络可以比Erdos-R'enyiarchitectures更健壮、更脆弱）。Le'on和Berndsen（2014）认为，模块化无标度架构有利于稳健性，而Montagna和Lux（2017）指出，如果冲击相关，系统风险依赖于密度变化。Hurd、Gleeson和Melnik（2017）观察到，在Gai和Kapadia动力学下，学位分类可以强烈影响传染病的进程（Hurd等人，2017）。对于与DebtRank dynamics有关的问题，Bardocia、Battiston、Caccioli和Caldarelli（2017）表明，由于存在周期，系统的稳定性随链路密度单调下降，而Krause、Stefanˇci'c、Zlati'c和Caldarelli（2019）最近指出，程度分类与系统风险水平密切相关。在这项工作中，我们首次将Anand等人（2018年）重建现实金融网络的最统一方法之一推广到具有块结构的加权异质网络，包括核心-外围和模块化网络。此外，我们引入了稳健有效的网络敏感性方法，该方法探索了一系列具有不同密度的加权金融网络，从极为稀疏的低密度网络到完整的网络，并应用了违约传染和困境传染的两个最重要模型，显示不同网络结构、冲击和传染机制可能导致的相对损失的显著差异。2方法在本节中，我们解释了我们在框架中使用的两个步骤。

简而言之，我们首先生成一个具有一些关键特征的重构金融网络，然后在其上运行ashock传播动力学、Fur fine和DebtRank算法，以评估其系统风险水平。2.1数据我们根据Bankscope数据（Battiston、Caldarelli、D\'Errico和Gurciullo，2016）重建金融（特别是银行间）网络，其中包含100家最大的欧洲银行的资产负债表。特别是，我们有关于这些银行的银行间资产Ai、银行间负债和股票EII的信息，我们考虑了2008年和2013年（即全球金融危机期间和之后）的数据（Angelini、Nobili和Picillo，2011）。我们重申，银行的权益是其总积极头寸与其对债权人的总义务之间的差异。当股本为正时，银行有偿付能力，否则它就会破产（违约），因为它无法偿还债务。由于选定的银行集团不是一个孤立的系统，银行间资产和负债的总和并不相同。为了有一个封闭的系统，我们重新缩放它们，使Pjaj=PjLj。2.2网络生成在有关金融网络的文献中，银行间市场通常是根据资产负债表数据重建的（在进行系统风险测试之前）（Anand等人，2018）。在这里，我们使用并推广了Cimini、Squartini、Garlaschelli和Gabrielli（2015）的方法，以生成具有不同底层拓扑结构的重构金融网络（即与资产负债表信息兼容）。该方法基于应用于网络的统计物理概念（详见Cimini et al。

(2019); Squartini、Caldarelli、Cimini、Gabrielli和Garlaschelli（2018））。为了创建单个网络实例，我们首先通过绘制每个链接i生成一个未加权的有向图→ j独立概率：pi→j=zAiLj1+zAiLj，（1），其中z∈ (0, ∞) 是控制网络密度的参数。事实上，由于资产和负债的价值是给定的，因此该概率是z的递增函数，因此网络的链接密度与参数z成正比。在链接生成过程之后，我们为每个实现的链接分配一个权重，如下所示：→j=AiLjOhm圆周率→jai公司→j（2）其中邻接矩阵元素ai→如果公式（1）的绘制成功（否则为零），则等于1，并且Ohm = [（PjAj）（PjLj）]1/2。最终结果是由相应的邻接矩阵W给出的加权有向网络，其条目是权重{wi→j} 。在经济网络（economicnetwork）的文献中，该矩阵被称为资产矩阵，而其转置被称为负债矩阵。总的来说，该配方用于生成一个网络集合，其特性是每家银行的银行间资产和负债在概率上受到限制，无法达到其实际价值→ji=A和hPjwj→ii=Li（这里h·i表示整个系综的平均值）。请注意，通过使用公式（1），我们允许在网络中形成自循环，因为一些欧洲顶级银行确实代表着内部资金流动的银行集团。另一种可能性是使用RAS算法去除它们，同时保留强加的约束（Squartini、Cimini、Gabrielli和Garlaschelli，2017）。重要的是，银行间的资产和负债分布是异质的，通过这种输入，我们的网络构建方法自动生成一个核心-外围结构，独立于网络密度。

为了调整这一结果，我们引入了公式（1）的推广：pi→j=z（AiLj）φ1+z（AiLj）φ，φ∈ [0, 1]. （3） 新参数φ允许对范围广泛的网络拓扑进行建模（对于固定z），分别以φ=1和φ=0的两个极限在fitness-induced-configuration模型和Erd¨os-R'enyi随机图之间插值。此外，等式（2）的权重分配满足了各银行对银行间资产和负债的约束，无论选择何种连接概率{pi→j} 。2.3块结构刚才描述的网络重建方法允许探索不同的网络结构。为此，我们可以进一步将邻接矩阵W分解为块。这里，为了简单起见，我们将把注意力限制在W只有四个块的情况：W=WWWW每个块Wnm，n，m=1，2表示网络的一个子图，其中链路密度由znm表征，即，使用该znm通过等式（1）-（2）生成。在所有可能的政治区块结构中，我们将重点关注三种不同的结构，即核心外围结构以及模块化分类和分解结构（见图1）。核心-外围拓扑——对金融网络调查特别感兴趣的是核心-外围拓扑，其中有两组银行（核心和外围），第一组中的链接密度比第二组中的高很多，两组之间的中间链接密度。如上一节所述，由式（1）生成的网络固有地具有核心-外围结构。因此，进一步使用形式z=z，z=z=γz，z=γz的参数化，其中γ∈ [0，1]会导致γ=1的核心-外围结构，γ值越小，外围就越边缘化。这就是为什么我们只使用Eq。

（3） 探索核心-外围和同质拓扑之间的过渡。组合模块拓扑——在这种情况下，网络被分为两组节点（模块），组内连接紧密，组间连接稀疏。此配置对应于zand zboth的选择，其比zand z大得多。在不丧失通用性的情况下，我们通过设置z=z=z和z=z=λz来实现分类拓扑，其中λ∈ [0, 1].分解模块拓扑——作为与组合模块结构相反的配置，可以考虑两个模块之间的互连支配每个模块内部的连接的情况。参数化现在由z=z=z和z=z=βz给出，其中β∈ [0, 1]. 注意极限情况β→ 0对应于纯二部结构。我们注意到，对于本文中考虑的分类拓扑和非分类拓扑，每个块都是使用公式（3）生成的，相应的znmand值为φ=1。因此，我们在每个模块内都有核心-外围结构的特征（如图1.2.4冲击传播动力学中所示，一旦构建了网络实例，我们就使用Fur fine和DebtRank算法对其上的冲击传播进行建模（Bardoscia、Battiston、Caccioli和Caldarelli，2015；Bardoscia、Caccioli、Perotti、Vivaldo和Caldarelli，2016；Fur fine，2003）。20 40 60 80 100 Bank J20406080100 Bank i20 40 60 80 100 Bank j20 40 60 80 100 Bank j0.20.40.60.81.0连接概率图1：使用拟议模型获得的块体结构示例。左：核心外围结构，使用公式（3）生成，φ=1。中间：模块化组合结构（φ=1，λ=0.1）。右：模块化分解结构（φ=1，β=0.1）。对于所有情况，我们使用z=10-9

在第一行中，我们报告了连接概率矩阵的热图（黄色和紫色分别表示网络的密集区域和稀疏区域）。在最下面一行中，我们显示了相应样本网络的形状。对于核心-外围情况（左列），我们以黄色显示核心节点（最大银行的前20%），以紫色显示外围节点。对于其他两种情况，两种颜色表示两个模块（大小相等）。Fur-fine算法Fur-fine算法可以完全表示为权益的函数，通过负债网络与外部资产或负债的给定值相互作用。代表传染动力学的迭代图由（Barucca et al.，2016）给出，Ei（t+1）=Ei+NXj=1Aij（Θ（Ej（t））+RΘ(-Ej（t）））- Li，（4）其中R是外部回收率，EI是外部净余额，可通过查看权益价值和银行间净余额之间的初始差异来确定。特别是，对于所研究的数据集，如果初始权益大于或小于银行间资产和负债的净余额，则意味着存在资产或负债的净外部来源，ei=ei- Ai+Li。从迭代图中，可以确定传染损失的多个度量，特别是我们将重点关注一个传染损失度量，即平均相对权益损失，即我们假设对我们的银行集合产生相对冲击，我们将冲击值视为权益向量的初始值。从这个新的权益向量开始，我们确定了权益动态的固定点向量（4），E*.