系统性风险模拟框架及其应用

（2013）和May&Arinaminpathy（2010），而Gai、Haldane&Kapadia（2011）则通过将折减纳入短期债务，专注于为流动性风险融资。2.2.5.  我们明确说明了这一点，包括代表短期、中期和长期资产市场流动性风险的因素。短期资产的期限定义为一个月以下，中期资产的期限定义为一个月以上一年以下。到期日超过一年的资产被视为长期资产。网络模型通常假设简化的资产负债表结构，以便于对关键资产负债表组成部分进行建模（例如，见Nier et al.（2008）、Gai&Kapadia（2010）、Arinaminpathy、Kapadia&May（2012）和Cont、Moussa&Santos（2012））。本研究采用了类似的方法，简化的资产负债表如表1所示。第3.2节解释了所有传染渠道的建模。表1：。资产负债表简化说明资产权益和负债短期资产资本中期资产其他权益和负债长期资产2.2.6。网络模型带来的一个困难是银行间链路的规范，因为不可能确定损失传播的路径。以银行间借贷为直接传染渠道的实证网络研究可以使用最大熵估计技术来估计银行之间的联系（Upper&Worms，2004）。然而，这种估计方法在评估系统性风险时可能会导致不准确（Mistrulli，6 2011），并利用每家银行的总银行间资产和贷款。因此，将其用于我们的传染机制是不合适的。2.2.7.  在决定哪些银行相互连接的过程中，应考虑网络中边缘的定义。

为了使这一点有意义，理想情况下，边缘的形成应与首先引发传染的事件保持一致。例如，由于矿山突然关闭，严重接触采矿业的银行可能会失去投资者信心。从建模角度来看，试图解释所有可能的自下而上的传染事件是不切实际的，因为这需要涵盖广泛的风险敞口及其相关风险。因此，在建模系统风险时，我们考虑了一系列不同的自上而下的网络结构。此外，我们注意到，不同的网络结构可能表现出不同的风险水平，网络特征变化的影响取决于所选结构（Gai、Haldane&Kapadia，2011、Georg，2011、Krause&Giansante，2012）。由于真实的网络结构未知，因此研究结构的变化如何影响系统风险的建模非常重要。2.2.8.  第3.3节解释了此处研究的结构，其中一些结构有助于核心外围网络的建模。这些网络由少量紧密连接的“核心”银行和众多稀疏连接的“外围”银行组成。Iori等人（2008年）和Fricke&Lux（2015年）发现证据表明，现实世界的银行间网络表现出这种行为（Hüser，2015年，Glasserman&Young，2016年）。尽管我们没有建立银行间借贷关系模型，但投资者情绪造成的损失也可能遵循类似的模式。因此，本研究考虑了此类结构。2.2.9.  我们为不断增长的银行网络实证分析做出了贡献（参见。

Georg&Brink（2011年）、Huang、Zhou&Zhu（2012年）、Vallascas&Keasey（2012年）、Upper&Worms（2004年）、Martinez Jaramillo等人（2014年）和Boss等人（2004年）将市场情绪网络模型应用于南非银行资产负债表数据。该模型的结果用于评估该模型是否可以通过捕获压力市场条件下系统风险的增加来监测系统风险水平。这是通过考虑不同时间点的系统性风险来实现的，在此期间发生的事件对当地经济产生了不利影响。2.2.10. 由于本文的重点仅限于网络机制，因此并未纳入央行活动或宏观经济因素。这是因为它们对结果的影响会掩盖与网络模型本身和网络结构差异相关的影响。需要排除央行活动，因为这项研究是从监管者的角度进行的，其对银行倒闭的反应无法事先预测。因此，有关央行反应的任何假设都会使结果发生偏差。从实际角度来看，评估银行危机政策应对措施的监管机构应该比较干预成本和不干预成本，因为这两种选择都会带来高昂的成本（Furceri&Mourougane，2009）。未来研究的一个有用领域是考虑一套政策应对措施，并调查网络结构如何影响存款人、纳税人和其他银行等各种利益相关者所承担的风险。然后，当风险被忽视且监管机构干预时，可以考虑每个利益相关者所承担的风险。

虽然将网络模型嵌入到更大的宏观经济模型中是可能的，也是可取的（例如，见Georg&Poschmann（2010）和Aikman et al.（2009）），但这里特别排除了这一点，因为研究的一个方面是评估纯网络模型的性能。因此，由于这是一项总风险评估，因此纳入宏观经济影响可能会对结论产生不适当的影响。2.2.11. 综上所述，本文旨在做出以下贡献：7（a）采用自上而下的网络方法对南非银行系统的系统性风险进行建模。我们研究该模型是否能够通过检测市场动荡的实例来监测系统性风险。（b） 我们引入了一种新的传染机制，关注市场情绪。（c） 研究了网络结构对结果的影响。由于实际网络结构未知，因此了解结果对网络结构选择的敏感性非常重要。2.2.12. 本文其余部分的结构如下：第3节解释了资产负债表的构建方式，讨论了建模过程，并介绍了不同的网络结构。第4节介绍了将该模型应用于南非系统所获得的结果，第5节得出结论。数据和网络描述3.1数据和资产负债表构建3.1.1。2015年4月至2017年3月，使用南非银行的标准化月度银行资产负债表数据。BA900回报的粒度不足以提取CET1资本数据，而这些数据是从银行的年度报表、支柱III资本披露和Orbis银行焦点数据库中获取的。由于资本数据变得太少，使用更久远的时期是不明智的。

很难获得所有银行2015年之前的资本数据，因为许多小型银行要么不存在，要么其早期资本数据根本无法在公共领域获得。3.1.2.   截至2017年3月，共有10家本地控股银行、3家互惠银行、6家外资控股银行和15家外资银行分行，共计34家注册银行。就本次调查而言，我们不考虑外国分公司的母公司。首先，子公司可能不受母公司的支持。其次，如果子公司得到母公司的支持（取决于母公司的偿付能力状况），虽然该假设可能低估或高估了当地银行业的系统性风险，但为了保持系统的封闭性，这是必要的。换句话说，确保系统内的风险水平不受外部市场参与者、他们可能采取的任何行动或可能适用于他们的任何法规的影响。该银行体系可被视为核心外围结构的典型候选，因为它由五家大型“核心”银行和29家小型银行组成。为了说明这一点，附录A图A.1以图形方式显示了银行的总资产价值。在本研究中，由于缺乏资本数据，8家银行被排除在外（更多详细信息见下文P3.1.7和3.1.9），剩下26家银行被纳入分析。如表1所示，编制简化资产负债表的流程如下所示。3.1.3在资产方面，项目根据其在期初是否有短期、中期或长期到期进行分类。

回想一下，短期资产的到期日不到一个月，中期资产的到期日超过一个月但不到一年，而长期资产的到期日超过一年。没有合同到期日的资产根据其预期持有期进行分类，例如被分类为中期的过境汇款。并非所有资产负债表项目都明显地只属于一个类别。这些项目中的大多数都属于大多数单项资产所属的类别arehttps://www.resbank.co.za/RegulationAndSupervision/BankSupervision/Banking%20sector%20ata/Pages/Banks-BA900返回。aspxhttps://orbisbanks.bvdinfo.com/version-2017713/home.serv?product=OrbisBanks8预计会下降。例如，当地国库券的到期日从一天到十二个月不等，但通常未到期的到期日为91天或182天。因此，我们将其归类为中期资产。该规则有两个例外情况：–BA900表格（第198行）上的有价ZF股票的到期日最多为三年，到期日超过三年。到期日超过三年的有价ZF股票属于长期资产类别。由于所有这三种到期日类别均包含在本行项目中，因此，假设到期日最长为三年的有价ZF债券平均分布在短期、中期和长期资产中衍生工具根据BA900表格中负债方面的条款进行划分，但不根据资产方面的条款进行划分。因此，假设在每家银行的资产方面，短期衍生品占衍生品总额的比例与负债方面相同。

同样的假设适用于中长期衍生工具。如果负债方没有衍生工具，资产方的衍生工具将在短期、中期和长期资产中平均分配。3.1.4衍生工具风险敞口是系统性风险的重要来源，因为在压力情景下增加保证金要求可能会对银行的流动性头寸造成过度压力。虽然这可以使用网络方法建模（参见Markose、Giansante和Shaghaghi（2012）的研究），但我们没有明确建模这些风险，而是通过信任机制间接包括这些影响。这是因为交易对手关系不是公开的，它避免了简化模型的复杂性。3.1.5贷款和垫款的信贷减值从中期资产中扣除。这是因为私营部门贷款和垫款（被归类为中期资产）通常占贷款和垫款总额的很大一部分，也应包含大部分减值账户。由于投资通常被视为长期资产，因此与投资有关的任何减值均从长期资产中扣除。资产分类如附录B中的表B.1所示。3.1.6注意，使用更细粒度的数据，可以更精确地根据到期日对资产进行分类。在这种情况下，有必要将资产负债表项目汇总到此级别，因为可用的详细信息不允许根据期限进行更精细的分类。拥有更详细信息的监管机构可以使用更多的类别，以便根据更多的时间范围和其他特征对资产进行分组。

3.1.7银行的普通股一级资本（CET1）代表本次调查中资产负债表的资本部分。这是因为金融系统中的问题可以迅速蔓延，CET1资本可以迅速转换为现金（Gai&Kapadia，2010）。（Wells（2004）、Mistrulli（2011）和Cont、Moussa&Santos（2012）采用了相同的方法。）不包括额外的一级资本，因为这些资本必须在发生危机时首先转换。BA900资产负债表的权益方面不够精细，无法计算银行的CET1资本。因此，来自财务报表、已发布的支柱III资本披露和Orbis Bank Focus的数据用于补充主要资产负债表信息。然而，通过这些来源获得的数据最多是每季度一次（在某些情况下仅为每年一次），并非所有银行都在同一日期发布这些数据。此外，一些银行只公布风险加权CET1比率，不一定包括此类资本的货币金额。因此，必须尽可能使用资产负债表这一部分的可用数据来估计缺失的数据点。3.1.8为了估算银行每月的CET1资本，可用CET1金额除以各银行在9个时间点的相应总资产价值。换句话说，如果 和 表示银行当时的CET1资本和总资产价值 我们分别计算 所有月份. 这使得CET1与选定时间点总资产的未加权比率为1。使用此比率有两个主要原因。它首先剔除了一段时间内的任何通胀影响，其次消除了银行增长率大幅上升或下降的影响。

在可能的情况下，在所考虑的期间内，所有银行的CET1与总资产的未加权比率都非常稳定（所有银行的该比率的最大方差为000344）。因此，对于大多数银行来说，缺失的未加权CET1比率很容易估计。3.1.9附录B中的表B.2显示了可从可用数据中获得的注册本地银行的所有未加权CET1比率。对于2017年5月至2015年2月期间至少有三个CET1数据点的每家银行，剩余比率为未偿月份的估计值。CET1数据点不足三个的银行被排除在分析之外，从而将银行总数从34家减少到26家。截至2017年5月，所有被排除在外银行的总资产占所有银行资产的比例不到3%。3.1.10对于其余银行，可用的未加权CET1资本比率用于估计未知的CET1比率，如下所示：–如果缺失数据点位于两个已知数据点之间，则使用两个已知数据点之间的线性插值来估计缺失值。例如，如果比率 和 有效期为个月 和  , 但几个月的比率   和  不是，我们使用估计值  对于  . –  如果缺失数据点不在两个已知数据点之间，则取关联银行的平均未加权CET1比率。例如，如果当月没有CET1数据可用  ,  然后,  哪里  是月数  为此 可用，并且总和将接管所有可用比率. 3.1.11一旦估算 对于确定的CET1资本，已知所有必需的资产负债表分录。

下一步是指定由边表示的银行之间的交互，其中关于这些交互的不同假设导致不同的网络结构。3.2符号和默认级联3.2.1建模程序基于May和Arinaminpathy（2010）的工作。本节中的月份 是固定的，因此与月份相关的下标不包括在第3.1节中。假设网络包括 银行，每家银行’s总资产表示为. 银行的短期、中期和长期资产 表示为,  和 分别地最后，银行’CET1大写字母表示为. 为便于参考，本文其余部分将互换使用CET1资本和资本这两个术语。3.2.2我们选择初始银行  假设它遭受了初始损失。在本文中，这种事件被称为“初始冲击”，因为我们假设它是一个重大和意外的事件。在此情况下，银行 比如说，损失一小部分, 其资产。如果 , 它失败了，短缺导致市场摩擦。值得注意的是，从技术上讲，该银行此时可能没有资不抵债，但可能正处于清算阶段。然而，出于我们的目的，它被排除在网络之外，因此不需要区分清算和破产。10 3.2.3现在有三种效果发挥作用。首先，监管机构可能会要求其他银行协助资本化，以便通过提供零售和机构债权人的无担保贷款来限制损失向经济其他部分的蔓延。我们假设一个比例, 剩下的银行必须弥补其中的不足。