银行间贷款网络中的贷款到期日聚合

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：
《Loan maturity aggregation in interbank lending networks obscures
  mesoscale structure and economic functions》
---
作者：
Marnix Van Soom, Milan van den Heuvel, Jan Ryckebusch, Koen Schoors
---
最新提交年份：
2019
---
英文摘要：
  Since the 2007-2009 financial crisis, substantial academic effort has been dedicated to improving our understanding of interbank lending networks (ILNs). Because of data limitations or by choice, the literature largely lacks multiple loan maturities. We employ a complete interbank loan contract dataset to investigate whether maturity details are informative of the network structure. Applying the layered stochastic block model of Peixoto (2015) and other tools from network science on a time series of bilateral loans with multiple maturity layers in the Russian ILN, we find that collapsing all such layers consistently obscures mesoscale structure. The optimal maturity granularity lies between completely collapsing and completely separating the maturity layers and depends on the development phase of the interbank market, with a more developed market requiring more layers for optimal description. Closer inspection of the inferred maturity bins associated with the optimal maturity granularity reveals specific economic functions, from liquidity intermediation to financing. Collapsing a network with multiple underlying maturity layers or extracting one such layer, common in economic research, is therefore not only an incomplete representation of the ILN\'s mesoscale structure, but also conceals existing economic functions. This holds important insights and opportunities for theoretical and empirical studies on interbank market functioning, contagion, stability, and on the desirable level of regulatory data disclosure.
---
中文摘要：
自2007-2009年金融危机以来，学术界一直致力于提高我们对银行间借贷网络（ILN）的理解。由于数据限制或出于选择，文献中基本上缺乏多个贷款期限。我们使用一个完整的银行间贷款合同数据集来研究到期日详细信息是否能提供网络结构的信息。将Peixoto（2015）的分层随机块体模型和网络科学的其他工具应用于俄罗斯ILN中具有多个到期层的双边贷款时间序列，我们发现，所有这些层的坍塌始终会掩盖中尺度结构。最佳到期粒度介于完全崩溃和完全分离到期层之间，取决于银行间市场的发展阶段，更发达的市场需要更多的层来进行最佳描述。仔细检查与最佳到期粒度相关的推断到期仓位，可以发现从流动性中介到融资的特定经济功能。因此，在经济研究中，瓦解具有多个潜在成熟度层的网络或提取其中一个成熟度层，不仅是ILN中尺度结构的不完整表示，而且还隐藏了现有的经济功能。这为银行间市场运作、传染、稳定性以及监管数据披露的理想水平的理论和实证研究提供了重要的见解和机会。
---
分类信息：

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
--
一级分类：Economics        经济学
二级分类：General Economics        一般经济学
分类描述：General methodological, applied, and empirical contributions to economics.
对经济学的一般方法、应用和经验贡献。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Economics        经济学
分类描述：q-fin.EC is an alias for econ.GN. Economics, including micro and macro economics, international economics, theory of the firm, labor economics, and other economic topics outside finance
q-fin.ec是econ.gn的别名。经济学，包括微观和宏观经济学、国际经济学、企业理论、劳动经济学和其他金融以外的经济专题
--

---
PDF下载：
--> Loan_maturity_aggregation_in_interbank_lending_networks_obscures_mesoscale_struc.pdf (5 MB)

2022-6-24 05:12:53 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：银行间 Quantitative Presentation Applications Contribution

银行间借贷网络中的贷款到期日聚合模糊了中尺度结构和经济功能Marnix Van Soom、Milan Van den Heuvel2,3、*、Jan Ryckebusch和Koen Schoors3,4Vrije Universiteit Brussel，Arti ficial Intelligence Lab，Brussel，1050，BelgiumghentUniversity，Department of Physical and Astronology，Ghent，9000，BelgiumghentUniversity，Department of Economics，Ghent，9000，BelgiumNational Research University，高等经济学院，莫斯科，俄罗斯*米兰。vandenHeuvel@UGent.beABSTRACTinterbank借贷网络（ILN）。由于数据限制或出于选择，文献中基本上缺乏多个贷款期限。我们使用一个完整的银行间贷款合同数据集来研究到期日详细信息是否能提供网络结构的信息。运用Peixoto（2015）的分层随机块体模型和网络科学的其他工具，对俄罗斯ILN中具有多个到期层的双边贷款的时间序列进行分析，我们发现，所有这些层的崩溃始终是模糊的，取决于银行间市场的发展阶段，更发达的市场需要更多层来进行优化描述。更仔细地检查与最佳到期粒度相关的推断到期仓位，从流动性中介到融资，可以揭示特定的经济功能。因此，在经济研究中，瓦解具有多个下伏成熟度层的网络或提取一个这样的层，不仅是ILN中尺度结构的不完整代表，而且还隐藏了现有的经济功能。

这为银行间市场功能、传染、稳定性以及监管数据披露的理想水平的理论和实证研究提供了重要的见解和机会。简介和概述银行间借贷网络（ILN）是银行间货币市场的复杂网络模型，通常被称为现代金融系统的管道。银行在此类市场上进行银行间贷款，以适应每日的流动性失衡，并管理其期限缺口，即银行资产和负债之间的期限缺口。例如，持有超过预期的现金的银行可能会将这些现金借给其他需要现金的银行。arXiv:1906.08617v1【q-fin.GN】2019年6月12日一直致力于提高我们对这些市场的理解。事实证明，将银行间货币市场表示为一个网络是一个简单而强大的抽象，可以说这比将其建模为一个代表性银行更现实，这是传统宏观金融的惯例。因此，网络分析现在是全球金融稳定专家的标准工具之一，即IMFand ECB。9、10成熟度。贷款到期日，即贷款必须偿还的期限，是银行组织其借贷活动以实现风险最小化的重要工具2、11、12。大多数实证金融网络论文研究隔夜银行间市场。这似乎部分源于一种普遍持有的观点，即隔夜贷款的成熟度选择反映了银行的风险策略。例如，压力测试模型将受益于富含成熟度信息的暴露数据。借助一个特别精细的数据集（一个由俄罗斯ILN中发布的所有贷款合同组成的小组），我们定性地调查了由于不区分贷款期限而丢失的信息。

我们进一步尝试俄罗斯ILN的中尺度，即将银行的更高级别组织转变为银行集团。以及每个到期类别的未偿贷款，以及八个到期类别的列表（数据集的更多详细信息可以合并到一个bin中，即崩溃的网络）。使用ILN文献中的典型网络度量，分别对每个成熟层进行拓扑分析（同时列在最左边的一栏中。层非同质性表明，完全聚集或单层集中涉及到成熟度层中拓扑多样性的丧失，尽管某些层在特定的月份中确实共享类似的借贷模式有关本地借贷模式的信息（如聚类）。为了描述聚集成熟层对ILN中尺度的影响，我们用分层SBMs显式地模拟了月平均值。SBMs可以推断网络中具有统计意义的组结构，而无需事先提供信息，允许组结构在每一层上具有不同的拓扑模式。作为一个具体的例子，假设该网络的一个可能的分层SBM是将鹿分为两组，雄性和雌性，以便观察到的发生情况考虑到社会地位等因素来解释观察到的相互作用-如果这些因素未知，很可能足以推断鹿的性别。与银行集团之间的贷款模式相对应，这些模式在统计上存在显著差异。我们将在下一节对此进行详细解释，并在图2中给出一个简单的说明，但OG如何推断的本质主要取决于组的数量和层粒度的程度，因为这些参数同时定义了3/54可用于建模观察到的分层网络的“分辨率”。防止过度装配（即。

建模噪声），模型复杂性的任何增加都应得到数据中足够的统计证据的保证。因此，OG通常可以通过任何正则化原则来确定，以平衡模型复杂性和拟合质量；为此，我们使用贝叶斯模型选择。这种方法的一个特殊优势是，从形式上讲，推断群体数量——实际上是群体本身——与OG之间没有区别；对于每个月的ILN，这两项都被确定为单个推断的一部分。OG bin指数（OGB指数）的到期日。我们在这里提到了从图3（a）中很容易推断出的两个结果。首先，我们发现成熟度层进入箱子，就像前面提到的短层一样。另一方面，完全汇总明显丢弃了模拟月度ILN中间结构所需的重要信息：银行集团之间的贷款模式在很大程度上取决于贷款的到期类别。这也说明了集料箱宽度过窄的更普遍的附加好处，数据可能传播得太薄，根本检测不到任何结构。相反，如果将料位宽度设置得太宽，则不同的结构及其经济功能可能会混淆。

其次，OG中每月的BIN数量大致与俄罗斯货币市场发展的已知两个阶段相关：早期发展市场发展的不同阶段出现的贷款模式的数量和复杂性。为了解释贷款模式，我们仔细查看了网络和个别银行层面的月度OG BIN。（请注意，这超出了之前建立的各个到期层的网络度量，因为现在根据它们是否形成统计上显著的贷款模式进行合并。）这里值得注意的结果是，银行标识代码可能是“短期”银行标识代码中的重要银行倾向于借贷等量的现金（表示金融中介），而“长期”银行标识代码中的重要银行倾向于借贷（表示融资）。对于开发阶段，融资只出现在后期阶段。在银行集团之间，重要银行的经济职能，以及所涉及贷款的到期类别，表明到期信息对于理解ILN很重要。结果18、19t{Gl}GlG<1dG2-7dG8-30dG31-90dG91-180dG0.5-1yG1-3yG>3y4/54我们没有给{Gl}贴上时间标签。眩光定向加权多重图。除了不对称邻接的雅利j∈ NlGlxli jkk∈ [1，Ali j]Ali j>0kijijxlxlijk。塌陷的NetworkGCs对应于完整的成熟度聚合。其邻接矩阵=∑lAli jand edgexi jkxli jkk，l{}{{}{{{{}{{{}{{}{{}{{}{{}{{}{}{{}{{}{}8-30d}，{31-90d}，{91-180d，0.5-1y，1-3y，>3y}}{}{}}{}}}{}}}{}}}指定的粒度。俄罗斯ILN的描述性统计（每年一次的比较框架）是文献中常用的几种ILN度量的时间序列。已对分层ILN进行了分层分析6，13附录G。

Bargigli等人的工作与这项工作相关，将隔夜贷款、1年以内的贷款和贷款到期层分开，但它们之间并不具有代表性。我们分析的指标包括：密度、度分布、聚类系数、平均最短路径长度、度混合（作为银行规模混合的代理）、贷款活动和贷款规模。分析可在补充材料附录A.G中找到，附录A.G<1dG2-7dG8-30dGcG<1dG2-7dG8-30D贷款占发行量的几个百分点，但由于其特定的营业额，且长期贷款保留在账簿上直至到期，因此具有相当大的经济相关性，这对于ILN的稳定性非常重要。这反映在附录H.5所示的利差中，6Craig和von Peterin为ILN的出现提供了经济基础，即economic5/54交换模型的基本功能，具有CP结构的ILN产生了稀疏网络。因此，一群紧密联系的“核心”银行在众多规模较小、联系稀疏的“外围”银行之间形成了金融中介的经济功能。形式上，如果可以通过将银行分为“核心银行”或“外围银行”来充分解释贷款模式，则ILN具有CP结构。

在理想情况下，银行之间的双边关系通过以下规则确定银行集团成员身份（即银行是核心还是外围）：（i）核心银行相互贷款；（ii）外围银行没有不完善的CP结构，已经提出了几种算法（如23、24）来检测CP结构并确定组，因为这些算法非常适合参数化CP两组结构和上述四条规则，而不是通过SBMs的贝叶斯推断最小化1、25、26，并在28年应用于意大利e-MID ILN，29根据时间尺度和SBM模型扩展，发现了一个二部或CP结构。我们发现一些迹象支持CP结构GCG<1dG2-7dG8-30ddegree分布、分离度混合和较小的平均最短路径长度。用粗粒度分层SBM对俄罗斯ILN进行建模银行因银行间6、12、23、30–355、28、29尤其是社交网络中的交易关系而在借贷方面分组行为的想法。在俄罗斯银行间货币市场中，有几个原因可以预测集团结构（时区）；国家在不同程度上控制机构的存在。当在贝叶斯环境中表述时，最重要的优点是使用方便；（iii）描述各种贷款模式的能力（例如，ILN建模用于对每月ILN进行建模的是粗粒度分层SBM，它扩展了分层SBM，本身是一个扩展，用于推断OG以及银行集团和其他SBM参数。

我们简要介绍了SBM，本工作中使用的分层SBM分层SBM在18、19.6/54中介绍了SBM、分层SBM和粗粒度分层SBM41、42GNB≤ N1型≤ i、 j≤ N1型≤ bi，北京≤ Bbii{bi}B=最大IBigp（{bi}| G）argmax{bi}p（{bi}| G）Gp（{bi}| G）G∑=- 对数p（G，{bi}）=S+LS=- 对数p（G{bi}）L=- log p（{bi}）是在给定模型参数{bi}的情况下，描述数据所需的位数（G），而lis是描述数据所需的位数。这是最小描述长度原则（MDL）。43、44知识40、45。对于SBMs，控制模型复杂性的主要参数是groupsB的数量。增加BIM单调地证明了最大可能性fitp（G{bi}），因为新的群体可以解释任何可能与群体行为不显著的偏差。只有当数据中有足够的证据来补偿额外的自由度时，才首选更复杂的模型（largerB）。这是通过贝叶斯公式（{bi}）实现的。MDL认为，这种对过度拟合的鲁棒性是通过以下方式实现的：如果B变大，它会减少S，但会增加S。后者起着“惩罚”的作用，不利于过于复杂的模型。DL∑的最佳选择是使DL∑最小化，从而在NsandL之间实现适当的平衡。换句话说，带{bi}的最佳选择对应于压缩数据最多的模型。分层SBM是SBM的扩展，它还允许组行为依赖于网络层。在这项工作中，我们对所有月度ILN使用一种称为独立层SBM的特定分层SBM。独立层表示分层网络{Gl}可以建模为一个群结构，在每个层中显示拓扑模式。Glnodes{bi}在所有层上都是相同的。

因此，分层SBM的模型复杂性现在由观察到的分层网络{Gl}（1）中的层数lpresent额外控制≤ l≤ 五十） ，位于groupsB的编号旁边。增加的{bi}7/54网络{Gl}，是否有必要为每个层设置不同的拓扑模式，或者一些层是否可以仅用一个拓扑模式来等效地解释，然后合并？分层SBM本身无法回答这个问题，asL由{Gl}确定，因此只是模型复杂性的固定组成部分。{Gl}{G`}Gl根据{`}，一组层仓，指定{G`}的粒度级别。通过搜索最能压缩低分辨率分层网络{G}的分层SBM，同时考虑到由于较低的粒度度（即，网络质量下降）而导致的不可避免的信息损失，最优粒度级别（OG）与组数量和组结构{bi}同时发生。当给定分层网络{Gl}的OG为CompleteAggeration时，这表明{Gl}中的层划分与其相关坍塌形式{Gc}的中尺度无关。相比之下，一个不同于完全聚集的OG指向一个过于复杂的中尺度结构，在崩溃的网络层次上无法理解。OG合并层，使得{`}中的层单元“获得意义”，以便在单元接口处，组之间的拓扑模式以统计上显著的方式发生变化。俄罗斯ILN的粗粒度分层SBM将俄罗斯ILN作为每月ILN的时间序列进行处理，并每月分别建模，粗粒度分层SBM在前一节中介绍。