通过最大化评估因火灾销售溢出而产生的系统性风险

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：
《Assessing systemic risk due to fire sales spillover through maximum
  entropy network reconstruction》
---
作者：
Domenico Di Gangi, Fabrizio Lillo, Davide Pirino
---
最新提交年份：
2018
---
英文摘要：
  Assessing systemic risk in financial markets is of great importance but it often requires data that are unavailable or available at a very low frequency. For this reason, systemic risk assessment with partial information is potentially very useful for regulators and other stakeholders. In this paper we consider systemic risk due to fire sales spillover and portfolio rebalancing by using the risk metrics defined by Greenwood et al. (2015). By using the Maximum Entropy principle we propose a method to assess aggregated and single bank\'s systemicness and vulnerability and to statistically test for a change in these variables when only the information on the size of each bank and the capitalization of the investment assets are available. We prove the effectiveness of our method on 2001-2013 quarterly data of US banks for which portfolio composition is available.
---
中文摘要：
评估金融市场的系统性风险非常重要，但它通常需要不可用或频率非常低的数据。因此，利用部分信息进行系统性风险评估对监管机构和其他利益相关者可能非常有用。在本文中，我们使用Greenwood et al.（2015）定义的风险度量，考虑了因火爆销售溢出和投资组合再平衡而产生的系统性风险。通过使用最大熵原理，我们提出了一种方法来评估综合和单一银行的系统性和脆弱性，并在只有每家银行的规模和投资资产的资本化信息可用时，对这些变量的变化进行统计测试。我们通过2001-2013年美国银行季度数据证明了我们的方法的有效性，这些银行的投资组合是可用的。
---
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
--

---
PDF下载：
--> Assessing_systemic_risk_due_to_fire_sales_spillover_through_maximum_entropy_netw.pdf (1.63 MB)

2022-6-28 02:53:41 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 最大化 系统性 Stakeholders Construction

通过最大熵网络重构评估因零售溢出产生的系统性风险*Domenico Di Gangi+，Fabrizio Lillo*,+, 和Davide Pirino++Scoula Normale Superiore*意大利博洛尼亚大学+分析、决策和社会中心，意大利米兰人类技术极，2018年抽象监测和评估金融市场的系统性风险非常重要，但它通常需要不可用或频率非常低的数据。因此，利用部分信息进行系统风险评估对监管机构和其他利益相关者可能非常有用。在本文中，我们使用Greenwood等人（2015）定义的风险指标，考虑了由于零售溢出和投资组合平衡而产生的系统性风险。通过使用基于交叉熵约束最小化的方法，我们表明，仅使用每家银行的规模和每项投资资产的资本化信息，就可以评估综合银行和单一银行的系统性和脆弱性。我们还将我们的方法与另一种广泛应用的最大熵原理进行了比较，该原理可以推导出图形概率分布并生成场景，我们使用它来提出一种统计测试，以检测银行对系统性事件脆弱性的变化。JEL代码：C45；C80；G01；G33关键词：系统性风险；最大熵；零售额；金融网络；资产变现能力*这项工作得到了欧洲共同体H2020项目的支持，该项目位于schemeINFRAIA-1-2014-2015：研究基础设施，赠款协议#654024 SoBigData：SocialMining和大数据生态系统(http://www.sobigdata.eu). 我们感谢富尔维奥·科尔西（Fulvio Corsi）和皮耶罗·马扎里西（PieroMazzarisi）进行的鼓舞人心的讨论和提出的有益建议。

任何实质性或形式上的错误都由我们自己负责。1引言近年来，全球经济陷入困境，其中两次严重危机（2007年金融市场危机和2010年主权债务危机）使整个经济体系陷入巨大困境，此后，银行对系统事件的脆弱性现在成为学术界越来越多调查的主要焦点。同时，许多研究工作致力于了解银行或金融机构在系统性风险的创造和传播中的作用。鉴于该专题的突出重要性及其多方面性质，关于系统事件评估和预测的文献非常多（参见Demirg,u-Kunt和Detragiache，1998年；Kaminsky和Reinhart，1999年；Harrington，2009年；Scheffer等人，2009年；Barrell等人，2010年；Duttagupta和Cashin，2011年；Kritzman等人，2011年；Allen等人，2012年；Arnold等人，2012年；Bisiaset al.，2012年；Scheffer等人，2012年；Merton等人，2013年；Oet等人，2013年，众多贡献）。金融危机可能通过几个渠道从一个机构传播到另一个机构，并最终影响全球经济的很大一部分。资产流动性不足和共同投资组合持有导致的甩卖溢出是系统性风险的主要驱动因素之一。共享投资在金融机构的组合中产生了巨大的重叠。这种（间接）金融关联性是传染病的一个重要来源，因为单一市场参与者对资产的部分清算预计会影响所有其他市场参与者，这些参与者分享了他们自己大部分的投资（见Corsiet al.，2013；Huang et al.，2013；Caccioli et al.，2014；Lillo和Pirino，2015）。由于资产的流动性有限和市场影响，Firesales会影响价格。

在完全流动的市场中，根本不会发生再销售传染（有关流动性在金融传染中的作用的评论，请参见Adrianand Shin，2008）。最后，利用这些反馈。事实上，正如Adrian和Shin（2010年、2014年）详细描述的那样，杠杆机构不断重新平衡其正面头寸，最重要的是，负面资产的价格变化。因此，对监管机构、政策制定者和金融市场的其他参与者而言，评估和监控因零售溢出而产生的系统性风险具有极其重要的意义。Greenwood et al.（2015）最近介绍了一种风格化的零售模式，其中流动性不足、目标杠杆和投资组合重叠是构成要素。他们利用该模型提出了两个系统性风险指标：系统性和银行脆弱性。考虑到市场冲击，第一个是银行困境对系统造成的总损失百分比，而第二个是银行在整个系统处于困境时所经历的总损失百分比。为了计算这些数量，需要全面了解所有银行的投资组合构成，因为银行的系统性和脆弱性取决于其他银行的投资组合和杠杆。Greenwood等人（2015年）将其方法应用于欧洲银行管理局（EBA）2011年7月欧洲压力测试得出的数据。这些数据提供了欧盟90家最大银行的详细资产负债表。Duarte和Eisenbach（2013）利用公开的美国银行控股公司资产负债表数据集，应用Greenwood等人的框架。

(2015).他们得出了一个衡量总体脆弱性的指标[……]在2008年秋季达到峰值，但从2005年开始出现显著增长，领先于许多其他系统风险指标。然而，一般来说，计算此类systemicrisk指标所需的详细信息集可能不可用。例如，欧洲压力测试数据是临时性的。此外，资产负债表数据的抽样频率很少高于季度。因此，一个重要的问题是，在缺乏金融中介机构投资组合构成数据的情况下，是否有可能估计因零售溢出而产生的系统性风险。文献中提出了两种可能的方法。第一种方法（见Adrian和Brunnermeier，2011；Acharya等人，2012；Banulescu和Dumitrescu，2015；Corsi等人，2015）纯粹是计量经济学，通常基于公开上市金融机构资产价格和市场权益价值的公开数据。一般来说，该方法包括估计条件变量，如条件风险值或条件预期短缺。计量经济学方法避免了投资组合持有数据的不可用性，但引入了强平稳性假设，从而发挥了这一优势：基于过去信息的估计值始终被假定为系统未来行为的良好预测值。然而，由于全球金融危机的性质，正是在一段时期的危机开始之际，平稳性假设可能无法正常发挥作用。

此外，它通常仅限于股票价值每日可用的公开上市机构。本文所采用的第二种可能的方法是，仅使用一个简化但容易获得的信息集来推断投资组合持有量的矩阵，和/或根据一些标准推导出投资组合权重的概率分布。这通常是通过调用最大熵原理来实现的，该原理假设（Anand et al.，2013）[……]受已知约束[…]熵最大的概率分布最能代表我们当前的知识，偏差最小。最大熵方法可以至少以两种不同的方式应用，我们在以下方面有明确的区分，在系统风险研究中并不新鲜（Mistrulli，2011；Anand et al.，2013；Musmeci et al.，2013；Squartini et al.，2013；Bargigli et al.，2015）。当只有每家银行的总银行间借贷数据（加上可能的其他信息）可用时，它被广泛用于推断银行间网络的结构（有关不同方法的比较，请参见Anand等人，2017；Gandyand Veraart，2016）。Mistrulli（2011）的开创性贡献将经验意大利银行间网络与通过最大熵优化程序重建的银行间网络进行了比较，结果表明后者是完全相关的，而前者是verysparse（另见Mastromatteo et al.（2012）），由于这种错误估计，重建的网络低估了风险传染。当然，最近有许多不同的方法来评估金融网络中的系统性风险。例如，Amini等人（2013年）提出了一种严格的渐近理论，可以预测银行间网络中的困境蔓延。Anand等人（2015）提出了一种补充方法。

在这里，作者还对两部分网络的网络重建技术进行了比较（Ramadiah et al.，2017）。从网络重构的一部分来看，熵方法的使用是广泛存在的非经济科学。例如，它在计量经济学中广泛用于估计概率密度，因为在这方面有大量的贡献（参见Zellner和High-field的贡献，1988年；Ryu，1993年；Wu，2003年；Kouskoulas等人，2004年；Park和Bera，2009年；Usta和Kantar，2011年；Chen，2015年）。本文比较的一个有趣之处是熵在投资组合选择理论中的应用。当投资者对现实的概率结构不确定，并且厌恶模糊性时，使用相对性作为惩罚的方式（参见该领域最显著的贡献，Hansen和Sargent，2001；Maccheroni等人，2006；Bera和Park，2008；Zhou等人，2008；Gilboa和Marinacci，2016；Zhou等人，2013）。在这方面，重要的是要澄清，我们从监管者（或社会规划者）的角度含蓄地采用了最大熵原则，无论网络创建背后的决策过程如何，监管者都对系统性风险的无偏估计非常感兴趣。因此，我们的视角可以被认为与模糊厌恶文献所采用的视角是正交的，因为我们对最大熵原则的偏离是纯粹的推断，它并不意味着以任何方式模仿银行创建网络的决策过程，以及相应的系统风险的普遍水平。在本文中，我们建议将最大熵方法应用于组合权重网络的推断，以估计因转售溢出而产生的系统性风险指标。

具体而言，我们展示了当只有部分信息（每家银行的规模和每项资产的资本化）可用时，如何估计美国商业银行的间接脆弱性、系统性（Greenwood et al.，2015）和总体系统性风险。与银行间研究不同（如Mistrulli，2011；Mastromatteo et al.，2012；Anand et al.，2015），我们处理的是两部分网络，即图，其节点可分为两个截然不同的集合，在我们的案例中，这两个集合是商业银行和资产类别。更具体地说，我们使用联邦金融机构审查委员会（FFIEC）通过Call报告文件分析了2001-2013年期间美国商业银行风险敞口的季度网络。我们计算每个季度每家银行的系统性和脆弱性以及系统的总脆弱性。我们将其与假设银行资产负债表组成未知时推断的值进行比较。从这个意义上说，我们的论文与Mistrulli（2011）相似，但适用于因零售溢出而产生的系统性风险，而不是银行间网络中的级联风险。与银行间案例不同的是，我们发现，通过矩阵，德国银行系统的双边风险敞口网络具有最小密度，保留了一些约束条件。然而，如果交叉熵方法高估了网络密度，从而低估了系统风险，Anand et al.（2015）表明，出于同样的原因，最小密度返回正偏差估计。

因此，这两种方法可以联合使用，以创建一条真正的系统性风险应该存在的走廊。我们感谢匿名推荐人的建议。在所有的手稿中，我们交替使用术语“网络”和“图形”。因此，我们的数据集与Duarte和Eisenbach（2013）采用的数据集非常相似，但它来自更大的银行样本，因为商业银行比银行控股公司数量更多。所有数据可从以下网址获得：https://cdr.ffiec.gov/public/introduced当部分信息可用时，最大熵方法在评估因零售溢出而产生的系统性风险时非常准确。本文的贡献分为两个主要部分。首先，在学术机构和中央银行的研究人员使用了大量不同的方法（见Sheldon和Maurer，1998；Upper和Worms，2004；Wells，2004；Mistrulli，2011；Sachs，2014）之后，我们重建了投资组合持有矩阵，从而从最初的猜测中最小化交叉熵（或Kullback-Leibler散度）。尽管这种方法通常被称为最大熵或矩阵平衡，为了避免与下文讨论的不同方法混淆，我们将其称为交叉熵方法。Weshow该方法在我们的案例中做得很好，提供了Greenwood et al.（2015）定义的系统性风险指标的无偏估计。此外，我们还证明了重构矩阵与CapitalAsset定价模型所隐含的矩阵相对应，因此它具有明确的经济意义。其次，我们将交叉熵与熵最大化的不同方法进行了比较，这种方法允许通过在适当的约束条件下最大化熵来定义图（集合）的概率质量函数，其中一些平均量与数据中观察到的量相等。

尽管这种方法的经济直觉不如前一种方法敏锐，但该方法在文献中广泛存在，并允许执行场景生成。我们提出了一个新的集合，称为MECAPM，它（i）满足一组经济动机的约束，（ii）与之前提出的交叉熵方法表现出平均水平，以及（iii）允许场景生成，可能有助于监管部门测试ifa特定机构相对于过去提高了其系统性。我们的论文结构如下。第2节介绍了一些术语，并简要描述了Greenwood et al.（2015）的风险指标。第3节讨论了FFIEC提供的美国商业银行数据集。在第4节中，我们介绍了交叉熵方法，并展示了它在系统风险估计中的性能。在第5节中，我们将交叉熵方法与导出图的概率分布的最大熵方法进行了比较。除其他外，这对于引入中央银行和其他监管机构监管活动的统计测试非常有用。最后，第6节总结了本文的主要贡献。附录提供了有关银行投资组合持有量数据集构建的其他信息，以及正文中省略的所有分析计算。2系统性风险指标：脆弱性和系统性在本文中，我们使用了Greenwood等人（2015）最近引入的一些因零售导致的系统性风险指标。他们认为这是一个由N家银行和K个资产类别组成的系统。投资组合持有量由N×Kmatrix X描述，其元素Xn，kis是N银行扣留的k类资产的美元金额。