2015年-ECB欧洲央行_Letter_from_the_ECB_President_to_Mr_Jonás_Fernández_MEP_on_the_provision_of_emergency_liquidity_assistance_ELA_50页_999kb

总结：欧洲银行业系统性风险排名与网络中心性分析

核心内容

本文提出了一种基于公开数据计算欧洲银行业系统性风险排名的新方法，称为 BMA-LOESS 模型（Bayesian Model Averaging of Locally Weighted Regression）。该模型结合了金融网络结构和多种系统性风险因素，以评估银行在不同经济周期阶段的系统性重要性。

主要观点

• 系统性风险的测量：系统性风险的评估已成为宏观审慎监管的重要组成部分，强调对整个金融系统而非单个机构的监管。
• 网络结构的重要性：通过分析银行之间的网络连接性（如度数、接近度和中介中心性），可以识别出对系统稳定性影响最大的金融机构。
• BMA-LOESS 方法：该方法结合了贝叶斯模型平均（BMA）和局部加权回归（LOESS），用于处理模型不确定性并捕捉不同经济状态下的异质效应。
• 风险因素分类：模型中包括了四类系统性风险因素：宏观经济因素、主权风险因素、房地产价格风险因素和金融部门特定风险因素。
• 模型评估：BMA-LOESS 模型在条件外样本预测中表现优于传统的线性贝叶斯多因子模型，使用 Diebold-Mariano 统计、PC 比率和 RMSFE 统计进行验证。

关键信息

数据来源与处理

• 样本范围：2005 年第二季度至 2012 年第三季度。
• 银行样本：最终包含来自 13 个国家的 34 家银行，基于欧洲银行管理局的应激测试数据。
• 风险因素：
  • 宏观经济块：包括通货膨胀、工业生产、3 个月 EURIBOR、市场指数、Vstoxx 指数和 Itraxx 指数。
  • 主权块：使用 13 个国家的 10 年期政府债券收益率（对数形式）。
  • 房地产块：使用 ECB 提供的欧盟房地产价格指数（对数形式）。
  • 金融块：包括 EONIA-EURIBOR 利差和 ITraxx 欧洲金融部门指数（与 Itraxx 指数正交化处理）。

方法论

• LOESS 技术：用于在特定经济状态下对银行风险暴露进行条件估计。通过选择最近的观测值并使用三立方权重函数对数据进行加权。
• 贝叶斯模型平均（BMA）：考虑所有可能的变量组合，通过后验模型概率加权平均参数估计，以减少模型选择的不确定性。
• 系统性风险矩阵：通过 BMA 分析得到的 Interconnectedness Matrix，表示每家银行对其他银行的影响概率。
• 模型比较：BMA-LOESS 模型在条件外样本预测中优于传统线性贝叶斯多因子模型，具有更高的预测精度。

实证应用

• 网络中心性指标：通过计算度数、接近度和中介中心性，识别出对系统稳定性影响最大的银行。
• 风险因素演变分析：模型参数估计可追踪特定风险因素或风险因素块在不同时间点的重要性变化。
• 政策意义：该模型为监管者提供了一种基于网络结构和风险因素的系统性风险评估工具，有助于在金融危机期间进行更有效的监管决策。

模型优势

• 处理模型不确定性：通过 BMA 考虑所有可能的变量组合，提高模型的稳健性。
• 捕捉异质效应：LOESS 使模型能够根据不同的经济状态调整参数估计。
• 结合网络结构：将银行间的相互影响纳入系统性风险评估，增强对系统性风险的理解和预测能力。

结论

本文提出的 BMA-LOESS 模型不仅能够有效识别系统性风险最高的金融机构，还能追踪风险因素随时间的变化，并在不同经济状态下提供更准确的预测。该方法为宏观审慎监管提供了新的分析工具，有助于提升金融系统的稳定性。