2012年-IMF国际货币组织全球_Systemic_Risk_and_Asymmetric_Responses_in_the_Financial_Industry_38页_1mb

总结：系统性风险与金融行业的非对称反应

核心内容

本论文探讨了系统性风险的衡量方法，特别是对金融体系在面对个体银行市场价值波动时的非对称反应。作者提出了一种对称性CoVaR（Conditional Value at Risk）模型的扩展，即非对称CoVaR模型，以更好地捕捉系统性风险在正负市场冲击下的不同表现。

主要观点

• 系统性风险的非对称性：金融体系对个体银行的负面冲击比正面冲击更敏感，特别是在市场下行期间，个体银行市场价值的下降对系统性风险的影响远大于其上升的影响。
• 对称性模型的局限性：传统的对称性CoVaR模型假设系统性风险与个体银行的市场价值变化成线性关系，忽略了非线性尾部相关性，导致系统性风险估计的偏差。
• 非对称模型的优势：非对称CoVaR模型通过引入正负冲击的非线性关系，能够更准确地衡量系统性风险，并提供更好的模型拟合效果。
• 规模效应：系统性风险的低估程度与银行规模密切相关，大型银行的非对称性影响更显著，进一步支持了“太大而不能倒”（Too Big to Fail, TBTI）的假设。
• 尾部相关性：研究发现，对于处于市场价值损失顶端的银行，其对系统性风险的贡献在尾部条件下的估计值比底部的银行高出约5.4倍，而传统模型的无条件估计仅高出2.2倍。

关键信息

1. CoVaR模型简介

• CoVaR是一种衡量系统性风险的双边方法，用于评估在某个个体银行处于特定风险水平时，整个金融体系的条件风险。
• 公式表示为：
  $$
  CoVaR_{t}^{S|i}(\tau,\tau^) = \min_{z \in \mathbb{R}} \Pr\left(X_{t,S} \leq z | X_{t,i} = VaR_{\tau^,t}^{i}\right) \geq \tau
  $$
• 在对称模型中，系统性风险的边际贡献（ΔCoVaR）定义为：
  $$
  \Delta CoVaR_{t}^{S|i}(\tau) = CoVaR_{t}^{S|i}(\tau,\tau) - CoVaR_{t}^{S|i}(\tau, 0.5)
  $$

2. 非对称CoVaR模型

• 非对称模型通过引入正负冲击的非线性关系，改进了系统性风险的估计。
• 模型设定为：
  $$
  X_{t,S} = \alpha + \mathbf{M}{t-1}' \boldsymbol{\gamma} + \delta{1,i} X_{t,i}^{-} + \delta_{2,i} X_{t,i}^{+} + \sigma_t \eta_t
  $$
• 其中，$X_{t,i}^{-}$ 和 $X_{t,i}^{+}$ 分别表示个体银行的负向和正向收益，用于捕捉不对称的尾部相关性。

3. 实证结果

• 对称模型低估了系统性风险，尤其是对大型银行而言，偏差更大。
• 非对称模型在样本拟合和估计精度方面优于对称模型，尤其是在捕捉尾部风险传播方面。
• 金融体系在面对个体银行的负面冲击时，尾部相关性显著增强，这种非对称性可能源于市场信心的崩溃、资产抛售以及监管资本要求的非线性特征。

4. 模型估计与推断

• 非对称模型的参数估计基于线性分位数回归方法，该方法在标准条件下能够提供一致的估计。
• 通过Wald检验，可以正式检验非对称性是否存在。
• 模型中的参数如$\delta^{-}(\tau)$和$\delta^{+}(\tau)$分别代表系统性风险在负向和正向冲击下的响应。

5. 尾部相关性与市场波动

• 非对称模型考虑了系统性风险在不同市场状态下的非线性变化，特别是负向冲击对市场波动的影响更为显著。
• 金融市场的波动性（如VIX指数）也表现出非对称性，即负面冲击引发的波动更大，这进一步支持了非对称模型的合理性。

结论

• 忽略系统性风险的非对称性会导致对风险的严重低估，特别是在市场下行时。
• 非对称CoVaR模型在捕捉尾部风险传播方面更具优势，能够更准确地评估个体银行对系统性风险的贡献。
• 非对称模型的引入不仅提高了风险评估的精度，还为监管政策提供了更坚实的理论基础。

附录：数据与模型结构

• 样本数据：涵盖1990-2010年美国银行的数据，包括银行持有公司（BHCs）和商业银行（CBs）。
• 变量定义：使用市场价值总资产的增长率作为收益指标，同时考虑了其他经济和金融状态变量。
• 模型结构：非对称模型将系统性风险的条件分位数函数定义为个体银行收益的非线性函数，即：
  $$
  Q_{X_{t,S}}(\tau|\boldsymbol{\Omega}_t) = \boldsymbol{\Omega}_t' \boldsymbol{\theta}(\tau)
  $$
• 参数估计：采用线性分位数回归方法，通过最小化分位数损失函数进行估计。

重要参考文献

• Adrian, T. and Brunnermeier, M. K. (2011) 提出了对称性CoVaR模型。
• Longin, F. and Solnik, B. (2001) 和 Andersen, T. G. 等（2012）研究了资产回报之间的非对称尾部相关性。
• McQueen, G. and Vorkink, K. (2004) 和 Berkelaar, A. P. 和 Kouwenberg, R. (2009) 讨论了非对称性可能源于监管资本要求和市场行为。