2017年-BIS国际清算银行_Multiplex_interbank_networks_and_systemic_importance_-_An_application_to_European_data_38页_3mb

总结：Multiplex Interbank Networks and Systemic Importance - An Application to European Data

核心内容

本文探讨了多层（Multiplex）银行间网络对系统性重要性的贡献，并以欧洲大型银行的数据为案例，分析了这种复杂网络结构对金融稳定的影响。研究指出，传统的单层网络分析方法无法充分反映银行间复杂的关系网络，因此提出了基于多层结构的系统性重要性衡量方法，以更精确地识别系统性风险的关键节点。

主要观点

• 银行间网络的复杂性：银行间的信用关系和资金流动不仅仅局限于单一类型（如无担保隔夜贷款），而是由多种类型和期限构成的多层网络，这种结构被称为multiplexity。
• 系统性重要性分解：通过多层网络分析，可以将系统性重要性指数分解为各子网络的贡献，从而更细致地识别银行在不同层面上的重要性。
• 多层网络的相似性：各层网络之间存在高度相似性，这可能源于它们共享相同的结构特征，如核心-边缘结构。
• 政策应用价值：该方法为银行监管者和监督者提供了一个工具，以识别特定政策下银行的系统性重要性，并制定更精准的政策响应。
• 现有文献的局限性：传统研究通常使用单一层次的数据，忽略了多层结构的复杂性，导致对系统性风险的分析不够全面。

关键信息

数据基础

• 使用了欧洲大型银行间信用关系和资金流动数据，该数据按工具类型和期限细分，提供了足够的粒度。
• 数据最初由Alves et al. (2013) 引入，本文在此基础上进行多层网络分析。

方法论

• 基于输入-输出模型（Input-Output approach），构建了系统性重要性的衡量指标。
• 提出了两个核心指标：
  • 向后关联指数（Backward Linkage Index）：衡量银行在非银行资产受到冲击时对整个系统的间接影响。
  • 向前关联指数（Forward Linkage Index）：衡量银行对非银行资金来源的依赖程度及其对系统的影响。

指标公式

• 向后关联指数：$ h_{b_j} \equiv \mathbf{i}' \mathbf{B} \mathbf{i}_j $
• 向前关联指数：$ h_{f_j} \equiv \mathbf{i}_j' \mathbf{G} \mathbf{i} $

系统性重要性分类

理论与方法对比

• 本文方法基于会计表示，而非理论模型，因此不依赖于特定的假设。
• 与DebtRank等方法相比，本文方法更注重实际数据的结构，而非动态反应函数。
• 本文方法强调所有间接连接，而不仅仅是前几轮的直接影响。

网络结构特征

• 核心-边缘结构：银行间网络存在明显的核心银行和边缘银行，这种结构在多层网络中也保持一致。
• 低密度与高聚类：银行间网络整体上具有低密度和高聚类系数，与随机网络相比更具结构特征。
• 非对称性：不同层面上的网络结构存在差异，如资产类别对核心-边缘结构的影响。

政策意义

• 系统性重要性可能因不同层面上的网络结构而有所不同。
• 在制定政策时，应考虑不同活动的重要性，并区分宏观层面和微观层面的系统性风险。
• 本文方法为监管者提供了一种更细致的系统性风险评估工具，有助于识别哪些银行在特定政策下更关键。

结论

本文通过引入多层网络分析，揭示了银行间网络的复杂性，并提出了基于多层结构的系统性重要性衡量方法。这些方法能够更准确地识别关键银行，并为政策制定提供支持。此外，研究强调了数据的结构在评估系统性风险中的核心作用，而不是依赖于特定的理论模型。