2013年-IMF国际货币组织全球_Modeling_Banking_Sovereign_and_Macro_Risk_in_a_CCA_Global_VAR_62页_1mb

报告摘要

总结：Modeling Banking, Sovereign, and Macro Risk in a CCA Global VAR

核心内容

本论文提出了一种结合银行、主权和宏观风险的综合模型框架，即 CCA-GVAR（Contingent Claims Analysis - Global Vector Autoregression）模型，用于分析15个欧洲国家和美国之间的金融和经济风险互动。该模型利用了前瞻性的 CCA（Contingent Claims Analysis）风险指标，结合GVAR（Global Vector Autoregression）模型，以研究风险冲击的传播效应和政策应对。

主要观点

模型目的：建立一个能够分析银行、主权、企业部门风险以及实际经济活动和信贷增长之间相互作用的框架。
方法论：
- 使用 CCA 构建风险指标，包括银行、企业、主权的 预期损失率（EL）、信用利差（CDS） 和 违约概率（EDF）。
- 通过 GVAR 模型 将这些风险指标与宏观经济变量（如 GDP 增长、信贷增长）结合起来，实现跨部门和跨国家的内生互动分析。
风险指标特性：
- CCA 指标是前瞻性、非线性的，基于资产价值、股权波动性、风险偏好等因素。
- 银行的 CCA 风险指标可以转换为信用利差（fair value spread），并反映其真实风险水平。
- 主权的 CCA 风险指标基于市场 CDS 利差，考虑了政府担保对利差的影响。
模型结构：
- GVAR 模型包含 16 个国家和 53 家银行（41 欧盟 + 12 美国）。
- 每个国家的模型包含本地变量（$y_{it}$）和加权的外国变量（$y_{it}^*$）。
- 模型通过估计权重矩阵，将不同国家和部门的变量联系起来。
政策应用：
- 通过模拟正负冲击情景，分析风险对经济的影响。
- 识别可缓解银行系统、主权信用风险和经济衰退风险的政策，如增加银行资本、购买主权债务、提供担保等。

关键信息

一、模型组成部分

银行 CCA 风险指标：
- 包括预期损失率（$EL_b$）、违约概率（EDF）、信用利差（FVCDS）。
- 银行 CCA 模型基于资产价值、股权波动性、债务价值和风险偏好。
- 银行 CDS 利差通常被政府担保所扭曲，而 FVCDS（公平价值 CDS）更接近真实风险水平。
企业 CCA 风险指标：
- 与银行类似，企业部门的 CCA 指标包括预期损失率（$EL_c$）和信用利差（FVCDS）。
- 这些指标可以用于分析企业信用风险对宏观经济的影响。
主权 CCA 风险指标：
- 使用市场 CDS 利差作为主权信用风险的代理指标。
- 通过公式将 CDS 利差转换为预期损失率（$EL_{sov}$）。
- 公式如下：
  $$
  EL_{sov} = 1 - \exp \left(- \left(CDS_{sov} / 10000\right) T \right)
  $$
  $$
  CDS_{sov} = 10000 * \left[ - \frac{1}{T} \ln \left(1 - EL_{sov} \right) \right]
  $$

二、模型结构与方法

GVAR 模型：
- 用于分析宏观变量和金融风险之间的相互作用。
- 模型包含 5 个变量：银行 CCA 风险、主权 CCA 风险、企业 CCA 风险、GDP 增长和信贷增长。
- 每个国家的模型形式如下：
  $$
  y_{it} = a_{i0} + a_{i1} t + \sum_{p=1}^{P} \Phi_{ip} y_{i, t-p} + \sum_{q=0}^{Q} \Lambda_{iq} y_{i, t-q}^* + \Psi d_t + \varepsilon_{it}
  $$
- 权重矩阵（$ \Lambda $）用于衡量不同国家变量之间的联系，这些权重是通过内生方法估计的，而非依赖外部数据。
模拟与分析：
- 使用 2002 年 1 月至 2012 年 12 月的月度数据进行模型估计。
- 模拟了四种冲击情景，包括对意大利和西班牙的主权和银行系统的正负冲击。
- 模型输出用于计算银行和主权的损失率变化、资本变化和经济影响。

三、政策建议

识别出可能缓解风险的政策包括：
- 增加银行资本。
- 政府购买主权债务。
- 提供银行高级债务担保。
- 其他公共机构对主权的担保。
模型可用于评估政策之间的权衡，如流动性注入、资本补充、债务购买等。

模型优势与创新

前瞻性：CCA 指标是基于市场数据和资产价值的前瞻性风险衡量方法。
非线性：模型能够捕捉银行、企业、主权之间复杂的非线性风险传递机制。
跨部门与跨国家：通过 GVAR 模型，实现宏观变量与金融风险指标之间的全面内生联系。
政策分析工具：模型不仅用于风险分析，还用于政策模拟和评估。

附录与数据

附录 I：详细描述了 CCA 框架，包括 Merton 模型和 Moody’s 模型。
附录 II：提供了权重矩阵的估计结果。
附录 III：包含 CCA-GVAR 模型的输入数据。
附录 IV–VII：展示了不同情景下的冲击响应、累积响应和显著性分析。
表格与图表：
- 表格 1：展示了四种冲击情景。
- 表格 2：列出了风险缓解政策。
- 图表 1：展示了 CCA-GVAR 模型框架。
- 图表 2：展示了典型银行的 CCA 指标与预期损失率之间的非线性关系。
- 图表 3：比较了主权评级、利差和 EDF 之间的关系。