BIS国际清算银行-Measuring-contagion-risk-in-international-banking_40页_678kb

报告摘要

总结：国际银行业传染风险的测量

核心内容

本文提出了一种新的方法，用于衡量国际银行体系中的传染风险。该方法结合了市场数据（如CDS spreads）和银行间多层网络的结构信息，以更全面地捕捉金融系统的非线性关系和风险传播路径。通过引入张量分解技术，该方法能够从多层网络中提取邻接矩阵，并基于此开发一种新的网络中心性度量，以评估银行系统的信用风险和资金风险。

主要观点

全球金融系统的高度互联性 使得金融压力可能迅速跨境扩散，因此，准确测量系统性风险对于维护金融稳定至关重要。
现有文献中，系统性风险的测量方法主要包括：基于双边暴露的统计方法、基于市场数据（如CDS spreads）的方法、以及基于模拟的路径分析方法。然而，这些方法在实际应用中存在局限性，特别是市场数据与双边暴露数据难以匹配。
本文提出的方法融合了市场数据和双边暴露数据，通过张量分解技术提取多层网络的结构信息，并构建了一个能够解释传染路径的网络中心性度量。
多层网络能够描述银行体系与非银行私人部门、官方部门之间的多维关系，从而更好地反映金融系统的复杂性。
本文提出的网络修改CDS spreads模型基于Alpha-centrality概念，能够捕捉传染在不同维度上的传播效应，并通过随机游走机制模拟传染过程。

关键信息

数据与方法

使用BIS国际银行业统计数据构建23个国家的多层网络，涵盖三种类型：银行部门、非银行私人部门、官方部门。
通过张量分解方法提取邻接矩阵，并构建hub score（中心性）和authority score（权威性）以及type score（类型权重）。
张量分解模型基于Markov链的理论，将多维关系的概率分布分解为三个独立的得分：hub、authority和type。
基于这些得分，构建了多维CDS spreads预测模型，考虑了传染在不同部门的传播路径。

模型结构

Alpha-centrality模型用于计算网络修改后的CDS spreads，其公式为：

$$
\mathbf{S B} = \mathbf{c} + \mathbf{c}^b \sum_{\mu=1}^{\Delta} \beta^{b,\mu} \mathbf{M}^{\mu} + \mathbf{c}^b \beta^o \mathbf{M} + \mathbf{c}^b \beta^p \mathbf{M}
$$

$$
\mathbf{S L} = \mathbf{c} + \mathbf{c}^b \sum_{\mu=1}^{\Delta} \beta^{b,\mu} \left(\mathbf{M}^T\right)^{\mu} + \mathbf{c}^o \beta^o \mathbf{M}^T + \mathbf{c}^p \beta^p \mathbf{M}^T
$$
模型中引入了传染概率参数$\alpha$，其与type score相关，用于量化不同金融关系类型对传染的贡献。
通过设定$\beta = \alpha / \lambda_1(\mathbf{M})$，确保模型收敛。

预测分析

本文验证了所提出方法的预测能力，通过比较仅使用历史CDS spreads与结合多层网络信息的预测结果。
使用CP分解方法对张量进行分解，以预测下一期的CDS spreads。
结果表明，基于多层网络的非线性模型在预测CDS spreads和危机事件方面优于传统的线性模型。

风险度量

通过模型计算预期信用损失和预期资金损失，分别对应于贷款方和借款方：
$$
E L_i^L = E \sum_j \mathbf{M}{ij}^T SL_i
$$
$$
E L_i^B = E \sum_j \mathbf{M}{ij} SB_i
$$
预期损失指标能够提供关于银行系统整体风险（包括信用风险和资金风险）的直观评估。