2007年-BIS国际清算银行_Using_counterfactual_simulations_to_assess_the_danger_of_contagion_in_interbank_markets_24页_124kb

总结：使用反事实模拟评估银行间市场中的传染风险

核心内容

本文探讨了使用反事实模拟来评估银行间市场中传染风险的方法，并分析了这些模拟所依赖的建模假设及其局限性。作者指出，尽管反事实模拟表明传染性违约在某些国家可能较为罕见，但一旦发生，可能对整个银行体系造成重大破坏，带来高昂的社会成本。然而，这些模拟结果可能受到建模假设的影响，因此需要谨慎解读。

主要观点

• 传染风险的重要性：由于金融危机带来的巨大社会成本，监管机构和央行越来越关注传染风险，尤其是在银行间贷款市场中。
• 反事实模拟的应用：反事实模拟是一种有效工具，允许研究人员自由设定情景，而不受历史事件的限制，从而评估不同银行违约对整个系统的影响。
• 模拟方法的局限性：目前的模拟缺乏行为基础，难以用于压力测试或政策分析，且建模假设可能导致结果偏差。
• 传染风险的触发机制：传染风险可能由个体银行的违约（idiosyncratic shocks）或整体市场冲击（aggregate shocks）引发，但本文主要关注银行间贷款导致的直接传染。

关键信息

1. 模拟方法

• 构建银行间负债矩阵：反事实模拟的核心在于构建一个反映银行间信用暴露的矩阵 $X$，其中 $x_{ij}$ 表示银行 $i$ 对银行 $j$ 的信用暴露。
• 数据来源：
  • 信用登记数据：在一些国家（如意大利、匈牙利、墨西哥）可以获取完整的双边信用暴露数据。
  • 资产负债表数据：通常只能提供总贷款和借款数据，但可以通过最大熵（ME）方法推断双边暴露。
  • 支付数据：可用于估算短期暴露，但受数据标准化和支付系统结构的影响。

2. 模拟流程

• 传染模拟算法：通常采用逐轮（round-by-round）算法，假设某一银行违约后，计算其对其他银行的损失，判断是否触发进一步违约。
• 损失给违约（LGD）参数：LGD 参数是决定传染是否发生的关键因素，不同国家和情境下该参数可能有较大差异。
• 净暴露 vs. 毛暴露：净暴露的使用可以显著降低传染风险的估计值，但其效果因国家和模型设定而异。
• 抵押品与回收率：抵押品的价值、回收率的时间路径及折现率对模拟结果有重要影响，但数据的缺乏限制了这些因素的建模深度。

3. 传染风险的触发机制

• 个体银行违约：大多数研究集中在单个银行违约对系统的影响，模拟结果显示传染风险在某些情况下可能非常严重。
• 整体市场冲击：系统性冲击可能对整个银行体系造成更大影响，但相关研究较少。
• 破产与流动性：破产与流动性危机可能相互关联，但当前模型在区分两者方面存在不足。

4. 模拟的可靠性与适用性

• 准确性问题：模拟结果可能受到建模假设的影响，特别是LGD的设定、净暴露的使用以及抵押品价值的不确定性。
• 潜在用途：反事实模拟可用于评估传染风险的范围和严重程度，但其在政策制定和压力测试中的应用仍有限。
• 未来研究方向：需要进一步研究如何为不同情景分配概率，以及建立更扎实的微观基础模型。

结论与建议

• 传染风险的潜在影响：尽管传染性违约较为罕见，但一旦发生，可能对银行体系造成重大破坏。
• 建模假设的挑战：当前模型缺乏行为基础，且对LGD的设定过于简化，可能影响结果的准确性。
• 数据限制：不同国家的数据可得性差异较大，影响模拟的全面性和可靠性。
• 进一步研究的必要性：为了提高反事实模拟的实用性，需要更深入地研究模型的微观基础和参数设定的合理性。

关键术语

• Contagion（传染）：一个银行的失败对其他银行造成连锁影响。
• Idiosyncratic shocks（个体性冲击）：单个银行的特定风险。
• Aggregate shocks（整体性冲击）：影响整个市场或系统的风险。
• LGD（Loss Given Default）：违约时的损失率。
• ME（Maximum Entropy）：一种用于推断双边暴露的统计方法。
• Systemic risk（系统性风险）：整个金融体系面临的风险。

图表简述

• 图1：显示了2005年6月底银行间贷款占银行总资产的百分比，突出了银行间贷款的重要性。
• 图2：总结了单个银行违约对整个银行体系的影响，展示了不同LGD下的损失比例。

参考文献

• Allen, F. and Gale, D. (2000)
• Cihák, M. (2007)
• Degryse, H. and Nguyen, T. (2007)
• Elsinger, H., Lehar, A. and Summer, M. (2006a, 2006b)
• Furfine, C. (2003)
• Freixas, X., Parigi, B. and Rochet, J.-C. (2000)
• Mistrulli, S. (2006)
• Upper, C. and Worms, H. (2004)
• Wells, M. (2002, 2004)
• Van Lelyveld, I. and Liedorp, F. (2006)

建议

• 更精确的LGD设定：应考虑不同银行和情景下的LGD差异。
• 更全面的数据整合：应结合多种数据源（如信用登记、资产负债表、支付数据）以提高模拟的准确性。
• 行为模型的引入：未来研究应考虑银行和政策制定者的行为反应，以增强模型的现实基础。