2012年-IMF国际货币组织全球_Systemic_Real_and_Financial_Risks_Measurement_Forecasting_and_Stress_Testing_41页_1017kb

总结：系统性实际与金融风险的测量、预测与压力测试

核心内容

本文提出了一种新的建模框架，用于系统性实际风险和系统性金融风险的测量、预测和压力测试。该模型结合了动态因子向量自回归（DFM）和分位数回归技术，以生成系统性风险指标的密度预测，并通过结构识别方法进行压力测试，以评估系统性风险指标对结构性冲击的敏感性。

主要观点

• 系统性风险的区分：模型区分了系统性实际风险和系统性金融风险，分别用GDP增长的预期损失（GDPES）和金融系统健康指标的预期损失（FSES）来衡量。
• 密度预测：通过分位数自回归模型（Quantile Auto-regressions）和动态因子模型（DFM）生成系统性风险指标的密度预测，从而更准确地捕捉尾部风险。
• 压力测试方法：压力测试基于结构识别方法，通过分析系统性风险指标对结构性冲击的冲击响应，提供早期预警信号。
• 模型优势：模型具有较高的预测能力，并且其压力测试方法比现有方法更具结构性和经济意义。

关键信息

模型结构

• 模型基于动态因子模型（DFM）和分位数回归技术，以生成系统性风险指标的密度预测。
• 系统性风险指标定义为：
  • GDPES：GDP增长在给定GDPaR（GDP-at-Risk）水平下的预期损失。
  • FSES：金融系统健康指标在给定FSaR（FS-at-Risk）水平下的预期损失。
• GDPaR和FSaR分别定义为在给定低概率水平下的最坏预测结果。

实现步骤

1. 因子与滞后选择：

   • 使用主成分分析提取静态因子，选择最优滞后数量以最大化贝叶斯信息准则（BIC）。
   • 每个国家的模型中，静态因子数量为5，滞后数量为1。

2. 分位数估计：

   • 使用分位数回归模型（7）和（8）对每个分位数进行估计。
   • 采用Chernozhukov等人（2010）提出的重排方法，避免分位数曲线交叉问题。

3. 密度估计与系统性风险指标构建：

   • 通过多项式回归方法，将离散分位数估计转换为连续密度函数。
   • 使用公式（11）和（12）计算预期损失（ES），作为系统性风险的衡量指标。

4. 多步预测：

   • 构建未来k个季度的分位数预测，进而计算k个季度后的GDPES和FSES预测。
   • 使用公式（13）和（14）进行分位数预测。

压力测试

• 压力测试通过分析系统性风险指标对结构性冲击的冲击响应来衡量其敏感性。
• 采用增强版的符号限制方法（Sign Restrictions）进行结构识别，结合宏观经济学和银行模型的理论。
• 识别的结构性冲击包括：
  • 总体供给冲击 + 银行信贷需求冲击
  • 总体供给冲击 + 银行信贷供给冲击
  • 总体需求冲击 + 银行信贷需求冲击
  • 总体需求冲击 + 银行信贷供给冲击
• 不同冲击组合下，GDP增长、通货膨胀、银行信贷增长和贷款利率的变化具有不同的符号特征。

实证结果

• 模型表现：模型在样本内和样本外均表现出良好的预测能力，特别是在尾部风险预测方面。
• 压力测试结果：压力测试能够提供关于实际和金融部门脆弱性的早期预警。
• 数据来源：使用1980Q1-2010Q1期间G-7国家的季度时间序列数据，所有数据均来自Datastream。

结论

本文提出的模型为系统性风险监测提供了一个灵活且有效的工具，能够结合动态因子模型和分位数回归技术，生成系统性风险指标的密度预测，并通过结构识别方法进行压力测试。该模型在预测尾部风险方面表现出色，能够为政策制定者提供有价值的早期预警信息。

附录与图表

• 附录：包括银行模型的简要描述，以及用于识别结构性冲击的变量分类。
• 图表：
  • 图1：美国的系统性风险扇形图（Fan Charts），显示在20%和5%概率水平下的GDPES和FSES预测。
  • 图2：美国GDP增长和FS指标的密度预测，对比了2008Q3（雷曼兄弟破产前）和2010Q3的预测结果，显示出危机对尾部风险的影响。
  • 图3和图4：G-7国家的多步预测结果。
  • 图5和图6：冲击响应和累积响应的比较。

关键术语

• 系统性风险：影响整个经济系统的风险，包括实际和金融领域。
• 动态因子模型（DFM）：用于捕捉经济变量之间的共同因素。
• 分位数回归：用于估计不同分位数下的变量关系。
• 预期损失（ES）：衡量在给定概率水平下的平均损失，比VaR更具一致性。
• 压力测试：评估系统性风险指标对结构性冲击的响应，以识别潜在脆弱性。