2014年-IMF国际货币组织全球_Centrality_40页_714kb

报告摘要

总结：基于中心性的资本分配

核心内容

本文探讨了基于银行间网络中心性指标的资本分配方法，旨在通过优化资本配置来减少系统性风险和预期破产成本。研究使用了德国详尽的信贷登记数据，构建了一个包含信用风险和传染效应的模型，评估不同资本分配策略对系统性损失的影响。

主要观点

系统性风险的来源：
- 相关信用暴露：银行的资产负债表可能因宏观经济或行业冲击而同时受到影响，导致系统性损失。
- 银行间连通性：银行之间的相互借贷关系可能引发传染效应，尤其是在尾部风险事件中。
资本分配方法：
- 基准案例：资本分配基于银行自身的风险加权资产。
- 网络中心性分配：资本分配部分基于银行在网络中的中心性指标，如度数、接近度、特征向量中心性等。
网络中心性指标的比较：
- 特征向量中心性：在所有网络中心性指标中表现最优，能显著减少系统性损失（约减少15%）。
- 接近度中心性：次优指标，效果略逊于特征向量中心性。
- 其他指标：包括度数、中介中心性、以及银行负债数量与系统负债的结合指标，但影响较小。
模型方法：
- 使用了CreditMetrics模型来模拟信用风险，结合了系统性因子和异质性因子。
- 引入了破产成本和资产抛售外部性，以更准确地衡量传染效应。
- 模拟了银行在不同信用评级下的收益变化，并考虑了不同信用评级迁移的概率。
数据来源：
- 德国信贷登记（记录超过150万欧元的双边借贷关系）。
- 贷款数据（包括大额贷款和小额贷款）。
- 资产负债表数据、市场数据和评级迁移数据。
政策意义：
- 网络结构对系统性风险具有重要影响，监管者应考虑网络中心性指标以优化资本配置。
- 系统性重要金融机构（SIFIs）的资本要求应与它们在网络中的中心性相关联。
- 该研究为宏观审慎监管提供了一个可行的框架。

关键信息

资本分配目标：在保持系统总资本不变的前提下，通过网络中心性指标优化资本配置，以最小化系统性损失。
数据特征：
- 德国银行间网络包含1764个节点和22,752条边，网络密度仅为0.7%。
- 使用了S&P评级体系（包括16个评级等级和一个“垃圾”类别）。
模型创新点：
- 首次在大规模银行系统中引入相关信用损失和破产的模拟。
- 结合了信用风险模型和传染效应模型，以更全面地评估系统性风险。
结果：
- 特征向量中心性在减少系统性损失方面表现最佳，接近度次之。
- 网络中心性指标比单纯基于银行规模的资本分配更有效。
- 破产成本是衡量系统性损失的关键指标，代表了社会无谓损失。

方法论

信用风险模型：
- 基于CreditMetrics模型，模拟系统性因子和异质性因子对信用风险的影响。
- 使用阈值模型将资产回报映射为信用评级迁移。
- 计算每笔贷款的预期回报，考虑信用评级迁移和违约损失率（LGD）。
网络中心性指标：
- 度数：银行的入度和出度，衡量其借贷关系的数量。
- 接近度：衡量银行在网络中与其他银行的接近程度。
- 特征向量中心性：基于银行邻居的重要性来衡量其自身的重要性。
- 中介中心性：衡量银行在网络中作为最短路径中介的频率。
- 网络密度：银行间网络的稀疏性是其典型特征。
传染效应建模：
- 基于Eisenberg和Noe（2001）的清算机制，扩展为包含破产成本和资产抛售外部性的模型。
- 模拟了在系统性冲击下，银行间的违约和损失传播过程。