[论文解读] Reconstruction of financial network for robust estimation of systemic risk

Iacopo Mastromatteo, Elia Zarinelli+1 more|arXiv (Cornell University)|Sep 28, 2011

Complex Systems and Time Series Analysis被引用 3

一句话总结

本文提出一种消息传递算法，通过从不完整数据中重构稀疏金融网络，解决了最大熵（ME）方法的关键缺陷：该方法假设网络完全连通且同质，因而低估了系统性风险。通过采样符合稀疏性和异质性的合理网络拓扑，该方法实现了更精确的压力测试，并识别出最脆弱（最坏情况）的网络结构，显著提升了仅使用ME方法时的系统性风险估计效果。

ABSTRACT

In this paper we estimate the propagation of liquidity shocks through interbank markets when the information about the underlying credit network is incomplete. We show that techniques such as Maximum Entropy currently used to reconstruct credit networks severely underestimate the risk of contagion by assuming a trivial (fully connected) topology, a type of network structure which can be very different from the one empirically observed. We propose an efficient message-passing algorithm to explore the space of possible network structures, and show that a correct estimation of the network degree of connectedness leads to more reliable estimations for systemic risk. Such algorithm is also able to produce maximally fragile structures, providing a practical upper bound for the risk of contagion when the actual network structure is unknown. We test our algorithm on ensembles of synthetic data encoding some features of real financial networks (sparsity and heterogeneity), finding that more accurate estimations of risk can be achieved. Finally we find that this algorithm can be used to control the amount of information regulators need to require from banks in order to sufficiently constrain the reconstruction of financial networks.

研究动机与目标

• 解决最大熵（ME）方法在金融网络重构中的局限性，该方法假设网络完全连通且同质，因而低估了系统性风险。
• 开发一种高效算法，在不完整数据条件下采样可能的网络结构空间，同时尊重稀疏性和异质性。
• 提供一个稳健的系统性风险估计框架，考虑银行间信用网络中的拓扑不确定性。
• 在真实网络未知的情况下，识别最坏情况的网络结构（即最脆弱结构）以用于压力测试。
• 量化监管阈值如何影响网络重构和风险估计的可靠性。

提出的方法

• 使用消息传递算法高效探索不完整数据下的可能网络结构空间，避免穷举搜索的计算不可行性。
• 通过施加行和列和（外强度和内强度）以及已知条目约束，定义负债矩阵的可行解空间。
• 用考虑网络拓扑的重构方法替代ME方法中对暴露均匀分布的假设，以尊重经验观察到的稀疏性和异质性。
• 采用变分方法采样典型和极端网络构型，包括最稀疏（最脆弱）结构。
• 通过模拟不同重构网络拓扑下的违约级联过程，实施压力测试以评估系统性风险。
• 通过解空间的熵（作为监管阈值θ的函数）量化重构中的不确定性。

实验结果

研究问题

• RQ1 最大熵重构中假设网络完全连通，会对银行间网络的系统性风险估计产生何种影响？
• RQ2 消息传递算法能否在尊重稀疏性和异质性的前提下，高效地从不完整数据中采样合理的网络拓扑？
• RQ3 网络拓扑（尤其是稀疏性）对金融系统抵御传染风险的韧性有何影响？
• RQ4 监管机构如何设定最优阈值θ以最小化网络重构和风险评估中的不确定性？
• RQ5 从不完整数据中可能产生的最坏情况（最脆弱）网络结构是什么？如何识别该结构？

主要发现

• 最大熵方法严重低估了系统性风险，因为它假设网络完全连通，而这一假设与经验观察到的稀疏且异质的金融网络不一致。
• 所提出的消息传递算法通过重构尊重真实银行间暴露稀疏性和异质性的网络，实现了更准确的系统性风险估计。
• 在合成网络上的压力测试表明，当强制实施稀疏性时，风险估计显著改善，当使用正确支持时，违约银行比例与真实网络高度一致。
• 该算法能够生成最稀疏（因而最脆弱）的网络结构，为在缺乏完整数据时提供系统性风险的实用上限。
• 解空间的熵随监管阈值θ降低而减小，表明重构不确定性降低，且最大稀疏度λmax(θ)是θ的递减函数。
• 该方法为监管机构提供了一个定量框架，用于评估为充分约束网络重构并确保可靠风险估计所需的信息披露程度（通过θ衡量）。