基于元胞自动机的影子银行风险传染效应模拟仿真分析
发布时间：2020-12-21 23:08
本文运用基于集合种群理论思想的元胞自动机方法(CA),分别选取2009年和2017年两个典型时点,在不同情景下模拟仿真影子银行风险在商业银行体系中的传染过程。研究结果表明:当央行不救助时,即使商业银行的风险传染率较低、风险抵御能力较强,在模拟期内风险迅速蔓延,风险大规模爆发仍然不可避免;当央行对风险感染银行进行无差异、高强度救助时,风险爆发的银行数量得以有效控制在较低水平;当央行实施差异化救助时,如果商业银行的风险抵御能力较高而央行救助率较低,风险爆发水平仍然较高,如果商业银行的风险抵御能力较低而央行救助率较高,风险爆发水平则会较低。上述研究结果表明,央行救助是阻断影子银行风险在商业银行体系中传染、扩散的关键要素,而微观审慎监管在应对风险传染方面的有效性不足。基于上述研究结论,中央银行对受影子银行风险感染的商业银行进行救助,应该在充分考虑市场主体道德风险因素的前提下及时采取高强度救助措施,以及时阻断风险蔓延;以贯彻执行《资管新规》为抓手,强化对影子银行通道类业务的监管;将影子银行纳入宏观审慎监管框架,防控影子银行风险向商业银行体系的传染,推进金融领域治理体系和治理能力现代化。
【文章来源】：南方金融. 2019年10期 北大核心
【文章页数】：11 页
【部分图文】：
二维元胞自动机的邻域类型
43PAGE10南方金融·总518期2019P4=0.1，央行只选择救助个别受风险感染的银行，其余银行只能自行吸收损失、化解风险。基于上述元胞自动机的参数设定，使用MatlabR2012b软件编制程序进行仿真。设置网格空间中的d为2000，即二维空间的元胞总数为2000×2000。初始感染的元胞设定为100，迭代次数为200次。表1显示了不同年份的参数设定情况。所有数据来源于银保监会年报数据和Wind数据库。表1元胞自动机模拟仿真核心参数设定时点模拟情景风险承担程度（P1）风险传染概率（P2）风险抵御能力（P3）央行救助强度（P4）2009年央行不救助0.01580.70110.1140央行救助无差异救助0.9差异化救助0.12017年央行不救助0.01740.55970.14230央行救助无差异救助0.9差异化救助0.1四、基于元胞自动机的模拟仿真结果分析（一）央行不救助的情景分析假设央行在2009年和2017年不实施救助，即P4=0，模拟影子银行风险在商业银行系统中传染的情况。从图2可以看出，尽管商业银行在两个时点的风险传染率和风险抵御能力存在较大差异，但风险爆发银行在整个模拟期的增速和数量却几乎相同。在模拟期结束时，两个时点的风险爆发银行数量均接近1800家，即大多数商业银行均受到风险传染，而且这些银行自身的风险抵御安排并没有奏效，从而最终使得风险爆发。这意味着一旦出现风险传染，在没有央行救助的情形下，无论商业银行的风险传染率和风险抵御能力高低与否，仍然难以避免大多数商业银行集中爆发风险这一极端情况出现。图2央行不救助情景下风险爆发银行数量变化趋势（二）央行实施救助的情景分析1．央行实施无差异救助的情景分析
南方金融·总518期2019PAGE4410在这种情景下，当商业银行被影子银行风险传染后，央行将对大多数受风险感染的银行实施救助（P4=0.9）。从图3可以看出，在整个模拟期，两个时点的风险爆发银行数量均低于10个，均值为3个左右，这对于2000个银行的总体数量而言，几乎可以忽略不计。此外，从图3可以看到，风险爆发银行的数量在模拟迭代期间几乎没有很大变化，而在图2中风险爆发银行数量却经历了指数级快速增长的过程。这表明在整个模拟迭代期内，央行采取无差异救助举措能够有效地控制商业银行体系的风险蔓延，佐证了央行高强度救助对维持金融稳定的重要性。图3央行实施无差异救助情景下风险爆发银行数量变化趋势2．央行实施差异化救助的情景分析央行虽然负有维护金融稳定的职责，但是对商业银行实施救助仍需考虑不同的经济周期环境。实际上，央行更关注的是对系统性风险的防控，这也是央行宏观审慎管理的重点和关键所在。因此，区分不同的经济周期环境、对央行救助率进行差异化设定，进而进行模拟分析是很有必要的。鉴于2009年的风险传染率高于2017年，将2009年和2017年的央行救助率分别设定为0.9和0.1，分析高传染率与高救助率、低传染率与低救助率两种情景下影子银行风险在商业银行中的传染态势及特点。从图4可以看出，2017年风险爆发银行的数量明显高于2009年的数量。2017年平均有220家银行出现风险爆发，占银行总数的10%左右，而2009年风险爆发的银行数量几乎为零。此外，在2017年的低感染率、低救助率情景下，商业银行被风险传染的速度在初期迅速增加，而在2009年的高感染率、高救助率情景下，商业银行被风险传染的速度始终保持几乎为零。与2017年相比，商业银行在2009年的风险抵御能力应该是相对较低的，然而2009年出现的风险爆发银行数量
【参考文献】：
期刊论文
[1]基于宏观审慎监管角度的影子银行风险溢出效应研究[J]. 黄晓雯. 南方经济. 2017(07)
[2]商业银行同业资产特性与风险承担行为——基于中国银行业动态面板系统GMM的实证分析[J]. 周再清,甘易,胡月. 国际金融研究. 2017(07)
[3]银行影子的发展及其运作模式探析[J]. 梁琪,涂晓枫. 金融论坛. 2017(04)
[4]商业银行同业业务风险传染特征及因素分析[J]. 王晓枫,廖凯亮. 东北财经大学学报. 2017(02)
[5]基于元胞蚂蚁算法的商业银行信用风险评估模型研究[J]. 王周缅. 上海金融. 2017(01)
[6]影子银行风险传染机制[J]. 汪玉凯,戴炜倬. 中国金融. 2016(24)
[7]时空双重维度的中国影子银行系统性风险模型建构与测算[J]. 冯建秀,张国祚. 新疆社会科学. 2016(03)
[8]我国商业银行的系统性风险测度及影响因素研究——基于CCA-POT-Copula方法的分析[J]. 王擎,白雪,牛锋. 当代经济科学. 2016(02)
[9]银行的影子:风险分担还是风险传染[J]. 涂晓枫,李政. 当代经济科学. 2016(02)
[10]影子银行及其交叉传染风险[J]. 方先明,谢雨菲. 经济学家. 2016(03)
本文编号：2930676
【文章来源】：南方金融. 2019年10期 北大核心
【文章页数】：11 页
【部分图文】：
二维元胞自动机的邻域类型
43PAGE10南方金融·总518期2019P4=0.1，央行只选择救助个别受风险感染的银行，其余银行只能自行吸收损失、化解风险。基于上述元胞自动机的参数设定，使用MatlabR2012b软件编制程序进行仿真。设置网格空间中的d为2000，即二维空间的元胞总数为2000×2000。初始感染的元胞设定为100，迭代次数为200次。表1显示了不同年份的参数设定情况。所有数据来源于银保监会年报数据和Wind数据库。表1元胞自动机模拟仿真核心参数设定时点模拟情景风险承担程度（P1）风险传染概率（P2）风险抵御能力（P3）央行救助强度（P4）2009年央行不救助0.01580.70110.1140央行救助无差异救助0.9差异化救助0.12017年央行不救助0.01740.55970.14230央行救助无差异救助0.9差异化救助0.1四、基于元胞自动机的模拟仿真结果分析（一）央行不救助的情景分析假设央行在2009年和2017年不实施救助，即P4=0，模拟影子银行风险在商业银行系统中传染的情况。从图2可以看出，尽管商业银行在两个时点的风险传染率和风险抵御能力存在较大差异，但风险爆发银行在整个模拟期的增速和数量却几乎相同。在模拟期结束时，两个时点的风险爆发银行数量均接近1800家，即大多数商业银行均受到风险传染，而且这些银行自身的风险抵御安排并没有奏效，从而最终使得风险爆发。这意味着一旦出现风险传染，在没有央行救助的情形下，无论商业银行的风险传染率和风险抵御能力高低与否，仍然难以避免大多数商业银行集中爆发风险这一极端情况出现。图2央行不救助情景下风险爆发银行数量变化趋势（二）央行实施救助的情景分析1．央行实施无差异救助的情景分析
南方金融·总518期2019PAGE4410在这种情景下，当商业银行被影子银行风险传染后，央行将对大多数受风险感染的银行实施救助（P4=0.9）。从图3可以看出，在整个模拟期，两个时点的风险爆发银行数量均低于10个，均值为3个左右，这对于2000个银行的总体数量而言，几乎可以忽略不计。此外，从图3可以看到，风险爆发银行的数量在模拟迭代期间几乎没有很大变化，而在图2中风险爆发银行数量却经历了指数级快速增长的过程。这表明在整个模拟迭代期内，央行采取无差异救助举措能够有效地控制商业银行体系的风险蔓延，佐证了央行高强度救助对维持金融稳定的重要性。图3央行实施无差异救助情景下风险爆发银行数量变化趋势2．央行实施差异化救助的情景分析央行虽然负有维护金融稳定的职责，但是对商业银行实施救助仍需考虑不同的经济周期环境。实际上，央行更关注的是对系统性风险的防控，这也是央行宏观审慎管理的重点和关键所在。因此，区分不同的经济周期环境、对央行救助率进行差异化设定，进而进行模拟分析是很有必要的。鉴于2009年的风险传染率高于2017年，将2009年和2017年的央行救助率分别设定为0.9和0.1，分析高传染率与高救助率、低传染率与低救助率两种情景下影子银行风险在商业银行中的传染态势及特点。从图4可以看出，2017年风险爆发银行的数量明显高于2009年的数量。2017年平均有220家银行出现风险爆发，占银行总数的10%左右，而2009年风险爆发的银行数量几乎为零。此外，在2017年的低感染率、低救助率情景下，商业银行被风险传染的速度在初期迅速增加，而在2009年的高感染率、高救助率情景下，商业银行被风险传染的速度始终保持几乎为零。与2017年相比，商业银行在2009年的风险抵御能力应该是相对较低的，然而2009年出现的风险爆发银行数量
【参考文献】：
期刊论文
[1]基于宏观审慎监管角度的影子银行风险溢出效应研究[J]. 黄晓雯. 南方经济. 2017(07)
[2]商业银行同业资产特性与风险承担行为——基于中国银行业动态面板系统GMM的实证分析[J]. 周再清,甘易,胡月. 国际金融研究. 2017(07)
[3]银行影子的发展及其运作模式探析[J]. 梁琪,涂晓枫. 金融论坛. 2017(04)
[4]商业银行同业业务风险传染特征及因素分析[J]. 王晓枫,廖凯亮. 东北财经大学学报. 2017(02)
[5]基于元胞蚂蚁算法的商业银行信用风险评估模型研究[J]. 王周缅. 上海金融. 2017(01)
[6]影子银行风险传染机制[J]. 汪玉凯,戴炜倬. 中国金融. 2016(24)
[7]时空双重维度的中国影子银行系统性风险模型建构与测算[J]. 冯建秀,张国祚. 新疆社会科学. 2016(03)
[8]我国商业银行的系统性风险测度及影响因素研究——基于CCA-POT-Copula方法的分析[J]. 王擎,白雪,牛锋. 当代经济科学. 2016(02)
[9]银行的影子:风险分担还是风险传染[J]. 涂晓枫,李政. 当代经济科学. 2016(02)
[10]影子银行及其交叉传染风险[J]. 方先明,谢雨菲. 经济学家. 2016(03)
本文编号：2930676
本文链接：https://www.wllwen.com/jingjilunwen/guojijinrong/2930676.html
