本报告针对基于Eisenberg-Noe金融网络模型的系统性风险度量,重点研究基于VaR的集合值风险测度的样本平均近似(SAA)收敛性质。首次拓展SAA理论至集合值风险测度,证明在Wijsman和Hausdorff拓扑下的几乎必然收敛,并设计混合整数规划方法计算SAA对集合。通过基于Bollobás优先连接模型和Pareto分布的金融网络模拟,验证算法效果及灵敏度,为系统金融风险管理提供理论与计算框架
报告标题: Systemic Values-at-Risk and their Sample-Average Approximations
作者: Wissam AlAli(University of Houston)、Cag˘ın Ararat(Bilkent University)
发布日期及机构: 未明确具体日期,学术研究论文,涉及工业工程与金融风险管理领域
研究主题: 金融系统性风险度量,特别基于Eisenberg-Noe网络模型下的系统性VaR(风险价值),及其在样本均值近似法(SAA)中的收敛性质。
本报告围绕系统性风险的集合值风险度量,研究风险价值作为货币风险度量的样本均值近似的理论收敛性质,并以Eisenberg-Noe金融网络模型为具体案例,开展广泛的模型刻画与数值求解方案设计。作者强调了SAA方法在集合值系统性风险度量中的新颖性,证明了其在Wijsman和Hausdorff拓扑下的几乎必然收敛,为风险度量的计算与应用提供了严谨的理论保障。
核心论点
系统性风险定义为金融体系内的蔓延性不利冲击,往往引发连锁反应和金融传染(contagion)。2008年金融危机凸显了传统单一主体风险度量(如VaR、CVaR)无法充分捕捉彼此关联的机构间复杂相互作用,需发展更高阶的系统性风险度量模型。
模型背景
Eisenberg和Noe(2001)提出的金融网络模型,将银行间互相债务编码为带有支付清算机制的有向图,允许通过固定点算法或线性规划方法计算清算向量(支付实现)。该模型奠定了系统性风险测度的数学基础。后续研究扩展此模型以包括交叉持股、流动性风险、资产价格波动、违约成本等(Suzuki 2002、Elsinger 2009、Rogers & Veraart 2013等)。
理论挑战与动机
既有方法多依赖于有限概率空间,不能有效解决现实中存在的连续重尾分布(如Pareto分布)情境。本文致力于发展基于连续概率空间的系统性风险集合值度量的SAA理论,并针对价值-at-风险(VaR)这一非凸货币风险度量,证明其SAA的收敛性质,为实际金融网络风险管理提供理论与计算框架。
数学符号与空间定义
引入了d维欧式空间,定义了向量的分量最小/最大(∧,∨)、标准基向量、欧式范数,以及相关集合,例如R+d表示非负正交空间。
定义了Hausdorff距离与Wijsman收敛,后者由距离函数逐点收敛定义,Hausdorff收敛是更强的拓扑收敛。
设定了一个概率空间与随机向量空间L0(Rd),并规定了多值映射、多元函数及其可测属性。
聚合函数
通过聚合函数Λ:Rd→R∪{−∞}将多维现金流信息映射成单一标量,用以度量整体系统的社会经济影响。
假设1对聚合函数做出了连续性、有效定义域为闭集且有界的技术要求。
货币风险度量
选定风险测度ρ具备单调性和平移不变性,定义其接受域为A使得ρ可通过调整资本量化风险暴露。
敏感与非敏感风险度量
敏感风险的标量化问题(Scalarizations)
解决集合值风险度量的难点常借助标量化,如加权和标量化(目标是资本加权总量最小化)和范数最小化标量化(寻找距参考点最近的资本分配方案)。
这是理论核心部分,结合上文定义的聚合函数与VaR风险度量,正式定义系统性VaR的敏感和非敏感版本:
非敏感系统性VaR实例为:
rα,λ(X):=inf{y∈R∣P(Λ(X)+y<α)≤λ}敏感系统性VaR为:
Rα,λ(X):={z∈Rg∣P(Λ(X+B⊤z)<α)≤λ, P(X+B⊤z∈domΛ)=1}两者皆为机会约束型优化问题。
样本均值近似法(SAA)通过用有限独立样本模拟真实风险约束,计算有限样本下对应风险度量的近似。
关键技术命题(Proposition 1)
连接SAA概率函数和真实概率函数,保证SAA中相关函数几乎必然以epi-收敛逼近真实函数,为后续收敛性论证提供基础。
收敛结果
模型回顾
定义了Eisenberg-Noe金融网络由三元组(π,pˉ,x)构成,其中:
清算向量定义
满足有限责任与绝对优先原则,属于区间[0d,pˉ]且满足固定点条件:
存在最大和最小清算向量。
聚合函数定义
总偿付金额最大值:
该函数在R+d上单调且连续,满足Assumption 1 和 5。
系统性VaR具体形式
敏感系统性VaR定义为
非空性与有界性
Rα,λEN(X)非空的充分必要条件为阈值α≤1d⊤pˉ。同时该集合关于正锥有向有下界和上界(Z)限制。
关键假设验证
证明当操作现金流X服从满支持的连续分布时,Rα,λEN(X)满足之前SAA收敛所需的逼近序列存在(Theorem 5,6)。
优化表示
利用混合整数线性规划(MILP)刻画SAA集合的计算(Theorem 7),通过引入二进制变量表示VaR的非确定性阈值判断,确保SAA问题在有限维空间下可解。
算法设计
数据生成
通过Bollobás等人的定向优先连接模型模拟带有核心-边缘结构的20节点金融网络,参数包括入度、出度平滑常数和连接概率。资产现金流采用Pareto分布,体现重尾风险特征。
运行性能比较
表1显示不同精度下,两算法的网格点数量和运行时间。算法1通常优于算法2,因后者涉及更多混合整数变量的优化。网格划分越精细,计算时间呈指数增加。
风险集合可视化
图1反映ϵ调整下的风险集合内点,显示风险集合对精度敏感且趋于精细,验证算法有效性。
敏感性分析
通过多次独立网络模拟(图2),观察系统风险度量对网络结构轻微变动的敏感反应;不同网络统计指标(平均度数、密度、聚类系数、核心-边缘误差等)与系统风险关系被系统分析(图4与表3)。
样本规模影响
表2和图3展示样本容量N变动对计算时间和风险度量近似集合的影响,整体近似稳定,时间消耗与场景数量非线性相关,提示基于SAA的实际应用需平衡精度和计算资源。
| ϵ | 网格点数量 | 算法1耗时(秒) | 算法2耗时(秒) |
|---|---|---|---|
| 50 | 570 | 24.72 | 50.04 |
| 25 | 2175 | 45.68 | 99.96 |
| 10 | 13,464 | 114.19 | 505.83 |
| 1 | 1,328,148 | 13,846.72 | 163,242.83 |
解读
随着精度提高(ϵ减小),网格点数迅速膨胀,导致算法耗时急剧上升。算法1对比算法2具有显著速度优势,主要归因于算法2需求解复杂的混合整数二次规划。因此,在实际操作中权衡效率与求解精度尤为重要。
图示清晰反映了对风险集合的逼近随计算精度变化的演进过程,支持理论上关于SAA集合收敛性的证明。
| N | 网格点数量(×10^5) | 时间(秒) |
|---|---|---|
| 5 | 6.21 | 2908.67 |
| 10 | 5.13 | 2020.09 |
| 20 | 5.68 | 2515.88 |
| 50 | 5.08 | 2244.23 |
| 100 | 5.12 | 2677.92 |
| 120 | 5.63 | 3403.30 |
| 140 | 5.84 | 3553.30 |
| 160 | 6.30 | 4314.21 |
| 180 | 5.13 | 3361.87 |
| 200 | 5.40 | 3821.29 |
解读
样本容量增加时,网格点数和时间表现并非完全线性增长,呈现一定波动,表明算法的性能受其他因素影响,如网格空间分布和算法启发式策略。
标明了5到200个场景的资本注入组合近似风险集合重叠,显示随着样本数增加,风险集合趋于收敛且区域稳定,验证SAA方法的收敛效果。
本报告不直接涉及传统的估值问题,但在系统性风险度量框架内,通过风险价值(VaR)定义风险测度,结合聚合函数Λ体现网络支付清算效应,它将多维系统状态映射为单一风险尺度。该设定等价于求解多目标混合整数规划问题,目标为寻找满足风险概率约束的资本分配方案集合。
特征性估值要素包括:
风险因素
缓解策略
模型假设与限制
计算复杂度
内部一致性
本文提出了基于样本均值近似(SAA)的集合值系统性风险度量方法,特别聚焦采用VaR作为货币风险度量下的系统性VaR,结合Eisenberg-Noe金融网络模型为具体应用场景,系统研究了该风险度量及其SAA的理论收敛性质。核心成果如下:
系统性VaR定义及集合值风险度量框架完善地结合了网络互联的金融结构和风险资本分配问题。
提出的SAA方法在较弱假设下,即可实现对集合风险度量的强拓扑收敛(Wijsman与Hausdorff收敛),支持该方法的稳健性和可靠性。
对Eisenberg-Noe模型展开详尽分析,验证一般理论假设,确保理论结果可用于实际金融网络风险测度计算。
将SAA问题转换为混合整数线性/二次规划,设计了两套网格搜索算法,有效求解并逼近风险集合,同时揭示计算成本与算法选取的权衡。
基于Bollobás优先连接网络模拟,进行了丰富的数值实验,不仅验证算法性能,也揭示风险度量对网络结构和样本数量的敏感性,为风险管理提供了定量工具和操作指引。
结果明确显示核心-边缘结构对系统性风险的显著影响,为金融监管和风险缓释策略提供理论依据。
说明:绿色区域显示了核心银行(x轴)与边缘银行(y轴)的资本注入组合满足风险约束的集合。ϵ越小,逼近越精确。
本报告全面揭示了系统性风险价值作为集合值风险度量在复杂金融网络中应用的数学架构及其近似算法的理论依据与实证验证,涵盖了模型构建、公理化假设、概率收敛理论、混合整数规划建模和数值实验分析等多方面内容。研究成果在推动金融风险管理向多维、多机构、网络化方向深化中具有重要参考价值,兼具理论创新性与实践落地潜力,尤其适用于系统性风险监管和资本配置策略的制定。
,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27]
2408.08511.pdf