本文提出多因子、结构化因子及因子藤蔓(factor-vine)copula模型,利用欧洲和美国银行的信用违约掉期(CDS)数据区分银行系统性与特有风险传染渠道。采用变分贝叶斯估计方法,实现模型参数的高效推断和自动模型选择。实证结果显示,区域内金融传染同时存在系统性与特有性渠道,而跨大区域银行系统主要由系统性传染驱动。模型准确捕捉了2008全球金融危机、2020新冠疫情、2022年加息及2023年银行危机等历史压力期,提供对银行系统风险的联合与条件违约概率预测
| 模型类型 | 美国银行BIC (全样本) | 欧洲银行BIC (全样本) | 联合样本BIC (全样本) |
|---|---|---|---|
| One-factor | -22622.88 | -30878.72 | -41131.21 |
| Two-factor | -22610.04 | -32215.13 | -54773.96 |
| Bi-factor | N/A | N/A | -56212.63 |
| Nested-factor | N/A | N/A | -54336.74 |
| Factor-vine | -22698.24 | -32670.12 | -53731.25 |
报告标题: Structured factor copulas for modeling the systemic risk of European and United States banks
作者: Hoang Nguyen, Audrone Virbickaite, M. Concepción Ausín, Pedro Galeano
发布机构: 瑞典林雪平大学管理与工程系、西班牙CUNEF大学定量方法系、西班牙卡洛斯三世大学统计学系与Santander大数据研究所
发布日期: 2024年1月9日
研究主题: 利用结构化因子copula模型,基于欧、美银行的信用违约掉期(CDS)数据,建模和分析系统性风险和金融传染效应。
核心论点及目标:
本报告旨在通过多因子、结构化因子和因子vine copula模型,揭示欧盟和美国银行间的违约相关性及其内部的系统性与特定银行间传染机制。报告使用CDS市场数据,建构基于因子copula的联合与条件违约概率模型,识别系统性(全球及区域因子)和特定银行间(非系统性)传染渠道。通过模型拟合与预测,回顾并解释近年来银行业多次危机期间的风险爆发,凸显全球金融传染的主要驱动因素。最终,报告推荐了对银行系统风险测算更有效的copula模型架构,并提出了基于Variational Bayesian方法的模型估计和选择新方案。,1,3,15,22]
报告首先强调金融机构间复杂的相关依赖结构在2008年全球金融危机后重要性提升,2023年又因几家区域性银行(硅谷银行、Signature银行、First Republic)及欧洲的瑞信银行的倒闭,激化了对金融传染现象的研究关注。金融传染定义为局部冲击导致整个系统性风险扩散的效应。
作者指出传染源一般分为两类:
报告提出的问题是捕捉和区分两者的复杂依赖关系,并明确两者在不同时期的主导作用。同时,现实数据的因子结构复杂、多因子存在,且依赖关系非线性、高维、非高斯。对此,作者提出基于因子copula和因子vine copula方法,灵活刻画条件和联合违约风险,突破维度和模型选择的技术困境。,2]
图1形象说明两种传染渠道:
此图辅助理解copula模型中潜因子与观测银行间关系的数学刻画。报告指出实际中两者并存,强度随时间波动。并且数据的高维和非标准分布需用灵活且低参数模型处理。
报告回顾了相关领域用copula方法建模金融传染的文献,包括:
本报告在此基础上提出结构化和vine拓扑结合的因子copula模型,引入新的高效估计与模型选择方法,扩大适应范围和深度。,4]
采用简化的CDS定价模型,将CDS点差(S)转化为隐含风险中性违约概率(p)(假设固定利率(r)、固定违约损失率(L=75%)),通过贴现现金流平衡计算,近似关系为: [ S \approx pL ] 为实证需要,原始点差进行对数差分处理、用AR-GJR-GARCH模型拟合带有偏斜t分布的残差,保证序列稳定性和捕捉尾部肥厚、不对称性等特征。
此外说明各模型设定差异及合理性验证,利用概率积分变换将残差转换为[0,1]的均匀分布,为后续copula建模做准备。,5]
基于Sklar定理,联合分布通过copula分解为边际分布与依赖结构。报告选择因子copula架构(Krupskii and Joe, 2013)规避高维参数爆炸问题,构建多层C-vine结构。
单因子copula中,观测变量(U_i)条件独立,依赖潜变量(V_0)。多因子模型中添加多个潜变量(V_j),形成二层甚至更复杂模式。通过边际及条件分布推进计算条件copula密度及整体密度积分,虽积分维度增加但仍能控制参数复杂度。图2直观展示单因子与双因子copula意味着因子与变量的连接方式。,7]
为应对更复杂关联和“维度诅咒”,引入基于分组的结构化因子模型(Krupskii and Joe, 2015),其中银行按区域或其他标准划分为(G)组,(G+1)个潜因子包括总体潜因子(V_0)与组级潜因子(V_g)。
两大类型:
图3给出示意,显著提升模型灵活性同时兼顾复杂关联结构。,8]
进一步引入因子vine copula(Nguyen, 2019),结合因子copula和截断式vine copula,允许在潜变量支配的第一树分支捕获系统性依赖,同时高层vine捕捉残余的金融机构间非系统性关联和尾部非对称性。
模型由一系列树形结构组成,第一棵树((T_0))连接潜变量(V_0),后续树由上一树的边构成节点,树间符合特定结构约束。图4显示一个两级截断因子vine结构实例。此结构既解释经济学含义也弥补传统因子copula对非高斯尾部依赖的不足。,9]
针对高度复杂的结构化因子copula模型,传统MLE估计因参数固定限定和计算负担难以灵活选择copula族而受限。报告引入Variational Bayesian(VB)推断近似技术,对模型隐含潜因子和copula参数进行快速估计。其核心为:
选取2007年1月1日至2023年5月1日间,日频5年期CDS残值数据,涉及8家欧洲银行与7家美国银行(如表1)。为保证数据质量,部分缺失数据进行插补处理。数据时长超过16年,涵盖2008金融危机、欧洲债务危机、COVID-19等重要事件,显著适合长期违约风险建模。
图5清晰展现CDS与隐含违约概率的时序波动,显示事件期间压力峰值,凸显研究主题的现实意义。最大CDS点差高达1360bps(摩根士丹利,2008)和1082bps(Credit Suisse,2023)。区域间风险传递可从宏观趋势反映出明显差异。
根据对数差分CDS点差序列的描述统计与波动聚集特征,拟合AR(4)-GJR-GARCH(1,1)模型带偏斜t分布误差。
分析显示:
尝试多种copula结构模型:单因子、双因子、bi-factor、nested-factor及因子vine copula,用BIC指标评估拟合优度(表3)。
采用滑动窗口方法对2019-2023年的最后1000条数据滚动预测,使用三类预测评分指标:
结果(表4)显示:
基于模型模拟的联合违约概率,构建四类系统性风险指标:
图9展示上述指标在2019-2023年滚动预测结果:
清晰区分系统性传染(由公共潜变量影响全局银行)和银行间特定传染(由单个银行向其他银行传导),为后续模型物理含义奠定基础。
展示单因子copula和双因子copula的网络结构,直观表现潜因子如何根植于银行节点,为理解多因子模型中的因子依赖关系提供视觉辅助。
通过bi-factor和nested-factor模型,描绘多组潜变量的依赖及层级结构,强调维度灾难缓解和群体间联系的动态表现。
结合因子模型和vine结构,图形说明分层依赖捕获不同依赖形式和尾部风险,利于解释系统性和银行间逾对称性尾部相关体。
上半部多条银个体CDS点差时序线性叠加,直观显示重大金融压力事件期间风险急剧上升;下半部对应由点差转换的隐含违约概率轨迹,确认风险水平随CDS同步波动,且历史低谷与高峰明确。反映了区域间不同危机期间风险传导特点,印证实证分析的归因逻辑。
动态频繁剧烈波动,平均值均为正,表明整体上CDS风险高于初始水平。灰色为个别银行时间序列,黑色为平均趋势,展示个体差异和总体走势。
灰度矩阵刻画欧洲和美国银行组内高相关性,组间关联较弱,体现区域属性对风险传染的影响,显示系统分层结构。
展示两子样本期间,欧洲和美国银行间尾部依赖链路与copula族的变化。
四个三维图分别反映单个银行违约概率(PD)、多银行联合违约概率(JPD)、某银行违约时系统违约比例预期(EPD)和特定风险暴露(ES)。所有指标直观揭示了COVID-19及后续利率冲击引发的系统风险扩散,解释了历史重大事件中银行系统的脆弱性和相关性强烈性。
报告未直接进行估值(估价)分析,核心为风险建模与系统依赖测度,模型重点在于构建高维、复杂结构copula模型并有效推断联合违约概率,突出统计建模意义。估值技术主要体现为:
综合反映当前金融风险度量中因子依赖模型的先进估计与选择技术,兼顾理论和实证两方面需求。,16-18]
作者明确了两类风险传染渠道:
报告动态评估发现,不同时间段系统性与特定风险角色权重变化,明确传染过程多渠道共存,且模型能识别并预测多种风险爆发期,对监管和风险管理提供实用洞察。,16-22]
整体报告结构严密、分析全面,缺点主要是模型对于异常极端情况的敏感度和动态复杂系统的微妙变化捕捉可以进一步加强。,15-18]
本报告创新性地利用结构化多因子及因子vine copula模型,结合变分贝叶斯估计与自动化copula族选择技术,构建了多层次、多渠道的银行系统风险建模框架。该模型能够精准识别欧洲与美国银行系统内存在的系统性(潜因子驱动)与特定银行间(机构间)两大传染渠道,表明:
报告细致结合丰富的数据与模型对比,验证模型广泛适用性,指出未来研究可关注动态模型演进、多样尾部依赖、跨区域复杂网络动态等,推动系统风险建模理论与实践进步。
报告通过系统性和个体银行风险两条维度,利用先进的copula建模技术,搭建了一个高效而灵活的系统性风险分析框架,结合详实的欧洲与美国银行CDS市场数据,精确捕捉风险传染路径与极端风险爆发,实现对历次金融危机和系统濒危时期的准确定位与预测。理论与实证相结合,推广了因子依赖模型与变分贝叶斯算法在金融风险管理中的应用,为后续系统风险测度与监管提供了重要的工具和思路。
2401.03443.pdf