Modelarea piețelor financiare

Capitolul 18: Risc sistemic și rețele

Capitolul 18: Risc sistemic și rețele

Daniel Traian PELE

Academia de Studii Economice din București
IDA Institute Digital Assets
Blockchain Research Center
AI4EFin Artificial Intelligence for Energy Finance
Academia Română, Institutul de Prognoză Economică
MSCA Digital Finance

We propose a measure of systemic risk, ΔCoVaR, defined as the change in the value at risk of the financial system conditional on an institution being under distress relative to its median state.

— Adrian & Brunnermeier (2016), CoVaR

Riscul sistemic (systemic risk) este riscul ca dificultățile uneia sau ale mai multor instituții să afecteze sistemul financiar în ansamblu și, prin el, economia reală. El este o externalitate: o bancă nu plătește pierderile pe care falimentul ei le impune altora. Capitolul folosește prețurile zilnice a treisprezece bănci din SUA (Statele Unite ale Americii), Europa și România, din ianuarie 2010 pînă în 18 septembrie 2026. Scăderile celor trei sisteme bancare sînt simultane, în criza din zona euro, în pandemia COVID-19 și în falimentele bancare din 2023, iar drawdown-ul maxim al portofoliului băncilor este de 51% în SUA, 61% în Europa și 47% în România.

Măsura obișnuită a riscului unei bănci, valoarea la risc (VaR, Value-at-Risk), privește banca izolat. Adrian & Brunnermeier (2016) măsoară în schimb contribuția ei la sistem: ΔCoVaR 1% este pierderea suplimentară a sistemului cînd banca trece de la starea mediană la propriul VaR. Pe cele unsprezece bănci internaționale, corelația de rang Spearman dintre VaR 1% și ΔCoVaR 1% este 0,13. Deutsche Bank și ING (ING Groep, Internationale Nederlanden Groep, grupul bancar olandez ING) au cele mai mari VaR, 7,19% și 7,16%, dar doar un ΔCoVaR mediu, iar JPMorgan are unul dintre cele mai mici VaR, 4,83%, dar unul dintre cele mai mari ΔCoVaR. Reglementarea fiecărei bănci după propriul VaR ignoră deci contribuția ei la sistem; cu unsprezece bănci și intervale de încredere suprapuse, corelația rămîne însă foarte incertă.

Nici măsurile sistemice nu produc un clasament unic. Corelația de rang dintre MES 5% (Marginal Expected Shortfall), pierderea medie a băncii în cele mai rele 5% dintre zilele pieței, și ΔCoVaR 1% este −0,04, iar cea dintre ΔCoVaR și spillover-ul net al volatilității este tot −0,04; prin contrast, VaR și MES au o corelație de rang de 0,88. Capitolul tratează pe rînd cele trei familii de măsuri, expunerea (MES și SRISK), contribuția (CoVaR) și conectivitatea (connectedness, rețele de spillover și Financial Risk Meter), apoi testele de stres și riscul climatic.

VaR 1% al fiecărei bănci (axa orizontală) și ΔCoVaR 1% al ei (axa verticală), pentru unsprezece bănci americane și europene, 2010–2026; ambele sînt pierderi zilnice în %.
VaR 1% al fiecărei bănci (axa orizontală) și ΔCoVaR 1% al ei (axa verticală), pentru unsprezece bănci americane și europene, 2010–2026; ambele sînt pierderi zilnice în %. Graficul interactiv: „VaR și ΔCoVaR măsoară lucruri diferite (1/2)” →

Rezultatele învățării

  • Calculați MES, LRMES (Long-Run Marginal Expected Shortfall, pierderea marginală așteptată în coadă pe termen lung, într-o criză) și SRISK ale unei bănci și leverage-ul de echilibru Λ*.
  • Derivați ΔCoVaR din regresia cuantilă (quantile regression) și testați diferențele dintre bănci.
  • Calculați tabelul conectivității dintr-un model VAR (vector autoregression) și interpretați rețeaua de spillover net.
  • Interpretați Financial Risk Meter, testele de stres și conectivitatea cuantilă.

Aprofundările și Anexa sînt lectură pentru familiarizare.

Planul capitolului

  1. Riscul sistemic: de la o bancă la sistemDefiniția, canalele de contagiune, cele treisprezece bănci și portofoliul sistemului.
  2. Expunerea: MES și SRISKPierderea băncii cînd piața se prăbușește, deficitul de capital și leverage-ul de echilibru.
  3. Contribuția: CoVaRΔCoVaR din regresia cuantilă, testele cu corecția Holm și fiabilitatea clasamentelor.
  4. Conectivitatea: rețele de spilloverDescompunerea dispersiei, tabelul conectivității și rețeaua de spillover net.
  5. Rețele în coadă: Financial Risk MeterLegăturile dintre bănci în coadă, estimate cu penalizare.
  6. Testarea la stres și riscul climaticScenarii istorice de stres, testul climatic al BCE (Banca Centrală Europeană) din 2022 și limitele testelor.
  7. Studii de caz: conectivitatea cuantilă și fragilitatea băncilorSpillover-ul pe cuantile al riscului de credit și fragilitatea băncilor americane la creșterea dobînzilor din 2022–2023.
  8. AI pentru descoperire științificăAnunță conectivitatea crizele sau doar urmează volatilitatea?
  9. ConcluziiImportanța sistemică a băncilor și ideile principale.
  10. AprofundăriExemple detaliate și subiecte avansate.
  11. AnexăDerivările și tabelele complete.

Riscul sistemic: de la o bancă la sistem

Riscul sistemic privește sistemul financiar, nu o singură instituție. Capitolul întreabă cînd devin dificultățile unei bănci o problemă a sistemului și măsoară răspunsul în trei feluri:

  1. Expunerea unei bănci la un crah al pieței;
  2. Contribuția ei la pierderea extremă a sistemului;
  3. Rețeaua de legături prin care circulă șocurile.

Prima secțiune definește conceptul, amintește două retrageri masive de depozite și canalele contagiunii și fixează datele și convențiile de semn folosite în tot capitolul.

Ideea capitolului

Slide 2 în PDF

Riscul sistemic este riscul ca dificultățile uneia sau ale mai multor instituții să afecteze sistemul financiar în ansamblu și, prin el, economia reală. El este o externalitate (externality): o bancă nu plătește pierderile pe care falimentul ei le impune altora, așa că alegerea ei privată a capitalului și a riscului nu ține cont de ele. O măsură a riscului sistemic trebuie deci să privească dincolo de distribuția pierderilor băncii.

Sinteza lui Benoit, Colliard, Hurlin & Pérignon (2017) grupează măsurile în trei familii, care organizează capitolul:

  1. Expunerea întreabă cît pierde banca atunci cînd piața se prăbușește; Marginal Expected Shortfall (MES) dă pierderea ei medie în zilele de crah, iar SRISK deficitul ei de capital într-o criză.
  2. Contribuția întreabă cu cît se înrăutățește sistemul cînd banca este în dificultate; se măsoară prin ΔCoVaR, unde CoVaR este valoarea la risc (VaR, Value-at-Risk) a sistemului condiționată de bancă.
  3. Conectivitatea (connectedness) întreabă prin ce legături circulă șocurile și se măsoară cu rețele de spillover și rețele în coadă.

Pe scurt

De la o bancă la sistem
  • Riscul sistemic: riscul ca dificultățile uneia sau ale mai multor instituții să afecteze sistemul financiar în ansamblu
    • și, prin el, economia reală
  • O externalitate: o bancă nu plătește pierderile pe care falimentul ei le impune altora
  • Trei familii de măsuri (sinteză: Benoit, Colliard, Hurlin & Pérignon (2017))
    • Expunere: cît pierde banca atunci cînd piața se prăbușește?
    • MES: pierderea ei medie în zilele de crah; SRISK (systemic risk): deficitul ei de capital într-o criză
    • Contribuție: cu cît stă mai rău sistemul atunci cînd banca este în dificultate?
    • \(\Delta\)CoVaR, cu CoVaR VaR-ul sistemului condiționat de starea băncii
    • Conectivitate: prin ce legături circulă șocurile?
    • Rețele de spillover (transmiterea șocurilor între bănci) și rețele în coadă

Planul capitolului: pierderi extreme și rețele financiare

Slide 3 în PDF

Partea I merge de la date la măsuri la nivelul băncii. După date și convenții, tratează expunerea prin MES, LRMES (MES al unei crize care durează luni) și SRISK, iar contribuția prin CoVaR și ΔCoVaR, discutînd și cît de mult ne putem baza pe clasamentele obținute.

Partea a II-a trece la rețele, teste de stres și un caz de cercetare: rețelele de spillover și Financial Risk Meter, testele de stres și riscul climatic, un studiu de caz despre conectivitatea cuantilă și o trecere prin bucla descoperirii cu inteligența artificială (AI, artificial intelligence). Manualele de referință sînt Franke, Härdle & Hafner (2019) și Härdle, Chen & Overbeck (2017); exemplele detaliate sînt în Aprofundări, iar derivările în Anexă.

Pe scurt

Două părți
  • Partea I: de la date la măsurile riscului sistemic pentru fiecare bancă
    • date și convenții
    • expunerea: MES, LRMES (adică MES într-o criză de mai multe luni), SRISK
    • contribuția: CoVaR, \(\Delta\)CoVaR, și cît ne putem baza pe clasamente
  • Partea a II-a: rețele, teste de stres și un caz de cercetare
    • rețele de spillover și Financial Risk Meter
    • teste de stres și riscul climatic
    • un studiu de caz despre conectivitatea cuantilă
    • o trecere prin bucla descoperirii cu AI (inteligență artificială)
Rezultatele învățării
  • calculați MES, LRMES și SRISK ale unei bănci și gradul de îndatorare (leverage) de echilibru \(\Lambda^*\)
  • derivați \(\Delta\)CoVaR din regresia cuantilă și testați diferențele dintre bănci
  • calculați tabelul conectivității dintr-un model vector autoregresiv (VAR) și interpretați rețeaua de spillover net
  • interpretați Financial Risk Meter, testele de stres și conectivitatea cuantilă
  • Aprofundări și Anexa: lectură pentru familiarizare

Retrageri masive de depozite: Northern Rock 2007 și Silicon Valley Bank 2023

Slide 4 în PDF

Două retrageri masive de depozite (bank runs) arată cum dificultățile unei instituții devin o chestiune a sistemului. Northern Rock, o bancă britanică de credite ipotecare, a fost lovită în 2007 de blocarea piețelor de finanțare care a urmat pierderilor subprime din SUA, iar deponenții au stat la coadă în stradă ca să își retragă economiile.

Retragerea de la Silicon Valley Bank (SVB) din 2023 a fost digitală. FDIC (Federal Deposit Insurance Corporation) a preluat banca pe 10 martie (FDIC, 2023), iar două zile mai tîrziu toți deponenții SVB și Signature Bank au fost protejați pe motiv de risc sistemic (Federal Reserve Board, 2023). Autoritățile au tratat falimentul unei bănci de mărime medie ca pe o amenințare pentru sistem, adică exact situația pe care măsurile capitolului încearcă să o cuantifice dinainte.

Pe scurt

Retrageri masive de depozite: Northern Rock 2007 și Silicon Valley Bank 2023 Deponenți la coadă în fața unei sucursale Northern Rock, Brighton, 14 septembrie 2007 Foto: Dominic Alves (2007); CC BY 2.0; Wikimedia Commons
  • Northern Rock (2007): un creditor ipotecar britanic
    • afectat de blocarea piețelor de finanțare după pierderile din creditele subprime americane
    • Deponenții au stat la coadă pentru a-și retrage economiile
  • SVB (Silicon Valley Bank, 2023): retrageri masive de depozite prin canale digitale
    • FDIC (Federal Deposit Insurance Corporation, fondul american de garantare a depozitelor) a preluat banca pe 10 martie FDIC (2023)
    • După două zile, toți deponenții SVB și Signature Bank au fost protejați, pe baza unui argument de risc sistemic Federal Reserve Board (2023)

Prin ce canale se transmite contagiunea?

Slide 5 în PDF

Dificultățile unei bănci devin sistemice prin trei canale:

  1. Într-o retragere a finanțării (funding run), deponenții și creditorii se retrag din orice bancă ce seamănă cu cea aflată în dificultate, așa că șocul se propagă prin convingeri, nu prin bilanțuri.
  2. Prin expunerile comune și vînzările forțate (fire sales), băncile care dețin active asemănătoare sînt lovite împreună, iar vînzările forțate ale unei bănci scad prețurile pentru toți deținătorii.
  3. Prin legăturile de contrapartidă, datoria unei bănci este activul alteia, așa că un default transmite pierderile direct creditorilor.

Măsurile bazate pe piață, ca acelea din capitol, văd în prețurile acțiunilor efectul combinat al celor trei canale, fără să le separe.

Pe scurt

  • Dificultățile unei bănci devin sistemice prin trei canale
    • Retrageri de finanțare: deponenții și creditorii se retrag din orice bancă ce pare asemănătoare
    • Expuneri comune și vînzări forțate (fire sales): vînzările scad prețurile pentru toți deținătorii
    • Legături între contrapărți: datoria unei bănci este activul alteia, deci neplata ei transmite pierderi creditorilor

Treisprezece bănci, trei piețe: prețuri și randamente log

Slide 6 în PDF

Datele sînt prețurile zilnice a treisprezece bănci din trei piețe, din ianuarie 2010 pînă în 18 septembrie 2026, ajustate pentru dividende și divizări:

  • Șase bănci americane (JPMorgan, Bank of America, Citigroup, Goldman Sachs, Morgan Stanley și Wells Fargo), cu indicele S&P 500 (Standard & Poor's);
  • Cinci bănci europene (Deutsche Bank, BNP Paribas, Santander, ING și HSBC), cu Euro Stoxx 50;
  • Două bănci românești (Banca Transilvania și BRD-Groupe Société Générale), cu indicele BET (Bucharest Exchange Trading, index, indicele de referință al Bursei de Valori București) al Bursei de Valori București (BVB).

Indicele VIX, volatilitatea implicită a S&P 500, completează datele.

Seriile sînt aliniate întîi pe 3 962 de zile comune de tranzacționare, ceea ce dă 3 961 de randamente log în procente între zile comune consecutive, \(r_t = 100(\ln P_t - \ln P_{t-1})\). Un randament poate acoperi deci mai multe ședințe: 177 de intervale cuprind mai mult de o ședință S&P 500, pînă la șase. Alinierea contează puțin pentru măsuri, deoarece pe calendarul propriu al fiecărei regiuni MES 5% se schimbă cu cel mult 0,17 puncte, iar ΔCoVaR 1% cu cel mult 0,32 puncte.

Două cazuri speciale sînt tratate separat:

  1. Pentru băncile românești, zilele fără tranzacții sînt eliminate.
  2. Scenariile istorice de stres pentru băncile internaționale încep în 2007.

Pe scurt

GrupulBăncile (simbolul bursier, folosit în unele grafice)Indicele pieței
Bănci americaneJPMorgan (JPM), Bank of America (BAC), Citigroup (C), Goldman Sachs (GS), Morgan Stanley (MS), Wells Fargo (WFC)S&P 500
Bănci europeneDeutsche Bank (DBK), BNP Paribas (BNP), Santander (SAN), ING (INGA), HSBC (HSBA)Euro Stoxx 50
Bănci româneștiBanca Transilvania (TLV), BRD-Groupe Société Générale (BRD; „BRD-Groupe SG” în grafice)BET
Volatilitateindicele VIX (volatilitatea implicită a S&P 500)
  • Prețuri zilnice, ianuarie 2010–18 septembrie 2026, ajustate pentru dividende și divizări
    • Aliniate întîi pe 3 962 de date de tranzacționare comune, apoi 3 961 de randamente logaritmice între date comune consecutive, \(r_t = 100(\ln P_t - \ln P_{t-1})\), în %
    • Un randament poate acoperi mai multe ședințe: 177 de intervale cuprind peste o ședință a indicelui S&P 500 (Standard & Poor's 500), pînă la 6
    • Calculate pe calendarul propriu al fiecărei regiuni, MES 5% se schimbă cu cel mult 0,17 puncte, iar \(\Delta\)CoVaR 1% cu cel mult 0,32 puncte
  • Cazuri speciale
    • Băncile românești, tranzacționate la Bursa de Valori București (BVB, indicele BET): zilele fără tranzacții sînt eliminate
    • Scenariile istorice de stres pentru băncile internaționale încep în 2007

Pierderile ca numere pozitive și portofoliul sistemului

Slide 7 în PDF

Pentru un randament \(X\), pierderea este \(L = -X\), iar nivelul \(\alpha\) este o probabilitate a cozii, ca în Capitolul 7. Valoarea la risc este

\[\mathrm{VaR}_\alpha(X) = -q_\alpha(X),\]
(18.1)

unde \(q_\alpha\) este cuantila de ordin \(\alpha\) a lui \(X\). Capitolul scrie VaR 1%, CoVaR 1% și MES 5%, toate pozitive atunci cînd sînt pierderi.

Randamentul sistemului \(X^{sys}\) pentru o bancă este portofoliul cu ponderi egale al celorlalte bănci din aceeași regiune, \(X^{sys} = \frac{1}{n}\sum_j X_j\). Cu randamente log, această medie este o aproximare de ordinul întîi a randamentului log al portofoliului reechilibrat zilnic. CoVaR se referă la acest agregat, în timp ce MES condiționează pe indicele pieței din regiune.

Pe scurt

  • Notăm randamentul cu \(X\) și pierderea cu \(L = -X\)
    • nivelul \(\alpha\) este o probabilitate a cozii (Capitolul 7)
    • \(\VaR_\alpha(X) = -q_\alpha(X)\), cu \(q_\alpha\) cuantila de ordin \(\alpha\) a lui \(X\)
    • Scriem VaR 1%, CoVaR 1%, MES 5%, toate pozitive atunci cînd sînt pierderi
  • Randamentul sistemului \(X^{sys}\): portofoliul cu ponderi egale al celorlalte bănci din aceeași regiune
    • \(X^{sys} = \frac{1}{n}\sum_j X_j\), o aproximare de ordinul întîi a randamentului log al portofoliului reechilibrat zilnic
    • CoVaR se referă la acest agregat, iar MES condiționează pe indicele pieței din regiune

Trei sisteme bancare, 2010–2026

Slide 8 în PDF

Graficul arată, pentru fiecare regiune, portofoliul cu ponderi egale al băncilor ei, reechilibrat zilnic, ca indice sintetic al randamentelor în moneda locală, egal cu 100 în ianuarie 2010, cu linii verticale la episoadele folosite în capitol. Nu există conversie valutară: HSBC este în lire sterline, iar celelalte bănci europene în euro. Băncile sînt cele listate astăzi, deci eșantionul este format din supraviețuitori aleși retrospectiv.

    Întrebare pentru sală Care dintre cele trei portofolii bancare a avut cel mai mare drawdown din 2010 și cînd a atins minimul?
    Răspuns

    Portofoliul european: 61%, cu minimul la 2020-04-21. Portofoliul american a pierdut 51% pînă la 2011-11-23, iar cel românesc 47% pînă la 2012-06-06. Volatilitatea anualizată a portofoliilor bancare este 29%, 30% și 23%, față de 18%, 21% și 18% pentru S&P 500, Euro Stoxx 50 și BET.

    La sfîrșitul eșantionului, indicii sînt la 791 pentru SUA, 384 pentru Europa și 1 233 pentru România. Drawdown-ul maxim este de 51% pentru portofoliul american (23 noiembrie 2011), 61% pentru cel european (21 aprilie 2020) și 47% pentru cel românesc (6 iunie 2012). Volatilitatea anualizată a portofoliilor bancare, 29%, 30% și 23%, depășește pe cea a indicilor de piață, 18%, 21% și 18%.

    Scăderile sînt simultane: criza din zona euro, COVID-19 și falimentele bancare din 2023 au lovit toate cele trei sisteme. Băncile românești au și un șoc propriu, anunțul taxei bancare din decembrie 2018, marcat „RO bank tax” în grafic.

    Pe scurt

    • Portofolii cu ponderi egale ale băncilor din fiecare regiune, reechilibrate zilnic
      • Liniile verticale marchează episoadele folosite în acest capitol
      • Fără conversie valutară: băncile europene în euro (EUR), HSBC (inițial Hongkong and Shanghai Banking Corporation) în lire sterline (GBP)
      • Bănci listate azi: supraviețuitoare alese retrospectiv
    • Indici sintetici, în monede locale (ian. 2010 = 100): 791 (SUA), 384 (Europa), 1 233 (România)
      • Scăderea maximă de la vîrf (maximum drawdown): SUA \(51\%\) (2011-11-23), Europa \(61\%\) (2020-04-21), România \(47\%\) (2012-06-06)
      • Volatilitatea anualizată: \(29\%\) (SUA), \(30\%\) (Europa), \(23\%\) (România), față de \(18\%\), \(21\%\) și \(18\%\) pentru indicii de piață
    • Scăderile sînt simultane: criza din zona euro, COVID-19, falimentele bancare din 2023
      • Băncile românești au și un șoc propriu: anunțul taxei bancare din decembrie 2018 (eticheta „RO bank tax”)
    MFM_ch18_bank_indices

    Sinteza secțiunii

    Riscul sistemic este o externalitate, iar capitolul îl măsoară în trei feluri: expunere, contribuție și conectivitate. Datele sînt randamente zilnice a treisprezece bănci din trei regiuni, aliniate pe zile comune, cu pierderile raportate ca numere pozitive și sistemul unei bănci definit drept celelalte bănci din regiunea ei.

    Expunerea: MES și SRISK

    Expunerea măsoară cît pierde o bancă atunci cînd piața este în dificultate. Secțiunea pornește de la o singură zi de crah (MES), extinde pierderea la o criză de cîteva luni (LRMES) și o transformă în capitalul care i-ar lipsi băncii după criză (SRISK), împreună cu leverage-ul de echilibru la care apare deficitul.

    Cît pierde o bancă atunci cînd piața se prăbușește?

    Slide 9 în PDF

    Pierderea relevantă pentru riscul sistemic este cea a băncii în condițiile unei crize a pieței, nu VaR-ul ei luat separat. Contează băncile care rămîn fără capital exact atunci cînd sistemul are nevoie de el, pentru că deficitele lor apar împreună și nu pot fi acoperite de alte bănci.

    Secțiunea are trei pași, de la o zi de crah la o criză:

    1. MES este pierderea medie a băncii în cele mai rele 5% dintre zilele pieței, nivelul pe care îl folosesc Acharya, Pedersen, Philippon & Richardson (2017) în definiția lor.
    2. LRMES este pierderea băncii într-o criză care durează săptămîni sau luni.
    3. SRISK este capitalul care i-ar lipsi băncii după această pierdere.

    Pe scurt

    • Expunerea: pierderea băncii condiționată de o criză a pieței, nu VaR-ul ei izolat
      • Contează băncile care rămîn fără capital tocmai cînd sistemul are nevoie de el
    • Trei pași, de la o zi de crah la o criză
      • MES: pierderea medie a băncii în cele mai rele 5% dintre zilele pieței, nivelul folosit de Acharya, Pedersen, Philippon & Richardson (2017)
      • LRMES: pierderea băncii într-o criză de mai multe săptămîni sau luni
      • SRISK: capitalul care i-ar lipsi băncii după această pierdere

    MES, intuitiv

    Slide 10 în PDF
    • Întrebarea: cît pierde în medie o bancă în zilele în care piața are o zi foarte proastă?
    • Calculul: alegem cele mai proaste 5% zile ale indicelui de piață (aproximativ 200 de zile din 3 961) și facem media pierderilor băncii în aceleași zile
    • Comparăm cu piața: în aceste zile S&P 500 a pierdut în medie 2,72%, JPMorgan 3,21%, Morgan Stanley 4,03%
      • băncile pierd mai mult decît piața tocmai în zilele proaste ale pieței
    • Diferența față de VaR: VaR privește zilele proaste ale băncii; MES privește zilele proaste ale pieței, cînd suferă și celelalte bănci
    • De ce „marginală”: dacă piața ar fi chiar un portofoliu din aceste bănci, pierderea ei medie în zilele proaste s-ar împărți exact între bănci după MES, ponderat cu ponderile lor
      • indicii noștri nu sînt astfel de portofolii, deci aici MES măsoară expunerea băncii
    • Pasul următor, LRMES, trece de la o zi proastă la o criză de șase luni

    Marginal Expected Shortfall și proprietatea Euler

    Slide 11 în PDF

    Marginal Expected Shortfall al băncii \(i\) la nivelul \(\alpha\) (Acharya, Pedersen, Philippon & Richardson, 2017) este

    \[\mathrm{MES}_{i,\alpha} = -\mathbb{E}\big[X_i \mid X_m \le q_\alpha(X_m)\big],\]
    (18.2)

    pierderea medie a băncii în ponderea \(\alpha\) a celor mai rele zile pentru piața \(m\). Denumirea de „marginal” vine din proprietatea Euler: dacă \(m = \sum_i w_i X_i\) este chiar portofoliul, atunci Expected Shortfall al portofoliului se descompune ca \(\mathrm{ES}_\alpha(X_m) = \sum_i w_i\,\mathrm{MES}_{i,\alpha}\). Aceasta este alocarea Euler (Euler allocation), demonstrată în Anexă.

    Indicii de piață din capitol nu sînt portofolii ale acestor 13 bănci, așa că aici MES măsoară expunerea, nu o parte din ES (Expected Shortfall, pierderea așteptată în coadă) al indicelui. Estimarea istorică face media lui \(-X_i\) pe zilele cu \(X_m \le \hat q_\alpha(X_m)\); cu \(\alpha = 5\%\) și 3 961 de zile, acestea sînt aproximativ 200 de zile.

    Pe scurt

    • MES a băncii \(i\) la nivelul \(\alpha\) Acharya, Pedersen, Philippon & Richardson (2017)
      • MES: Marginal Expected Shortfall, pierderea marginală așteptată în coadă
      • \(\MES_{i,\alpha} = -\E\left[X_i \mid X_m \le q_\alpha(X_m)\right]\): pierderea medie a băncii în fracțiunea \(\alpha\) a celor mai rele zile ale pieței \(m\)
    • Termenul „marginală”: dacă \(m = \sum_i w_i X_i\) este chiar portofoliul, atunci \(\ES_\alpha(X_m) = \sum_i w_i\,\MES_{i,\alpha}\)
      • aceasta este alocarea Euler (demonstrația în Anexă)
      • Indicii noștri de piață nu sînt portofolii ale acestor 13 bănci
      • Aici MES măsoară expunerea, nu o parte din ES (Expected Shortfall, pierderea așteptată în coadă) al indicelui
    • Estimarea istorică: media lui \(-X_i\) în zilele cu \(X_m \le \hat q_\alpha(X_m)\)
      • Cu \(\alpha = 5\%\) și 3 961 de zile, media se calculează pe aproximativ 200 de zile

    MES 5% pentru treisprezece bănci (1/2)

    Slide 12 în PDF
      Întrebare pentru sală Dacă ▶ mărește α de la 5% la 10%, trebuie să scadă MES pentru fiecare bancă?
      Răspuns

      Nu există această garanție. Zilele adăugate sînt selectate după randamentul pieței, nu după randamentul băncii, deci MES al unei bănci nu este obligatoriu descrescător în α. În acest eșantion scade pentru toate băncile: pentru JPMorgan, de la 3,21% la 2,34%; este un rezultat empiric, nu o proprietate generală. La α = 5%, S&P 500 pierde în medie 2,72% în acele zile, iar băncile americane între 3,21% (JPMorgan) și 4,03% (Morgan Stanley); în Europa, HSBC pierde 2,53%, față de 3,16% pentru Euro Stoxx 50.

      Graficul arată MES 5% pentru fiecare dintre cele treisprezece bănci, cu intervalul bootstrap de 95%, împreună cu MES al indicilor de piață în aceleași zile.

      MES 5% pentru treisprezece bănci (2/2)

      Slide 13 în PDF

      Barele dau pierderea zilnică medie a fiecărei bănci în cele mai rele 5% dintre zilele indicelui ei de piață, 2010–2026, cu intervale de 95% dintr-un moving-block bootstrap cu blocuri de 20 de zile. MES există dacă pierderea băncii este integrabilă în zilele din coada pieței. Intervalul Normal cere o varianță pe termen lung finită a funcției de influență și o dependență slabă, nu în general un moment de ordinul patru.

      Băncile americane merg de la 3,21% (JPMorgan) la 4,03% (Morgan Stanley), iar în Europa MES ajunge la 4,79% (ING). În aceleași zile piețele pierd mai puțin, 2,72% pentru S&P 500 și 3,16% pentru Euro Stoxx 50, deci băncile pierd mai mult decît piața lor. HSBC este excepția din Europa, cu 2,53%, sub indice: are o listare la Londra și o activitate concentrată în Asia. În România, Banca Transilvania are un MES de 3,14%, iar BRD de 2,69%, cît și indicele BET însuși, 2,69%. Rezultatul susține o descriere a expunerii.

      Pe scurt

      • Pierderea zilnică medie a fiecărei bănci în cele mai rele 5% dintre zile ale indicelui său de piață
        • zilele cu cele mai mici randamente ale indicelui, 2010–2026
        • Intervale de 95%: bootstrap pe blocuri suprapuse de 20 de zile (reeșantionăm blocuri de zile consecutive)
        • MES există dacă pierderea băncii este integrabilă în zilele de coadă ale pieței
        • Intervalul Normal cere o dispersie de termen lung finită a funcției de influență și dependență slabă, nu în general momentul patru
      • Băncile americane: de la \(3{,}21\%\) (JPMorgan) la \(4{,}03\%\) (Morgan Stanley)
        • băncile europene: pînă la \(4{,}79\%\) (ING)
        • În aceleași zile, piața a pierdut în medie \(2{,}72\%\) (S&P 500) și \(3{,}16\%\) (Euro Stoxx 50): băncile pierd mai mult
      • HSBC este excepția din Europa (\(2{,}53\%\), sub indice)
        • O bancă listată la Londra, cu activitate concentrată în Asia
      • Băncile românești: Banca Transilvania \(3{,}14\%\) și BRD (BRD–Groupe Société Générale) \(2{,}69\%\)
        • față de \(2{,}69\%\) pentru indicele BET însuși
      • Tipul de dovadă: descriere (arată ce s-a întîmplat în date, fără un test al cauzei)
      MFM_ch18_mes_srisk

      LRMES, intuitiv

      Slide 14 în PDF
      • MES privește o singură zi proastă; o criză reală durează luni, de exemplu o scădere a pieței de 40% în șase luni
      • LRMES: cît pierd, în medie, acțiunile băncii dacă piața trece printr-o astfel de criză
      • Varianta simplă, fără simulare: pornim de la pierderea băncii într-o zi în care piața scade cu peste 2% (\(\MES^{2\%}\)) și o extindem la o criză lungă
        • factorul 18 face trecerea de la o zi la șase luni, cu beta constant: \(\mathrm{LRMES}\approx1-e^{-18\,\MES^{2\%}}\)
        • exemplu: \(\MES^{2\%}=3\%\) dă 41,7%
      • Pentru băncile noastre: de la 37% (HSBC) la 58% (ING); JPMorgan 48%, Banca Transilvania 52%
        • cîteva bănci ar pierde mai mult decît piața însăși
      • Varianta din Aprofundări: simulăm multe traiectorii de șase luni și facem media pierderii băncii în cele în care piața scade cu peste 40%
      • De ce contează: LRMES intră direct în SRISK; cu cît scad mai mult acțiunile, cu atît rămîne mai puțin capital

      De la MES la o criză: LRMES

      Slide 15 în PDF

      LRMES (Long-Run MES) este scăderea așteptată a capitalului de piață al băncii într-o criză,

      \[\mathrm{LRMES}_{i,t} = -\mathbb{E}_t\big[R_{i,t+1:t+h} \mid R_{m,t+1:t+h} < C\big],\]
      (18.3)

      unde \(R\) sînt randamentele aritmetice pe \(h\) zile ale băncii și pieței. O criză este o scădere a pieței sub \(C = -40\%\) în șase luni (Acharya, Engle & Richardson, 2012) sau sub \(C = -10\%\) în \(h = 22\) de zile (Brownlees & Engle, 2017).

      Acharya, Engle & Richardson (2012) dau o scurtătură fără simulare, \(\mathrm{LRMES}_i \approx 1 - \exp(-18 \times \mathrm{MES}_i^{2\%})\), unde \(\mathrm{MES}_i^{2\%}\) este pierderea zilnică medie a băncii în zilele în care piața scade cu mai mult de 2%. Factorul 18 scalează pierderea zilnică la criza de șase luni, cu un beta constant. De exemplu, \(\mathrm{MES}^{2\%} = 3\%\) dă \(1 - e^{-0{,}54} = 41{,}7\%\). Pe băncile capitolului, LRMES prin scurtătură merge de la 37% (HSBC) la 58% (ING), cu 48% pentru JPMorgan și 52% pentru Banca Transilvania.

      Pe scurt

      • LRMES: scăderea așteptată a capitalului de piață al băncii într-o criză
        • LRMES: Long-Run MES, MES pe termen lung
        • \(\mathrm{LRMES}_{i,t} = -\E_t\left[R_{i,t+1:t+h} \mid R_{m,t+1:t+h} < C\right]\), cu \(R\) randamentele aritmetice pe \(h\) zile ale băncii și ale pieței
        • Criza: piața scade sub \(C = -40\%\) în șase luni Acharya, Engle & Richardson (2012), respectiv sub \(C = -10\%\) în \(h = 22\) de zile Brownlees & Engle (2017)
      • Aproximarea din Acharya, Engle & Richardson (2012), fără simulare: \(\mathrm{LRMES}_i \approx 1 - \exp(-18 \times \MES_i^{2\%})\)
        • \(\MES_i^{2\%}\): pierderea zilnică medie a băncii în zilele în care piața scade cu peste 2%
        • Factorul 18 o duce la criza de șase luni, cu beta constant
        • Exemplu: \(\MES^{2\%} = 3\%\) dă \(1 - e^{-0{,}54} = 41{,}7\%\)
      • Pentru băncile noastre: de la \(37\%\) (HSBC) la \(58\%\) (ING)
        • JPMorgan \(48\%\), Banca Transilvania \(52\%\)

      SRISK, intuitiv

      Slide 16 în PDF
      • Întrebarea: dacă piața scade cu 40% în șase luni, de cîți bani noi ar avea nevoie banca pentru a rămîne suficient capitalizată?
      • Trei ingrediente: cît datorează banca (\(D\)), cît valorează azi acțiunile ei (\(W\)) și cît ar scădea acțiunile în criză (LRMES)
      • Socoteala pe exemplul din capitol: \(D=900\), \(W=100\), LRMES \(=41{,}7\%\)
        • după criză, acțiunile mai valorează \((1-0{,}417)\times100=58{,}3\)
        • regula prudențială cere capital de cel puțin \(k=8\%\) din cvasi-active: \(0{,}08\times(900+58{,}3)=76{,}7\)
        • lipsesc \(76{,}7-58{,}3=18{,}4\): acesta este SRISK
      • SRISK pozitiv: o gaură de capital pe care, în criză, ar trebui s-o acopere cineva (acționari noi sau statul); suma pe bănci este SRISK al sistemului
      • Ce îl face mare: datorii mari față de capital și o scădere mare a acțiunilor în criză
        • pentru băncile noastre LRMES merge de la 37% (HSBC) la 58% (ING)

      SRISK și gradul de îndatorare de echilibru (1/2)

      Slide 17 în PDF

      SRISK este capitalul care i-ar lipsi unei bănci într-o criză severă a pieței (Brownlees & Engle, 2017). Capitalul trebuie să fie cel puțin o proporție \(k\) din cvasi-active, adică datoriile contabile \(D\) plus capitalul de piață \(W\). Presupunînd că datoriile nu sînt renegociate în criză,

      \[\mathrm{SRISK}_i = k\,D_i - (1-k)(1 - \mathrm{LRMES}_i)\,W_i,\]
      (18.4)

      ceea ce se poate scrie \(k[D_i + (1-\mathrm{LRMES}_i)W_i] - (1-\mathrm{LRMES}_i)W_i\): capitalul cerut după criză minus capitalul rămas.

      Raportul prudențial este \(k = 8\%\) pentru firmele americane (Brownlees & Engle, 2017) și \(k = 5{,}5\%\) pentru firmele europene (Engle, Jondeau & Rockinger, 2015). Raportul european mai mic reflectă contabilitatea: bilanțurile IFRS (International Financial Reporting Standards) permit mai puțin netting al derivatelor decît US (United States, Statele Unite ale Americii) GAAP (Generally Accepted Accounting Principles), așa că raportează active mai mari. Un SRISK pozitiv este un deficit de capital, iar SRISK al sistemului, suma valorilor pozitive, este publicat de V-Lab, la NYU (New York University, Universitatea din New York) Stern.

      Pe scurt

      • SRISK (systemic risk): capitalul care i-ar lipsi unei bănci într-o criză severă a pieței
      • Capitalul trebuie să fie cel puțin o proporție \(k\) din cvasi-active Brownlees & Engle (2017)
        • cvasi-activele: datoriile contabile \(D\) plus capitalul de piață \(W\)
        • \(\mathrm{SRISK}_i = k\,D_i - (1 - k)(1 - \mathrm{LRMES}_i)\,W_i\), cu datoriile nerenegociate în criză
        • Echivalent, \(k[D_i + (1 - \mathrm{LRMES}_i)W_i] - (1 - \mathrm{LRMES}_i)W_i\)
        • Adică capitalul cerut după criză minus capitalul rămas
      • \(k = 8\%\) pentru firmele americane Brownlees & Engle (2017) și \(k = 5{,}5\%\) pentru cele europene Engle, Jondeau & Rockinger (2015)
        • Bilanțurile IFRS (standardele internaționale de raportare financiară) permit mai puțină compensare (netting) a derivatelor decît principiile contabile americane (GAAP)
        • De aceea raportează active mai mari
      • SRISK pozitiv înseamnă deficit de capital

      SRISK și gradul de îndatorare de echilibru (2/2)

      Slide 18 în PDF

      Împărțind (18.4) la \(W\) și scriind leverage-ul cvasi-de-piață ca \(\Lambda = (D+W)/W\), obținem

      \[\frac{\mathrm{SRISK}}{W} = k(\Lambda - 1) - (1-k)(1 - \mathrm{LRMES}),\]

      care este pozitiv odată ce \(\Lambda\) depășește leverage-ul de echilibru (break-even leverage)

      \[\Lambda^* = 1 + \frac{(1-k)(1-\mathrm{LRMES})}{k}.\]
      (18.5)

      Într-un exemplu numeric cu \(D = 900\), \(W = 100\), deci \(\Lambda = 10\), și \(\mathrm{LRMES} = 41{,}7\%\), \(\mathrm{SRISK} = 0{,}08 \times 900 - 0{,}92 \times (1 - 41{,}7\%) \times 100 = 72 - 53{,}6 = 18{,}4\). Deoarece \(\Lambda^* = 7{,}7 < \Lambda = 10\), banca are un deficit.

      Datele capitolului conțin prețuri, nu bilanțuri. De aceea capitolul raportează \(\Lambda^*\) din LRMES estimat și tratează leverage-ul ca pe o ipoteză.

      Pe scurt

      • Împărțim la \(W\), cu gradul de îndatorare pe bază de cvasi-active \(\Lambda = (D + W)/W\)
        • \(\dfrac{\mathrm{SRISK}}{W} = k(\Lambda - 1) - (1 - k)(1 - \mathrm{LRMES})\)
      • SRISK devine pozitiv cînd \(\Lambda\) depășește gradul de îndatorare de echilibru \(\Lambda^* = 1 + \dfrac{(1 - k)(1 - \mathrm{LRMES})}{k}\)
      • Exemplu: \(D = 900\), \(W = 100\) (deci \(\Lambda = 10\)), \(\mathrm{LRMES} = 41{,}7\%\)
        • \(\mathrm{SRISK} = 0{,}08 \times 900 - 0{,}92 \times (1 - 41{,}7\%) \times 100 = 72 - 53{,}6 = 18{,}4\)
        • \(\Lambda^* = 7{,}7 < \Lambda = 10\): deficit
      • Datele noastre conțin prețuri, nu bilanțuri
        • raportăm \(\Lambda^*\) din LRMES estimat
        • tratăm gradul de îndatorare ca pe o ipoteză

      SRISK în funcție de gradul de îndatorare (1/2)

      Slide 19 în PDF
        Întrebare pentru sală Cu k = 8%, de la ce leverage are nevoie ING de capital nou într-un crah al pieței de 40%? Dar cu k = 5,5%?
        Răspuns

        De la Λ* = 5,8 cu k = 8% și de la 8,2 cu k = 5,5%. Pentru HSBC, banca cu cel mai mic LRMES (37%), pragurile sînt 8,3 și 11,9. Un raport prudențial mai mic ridică pragul fiecărei bănci.

        Graficul arată SRISK pe unitatea de capital de piață în funcție de un leverage presupus \(\Lambda\), pentru băncile cu cel mai mare, cel median și cel mai mic LRMES; punctele marchează leverage-ul de echilibru (18.5) al fiecărei bănci.

        SRISK în funcție de gradul de îndatorare (2/2)

        Slide 20 în PDF

        Leverage-ul de pe axa orizontală este presupus, nu observat. Cu \(k = 8\%\) și LRMES prin scurtătură, curbele din grafic au \(\Lambda^* = 5{,}8\) pentru ING, 6,4 pentru Santander și 8,3 pentru HSBC; pentru celelalte bănci pragul este 7,0 pentru JPMorgan, 6,0 pentru Morgan Stanley, 6,5 pentru Banca Transilvania și 7,1 pentru BRD. Peste \(\Lambda^*\), banca are nevoie de capital nou într-un crah de 40% al pieței, adică la datorii de peste 4,8–7,3 ori capitalul de piață. Cu \(k = 5{,}5\%\) pragurile cresc, la 8,2 pentru ING și 11,9 pentru HSBC, deci SRISK depinde de raportul prudențial ales.

        Calculul are limite. LRMES extrapolează datele zilnice, iar capitalul de piață însuși scade într-o criză. LRMES simulat cu GJR (Glosten–Jagannathan–Runkle, asymmetric GARCH, GARCH asimetric Glosten–Jagannathan–Runkle)–GARCH (Generalised AutoRegressive Conditional Heteroskedasticity, heteroscedasticitate condiționată autoregresivă generalizată) și DCC (Dynamic Conditional Correlation, corelație condiționată dinamică) reprezintă între 0,43 și 0,92 din valoarea prin scurtătură (Aprofundări), deci \(\Lambda^*\) depinde de model. Rezultatul susține o descriere: un prag calculat pentru un leverage presupus, nu un deficit de capital observat.

        Pe scurt

        • Curbele: băncile cu LRMES maxim, median și minim
          • punctele marchează \(\Lambda^*\)
          • Gradul de îndatorare de pe axa orizontală este presupus, nu observat
        • Curbele din grafic, cu \(k = 8\%\) și LRMES aproximat: \(\Lambda^* = 5{,}8\) (ING), \(6{,}4\) (Santander), \(8{,}3\) (HSBC)
          • Celelalte bănci: JPMorgan \(7{,}0\), Morgan Stanley \(6{,}0\), Banca Transilvania \(6{,}5\), BRD \(7{,}1\)
        • Peste \(\Lambda^*\), banca are nevoie de capital nou într-un crah al pieței de 40%
          • adică la datorii de peste \(4{,}8\)–\(7{,}3\) ori capitalul de piață
        • Cu \(k = 5{,}5\%\) pragurile cresc (ING \(8{,}2\), HSBC \(11{,}9\))
          • SRISK depinde de raportul prudențial ales
        • Limitele calculului
          • LRMES extrapolează date zilnice
          • capitalul de piață însuși scade într-o criză
          • LRMES simulat cu un GARCH (Generalised AutoRegressive Conditional Heteroskedasticity, heteroscedasticitate condiționată autoregresivă generalizată) asimetric (GJR) și corelații condiționate dinamice (DCC) este între 0,43 și 0,92 din aproximare (Aprofundări): \(\Lambda^*\) depinde de model
        • Tipul de dovadă: descriere
          • un prag calculat pentru un grad de îndatorare presupus, nu un deficit de capital observat
        MFM_ch18_mes_srisk

        Sinteza secțiunii

        MES măsoară pierderea băncii în zilele de crah ale pieței; pe datele capitolului, majoritatea băncilor pierd mai mult decît indicele lor. LRMES extinde pierderea la o criză de șase luni, iar SRISK o transformă într-un deficit de capital, care, în lipsa bilanțurilor, este rezumat prin leverage-ul de echilibru. Pragurile depind de raportul prudențial și de modelul pentru LRMES.

        Contribuția: CoVaR

        Contribuția inversează direcția expunerii: întreabă cu cît se înrăutățește coada distribuției sistemului cînd o anumită bancă este în dificultate. Secțiunea definește CoVaR și ΔCoVaR, le estimează prin regresie cuantilă, testează dacă diferă contribuțiile între bănci și le compară cu VaR-ul propriu al băncii și cu expunerea ei. Se încheie cu întrebarea cît de mult ne putem baza pe clasamentele băncilor după aceste măsuri.

        Cu cît crește pierderea sistemului cînd o bancă este în dificultate?

        Slide 21 în PDF

        MES privește de la piață spre bancă; contribuția privește în sens invers, de la bancă spre sistem. Obiectul de interes este o cuantilă din coada randamentului sistemului, nu media lui, așa că instrumentul natural este regresia cuantilă (quantile regression), care estimează direct cuantila condiționată (Koenker & Bassett, 1978).

        Nivelurile sînt \(\alpha = 1\%\) și \(\alpha = 5\%\), cele raportate de Adrian & Brunnermeier (2016), iar clasamentele la cele două niveluri sînt comparate. Secțiunea întreabă cît adaugă fiecare bancă la pierderea extremă a sistemului și dacă diferențele dintre bănci sînt semnificative statistic.

        Pe scurt

        • MES privește direcția piață \(\to\) bancă
          • contribuția privește direcția inversă, bancă \(\to\) sistem
        • Ne interesează o cuantilă din coada sistemului, nu media lui
        • Nivelurile: \(\alpha = 1\%\) și \(\alpha = 5\%\), cele raportate de Adrian & Brunnermeier (2016)
          • comparăm clasamentele obținute la cele două niveluri
        • Întrebările secțiunii
          • Cît adaugă fiecare bancă la pierderea din coadă a sistemului?
          • Sînt diferențele dintre bănci semnificative statistic?

        CoVaR, intuitiv

        Slide 22 în PDF
        • VaR-ul unei bănci răspunde la întrebarea: cît poate pierde banca într-una dintre cele mai proaste 1% zile ale ei?
        • Regulatorul are altă întrebare: cît pierde restul sistemului bancar într-o zi în care această bancă este în dificultate?
        • CoVaR: VaR-ul sistemului, calculat pentru zilele în care banca se află la propriul VaR
        • \(\Delta\)CoVaR: cu cît crește această pierdere a sistemului față de o zi obișnuită pentru bancă (randament median)
          • este contribuția băncii la riscul de coadă al sistemului, nu riscul ei propriu
        • Cele două pot diferi mult: o bancă cu pierderi proprii mici poate trage mult sistemul după ea
          • JPMorgan are unul dintre cele mai mici VaR (4,83%), dar unul dintre cele mai mari \(\Delta\)CoVaR
          • Deutsche Bank are cel mai mare VaR (7,19%), dar doar un \(\Delta\)CoVaR mediu
        • Estimarea, în cuvinte: trasăm linia care urmărește cele mai proaste 1% zile ale sistemului în funcție de randamentul băncii (regresie cuantilă); panta ei arată cît adaugă banca

        CoVaR: VaR al sistemului cînd o bancă este în dificultate

        Slide 23 în PDF

        CoVaR al sistemului condiționat de faptul că banca \(i\) se află la VaR-ul ei (Adrian & Brunnermeier, 2016) este definit prin

        \[P\big(X^{sys} \le -\mathrm{CoVaR}_\alpha^{sys|i} \,\big|\, X_i = -\mathrm{VaR}_{i,\alpha}\big) = \alpha,\]
        (18.6)

        pierderea sistemului depășită cu probabilitatea \(\alpha\) într-o zi în care banca \(i\) se află la propriul VaR.

        ΔCoVaR este variația de la starea mediană a băncii, o zi normală, la starea ei de dificultate,

        \[\Delta\mathrm{CoVaR}_\alpha^{sys|i} = \mathrm{CoVaR}_\alpha^{sys|X_i = q_\alpha} - \mathrm{CoVaR}_\alpha^{sys|X_i = q_{50\%}},\]
        (18.7)

        cu randamentul băncii fixat la cuantila indicată. ΔCoVaR măsoară contribuția băncii \(i\) la riscul extrem al sistemului. Inversînd rolurile băncii și sistemului obținem CoVaR de expunere (exposure CoVaR), VaR-ul băncii \(i\) atunci cînd sistemul este în dificultate.

        Pe scurt

        • CoVaR al sistemului condiționat de banca \(i\) aflată la nivelul VaR-ului ei Adrian & Brunnermeier (2016)
          • \(P\left(X^{sys} \le -\CoVaR_\alpha^{sys|i} \;\middle|\; X_i = -\VaR_{i,\alpha}\right) = \alpha\)
          • Pierderea sistemului depășită cu probabilitatea \(\alpha\) într-o zi în care banca \(i\) se află la propriul VaR
        • \(\Delta\)CoVaR: diferența dintre starea de dificultate a băncii și starea ei mediană, o zi obișnuită
          • \(\Delta\CoVaR_\alpha^{sys|i} = \CoVaR_\alpha^{sys|X_i = q_\alpha} - \CoVaR_\alpha^{sys|X_i = q_{50\%}}\), cu randamentul băncii fixat la cuantila indicată
        • \(\Delta\)CoVaR măsoară contribuția băncii \(i\) la riscul de coadă (tail risk) al sistemului
        • Inversînd rolurile obținem CoVaR de expunere
          • VaR al băncii \(i\) atunci cînd sistemul este în dificultate

        Estimarea CoVaR prin regresie cuantilă

        Slide 24 în PDF

        Regresia cuantilă (Koenker & Bassett, 1978) modelează cuantila condiționată ca \(q_\alpha(Y \mid x) = a_\alpha + b_\alpha x\) și o estimează prin

        \[(\hat a_\alpha, \hat b_\alpha) = \arg\min_{a,b} \sum_t \rho_\alpha(y_t - a - b x_t), \qquad \rho_\alpha(u) = u\,(\alpha - \mathbf{1}\{u < 0\}),\]
        (18.8)

        unde funcția de verificare (check function) \(\rho_\alpha\) ponderează reziduurile negative cu \(1-\alpha\) și pe cele pozitive cu \(\alpha\).

        CoVaR se obține în trei pași:

        1. Sistemul este regresat pe bancă, \(\hat q_\alpha(X^{sys} \mid X_i) = \hat a_\alpha + \hat b_\alpha X_i\);
        2. Se introduce cuantila de dificultate a băncii, \(\mathrm{CoVaR}_\alpha^{sys|i} = -(\hat a_\alpha + \hat b_\alpha \hat q_\alpha(X_i))\);
        3. Interceptul se simplifică în diferență,
        \[\Delta\mathrm{CoVaR}_\alpha^{sys|i} = \hat b_\alpha\big(\hat q_{50\%}(X_i) - \hat q_\alpha(X_i)\big).\]
        (18.9)

        Incertitudinea este măsurată printr-un moving-block bootstrap cu 999 de reeșantionări, care păstrează volatility clustering. Lungimea blocului crește ca \(n^{1/3}\) (Hall, Horowitz & Jing, 1995): \(3\,961^{1/3} \approx 16\), rotunjit la 20 de observații, aproximativ o lună de tranzacționare.

        Pe scurt

        • Regresia cuantilă Koenker & Bassett (1978): \(q_\alpha(Y \mid x) = a_\alpha + b_\alpha x\)
          • \((\hat a_\alpha, \hat b_\alpha) = \arg\min_{a,b} \sum_t \rho_\alpha(y_t - a - b x_t)\)
          • Funcția de pierdere cuantilă \(\rho_\alpha(u) = u\,(\alpha - \mathbf{1}\{u < 0\})\) ponderează reziduurile negative cu \(1 - \alpha\) și pe cele pozitive cu \(\alpha\)
        • 1. Regresăm sistemul pe bancă: \(\hat q_\alpha(X^{sys} \mid X_i) = \hat a_\alpha + \hat b_\alpha X_i\)
        • 2. Introducem cuantila de dificultate a băncii: \(\CoVaR_\alpha^{sys|i} = -\left(\hat a_\alpha + \hat b_\alpha \hat q_\alpha(X_i)\right)\)
        • 3. \(\Delta\CoVaR_\alpha^{sys|i} = \hat b_\alpha\left(\hat q_{50\%}(X_i) - \hat q_\alpha(X_i)\right)\)
          • termenul liber se simplifică
        • Incertitudinea: bootstrap pe blocuri suprapuse, cu 999 de reeșantionări
          • bootstrap-ul păstrează gruparea volatilității (volatility clustering)
          • Lungimea blocului crește ca \(n^{1/3}\) Hall, Horowitz & Jing (1995): \(3\,961^{1/3} \approx 16\), mărit la 20 de observații, aproximativ o lună de tranzacționare

        Regresia cuantilă: JPMorgan și celelalte bănci americane (1/2)

        Slide 25 în PDF
          Întrebare pentru sală Cu α = 1% fix, ce se întîmplă cu dreapta cuantilă de 1% cînd ▶ mărește numărul zilelor afișate?
          Răspuns

          Rămîne aceeași: coeficienții sînt estimați pe întregul eșantion și rămîn fixați; ▶ schimbă doar punctele vizibile și proporția lor aflată sub dreaptă. Animația nu este o estimare recursivă. CoVaR 1% este 6,64% cu JPMorgan la VaR 1% (4,83%), față de 2,03% cu JPMorgan la mediană; diferența, ΔCoVaR 1% = 4,62%, este panta 0,94 înmulțită cu distanța dintre cele două cuantile ale lui JPMorgan. VaR 1% necondiționat al sistemului este 5,07%.

          Graficul arată randamentele zilnice ale celorlalte bănci americane în funcție de cele ale JPMorgan, 2010–2026, cu dreptele de regresie cuantilă de 1% și 50% și o linie punctată la VaR 1% al JPMorgan.

          Pe scurt

          Regresia cuantilă: JPMorgan și celelalte bănci americane (2/2)

          Slide 26 în PDF

          Dreapta estimată de 1% este \(\hat q_{1\%} = -2{,}10 + 0{,}94\,X_i\), iar dreapta mediană \(-0{,}03 + 0{,}96\,X_i\). Pantele sînt asemănătoare, deci dreapta de 1% este deplasată în jos, nu mai abruptă.

          Cu JPMorgan la VaR 1%, 4,83%, CoVaR 1% al celorlalte bănci americane este 6,64%, față de un VaR 1% al sistemului de 5,07% și de un CoVaR 1% de 2,03% cu JPMorgan la mediană. Din (18.9), \(\Delta\mathrm{CoVaR}_{1\%} = 4{,}62\%\): JPMorgan în dificultate adaugă aproximativ 4,62 puncte la pierderea extremă a sistemului. Aceasta este o asociere, nu un efect cauzal, pentru că un șoc comun lovește toate băncile în aceeași zi.

          Pe scurt

          • Randamente zilnice 2010–2026, dreptele de regresie cuantilă de 1% și 50%
            • linia punctată: JPMorgan la VaR 1%
          • Dreapta de 1%: \(\hat q_{1\%} = -2{,}10 + 0{,}94\,X_i\)
            • dreapta medianei: \(-0{,}03 + 0{,}96\,X_i\)
            • Pante asemănătoare: dreapta de 1% este deplasată în jos, nu mai abruptă
          • Cînd JPMorgan se află la VaR 1% (\(4{,}83\%\)), CoVaR 1% al celorlalte bănci americane este \(6{,}64\%\)
            • Față de VaR 1% al sistemului, \(5{,}07\%\), și de CoVaR 1% cu JPMorgan la mediană, \(2{,}03\%\)
          • \(\Delta\CoVaR_{1\%} = 4{,}62\%\)
            • JPMorgan în dificultate adaugă aproximativ \(4{,}62\) puncte procentuale la pierderea din coadă a sistemului
            • Asociere, nu cauzalitate: un șoc comun afectează toate băncile în aceeași zi
          MFM_ch18_covar

          \(\Delta\)CoVaR 1% pentru unsprezece bănci (1/2)

          Slide 27 în PDF
            Întrebare pentru sală Este Wells Fargo, cu cel mai mare ΔCoVaR 1%, semnificativ mai sistemică decît Citigroup, cu cel mai mic?
            Răspuns

            Estimările sînt 4,89% și 3,81%, dar niciuna dintre cele 25 de perechi din aceeași regiune nu diferă după corecția Holm. Suprapunerea intervalelor [3,27; 4,79] și [3,68; 5,73] nu este însă testul. Testul Wald comun respinge egalitatea contribuțiilor băncilor americane (p = 0,011). La α = 5% clasamentul se schimbă: corelația Spearman cu clasamentul de 1% este 0,13.

            Graficul arată ΔCoVaR 1% pentru cele unsprezece bănci internaționale, cu intervale bootstrap de 95%.

            Pe scurt

            \(\Delta\)CoVaR 1% pentru unsprezece bănci (2/2)

            Slide 28 în PDF

            Barele dau ΔCoVaR, pierderea suplimentară a sistemului cînd banca trece de la mediană la VaR-ul ei, cu intervale bootstrap de 95%. Băncile românești sînt lăsate deoparte: fiind doar două, „sistemul” celeilalte bănci ar fi o singură bancă. Estimările merg de la 3,81% (Citigroup) la 4,89% (Wells Fargo), cu intervale de 1,5–2,8 puncte lățime.

            Intervalele marginale se suprapun, de exemplu Citigroup [3,27; 4,79] și Wells Fargo [3,68; 5,73]. Suprapunerea nu este un test: estimările din aceleași zile sînt puternic corelate, deci intervalul pentru diferență poate fi mai îngust; testele urmează pe slide-ul următor.

            La \(\alpha = 5\%\) valorile sînt mai mici (2,63% pentru JPMorgan), iar clasamentul se schimbă. Corelația Spearman dintre clasamentele de la 1% și 5% este 0,13, o bază fragilă pentru reglementare. Rezultatul susține o asociere.

            Pe scurt

            • Barele: \(\Delta\)CoVaR, pierderea suplimentară a sistemului cînd banca trece de la mediană la VaR
              • intervale bootstrap de 95%
              • Fără băncile românești: fiind doar două, „sistemul” celorlalte bănci ar fi o singură bancă
            • Valorile merg de la \(3{,}81\%\) (Citigroup) la \(4{,}89\%\) (Wells Fargo)
              • intervalele au lățimea de 1,5–2,8 puncte procentuale
              • Intervalele marginale se suprapun, de ex. Citigroup \([3{,}27; 4{,}79]\) și Wells Fargo \([3{,}68; 5{,}73]\)
            • Suprapunerea nu este un test
              • estimările din aceleași zile sînt puternic corelate
              • deci intervalul diferenței poate fi mai îngust
            • La \(\alpha = 5\%\) valorile sînt mai mici (JPMorgan \(2{,}63\%\)), iar clasamentul se schimbă
              • Corelația Spearman 1%–5% este tot \(0{,}13\): coincidență cu cea VaR–\(\Delta\)CoVaR
              • O bază fragilă pentru reglementare
            • Tipul de dovadă: asociere (variabilele se mișcă împreună; nu dovedește o relație cauzală)
            MFM_ch18_covar

            Testarea \(\Delta\)CoVaR 1%

            Slide 29 în PDF

            Toate testele folosesc aceleași 999 de extrageri block bootstrap pentru fiecare bancă, așa că estimările își păstrează dependența (detalii în Anexă). Se testează trei ipoteze:

            1. Absența contribuției, \(H_0: b_\alpha = 0\), testată cu eroarea standard a pantei \(\hat b_{1\%}\) din extragerile bootstrap și o corecție Holm (1979) pe cele 11 bănci. Rapoartele \(z\) merg de la 8,7 (HSBC) la 22,6 (Citigroup), deci panta este pozitivă pentru toate cele 11 bănci, și după Holm. Cu eroarea standard sandwich cu nucleu a lui Hendricks & Koenker (1992), valabilă doar pentru scoruri necorelate serial, rapoartele \(t\) sînt între 4,0 și 6,9.
            2. Egalitatea pantei din coadă cu panta mediană, \(H_0: b_\alpha = b_{50\%}\): testul întreabă dacă panta din coadă diferă de panta mediană. Ipoteza este respinsă pentru 2 dintre cele 11 bănci, Citigroup și ING, și după Holm; nerespingerea pentru celelalte 9 nu dovedește egalitatea.
            3. Egalitatea contribuțiilor, \(H_0: \Delta\mathrm{CoVaR}_i = \Delta\mathrm{CoVaR}_j\); testele de dominanță sînt în Castro & Ferrari (2014), iar rezultatele pe bănci în Anexă. La \(\alpha = 1\%\), 4 dintre cele 25 de perechi din aceeași regiune diferă la 5%, niciuna după Holm, iar testul Wald comun dă \(p = 0{,}011\) pentru SUA și \(p = 0{,}28\) pentru Europa. La \(\alpha = 5\%\), 3 dintre cele 25 de perechi diferă, niciuna după Holm, cu \(p\) Wald comun de 0,017 pentru SUA și 0,038 pentru Europa.

            Pe scurt

            • Toate testele folosesc aceleași 999 de extrageri bootstrap pe blocuri pentru toate băncile
              • deci estimările își păstrează dependența (detalii: Anexă)
            • (1) Nicio contribuție, \(H_0\colon b_\alpha = 0\)
              • Eroarea standard a pantei \(\hat b_{1\%}\) din aceleași extrageri bootstrap, cu corecția Holm (1979) pe cele 11 bănci
              • Rapoartele \(z\) merg de la \(8{,}7\) (HSBC) la \(22{,}6\) (Citigroup): panta este pozitivă pentru toate cele 11 bănci și după Holm (Regresia cuantilă: asimptotica)
              • Cu eroarea sandviș estimată prin nucleu Hendricks & Koenker (1992), valabilă doar pentru scoruri necorelate serial: \(t\) între \(4{,}0\) și \(6{,}9\)
            • (2) Panta din coadă egală cu cea mediană, \(H_0\colon b_\alpha = b_{50\%}\): respinsă pentru 2 din 11 bănci (Citigroup, ING, și după Holm)
              • nerespingerea la celelalte 9 nu dovedește egalitatea
            • (3) Contribuții egale, \(H_0\colon \Delta\CoVaR_i = \Delta\CoVaR_j\)
              • teste de dominanță: Castro & Ferrari (2014); rezultatele pe bănci: Anexă
              • La \(\alpha = 1\%\): 4 din 25 de perechi din aceeași regiune diferă la 5% (0 după Holm); testul Wald comun dă \(p = 0{,}011\) (SUA) și \(0{,}28\) (Europa)
              • La \(\alpha = 5\%\): 3 din 25 de perechi diferă (0 după Holm); testul Wald comun dă \(p = 0{,}017\) (SUA) și \(0{,}038\) (Europa)

            Cum citim testele: Holm și testul Wald comun

            Slide 30 în PDF

            Cu 25 de perechi testate la 5%, chiar dacă toate contribuțiile ar fi egale ne așteptăm la mai mult de o „diferență” falsă, așa că perechile sînt tratate ca o singură familie. Procedura lui Holm (1979) ordonează valorile p, \(p_{(1)} \le \dots \le p_{(m)}\), și respinge cît timp \(p_{(k)} \le 0{,}05/(m-k+1)\); eroarea pe familie rămîne sub 5% pentru orice dependență între teste. Într-o verificare simplă cu \(p = 0{,}010;\ 0{,}030;\ 0{,}040\), prima ipoteză este respinsă, pentru că \(0{,}010 \le 0{,}05/3\), iar procedura se oprește la a doua, pentru că \(0{,}030 > 0{,}05/2\): o respingere în loc de trei.

            Testul Wald comun al contribuțiilor egale într-o regiune folosește \(W = \hat d^\top \hat V^{-1} \hat d\), care urmează o lege \(\chi^2\) cu numărul de bănci minus unu grade de libertate; \(\hat d\) conține diferențele față de o bancă de referință, orice alegere dînd același \(W\), iar \(\hat V\) este covarianța lor bootstrap.

            Pentru SUA, testul comun respinge (\(p = 0{,}011\)), în timp ce niciuna dintre cele 25 de perechi nu rezistă corecției Holm. Cele două rezultate sînt compatibile: testul comun agregă diferențe moderate, în timp ce Holm are nevoie de o pereche foarte puternică, \(p_{(1)} \le 0{,}05/25\). Contribuțiile nu sînt deci toate egale, dar datele nu spun care pereche diferă.

            Pe scurt

            • Multe perechi, o singură familie: 25 de perechi testate la 5%
              • ne așteptăm la mai mult de o „diferență” falsă chiar cu contribuții egale
              • Holm (1979): ordonăm \(p_{(1)} \le \dots \le p_{(m)}\) și respingem cît timp \(p_{(k)} \le 0{,}05/(m - k + 1)\)
              • Eroarea pe familie rămîne sub 5% pentru orice dependență
              • Exemplu, \(p = 0{,}010;\ 0{,}030;\ 0{,}040\): \(0{,}010 \le 0{,}05/3\) (respingem), \(0{,}030 > 0{,}05/2\) (ne oprim): o respingere în loc de trei
            • Testul Wald comun al egalității contribuțiilor dintr-o regiune
              • \(W = \hat d^\top \hat V^{-1} \hat d \sim \chi^2\) cu numărul băncilor minus 1 grade de libertate
              • \(\hat d\): diferențele față de o bancă de referință (orice alegere dă același \(W\))
              • \(\hat V\): covarianța lor bootstrap
            • SUA: testul comun respinge (\(p = 0{,}011\)), deși după Holm rămîn 0 din 25 de perechi
              • Testul comun adună diferențe moderate, iar Holm cere o pereche foarte puternică singură (\(p_{(1)} \le 0{,}05/25\))
              • Deci contribuțiile nu sînt toate egale, dar nu știm care pereche diferă

            VaR și \(\Delta\)CoVaR măsoară lucruri diferite (1/2)

            Slide 31 în PDF
              Întrebare pentru sală La α = 1%, corelația Spearman dintre VaR și ΔCoVaR este 0,13 pentru cele 11 bănci. Ce putem deduce?
              Răspuns

              Asocierea de rang estimată este slabă, fără să demonstreze independența. Corelația Spearman descrie asocierea dintre ranguri, nu independența și nici un efect cauzal; 0,13 provine din numai 11 bănci și este incertă. La α = 5%, estimarea este −0,51: nivelul cozii contează. Deutsche Bank și ING au cele mai mari VaR 1% (7,19% și 7,16%) și doar un ΔCoVaR mediu; JPMorgan are unul dintre cele mai mici VaR (4,83%) și unul dintre cele mai mari ΔCoVaR (4,62%).

              Graficul arată, pentru cele unsprezece bănci, VaR 1% al fiecărei bănci pe axa orizontală și ΔCoVaR 1% al ei pe axa verticală, 2010–2026.

              Pe scurt

              VaR și \(\Delta\)CoVaR măsoară lucruri diferite (2/2)

              Slide 32 în PDF

              Corelația de rang Spearman dintre VaR și ΔCoVaR este 0,13. Deutsche Bank și ING au cele mai mari VaR, 7,19% și 7,16%, dar doar un ΔCoVaR mediu, în timp ce JPMorgan are unul dintre cele mai mici VaR, 4,83%, și unul dintre cele mai mari ΔCoVaR.

              Acesta este mesajul central al lui Adrian & Brunnermeier (2016): reglementarea fiecărei bănci după propriul VaR ignoră contribuția ei la sistem. Cu unsprezece bănci și intervale care se suprapun, însă, corelația însăși este foarte incertă, așa că dovezile arată o asociere de rang slabă, nu independența.

              Pe scurt

              • Unsprezece bănci, 2010–2026
                • pe axa orizontală VaR 1% al băncii, pe axa verticală \(\Delta\)CoVaR 1%
              • Corelația de rang Spearman dintre VaR și \(\Delta\)CoVaR: \(0{,}13\)
                • Deutsche Bank și ING au cele mai mari VaR (\(7{,}19\%\) și \(7{,}16\%\)), dar doar un \(\Delta\)CoVaR mediu
                • JPMorgan are unul dintre cele mai mici VaR (\(4{,}83\%\)), dar unul dintre cele mai mari \(\Delta\)CoVaR
              • Mesajul central al Adrian & Brunnermeier (2016)
                • reglementarea fiecărei bănci după propriul VaR ignoră contribuția ei la sistem
              • Cu unsprezece bănci și intervale suprapuse, corelația este însă foarte incertă
              MFM_ch18_covar

              Contribuție față de expunere (1/2)

              Slide 33 în PDF
                Întrebare pentru sală La α = 1%, putem obține expunerea ING inversînd coeficientul regresiei cuantile folosite pentru contribuția ei?
                Răspuns

                Nu. Inversarea condiționării cere o altă regresie cuantilă, a randamentului ING pe sistem. Pentru ING, contribuția este 4,41%, iar expunerea 6,14%, ambele măsurate față de starea mediană a variabilei pe care condiționăm; ele descriu asocieri în două direcții, nu efecte cauzale. HSBC este cazul opus: contribuția 4,07%, expunerea 3,17%. Expunerea depășește contribuția la patru dintre cele cinci bănci europene.

                Graficul compară, bancă cu bancă, contribuția (albastru), pierderea sistemului cînd banca este în dificultate, cu expunerea (portocaliu), pierderea băncii cînd sistemul este în dificultate.

                Pe scurt

                Contribuție față de expunere (2/2)

                Slide 34 în PDF

                CoVaR de expunere se estimează regresînd \(X_i\) pe \(X^{sys}\) și introducînd cuantilele lui \(X^{sys}\); este o regresie separată, nu o transformare a regresiei contribuției. Direcția contează: ING are o contribuție de 4,41% și o expunere de 6,14%, BNP Paribas 4,83% și 6,07%, iar HSBC o contribuție de 4,07% și o expunere de doar 3,17%. Expunerea depășește contribuția pentru majoritatea băncilor europene.

                Ambele mărimi sînt asocieri, nu efecte cauzale. Expunerea contează pentru capitalul propriu al băncii, contribuția pentru autoritatea de reglementare.

                Pe scurt

                • Albastru, contribuția: pierderea sistemului cînd banca este în dificultate
                • Portocaliu, expunerea: pierderea băncii cînd sistemul este în dificultate
                  • \(X_i\) regresat pe \(X^{sys}\), apoi cuantilele lui \(X^{sys}\)
                • Direcția contează: ING are contribuția \(4{,}41\%\) și expunerea \(6{,}14\%\)
                  • BNP Paribas (BNP: Banque Nationale de Paris): \(4{,}83\%\) și \(6{,}07\%\)
                • HSBC: contribuție \(4{,}07\%\), expunere doar \(3{,}17\%\)
                • Expunerea depășește contribuția pentru majoritatea băncilor europene
                • Ambele sînt asocieri, nu efecte cauzale
                • Expunerea contează pentru capitalul propriu al băncii
                  • contribuția contează pentru autoritatea de reglementare
                MFM_ch18_covar

                Fiabilitatea clasamentelor

                Slide 35 în PDF

                Clasamentele după diferite măsuri sistemice nu concordă și au o incertitudine mare (Nucera, Schwaab, Koopman & Lucas, 2016), așa că măsurile trebuie combinate, iar incertitudinea rangurilor raportată. Riscul de model se adaugă (Danielsson, James, Valenzuela & Zer, 2016): LRMES simulat față de cel prin scurtătură, CoVaR Girardi–Ergün față de cel prin regresie cuantilă și \(\alpha = 1\%\) față de \(5\%\) pot schimba fiecare ordinea.

                Eșantionul efectiv din coadă, \(\alpha n\), are 40 de zile la 1% și 198 la 5%. La 1%, erorile standard cu nucleu și cele prin block bootstrap nu concordă (Anexă), iar backtesting-ul out-of-sample al \(\mathrm{CoVaR}^{\le}_{5\%}\) nu respinge pentru nicio bancă (Anexă), dar cu aproximativ 7,4 depășiri comune așteptate puterea lui este mică.

                Rezistă diferențele mari și testate, între regiuni și în panta din coadă a unor bănci, nu ordinea a unsprezece estimații punctuale apropiate.

                Pe scurt

                • Clasamentele după măsuri sistemice diferite nu coincid și au o incertitudine mare Nucera, Schwaab, Koopman & Lucas (2016)
                  • combinăm măsurile și raportăm incertitudinea clasamentului
                • Riscul de model Danielsson, James, Valenzuela & Zer (2016)
                  • LRMES simulat față de aproximare
                  • CoVaR Girardi–Ergün față de regresia cuantilă
                  • \(\alpha = 1\%\) față de \(5\%\)
                • Eșantionul efectiv din coadă, \(\alpha n\): \(40\) de zile la 1% și \(198\) la 5%
                  • La 1% erorile standard cu nucleu și bootstrap pe blocuri diferă (Anexă)
                • Backtesting-ul în afara eșantionului (out-of-sample) al CoVaR 5% Girardi–Ergün nu respinge pentru nicio bancă
                  • detalii: Anexă
                  • Cu aproximativ 7,4 evenimente comune așteptate, puterea lui este mică
                • Robuste sînt diferențele mari și testate
                  • între regiuni și panta din coadă a unor bănci
                  • nu ordinea a unsprezece estimări apropiate

                Sinteza secțiunii

                ΔCoVaR măsoară cu cît crește pierderea extremă a sistemului cînd o bancă trece de la mediană la VaR-ul ei. Toate cele unsprezece bănci contribuie semnificativ, dar diferențele pe perechi nu rezistă corecției Holm, clasamentul se schimbă între 1% și 5%, iar contribuția este doar slab legată de VaR-ul propriu al băncii și diferă de expunerea ei.

                Conectivitatea: rețele de spillover

                MES și CoVaR leagă o bancă de un agregat, în timp ce o criză circulă între multe bănci deodată. Secțiunea construiește o rețea din descompunerea dispersiei erorilor de prognoză a unei autoregresii vectoriale pe volatilitățile zilnice ale băncilor, citește tabelul conectivității și rețeaua de spillover net și urmărește conectivitatea totală în timp.

                Prin ce legături se transmit șocurile între bănci?

                Slide 36 în PDF

                O rețea răspunde la trei întrebări pe care măsurile la nivelul băncii le lasă deschise:

                1. Cine transmite șocurile și cine le primește;
                2. Cît de conectat este sistemul în ansamblu;
                3. Dacă conectivitatea crește în crize.

                Abordarea secțiunii este descompunerea dispersiei erorilor de prognoză (forecast-error variance decomposition) a unei autoregresii vectoriale (VAR, vector autoregression) (Diebold & Yilmaz, 2014), aplicată volatilităților zilnice ale băncilor. Muchiile rețelei sînt ponderi din dispersia erorii de prognoză, care pot fi estimate doar din prețuri.

                Pe scurt

                • MES și CoVaR privesc o bancă și un agregat
                  • o criză se transmite însă între multe bănci deodată
                • O rețea răspunde la trei întrebări
                  • Cine transmite și cine primește șocuri?
                  • Cît de conectat este sistemul în ansamblu?
                  • Crește conectivitatea în crize?
                • Abordarea: descompunerea dispersiei erorii de prognoză dintr-un VAR Diebold & Yilmaz (2014)
                  • aplicată volatilităților zilnice ale băncilor

                De la perechi la rețele: descompunerea dispersiei (1/2)

                Slide 37 în PDF

                O rețea privește deodată toate perechile de bănci. Nodurile ei sînt băncile, iar o muchie orientată măsoară cît din incertitudinea viitoare a băncii \(i\) provine din șocurile băncii \(j\). Modelul este un VAR de ordin \(p\) pentru \(N\) serii \(y_t\),

                \[y_t = c + \sum_{l=1}^{p} A_l\,y_{t-l} + \varepsilon_t, \qquad \mathrm{Cov}(\varepsilon_t) = \Sigma,\]
                (18.10)

                în care fiecare serie este regresată pe \(p\) laguri ale tuturor seriilor; \(c\) este vectorul constantelor, \(A_l\) sînt matrice de coeficienți \(N \times N\), \(\varepsilon_t\) șocurile, iar \(\Sigma\) matricea lor de covarianță (ipotezele în Anexă).

                Rețelele bazate pe descompunerea dispersiei ale lui Diebold & Yilmaz (2009), Diebold & Yilmaz (2012) și Diebold & Yilmaz (2014) sînt abordarea acestei secțiuni. Există și alte rețele:

                Pe scurt

                • O rețea analizează simultan toate perechile de bănci
                  • nodurile sînt băncile
                  • muchiile orientate arată cît din incertitudinea viitoare a băncii \(i\) vine din șocurile băncii \(j\)
                • Autoregresie vectorială (VAR, vector autoregression) de ordin \(p\) pentru \(N\) serii \(y_t\)
                  • \(y_t = c + \sum_{l=1}^p A_l\,y_{t-l} + \varepsilon_t\), \(\mathrm{Cov}(\varepsilon_t) = \Sigma\)
                  • Fiecare serie este regresată pe \(p\) laguri ale tuturor seriilor
                  • Matricile de coeficienți \(A_l\) au dimensiunea \(N \times N\) (ipotezele: Anexă)
                • Rețele din descompunerea dispersiei Diebold & Yilmaz (2009), Diebold & Yilmaz (2012), Diebold & Yilmaz (2014): abordarea din această secțiune
                • Alte rețele

                De la perechi la rețele: descompunerea dispersiei (2/2)

                Slide 38 în PDF

                Eroarea de prognoză pe \(H\) zile a lui \(y_i\) este o sumă de șocuri ale tuturor seriilor, așa că dispersia ei poate fi împărțită după sursă. În forma de medie mobilă \(y_t = \mu + \sum_{h\ge0}\Phi_h\,\varepsilon_{t-h}\), \(\Phi_h\) este răspunsul lui \(y\) după \(h\) zile la un șoc de azi, cu \(\Phi_0 = I\). Șocurile ortogonale (Cholesky) depind de ordinea seriilor; descompunerea generalizată a lui Koop, Pesaran & Potter (1996) și Pesaran & Shin (1998) nu depinde.

                Ponderea generalizată a dispersiei erorii de prognoză a lui \(i\) datorată lui \(j\) este

                \[\theta_{ij}(H) = \frac{\sigma_{jj}^{-1}\sum_{h=0}^{H-1}(e_i^\top \Phi_h \Sigma e_j)^2}{\sum_{h=0}^{H-1} e_i^\top \Phi_h \Sigma \Phi_h^\top e_i}, \qquad \tilde\theta_{ij} = \frac{\theta_{ij}}{\sum_j \theta_{ij}},\]
                (18.11)

                unde numărătorul este partea din dispersia erorii de prognoză a lui \(i\) datorată unui șoc în \(j\), numitorul dispersia totală a erorii de prognoză a lui \(i\), \(e_i\) al \(i\)-lea vector unitate, iar \(\sigma_{jj}\) dispersia șocului \(j\), al \(j\)-lea element de pe diagonala lui \(\Sigma\).

                Pe scurt

                • Eroarea de prognoză pe \(H\) zile a lui \(y_i\) este o sumă de șocuri ale tuturor seriilor
                  • deci dispersia ei se poate împărți pe surse
                  • Reprezentarea de tip medie mobilă: \(y_t = \mu + \sum_{h \ge 0}\Phi_h\,\varepsilon_{t-h}\), cu \(\Phi_h\) răspunsul după \(h\) zile la un șoc de azi, \(\Phi_0 = I\)
                • Șocurile ortogonale (Cholesky) depind de ordinea seriilor
                  • descompunerea generalizată nu depinde de ea Koop, Pesaran & Potter (1996), Pesaran & Shin (1998)
                  • \(\theta_{ij}(H) = \dfrac{\sigma_{jj}^{-1}\sum_{h=0}^{H-1}(e_i^\top \Phi_h \Sigma e_j)^2}{\sum_{h=0}^{H-1} e_i^\top \Phi_h \Sigma \Phi_h^\top e_i}\), normalizat: \(\tilde\theta_{ij} = \theta_{ij}/\sum_j \theta_{ij}\)
                  • Numărătorul: partea din dispersia erorii de prognoză a lui \(i\) datorată unui șoc în \(j\)
                  • Numitorul: dispersia totală a acestei erori
                  • \(e_i\): al \(i\)-lea vector unitar
                  • \(\sigma_{jj}\): varianța șocului \(j\)

                Tabelul conectivității

                Slide 39 în PDF

                În tabelul conectivității al lui Diebold & Yilmaz (2014), \(\tilde\theta_{ij}\) în procente este ponderea din dispersia erorii de prognoză pe \(H\) zile a lui \(i\) datorată șocurilor din \(j\). Fiecare rînd însumează 100 după normalizarea din (18.11); înainte de ea rîndurile nu însumează 100, pentru că șocurile generalizate sînt corelate.

                Tabelul dă patru tipuri de rezumat:

                1. Spillover-ul de la ceilalți spre \(i\) este \(F_i = \sum_{j\ne i}\tilde\theta_{ij}\), iar spillover-ul spre ceilalți de la \(j\) este \(T_j = \sum_{i\ne j}\tilde\theta_{ij}\).
                2. Spillover-ul net \(T_i - F_i\) este pozitiv pentru un transmițător net.
                3. Spillover-ul net pe perechi \(\tilde\theta_{ji} - \tilde\theta_{ij} > 0\) înseamnă că \(i\) transmite net către \(j\), desenat ca o săgeată \(i \to j\).
                4. Conectivitatea totală,
                \[C = \frac{1}{N}\sum_{i\ne j}\tilde\theta_{ij},\]
                (18.12)

                este ponderea medie a dispersiei care vine de la ceilalți.

                Pe scurt

                • \(\tilde\theta_{ij}\) (în %): proporția din dispersia erorii de prognoză pe \(H\) zile a lui \(i\) datorată șocurilor lui \(j\) Diebold & Yilmaz (2014)
                  • Fiecare linie însumează 100; înainte de normalizare nu, deoarece șocurile generalizate sînt corelate
                • De la ceilalți: \(F_i = \sum_{j \ne i}\tilde\theta_{ij}\)
                • Către ceilalți: \(T_j = \sum_{i \ne j}\tilde\theta_{ij}\)
                • Net: \(T_i - F_i\), pozitiv pentru un transmițător net
                • Net pe perechi: \(\tilde\theta_{ji} - \tilde\theta_{ij} > 0\) înseamnă că \(i\) transmite net către \(j\)
                  • se desenează ca săgeată \(i \to j\)
                • Conectivitatea totală: \(C = \frac{1}{N}\sum_{i \ne j}\tilde\theta_{ij}\)
                  • proporția medie din dispersie care vine de la ceilalți

                Volatilitatea Parkinson din amplitudinea zilnică și VAR-ul celor 13 bănci

                Slide 40 în PDF

                Volatilitățile sînt estimate cu estimatorul din range (range-based) al lui Parkinson (1980), din prețul zilnic maxim \(P^{\max}_t\) și minim \(P^{\min}_t\):

                \[\hat\sigma_t^2 = \frac{(\ln P^{\max}_t - \ln P^{\min}_t)^2}{4\ln 2},\]
                (18.13)

                anualizat ca \(100\sqrt{252\,\hat\sigma_t^2}\) și folosit în logaritmi. Estimatorul este nedeplasat pentru varianța unei mișcări browniene fără derivă și mai eficient decît pătratul randamentului. În 8 zile maximul este egal cu minimul, deși volumul este pozitiv (3 pentru Banca Transilvania, 5 pentru BRD); acestea sînt completate cu cea mai mică varianță pozitivă de pînă atunci, nu estimate cu formula Parkinson. Fără aceste zile, conectivitatea totală este 63,94%, față de 63,93%.

                Modelul este un VAR pe logaritmul volatilității celor 13 bănci, o volatilitate din range ca la Demirer et al. (2018). Se folosește volatilitatea, nu randamentele, pentru că ea sare în crize, așa că rețeaua ei arată pe unde circulă stresul. Ordinul ales de criteriul informațional bayesian (BIC, Bayesian information criterion) este \(p = 2\), iar orizontul este \(H = 10\) zile, ca la Diebold & Yilmaz (2012). Băncile americane închid după cele europene, iar lagurile VAR surprind transmiterea către ziua următoare.

                Pe scurt

                • Volatilitatea Parkinson din prețul maxim \(P^{\max}_t\) și prețul minim \(P^{\min}_t\) ale zilei Parkinson (1980)
                  • \(\hat\sigma_t^2 = \dfrac{(\ln P^{\max}_t - \ln P^{\min}_t)^2}{4\ln 2}\), anualizată \(100\sqrt{252\,\hat\sigma_t^2}\), folosită în logaritm
                  • Nedeplasată pentru o mișcare browniană fără drift și mai eficientă decît randamentul la pătrat
                  • 8 zile cu maximul egal cu minimul, toate cu volum pozitiv (Banca Transilvania 3, BRD 5): valori imputate cu cea mai mică varianță pozitivă de pînă atunci, nu estimări Parkinson
                  • Fără aceste zile, conectivitatea totală devine \(63{,}94\%\), față de \(63{,}93\%\)
                • Modelul nostru: VAR pe logaritmul volatilității celor 13 bănci
                  • o volatilitate din amplitudinea zilnică (range), ca în Demirer et al. (2018)
                  • Volatilitatea, nu randamentul: crește brusc în crize, deci rețeaua ei arată pe unde se transmite stresul
                  • Ordinul ales după criteriul informațional bayesian (BIC) este \(p = 2\)
                  • Orizontul este \(H = 10\) zile, ca în Diebold & Yilmaz (2012)
                  • Băncile americane se închid după cele europene, iar lagurile VAR captează transmiterea din ziua următoare

                Tabelul conectivității pentru treisprezece bănci (1/2)

                Slide 41 în PDF
                  Întrebare pentru sală La H = 10, o bancă americană primește în medie 84,0% din dispersia erorii de prognoză a volatilității de la șocurile americane, iar cota medie a șocurilor proprii este 26,3%. Cît revine, în medie, celorlalte bănci americane?
                  Răspuns

                  Aproximativ 57,8% = 84,0 − 26,3: scădem șocurile proprii. 84,0% include șocurile proprii; 73,7% = 100 − 26,3 include toate celelalte bănci, din toate regiunile. Cifrele sînt medii pe cele șase bănci americane. O bancă americană primește 15,0% din Europa; o bancă europeană primește 72,7% din Europa și 26,2% din SUA. Conectivitatea totală, 63,9%, este media pe toate băncile a proporției venite de la celelalte bănci. Sînt cote normalizate calculate din VAR(2); autocorelarea reziduurilor limitează interpretarea lor ca proporții din dispersia erorii de prognoză.

                  Graficul este tabelul conectivității celor treisprezece bănci pe tot eșantionul: rîndul \(i\), coloana \(j\) dau ponderea în procente din dispersia erorii de prognoză pe 10 zile a băncii \(i\) datorată șocurilor din banca \(j\), cu băncile notate prin simbolurile din tabelul datelor.

                  Tabelul conectivității pentru treisprezece bănci (2/2)

                  Slide 42 în PDF

                  Conectivitatea totală (18.12) este \(C = 63{,}9\%\): în medie, două treimi din riscul de volatilitate al unei bănci provine de la celelalte bănci. Pe randamente în loc de volatilitate, \(C = 75{,}4\%\).

                  Tabelul are două blocuri regionale. O bancă americană primește 84,0% din dispersia erorii de prognoză de la șocurile americane, iar o bancă europeană 72,7% de la șocurile europene. Peste Atlantic, ponderea de la băncile americane către o bancă europeană este 26,2%, iar în sens invers 15,0%. Băncile românești sînt conduse mai ales de propriile șocuri, 72,3% pentru Banca Transilvania și 76,1% pentru BRD, cu 10,3% de la băncile americane și 8,0% de la cele europene.

                  Rezultatul susține o descriere: o muchie este o pondere din dispersia erorii de prognoză, nu o expunere cauzală. Reziduurile VAR(2) rămîn corelate serial (Anexă); cu 22 de laguri, \(C = 59{,}6\%\).

                  Pe scurt

                  • Linia \(i\), coloana \(j\): proporția (%) din dispersia erorii de prognoză pe 10 zile a băncii \(i\)
                    • datorată șocurilor băncii \(j\), pe întreaga perioadă (simbolurile bursiere din tabelul datelor)
                  • Conectivitatea totală \(C = 63{,}9\%\)
                    • în medie, două treimi din riscul de volatilitate al unei bănci provin de la celelalte
                    • Pe randamente în loc de volatilitate: \(C = 75{,}4\%\)
                  • Două blocuri regionale
                    • o bancă americană primește \(84{,}0\%\) din dispersie de la șocurile americane
                    • una europeană primește \(72{,}7\%\) de la cele europene
                    • Peste Atlantic: \(26{,}2\%\) de la băncile americane către o bancă europeană și \(15{,}0\%\) în sens invers
                  • Băncile românești: mai ales șocurile proprii
                    • \(72{,}3\%\) (Banca Transilvania) și \(76{,}1\%\) (BRD)
                    • De la băncile americane vine \(10{,}3\%\), iar de la cele europene \(8{,}0\%\)
                  • Tipul de dovadă: descriere
                    • o muchie este o proporție din dispersia erorii de prognoză, nu o expunere cauzală
                    • Reziduurile VAR(2) rămîn autocorelate serial (Anexă); cu 22 de laguri, \(C = 59{,}6\%\)
                  MFM_ch18_spillover

                  Rețeaua de spillover net (1/2)

                  Slide 43 în PDF
                    Întrebare pentru sală Cu H = 10 fix, ce se întîmplă cu pozițiile nete ale băncilor dacă păstrăm doar cele mai mari 5% dintre spillover-urile nete pozitive pe perechi, în loc de 25%?
                    Răspuns

                    Rămîn neschimbate: pozițiile nete se calculează din întreaga matrice, iar pragul filtrează doar desenul (4 săgeți peste 3,04 puncte, în loc de 20 peste 1,57). Mai puține săgeți vizibile nu înseamnă o conectivitate estimată mai mică. Transmițători: Citigroup (+19,0), Bank of America (+10,9), Morgan Stanley (+9,9) și JPMorgan (+9,8). Receptori: HSBC (−23,6), BRD (−13,0), Deutsche Bank (−12,6) și Banca Transilvania (−12,2).

                    Graficul desenează rețeaua de spillover net: o săgeată \(j \to i\) cînd \(j\) transmite net către \(i\), pentru cele mai mari 25% dintre spillover-urile nete pe perechi, cu mărimea nodului crescînd odată cu spillover-ul către ceilalți.

                    Rețeaua de spillover net (2/2)

                    Slide 44 în PDF

                    Cei mai mari transmițători neți sînt bănci americane: Citigroup (+19,0 puncte), Bank of America (+10,9), Morgan Stanley (+9,9) și JPMorgan (+9,8). Cei mai mari receptori neți sînt HSBC (−23,6), BRD (−13,0), Deutsche Bank (−12,6) și Banca Transilvania (−12,2). HSBC primește de la aproape toate băncile: se tranzacționează la Londra, între Asia și New York. În Europa, BNP Paribas și ING transmit către Deutsche Bank și Santander.

                    Rețeaua trebuie citită împreună cu incertitudinea ei. Doar 8 dintre cele 13 poziții nete au intervale bootstrap marginale de 95% care exclud zero (Aprofundări), iar o rețea pe tot eșantionul face media între anii liniștiți și cei de criză.

                    Pe scurt

                    • Săgeată \(j \to i\) cînd \(j\) transmite net către \(i\) (cele mai mari 25% dintre spillover-urile nete pe perechi)
                    • Mărimea nodului crește cu spillover-ul către ceilalți
                    • Transmițători neți: Citigroup (\(+19{,}0\)), Bank of America (\(+10{,}9\))
                      • Morgan Stanley (\(+9{,}9\)), JPMorgan (\(+9{,}8\))
                    • Receptori neți: HSBC (\(-23{,}6\)), BRD (\(-13{,}0\))
                      • Deutsche Bank (\(-12{,}6\)), Banca Transilvania (\(-12{,}2\))
                      • HSBC primește de la aproape toate băncile: se tranzacționează la Londra, între Asia și New York
                    • În Europa, BNP Paribas și ING transmit către Deutsche Bank și Santander
                    • Doar 8 din 13 poziții nete au intervale bootstrap marginale de 95% care exclud zero (Aprofundări)
                    • O rețea estimată pe întreaga perioadă face media anilor liniștiți și a celor de criză
                    MFM_ch18_spillover

                    Conectivitatea în timp (1/2)

                    Slide 45 în PDF
                      Întrebare pentru sală Păstrăm H = 10 și scurtăm fereastra rolling de la 250 la 100 de zile de tranzacționare. Cum se schimbă memoria mecanică a episodului COVID-19 în indicele de conectivitate totală?
                      Răspuns

                      Observațiile din criză ies mai repede din fereastră: fiecare observație rămîne în fereastra de estimare mai puține zile. Aceasta poate grăbi scăderea indicelui fără să arate o schimbare economică a transmiterii. Cu 250 de zile, indicele crește de la 61,8% în medie în 2019 la 78,4% în primăvara lui 2020, cu maximul 79,3% la 2020-08-27. Cu 100 de zile, maximul este 85,6% la 2020-03-12, iar indicele coboară prima dată cu peste 10 puncte sub maxim la 2020-08-13 (73,4%). Nu există o regulă generală pentru mărimea maximului.

                      Panoul de sus al graficului arată conectivitatea totală pe ferestre mobile de 250 de zile, cu un VAR(2) și \(H = 10\) reestimate la fiecare 5 zile; panoul de jos arată spillover-ul net însumat pe regiuni.

                      Conectivitatea în timp (2/2)

                      Slide 46 în PDF

                      Conectivitatea totală variază între 47,4% (24 iulie 2024) și 79,3% (27 august 2020), cu o medie de 62,0%. A crescut de la 61,8% în 2019 la 78,4% în primăvara lui 2020, odată cu COVID-19; a fost 66,0% după falimentele bancare din 2023 și 53,5% în anul liniștit 2024. Indicele crește în cîteva zile după un șoc, iar scăderea lui după aproximativ 250 de zile reflectă în parte ieșirea crizei din fereastră. Nivelurile depind de fereastră, de estimator și de ordinul VAR, în timp ce variațiile în timp nu depind, cum arată estimările elastic net din Aprofundări.

                      Pe regiuni, băncile americane sînt transmițători neți în 89% dintre ferestre, cu o sumă a spillover-urilor nete de +48,4 puncte în medie. Băncile europene au fost transmițători neți în criza din zona euro din 2011–2012 și mai ales receptori neți după aceea, iar băncile românești sînt receptori neți, cu −24,1 puncte în medie.

                      Pe scurt

                      • Sus: conectivitatea totală pe ferestre mobile (rolling) de 250 de zile
                        • VAR(2), \(H = 10\), recalculată la fiecare 5 zile
                      • Jos: spillover-ul net însumat pe regiuni
                      • Indicele total variază între \(47{,}4\%\) (2024-07-24) și \(79{,}3\%\) (2020-08-27)
                        • media: \(62{,}0\%\)
                        • COVID-19: de la \(61{,}8\%\) în 2019 la \(78{,}4\%\) în primăvara lui 2020
                        • După falimentele din 2023, \(66{,}0\%\), iar în anul liniștit 2024, \(53{,}5\%\)
                        • Indicele urcă în cîteva zile
                        • Scăderea după aproximativ 250 de zile reflectă în parte ieșirea crizei din fereastră
                        • Nivelurile depind de fereastră, estimator și ordinul VAR, evoluția în timp nu (elastic net, Aprofundări)
                      • Băncile americane sînt transmițători neți în \(89\%\) dintre ferestre
                        • suma spillover-urilor lor nete: în medie \(+48{,}4\) puncte
                      • Băncile europene au fost transmițători neți în criza din zona euro din 2011–2012
                        • după aceea, mai ales receptori neți
                      • Băncile românești sînt, în medie, receptori neți (în medie \(-24{,}1\) puncte)
                      MFM_ch18_spillover_rolling

                      Sinteza secțiunii

                      Rețeaua din descompunerea dispersiei arată un sistem în care aproximativ două treimi din riscul de volatilitate al unei bănci vine de la alte bănci, organizat în blocuri regionale, cu băncile americane ca principali transmițători neți și cu HSBC și băncile românești ca receptori neți. Conectivitatea crește rapid în crize, dar muchiile sînt ponderi din dispersia prognozei, nu expuneri cauzale, iar mai multe poziții nete nu diferă semnificativ de zero.

                      Rețele în coadă: Financial Risk Meter

                      Rețeaua de spillover din secțiunea anterioară descrie cum se propagă un șoc mediu, în timp ce riscul sistemic se află în coada distribuției randamentelor. Secțiunea mută rețeaua în coadă cu regresii cuantile, ca în Financial Risk Meter, și întreabă dacă indicatorul obținut urmărește stresul sistemic pe cele treisprezece bănci ale capitolului.

                      Cît de strînse sînt legăturile dintre bănci în coadă?

                      Slide 47 în PDF

                      Financial Risk Meter (FRM) al lui Mihoci, Althof, Chen & Härdle (2020) estimează, pentru fiecare firmă \(j\), o regresie cuantilă la \(\tau = 5\%\) a randamentului ei pe randamentele tuturor celorlalte firme și pe variabile macro decalate. Cu 100 de firme și o fereastră de 63 de zile există mai mulți regresori decît zile, deci estimarea are nevoie de o penalizare. Penalizarea LASSO (Least Absolute Shrinkage and Selection Operator, regresie penalizată L1 cu selecția variabilelor) păstrează doar legăturile puternice, iar FRM este media penalizărilor selectate, citită ca indicator al interdependenței în coadă și al stresului sistemic.

                      Întrebarea secțiunii este dacă acest indicator urmărește stresul sistemic și pe cele 13 bănci ale capitolului. Panelul este mult mai mic decît cel pentru care a fost construit FRM, ceea ce contează pentru comportamentul penalizării.

                      Pe scurt

                      • Rețeaua de spillover descrie un șoc mediu, iar riscul sistemic apare în coadă
                      • Financial Risk Meter (FRM) Mihoci, Althof, Chen & Härdle (2020): cîte o regresie cuantilă la \(\tau = 5\%\) pentru fiecare firmă \(j\)
                        • randamentul firmei pe toate celelalte firme și pe variabile macro întîrziate
                        • Cu 100 de firme și 63 de zile sînt mai mulți regresori decît zile
                        • Penalizarea LASSO (Least Absolute Shrinkage and Selection Operator, regresie penalizată L1 cu selecția variabilelor) păstrează doar legăturile puternice
                        • FRM este media penalizărilor alese, un indicator al interdependenței din coadă și al stresului sistemic
                      • Întrebarea secțiunii: urmărește acest indicator stresul sistemic și pe cele 13 bănci ale noastre?

                      Financial Risk Meter și penalizarea GACV (1/2)

                      Slide 48 în PDF

                      Ecuația din coadă a fiecărei firme este o regresie cuantilă LASSO (Least Absolute Shrinkage and Selection Operator) (Belloni & Chernozhukov, 2011):

                      \[\hat\beta_j(\lambda) = \arg\min_{\beta}\ \frac{1}{n}\sum_t \rho_\tau\big(X_{j,t} - \beta_0 - \beta^\top Z_{-j,t}\big) + \lambda\|\beta\|_1,\]
                      (18.14)

                      pe cele \(n\) zile ale ferestrei, unde \(X_{j,t}\) este randamentul firmei \(j\), \(Z_{-j,t}\) conține randamentele celorlalte firme și variabilele macro decalate (randamentele S&P 500 și Euro Stoxx 50 și variația logaritmică a VIX), iar \(\rho_\tau\) este funcția de pierdere a regresiei cuantile (check loss). Un \(\lambda\) mai mare lasă mai puțini coeficienți activi.

                      Penalizarea se alege prin GACV (Generalized Approximate Cross-Validation), care echilibrează calitatea ajustării și numărul de coeficienți activi:

                      \[\mathrm{GACV}(\lambda) = \frac{\sum_t \rho_\tau\big(X_{j,t} - \hat X_{j,t}(\lambda)\big)}{n - \mathrm{df}(\lambda)},\]
                      (18.15)

                      unde \(\hat X_{j,t}(\lambda)\) este cuantila ajustată, iar \(\mathrm{df}(\lambda)\) numărul de observații interpolate, egal cu unu plus numărul de pante nenule. Pentru fiecare firmă, \(\lambda_j\) selectat minimizează (18.15), iar FRM este media valorilor \(\lambda_j\) pe firme.

                      Pe scurt

                      • Regresie cuantilă LASSO Belloni & Chernozhukov (2011)
                        • LASSO: Least Absolute Shrinkage and Selection Operator, regresie penalizată L1
                        • \(\hat\beta_j(\lambda) = \arg\min_{\beta} \dfrac{1}{n}\sum_t \rho_\tau\left(X_{j,t} - \beta_0 - \beta^\top Z_{-j,t}\right) + \lambda\|\beta\|_1\), pe cele \(n\) zile ale ferestrei
                        • \(X_{j,t}\): randamentul firmei \(j\)
                        • \(Z_{-j,t}\): randamentele celorlalte firme și variabilele macro întîrziate (randamentele S&P 500 și Euro Stoxx 50, variația logaritmică a VIX)
                        • Un \(\lambda\) mai mare lasă mai puțini coeficienți activi
                      • GACV echilibrează potrivirea cu numărul de coeficienți activi
                        • GACV: Generalized Approximate Cross-Validation, validare încrucișată aproximativă generalizată
                        • \(\mathrm{GACV}(\lambda) = \dfrac{\sum_t \rho_\tau\left(X_{j,t} - \hat X_{j,t}(\lambda)\right)}{n - \mathrm{df}(\lambda)}\), cu \(\hat X_{j,t}(\lambda)\) cuantila ajustată și \(\mathrm{df}\) numărul observațiilor interpolate, egal cu 1 + numărul pantelor nenule (interceptul inclus)
                        • \(\lambda_j\) ales minimizează GACV
                        • FRM este media valorilor \(\lambda_j\)

                      Financial Risk Meter și penalizarea GACV (2/2)

                      Slide 49 în PDF

                      FRM a fost construit pentru firmele financiare din SUA (Mihoci, Althof, Chen & Härdle, 2020), apoi pentru piețele emergente (Ben Amor, Althof & Härdle, 2022) și pentru China (Wang, Althof & Härdle, 2023). Extensiile includ un FRM bazat pe expectile (Ren, Lu, Li & Härdle, 2022), unul pentru cripto-active (Ren, Althof & Härdle, 2025) și unul pentru sectorul energetic din UE (Toma, Dima, Grecu, Pele & Lessmann, 2026).

                      Versiunea capitolului folosește cele 13 bănci, cu S&P 500, Euro Stoxx 50 și VIX la \(t-1\) ca variabile macro, pe ferestre de 63 de zile deplasate la fiecare 10 zile. Nivelul \(\tau = 5\%\) și fereastra de 63 de zile, aproximativ un trimestru de tranzacționare, urmează Mihoci, Althof, Chen & Härdle (2020). Cu 15 regresori pentru 63 de zile, problema are o dimensiune mult mai mică decît în FRM publicat.

                      Pe scurt

                      Financial Risk Meter pentru treisprezece bănci (1/2)

                      Slide 50 în PDF
                        Întrebare pentru sală Corelația contemporană cu VIX este 0,65 pentru proporția predictorilor activi la λ fix, față de 0,34 pentru penalizarea GACV medie (FRM). Este suficient pentru a valida un indicator de avertizare timpurie?
                        Răspuns

                        Nu. Corelațiile descriu mișcarea simultană în cele 390 de ferestre; ele nu stabilesc precedența temporală și nici performanța predictivă out-of-sample. Unitățile diferite nu împiedică folosirea corelației. Proporția predictorilor activi la λ = 2,3 × 10⁻⁴ fix variază de la 32% (2017-11-20) la 67% (2020-06-16), cu media 42%.

                        Graficul arată, în panoul de sus, penalizarea GACV medie pe cele 13 bănci și, în panoul de jos, ponderea predictorilor activi la o penalizare fixă, împreună cu VIX.

                        Pe scurt

                        Financial Risk Meter pentru treisprezece bănci (2/2)

                        Slide 51 în PDF

                        Panoul de sus face media penalizărilor GACV pe 13 bănci în 390 de ferestre de 63 de zile. Această medie este zgomotoasă, iar corelația ei cu VIX este doar 0,34. La un \(\lambda = 2{,}3 \times 10^{-4}\) fix, ponderea predictorilor activi urmărește mai îndeaproape VIX, cu o corelație de 0,65; ea variază de la 32% (20 noiembrie 2017) la 67% (16 iunie 2020), cu o medie de 42%.

                        Pe acest panel mic, niciuna dintre cele două măsuri nu se dovedește un indicator fiabil al riscului sistemic. Numărul de predictori activi la penalizare fixă este o verificare de sensibilitate exploratorie, iar rezultatul susține doar o descriere.

                        Pe scurt

                        • Graficul de sus: penalizarea GACV medie pe cele 13 bănci
                          • 390 de ferestre de 63 de zile
                          • Graficul de jos: proporția predictorilor activi la un \(\lambda\) fix, împreună cu VIX
                        • Penalizarea GACV medie este zgomotoasă: corelația cu VIX este doar \(0{,}34\)
                        • La \(\lambda = 2{,}3 \times 10^{-4}\) fix, proporția predictorilor activi urmează mai îndeaproape VIX (corelația \(0{,}65\))
                          • Proporția variază de la \(32\%\) (2017-11-20) la \(67\%\) (2020-06-16), cu media \(42\%\)
                        • Lecția: pe acest panel mic, nicio măsură nu se dovedește un indicator fiabil al riscului sistemic
                          • Numărul la penalizare fixă este doar o verificare exploratorie a sensibilității
                        • Tipul de dovadă: descriere
                        MFM_ch18_frm

                        Sinteza secțiunii

                        Mutarea rețelei în coadă cere regresii cuantile penalizate, iar FRM le rezumă prin penalizarea medie. Pe 13 bănci penalizarea GACV este prea zgomotoasă pentru a urmări stresul, iar numărul legăturilor active la o penalizare fixă urmează VIX fără să fi fost validat ca indicator.

                        Testarea la stres și riscul climatic

                        Măsurile bazate pe piață rezumă ceea ce prețurile au dezvăluit deja. Un test de stres pune în schimb o întrebare orientată spre viitor: cît ar pierde băncile într-un scenariu sever, dar plauzibil. Secțiunea reia șapte episoade istorice pe băncile capitolului, rezumă testul de stres climatic al Băncii Centrale Europene din 2022 și enumeră limitele metodei.

                        Cît s-ar pierde într-un scenariu sever, dar plauzibil? (1/2)

                        Slide 52 în PDF

                        Un test de stres (stress test) aplică băncilor un scenariu sever, dar plauzibil, și măsoară pierderea. Există trei tipuri:

                        • Testele istorice reiau o criză trecută;
                        • Testele ipotetice șochează factori aleși;
                        • Testele inverse (reverse stress tests) pornesc de la o pierdere dată, de exemplu una care ar face banca neviabilă, și caută cel mai plauzibil scenariu din spatele ei.

                        Autoritățile de supraveghere aplică astfel de teste în SUA (Federal Reserve) și în UE (Autoritatea Bancară Europeană).

                        Băncile de importanță sistemică globală formează o listă de reglementare, punctată de Comitetul de la Basel după mărime, interconectare, substituibilitate, complexitate și activitate transfrontalieră; băncile de pe listă dețin capital suplimentar (Basel Committee, 2018).

                        Pe scurt

                        • Un test de stres aplică băncilor un scenariu sever, dar plauzibil, și măsoară pierderea
                          • Istoric: reluăm o criză trecută
                          • Ipotetic: aplicăm șocuri unor factori aleși
                          • Invers: căutăm cel mai plauzibil scenariu din spatele unei pierderi date (de ex. una care ar face banca neviabilă)
                          • Teste de supraveghere: Federal Reserve stress tests (SUA), European Banking Authority (UE)
                          • Băncile de importanță sistemică globală: o listă de reglementare, pe baza unui scor al Comitetului de la Basel
                          • Scorul: mărime, interconectare, substituibilitate, complexitate și activitate transfrontalieră
                          • Ele dețin capital suplimentar Basel Committee (2018)

                        Cît s-ar pierde într-un scenariu sever, dar plauzibil? (2/2)

                        Slide 53 în PDF

                        Testul istoric al capitolului folosește șapte episoade, fiecare o fereastră de cîteva săptămîni în jurul unui șoc cunoscut:

                        1. Lehman (toamna lui 2008, „GFC” în grafic, criza financiară globală);
                        2. Criza euro (vara lui 2011);
                        3. Votul Brexit (iunie 2016);
                        4. Taxa bancară din România (decembrie 2018);
                        5. COVID-19 (martie 2020);
                        6. SVB și Credit Suisse (martie 2023);
                        7. Șocul tarifar (aprilie 2025).

                        În fiecare fereastră, scenariul este format din cele 10 zile de tranzacționare consecutive cu cel mai mic randament cumulat al portofoliului de bănci cu ponderi egale, iar pentru fiecare bancă se raportează randamentul pe acest interval. Zece zile corespund orizontului riscului de piață din capitolul 7. Episodul din 2008 folosește doar cele 11 bănci internaționale, pentru că seriile românești încep în 2010.

                        Pe scurt

                        • Șapte episoade, fiecare o fereastră de cîteva săptămîni în jurul unui șoc cunoscut
                          • Lehman (toamna lui 2008; în grafic „GFC”: global financial crisis, criza financiară globală)
                          • Criza din zona euro (vara lui 2011), votul Brexit (iunie 2016), taxa bancară din România (decembrie 2018)
                          • COVID-19 (martie 2020), SVB și Credit Suisse (martie 2023), șocul tarifelor (aprilie 2025)
                        • În fiecare fereastră: cele 10 zile consecutive de tranzacționare cu cel mai mic randament cumulat
                          • randamentul cumulat al portofoliului bancar cu ponderi egale
                          • Raportăm randamentul fiecărei bănci în acest interval
                          • Zece zile corespund orizontului riscului de piață (Capitolul 7)
                          • Pentru 2008 folosim doar cele 11 bănci internaționale: seriile românești încep în 2010

                        Șapte scenarii istorice de stres (1/2)

                        Slide 54 în PDF
                          Întrebare pentru sală Dacă ▶ mărește lungimea ferestrei de stres de la 10 la 18 zile, trebuie să crească în fiecare episod pierderea maximă a portofoliului bancar?
                          Răspuns

                          Nu. Pentru fiecare lungime se caută din nou cea mai slabă fereastră din episod, cu randamente compuse, iar zilele suplimentare pot include reveniri. Pierderea din episodul Lehman scade de la 37,6% la 34,8%, iar pierderea COVID-19 crește de la 31,9% la 40,7%. În episodul taxei bancare din România, cu 10 zile, Banca Transilvania și BRD pierd cîte 26%, iar băncile americane între 8% și 14%.

                          Harta termică arată randamentul simplu al fiecărei bănci în cele mai proaste 10 zile consecutive ale portofoliului de bănci, în fiecare dintre cele șapte episoade; celulele goale nu au date.

                          Pe scurt

                          Șapte scenarii istorice de stres (2/2)

                          Slide 55 în PDF

                          Fiecare celulă este un randament simplu în procente, \(100(e^{\sum_t r_t/100} - 1)\), calculat din randamentele logaritmice zilnice \(r_t\) în procente. Pierderea portofoliului este cea mai mare pentru Lehman, 37,6% (10–21 noiembrie 2008), urmată de COVID-19 (31,9%), criza euro (22,3%), șocul tarifar (16,0%), SVB (14,8%), taxa bancară din România (10,2%) și Brexit (7,9%). Cele mai proaste celule individuale sînt Citigroup în 2008, −68% (−114% ca randament logaritmic cumulat), și ING în martie 2020, −48%.

                          Șocurile sînt atît locale, cît și globale. Brexitul a lovit în principal băncile europene, iar taxa bancară din România a lovit cel mai puternic cele două bănci românești, cu −26% fiecare, în timp ce băncile americane au pierdut între 8% și 14%. Un test de stres construit doar pe crize globale ar rata șocul politic intern. Rezultatul susține o descriere.

                          Pe scurt

                          • Randamentul simplu (%) al fiecărei bănci în cele mai rele 10 zile consecutive ale portofoliului bancar
                            • în fiecare episod: \(100(e^{\sum_t r_t/100} - 1)\)
                            • celulele goale indică lipsa datelor
                          • Pierderea portofoliului: Lehman \(37{,}6\%\) (2008-11-10 – 2008-11-21)
                            • COVID-19 \(31{,}9\%\), criza din zona euro \(22{,}3\%\)
                            • Șocul tarifelor \(16{,}0\%\), SVB \(14{,}8\%\), taxa bancară din România \(10{,}2\%\), Brexit \(7{,}9\%\)
                          • Cele mai mari pierderi individuale: Citigroup \(-68\%\) în 2008 (\(-114\%\) ca randament log cumulat)
                            • ING \(-48\%\) în martie 2020
                          • Șocurile sînt și locale: Brexit a afectat mai ales băncile europene
                          • Taxa bancară a lovit cel mai puternic băncile românești (Banca Transilvania \(-26\%\), BRD \(-26\%\))
                            • băncile americane au pierdut între \(8\%\) și \(14\%\)
                          • Un test de stres construit doar pe crize globale ar rata șocul politic intern
                          • Tipul de dovadă: descriere
                          MFM_ch18_stress

                          Riscul climatic: riscul fizic și riscul de tranziție

                          Slide 56 în PDF

                          Riscul climatic ajunge la bănci pe două canale:

                          1. Riscul fizic este pierderea din inundații, secete, canicule și furtuni, care afectează garanțiile și debitorii.
                          2. Riscul de tranziție este pierderea din trecerea la o economie cu emisii reduse de carbon, prin prețul carbonului, reglementare și tehnologie.

                          Bolton et al. (2020) descriu riscurile de tip „lebădă verde” (green swan): evenimente potențial extrem de perturbatoare, care ar putea sta în spatele următoarei crize financiare sistemice. Modelele de risc orientate spre trecut nu le pot anticipa, de aceea supraveghetorii folosesc teste de stres climatic bazate pe scenarii.

                          Pe scurt

                          Riscul climatic: riscul fizic și riscul de tranziție Sediul Băncii Centrale Europene, Frankfurt, 2015 Foto: DXR (2015); CC BY-SA 4.0; Wikimedia Commons
                          • Riscul fizic: pierderi din inundații, secete, caniculă și furtuni
                            • aceste evenimente afectează garanțiile și debitorii
                          • Riscul de tranziție: pierderi din trecerea la o economie cu emisii reduse
                            • prețul carbonului, reglementare, tehnologie
                          • Riscuri de tip „lebădă verde”: evenimente potențial extrem de perturbatoare
                            • Modelele de risc bazate pe trecut nu le pot anticipa

                          Testul de stres climatic al BCE din 2022: rezultate

                          Slide 57 în PDF

                          La testul de stres climatic al Băncii Centrale Europene (BCE) din 2022 au participat 104 bănci semnificative, iar o proiecție a pierderilor de tip bottom-up a acoperit 41 dintre ele (ECB Banking Supervision, 2022); bottom-up înseamnă că fiecare bancă aplică scenariile supraveghetorului pe propriile date și modele. Aproximativ 60% dintre bănci nu aveau un cadru de testare la stres pentru riscul climatic și doar 20% țineau cont de riscul climatic la acordarea creditelor.

                          Într-o tranziție dezordonată pe termen scurt și două scenarii de risc fizic, pierderile de credit și de piață ale celor 41 de bănci au fost de aproximativ 70 de miliarde EUR. BCE afirmă că această cifră subestimează semnificativ riscul, din cauza lipsurilor de date, a modelelor rudimentare și a absenței efectelor de rundă a doua.

                          Pe scurt

                          • La testul BCE (Banca Centrală Europeană) din 2022 au participat 104 bănci semnificative
                            • o proiecție bottom-up a pierderilor a acoperit 41 dintre ele ECB Banking Supervision (2022)
                            • bottom-up: fiecare bancă aplică scenariile supraveghetorului pe propriile date și modele
                          • Aproximativ 60% dintre bănci nu aveau un cadru de testare la stres pentru riscul climatic
                          • Doar 20% țineau cont de riscul climatic la acordarea creditelor
                          • Pierderi de credit și de piață de aproximativ 70 de miliarde EUR pentru cele 41 de bănci
                            • scenariile: o tranziție dezordonată pe termen scurt și două scenarii de risc fizic
                            • BCE precizează că cifra subestimează semnificativ riscul
                            • Cauze: lipsa datelor, modelele rudimentare și absența efectelor de ordinul al doilea

                          Limitele testelor de stres

                          Slide 58 în PDF

                          Testele de stres au trei limite:

                          1. Scenariile sînt alese de oameni, iar criza care vine este rareori cea testată.
                          2. Efectele de rundă a doua, cum ar fi vînzările forțate (fire sales), retragerile de finanțare și pierderile față de contrapărți, sînt greu de modelat și de obicei lăsate deoparte, așa cum a remarcat BCE pentru testul ei climatic.
                          3. Măsurile bazate pe piață, MES, CoVaR și conectivitatea, reacționează repede, dar doar după ce prețurile se mișcă, în timp ce testele de stres pe bilanț privesc înainte, dar lent.

                          Cercetarea privind avertizarea timpurie combină de aceea măsurile de piață cu datele de bilanț, de exemplu prin măsuri ale riscului de piață bazate pe entropie (Pele, Lazar & Dufour, 2017).

                          Pe scurt

                          • Scenariile sînt alese de oameni: criza care vine este rareori cea care a fost testată
                          • Efectele de ordinul al doilea sînt greu de modelat și de obicei lipsesc
                            • vînzări forțate, retrageri de finanțare, pierderi ale contrapărților
                            • cum a observat BCE pentru testul său climatic
                          • Măsurile bazate pe piață (MES, CoVaR, conectivitate) reacționează repede, dar doar după ce prețurile se mișcă
                            • testele de stres bazate pe bilanț evaluează riscurile viitoare, dar necesită mai mult timp
                          • Cercetarea despre semnalele de avertizare timpurie combină măsurile de piață cu datele din bilanț

                          Sinteza secțiunii

                          Scenariile istorice pe băncile capitolului arată că cele mai proaste zece zile înseamnă pierderi ale portofoliului între 7,9% și 37,6% și că șocurile locale contează la fel de mult ca cele globale. Testele de stres climatic extind scenariile la riscuri fără precedent istoric, dar pierderile lor sînt recunoscute ca limite inferioare.

                          Studii de caz: conectivitatea cuantilă și fragilitatea băncilor

                          Două studii publicate extind capitolul în direcții opuse:

                          1. Conectivitatea cuantilă: rețeaua de conectivitate mutată în cozi, cu un VAR cuantil pe spread-urile credit default swap.
                          2. Fragilitatea băncilor: cît au erodat creșterile dobînzilor din 2022 valoarea de piață a activelor băncilor americane.

                          Cursul ilustrează fiecare studiu cu propriile date.

                          Se schimbă rețeaua cu mărimea șocurilor?

                          Slide 59 în PDF

                          Ando, Greenwood-Nimmo & Shin (2022) întreabă dacă topologia unei rețele financiare se schimbă odată cu mărimea șocurilor. Versiunea lor a întrebării lui Diebold & Yilmaz (2014) este cît din incertitudinea viitoare a lui \(i\) se datorează șocurilor idiosincratice ale lui \(j\), pe măsură ce mărimea șocului variază.

                          Întrebarea contează pentru că conectivitatea din acest capitol este estimată la media condiționată, prin OLS (Ordinary Least Squares, metoda celor mai mici pătrate), LASSO sau elastic net (Demirer et al., 2018), și descrie deci cum se propagă un șoc mediu. Șocurile sistemice sînt mai mari decît media, iar citirea unei creșteri a conectivității pe ferestre rolling ca semnal de criză presupune că relațiile de la medie rămîn valabile și în cozi.

                          Studiul se leagă de regresia cuantilă a lui Koenker & Bassett (1978) care stă la baza CoVaR al lui Adrian & Brunnermeier (2016), acum plasată în interiorul VAR și al descompunerii varianței lui. Giglio, Kelly & Pruitt (2016) au arătat că riscul sistemic deplasează coada inferioară a producției viitoare mai mult decît centrul ei, iar Ando, Greenwood-Nimmo & Shin (2022) pun aceeași întrebare, coadă față de centru, despre rețeaua însăși. Aplicația este bucla riscului de credit dintre state și băncile lor, în care salvările mută riscul băncilor asupra statului.

                          Pe scurt

                          • Ando, Greenwood-Nimmo & Shin (2022): se schimbă topologia unei rețele financiare cu mărimea șocurilor?
                            • varianta lor a întrebării din Diebold & Yilmaz (2014): cît din incertitudinea viitoare a lui \(i\) vine din șocurile idiosincratice ale lui \(j\), după mărimea șocului
                          • Conectivitatea din acest capitol se estimează la media condiționată
                            • OLS (Ordinary Least Squares, metoda celor mai mici pătrate), LASSO, elastic net Demirer et al. (2018)
                            • descrie cum se propagă un șoc mediu
                            • Șocurile sistemice sînt mai mari decît media
                            • A citi creșterea conectivității pe ferestre mobile ca semnal de criză presupune că relațiile de la medie se mențin în cozi
                          • Legătura cu capitolul: regresia cuantilă folosită pentru CoVaR Adrian & Brunnermeier (2016), Koenker & Bassett (1978)
                          • Aplicația: interdependența dintre riscul de credit al statelor și cel al băncilor
                            • salvările transferă riscul bancar către stat

                          Datele CDS și VAR-ul cuantil cu factori

                          Slide 60 în PDF

                          Spread-ul CDS (credit default swap) este prima anuală plătită pentru protecția împotriva intrării în incapacitate de plată a unui stat sau a unei bănci, cotată în puncte de bază (bp) din suma asigurată, cu 1 bp = 0,01%. El crește odată cu riscul de nerambursare, deci o creștere este o veste proastă. Datele sînt primele diferențe zilnice ale spread-urilor CDS pe 5 ani pentru 17 state și 17 sectoare financiare naționale, \(m = 34\) de serii, între 3 ianuarie 2006 și 29 decembrie 2017, 3 129 de zile.

                          Modelul este un VAR cuantil cu factori (QFVAR, quantile factor VAR):

                          \[y_t = \mu + \sum_{j=1}^p \Phi_j y_{t-j} + \Gamma f_t + v_t,\]
                          (18.16)

                          fiecare ecuație fiind ajustată la cuantila \(\tau\) prin minimizarea funcției check loss. Aici \(y_t\) conține cele \(m\) variații CDS, \(\mu\) constantele, \(\Phi_j\) matricele de coeficienți VAR, iar \(\Gamma\) încărcările factoriale. Factorii neobservați \(f_t\) absorb șocurile comune, astfel încît \(v_t\) este idiosincratic; numărul lor, ales cu criteriul lui Ando & Bai (2020), este 10 la medie.

                          Pe scurt

                          • Spread-ul CDS (credit default swap): prima anuală plătită pentru protecție împotriva neplății
                            • neplata unui stat sau a unei bănci; prima se exprimă în puncte de bază (1 bp \(= 0{,}01\%\))
                            • o creștere este o veste proastă
                          • Datele: diferențele zilnice ale spread-urilor CDS pe 5 ani
                            • 17 state și 17 sectoare financiare naționale, \(m = 34\) de serii
                            • 3 129 de zile (3 ianuarie 2006 – 29 decembrie 2017)
                          • VAR cuantil cu factori (QFVAR): \(y_t = \mu + \sum_{j=1}^p \Phi_j y_{t-j} + \Gamma f_t + v_t\)
                            • fiecare ecuație estimată la cuantila \(\tau\) prin funcția de pierdere cuantilă
                            • \(y_t\): cele \(m\) variații CDS; \(\mu\): constantele; \(\Phi_j\): matricile de coeficienți VAR; \(\Gamma\): încărcările (loadings) pe factori
                            • Factorii neobservați \(f_t\) preiau șocurile comune, deci \(v_t\) este idiosincratic
                            • Numărul factorilor, după criteriul din Ando & Bai (2020): 10 la medie

                          Spillover și șocuri adverse de credit

                          Slide 61 în PDF

                          Conectivitatea la cuantila \(\tau\) provine din descompunerea generalizată a varianței erorii de prognoză (FEVD, forecast error variance decomposition) a șocurilor idiosincratice din (18.16), cu rîndurile normalizate la 1. Indicele de spillover este

                          \[S_\tau^{(h)} = \frac{1}{m}\sum_i F_{i\leftarrow\bullet,\tau}^{(h)},\]
                          (18.17)

                          unde \(F_{i\leftarrow\bullet,\tau}^{(h)}\) este ponderea varianței erorii de prognoză pe \(h\) zile a lui \(i\) care provine de la celelalte serii, coloana „de la” (from) a tabelului de conectivitate, mediată pe cele \(m\) serii. Ferestrele rolling de \(w = 250\) de zile dau 2 880 de ferestre, cu numărul de factori fixat la valoarea de pe tot eșantionul (specificația completă este în Anexă).

                          Dependența relativă în coadă este \(\mathrm{RTD} = S_{0.95}^{(5)} - S_{0.05}^{(5)}\) (relative tail dependence). Pentru variațiile CDS, coada dreaptă (\(\tau = 0{,}95\)) conține șocurile adverse mari, iar coada stîngă (\(\tau = 0{,}05\)) șocurile favorabile mari, așa că un RTD (Relative Tail Dependence, dependența relativă în cozi, coada adversă minus coada favorabilă) pozitiv înseamnă că veștile proaste se propagă mai mult decît cele bune.

                          Pe scurt

                          • Descompunerea generalizată a dispersiei erorii de prognoză (FEVD) a șocurilor idiosincratice la cuantila \(\tau\)
                            • liniile sînt normalizate la 1
                            • Indicele de spillover: \(S_\tau^{(h)} = m^{-1}\sum_i F_{i\leftarrow\bullet,\tau}^{(h)}\)
                            • \(F_{i\leftarrow\bullet,\tau}^{(h)}\): proporția din dispersia erorii de prognoză pe \(h\) zile a lui \(i\) care vine de la celelalte serii
                            • Este măsura „de la” din tabelul conectivității
                            • \(S_\tau^{(h)}\) este media acestei proporții pe cele \(m\) serii
                          • Ferestre mobile de \(w = 250\) de zile (2 880 de ferestre)
                            • numărul factorilor este fixat la valoarea din întregul eșantion (specificația completă: Anexă)
                            • Dependența relativă în cozi: \(\mathrm{RTD} = S_{0{,}95}^{(5)} - S_{0{,}05}^{(5)}\)
                            • Pentru variațiile CDS, coada dreaptă (\(\tau = 0{,}95\)) conține șocurile adverse mari, iar coada stîngă (\(\tau = 0{,}05\)) pe cele favorabile mari

                          Spillover-ul pe cuantile (1/2)

                          Slide 62 în PDF
                            Întrebare pentru sală Pe întregul eșantion, RTD = 2,19 puncte procentuale. Este suficient pentru a afirma că cele două cozi au conectivitate egală?
                            Răspuns

                            Nu. RTD = 79,36 − 77,17 = 2,19 puncte descrie diferența dintre indicii la τ = 0,95 și τ = 0,05; o concluzie inferențială cere incertitudinea estimată a diferenței. Faptul că ambele cozi depășesc indicele la medie nu testează egalitatea dintre ele. Indicele la medie este 56,57%; la τ = 0,01 și 0,99 este 88,18% și 91,77%, iar în centru circa 40%.

                            Graficul arată indicele de spillover (18.17) pe tot eșantionul la fiecare cuantilă \(\tau\), față de indicele estimat la media condiționată.

                            Spillover-ul pe cuantile (2/2)

                            Slide 63 în PDF

                            Profilul are formă de U: indicele de spillover este de aproximativ 40% în centrul distribuției, 88,18% la \(\tau = 0{,}01\) și 91,77% la \(\tau = 0{,}99\) (Ando, Greenwood-Nimmo & Shin, 2022). Indicele la medie, 56,57%, nu descrie niciunul dintre regimuri: este prea mare pentru șocurile mici și prea mic pentru cele mari. Pe tot eșantionul cozile sînt aproape simetrice, \(\mathrm{RTD} = 79{,}36 - 77{,}17 = 2{,}19\) puncte; pe ferestre rolling asimetria este mai puternică (Aprofundări).

                            Pentru testarea la stres, conectivitatea la medie subestimează cît din varianța erorii de prognoză a unui sector provine, într-o criză, de la celelalte sectoare. Rezultatul susține o descriere: profilul pe cuantile arată unde crește conectivitatea, nu pe ce canal se propagă.

                            Pe scurt

                            • Indicele de spillover \(S_\tau^{(5)}\) pe întregul eșantion, la fiecare cuantilă \(\tau\)
                            • Profil în formă de U: circa \(40\%\) în centru, \(88{,}18\%\) la \(\tau = 0{,}01\) și \(91{,}77\%\) la \(\tau = 0{,}99\)
                              • Indicele la medie (\(56{,}57\%\)) nu descrie niciun regim: prea mare pentru șocurile mici, prea mic pentru cele mari
                            • Pe întregul eșantion, cozi aproape simetrice: \(\mathrm{RTD} = 79{,}36 - 77{,}17 = 2{,}19\) puncte
                            • Pentru testele de stres: conectivitatea la medie subestimează spillover-ul dintr-o criză
                              • subestimează cît din dispersia erorii de prognoză a unui sector vine, într-o criză, de la celelalte
                            • Tipul de dovadă: descriere
                              • profilul pe cuantile arată unde crește conectivitatea, nu prin ce canal se transmite
                            MFM_ch18_quantile_connectedness

                            Au făcut dobînzile mai mari băncile americane fragile?

                            Slide 64 în PDF

                            Jiang, Matvos, Piskorski & Seru (2024) întreabă cît a scăzut valoarea de piață a activelor băncilor americane după creșterile dobînzilor din 2022 și cînd poate o astfel de pierdere declanșa o retragere a depozitelor neasigurate (run). O dobîndă mai mare reduce valoarea de piață a titlurilor și creditelor cu dobîndă fixă, iar titlurile ținute la cost amortizat nu arată pierderea în capitalul raportat.

                            Compensarea vine din franciza depozitelor (deposit franchise), valoarea depozitelor remunerate sub dobînda pieței. Ea crește odată cu dobînda, dar dispare pentru depozitele care pleacă. În lucrare, activele băncilor au scăzut în medie cu aproximativ 10% între primul trimestru din 2022 și primul trimestru din 2023, o pierdere agregată de circa 2 trilioane de dolari în rezumat și de 2,2 trilioane în introducere. Cele mai fragile bănci combină pierderi mari, capital puțin și un levier neasigurat ridicat, raportul dintre depozitele neasigurate și active; SVB este cazul analizat detaliat în lucrare.

                            Pe scurt

                            • Jiang, Matvos, Piskorski & Seru (2024): cît a scăzut valoarea de piață a activelor băncilor americane după creșterea dobînzilor din 2022?
                              • și cînd poate o astfel de pierdere să declanșeze retragerea depozitelor neasigurate
                            • Mecanismul: o dobîndă mai mare reduce valoarea de piață a titlurilor și a creditelor cu dobîndă fixă
                              • Titlurile ținute la cost amortizat nu arată pierderea în capitalul raportat
                            • Compensarea: franciza depozitelor (deposit franchise), valoarea depozitelor plătite sub dobînda pieței
                              • ea crește cu dobînda, dar dispare pentru depozitele care pleacă
                            • Cifrele lucrării: activele băncilor au scăzut în medie cu circa \(10\%\) între primul trimestru din 2022 și primul trimestru din 2023
                              • pierderea agregată: circa 2 mii de miliarde de dolari în rezumat, 2,2 mii de miliarde în introducere
                            • Cele mai fragile bănci: pierderi mari, capital mic și îndatorare neasigurată mare (uninsured leverage)
                              • îndatorarea neasigurată: depozitele neasigurate raportate la active
                              • SVB este cazul analizat în detaliu în lucrare

                            Titlurile de stat și acțiunile bancare, 2022–2023

                            Slide 65 în PDF
                              Întrebare pentru sală La 10 martie 2023, beta pe dobîndă al celor șase bănci americane, estimat pe 252 de zile, este +1,08% la +100 bp, cu intervalul de 95% [−0,40%; 2,56%]. Ce susține testul bilateral la 5%?
                              Răspuns

                              Nu respingem un beta nul, deși estimarea punctuală este pozitivă: intervalul conține zero, deci testul nu stabilește semnul coeficientului la 5%; aceasta nu înseamnă că beta este zero. La sfîrșitul lui 2021 estimarea era +12,8%. Sînt asocieri condiționate pe randamentul S&P 500, raportate la o creștere cu 100 bp a randamentului pe 10 ani. Separat, beta IEF (iShares 7–10 Year Treasury Bond ETF, ETF de obligațiuni de stat americane cu scadența 7–10 ani), −7,8% la +100 bp, este estimat pe 3 ianuarie 2022 – 9 martie 2023. Între 31 decembrie 2021 și 31 martie 2023, prețul IEF a scăzut cu 13,8%, iar al TLT (iShares 20+ Year Treasury Bond ETF, ETF pe obligațiuni de stat americane cu scadențe de peste 20 de ani) cu 28,2% (randamente totale: −11,8% și −26,2%).

                              Graficul arată, pentru 2022–2023, prețurile a două ETF-uri (Exchange-Traded Fund, fond tranzacționat la bursă) pe titluri de stat americane și acțiunile celor șase bănci americane, împreună cu randamentul la 10 ani; interpretarea urmează pe slide-urile următoare.

                              Bilanțurile din lucrare și datele de piață din curs

                              Slide 66 în PDF

                              Lucrarea folosește bilanțurile trimestriale ale băncilor americane (Call Reports). Activele sînt evaluate la piață după scadența reziduală, cu indici de preț ai obligațiunilor cu aceeași scadență, iar un model de retragere a depozitelor declară o bancă insolvabilă dacă activele ei la prețuri de piață nu mai acoperă depozitele asigurate după plecarea deponenților neasigurați.

                              Replicarea din curs nu are bilanțuri și folosește două măsuri de piață:

                              1. Variația prețului a două fonduri tranzacționate la bursă (ETF, exchange-traded funds) pe titluri de stat americane, IEF, cu scadențe de 7–10 ani, și TLT, cu scadențe de peste 20 de ani; ETF-urile sînt portofolii cu componență variabilă, nu o reevaluare a bilanțurilor bancare.
                              2. Panta pe dobîndă (rate beta) a acțiunilor bancare, pe ferestre rolling de 252 de zile,
                              \[r_{B,t} = a + b_M\, r_{M,t} + b_Y\, \Delta y_t + \varepsilon_t,\]
                              (18.18)

                              unde \(r_{B,t}\) este randamentul zilnic al celor șase bănci americane cu ponderi egale, \(r_{M,t}\) randamentul S&P 500, iar \(\Delta y_t\) variația zilnică a randamentului titlurilor de stat pe 10 ani; \(b_Y\) se raportează la +100 bp. Intervalul de 95% folosește erori standard Newey–West cu 5 laguri.

                              Un \(b_Y\) pozitiv este o asociere condiționată pozitivă, compatibilă cu o franciză a depozitelor mai mare decît pierderea pe active. Regresia contemporană nu separă canalul depozitelor de alte șocuri și nu identifică valoarea francizei depozitelor.

                              Pe scurt

                              • Lucrarea folosește bilanțurile trimestriale ale băncilor americane (Call Reports)
                                • activele sînt reevaluate la prețul pieței după scadența rămasă, cu indici de preț ai obligațiunilor de aceeași scadență
                                • un model de retragere a depozitelor (run): banca devine insolvabilă dacă activele la prețul pieței nu mai acoperă depozitele asigurate după plecarea celor neasigurate
                              • Replicarea din curs, fără bilanțuri: (1) variația prețului a două fonduri tranzacționate la bursă (ETF, Exchange-Traded Fund) de titluri de stat americane
                                • IEF: scadențe de 7–10 ani; TLT (iShares 20+ Year Treasury Bond ETF): scadențe de peste 20 de ani
                                • ETF-urile sînt portofolii cu compoziție schimbătoare, nu reevaluarea bilanțurilor bancare
                              • (2) Panta pe dobîndă a acțiunilor bancare, pe ferestre mobile de 252 de zile: \(r_{B,t} = a + b_M\, r_{M,t} + b_Y\, \Delta y_t + \varepsilon_t\)
                                • \(r_{B,t}\): randamentul zilnic al celor șase bănci americane, ponderi egale; \(r_{M,t}\): randamentul S&P 500
                                • \(\Delta y_t\): variația zilnică a randamentului titlului de stat american pe 10 ani; \(b_Y\) se raportează la \(+100\) bp
                                • Intervalul de \(95\%\): erori standard Newey–West cu 5 laguri; momentele de ordin patru finite, cu dependență slabă, sînt o condiție suficientă comodă, nu una necesară
                              • \(b_Y > 0\): asociere condiționată pozitivă, compatibilă cu o franciză a depozitelor mai mare decît pierderea din active
                                • regresia contemporană nu separă canalul depozitelor de celelalte șocuri și nu identifică valoarea francizei depozitelor

                              Panta pe dobîndă s-a redus în 2022 (1/2)

                              Slide 67 în PDF

                              Între 31 decembrie 2021 și 31 martie 2023, randamentul la 10 ani a urcat de la 1,51% la 3,47%, iar cel la 2 ani de la 0,73% la 4,03%. Prețul IEF a scăzut cu 13,8%, iar prețul TLT cu 28,2%, același ordin de mărime ca scăderea medie de circa 10% din lucrare; cu distribuțiile reinvestite, randamentele totale sînt −11,8% și −26,2%.

                              Panta pe dobîndă a celor șase bănci din (18.18) a fost +7,7% la +100 bp între septembrie 2012 și decembrie 2019 (\(t = 12{,}4\)), față de +2,0% (\(t = 2{,}0\)) între ianuarie 2022 și 9 martie 2023, cînd panta IEF era −7,8%. Pe fereastra rolling ea a scăzut de la +12,8% la sfîrșitul lui 2021 la +1,08% pe 10 martie 2023, cu intervalul [−0,40; 2,56]. Un test direct al schimbării, printr-o interacțiune cu perioada și erori Newey–West, dă −6,5 puncte față de +8,4% în septembrie 2012–decembrie 2021 (\(t = -5{,}0\)).

                              Pe scurt

                              • 31 dec. 2021 – 31 mar. 2023: randamentul pe 10 ani a crescut de la \(1{,}51\%\) la \(3{,}47\%\), cel pe 2 ani de la \(0{,}73\%\) la \(4{,}03\%\)
                                • Prețul IEF a scăzut cu \(13{,}8\%\), al TLT cu \(28{,}2\%\): același ordin de mărime cu scăderea medie de circa \(10\%\) din lucrare
                                • Randamentele totale, cu distribuțiile reinvestite: \(-11{,}8\%\) (IEF) și \(-26{,}2\%\) (TLT)
                              • Panta pe dobîndă a celor șase bănci, la \(+100\) bp: \(+7{,}7\%\) între sept. 2012 și dec. 2019 (\(t = 12{,}4\))
                                • între ian. 2022 și 9 mar. 2023: \(+2{,}0\%\) (\(t = 2{,}0\)); panta IEF: \(-7{,}8\%\)
                                • fereastra mobilă: \(+12{,}8\%\) la sfîrșitul lui 2021; la 10 mar. 2023: \(+1{,}08\%\), interval \([-0{,}40; 2{,}56]\)
                                • Testul direct al schimbării (interacțiunea cu perioada, Newey–West): \(-6{,}5\) puncte față de \(+8{,}4\%\) în sept. 2012 – dec. 2021 (\(t = -5{,}0\))

                              Panta pe dobîndă s-a redus în 2022 (2/2)

                              Slide 68 în PDF

                              În săptămîna SVB, între închiderile din 8 și 17 martie 2023, cele șase bănci au pierdut 12,5%, iar S&P 500 1,9%, în timp ce randamentul la 2 ani a scăzut cu 125 bp și IEF a cîștigat 4,5%. Rezultatul susține o slăbire a asocierii condiționate pozitive, care în unele ferestre nu poate fi distinsă de zero. Un coeficient nesemnificativ nu dovedește un coeficient nul, de aceea schimbarea este testată direct, printr-o interacțiune.

                              Replicarea are limite. Panta scade deja din mai 2021, cînd a atins maximul de +23,2%, și a fost între +2,0% și +6,0% în 2013–2015. Datele nu conțin nici depozitele neasigurate, nici bănci regionale precum SVB.

                              Pe scurt

                              • Săptămîna SVB (închiderile din 8 și 17 mar. 2023): cele șase bănci \(-12{,}5\%\), S&P 500 \(-1{,}9\%\)
                                • randamentul pe 2 ani a scăzut cu 125 bp, iar IEF a cîștigat \(4{,}5\%\)
                              • Tipul de dovadă: asociere condiționată; cea pozitivă s-a redus, în unele ferestre nu se distinge de zero
                                • un coeficient nesemnificativ nu dovedește un coeficient nul; schimbarea se testează direct, prin interacțiune
                              • Limitele
                                • panta scade din mai 2021 (maximul: \(+23{,}2\%\)), iar în 2013–2015 a fost între \(+2{,}0\%\) și \(+6{,}0\%\)
                                • datele nu conțin depozite neasigurate și nici băncile regionale de tipul SVB

                              Sinteza secțiunii

                              Conectivitatea măsurată la medie subestimează spillover-ul dintre spread-urile CDS în ambele cozi, iar creșterile dobînzilor din 2022 au slăbit legătura pozitivă dintre acțiunile bancare și dobînzi pe care o implică franciza depozitelor. Ambele studii arată ce le scapă măsurilor de piață din capitol: mărimea șocului și bilanțul.

                              AI pentru descoperire științifică

                              Secțiunea aplică bucla de cercetare asistată de AI unei întrebări a capitolului: dacă conectivitatea avertizează asupra crizelor sau doar urmează volatilitatea. Formulează ipoteza formal, parcurge bucla și testează o propunere tipică a unui asistent pe datele capitolului.

                              Anunță conectivitatea crizele sau doar urmează volatilitatea?

                              Slide 69 în PDF

                              Indicii de conectivitate sînt monitorizați ca instrumente de avertizare timpurie, dar un indice calculat dintr-un VAR pe volatilități poate evolua împreună cu volatilitatea fără să adauge informație predictivă. Cercetarea actuală construiește rețele VAR regularizate (Demirer et al., 2018) și arată că conectivitatea în coadă diferă de conectivitatea la medie (Ando, Greenwood-Nimmo & Shin, 2022).

                              Formal, regresia predictivă este

                              \[y_{t+h} = a + \beta_C C_t + \gamma\ln\sigma_t + e_{t+h}, \qquad H_0: \beta_C = 0,\quad H_1: \beta_C > 0,\]
                              (18.19)

                              cu \(y_{t+h}\) stresul bancar viitor, \(C_t\) conectivitatea totală și \(\sigma_t\) volatilitatea curentă. O dovadă împotriva lui \(H_1\) cere un interval de încredere (CI, confidence interval) pentru \(\beta_C\) care exclude efectele relevante economic, nu simpla lipsă de semnificație.

                              Identificarea limitează interpretarea. O muchie a rețelei este o pondere a varianței erorii de prognoză, nu o expunere cauzală, iar un șoc comun crește împreună volatilitatea și conectivitatea fără ca vreo bancă să o contamineze pe alta.

                              Pe scurt

                              O întrebare de cercetare deschisă: risc sistemic sau doar volatilitate?
                              • Indicii de conectivitate sînt urmăriți ca instrumente de avertizare timpurie
                              • Formularea statistică: \(y_{t+h} = a + \beta_C C_t + \gamma\,\ln\sigma_t + e_{t+h}\), \(H_0\colon \beta_C = 0\), \(H_1\colon \beta_C > 0\)
                                • \(y_{t+h}\): stresul viitor al băncilor; \(C_t\): conectivitatea totală; \(\sigma_t\): volatilitatea curentă
                                • Dovezi împotriva lui \(H_1\): intervalul de încredere (CI, confidence interval) pentru \(\beta_C\) exclude efectele relevante economic, nu simpla lipsă a semnificației
                              • Identificarea: o muchie este o proporție din dispersia erorii de prognoză, nu o expunere cauzală
                                • Un șoc comun crește simultan volatilitatea și conectivitatea, fără ca vreo bancă să o contamineze pe alta

                              Bucla descoperirii, pas cu pas (1/2)

                              Slide 70 în PDF

                              Bucla începe cu literatura: asistentul cartografiază ce se știe, iar fiecare DOI (Digital Object Identifier) este verificat pe Crossref, controlînd că lucrarea chiar controlează pentru volatilitate; căutarea se face cu Semantic Scholar, Elicit sau Google Scholar. Ipotezele sînt interpretări concurente ale unei creșteri a conectivității, fiecare cu propriul test: un șoc comun se stinge odată cu volatilitatea, în timp ce contagiunea are o direcție, șocurile transmițătorilor neți precedîndu-le pe cele ale receptorilor.

                              Codul începe prin replicarea unui număr cunoscut pe datele cursului: indicele rolling al conectivității totale din capitol, cu media 62,0% și maximul 79,3% pe 27 august 2020.

                              Pe scurt

                              • Literatura: cartografiem ce se știe, apoi verificăm fiecare referință
                                • Verificăm fiecare DOI (Digital Object Identifier) pe Crossref și ne asigurăm că articolul controlează efectiv pentru volatilitate
                                • Căutăm cu Semantic Scholar, Elicit sau Google Scholar
                              • Ipoteze: interpretări concurente ale unei creșteri a conectivității, fiecare cu testul ei
                                • Un șoc comun dispare odată cu volatilitatea
                                • Contagiunea (contagion) are o direcție: șocurile transmițătorilor neți le preced pe ale receptorilor
                              • Date și cod: replicăm întîi conectivitatea totală pe ferestre mobile
                                • media \(62{,}0\%\) și maximul \(79{,}3\%\) (2020-08-27)

                              Bucla descoperirii, pas cu pas (2/2)

                              Slide 71 în PDF

                              Alegerile de robustețe se fixează înainte de rularea regresiilor predictive. Fiecare celulă a grilei este raportată, iar familia de teste se corectează cu Holm sau se controlează cu rata descoperirilor false (FDR, false discovery rate). Pentru critică, asistentul este rugat să atace rezultatul; răspunsul așteptat este să adauge volatilitatea curentă ca variabilă de control și să testeze creșterea lui \(R^2\) și a pierderii out-of-sample.

                              Raportul dă efecte standardizate cu statistici \(t\) HAC (heteroskedasticity- and autocorrelation-consistent), fiecare celulă a grilei și ce a eșuat. Prompturile care au dat forma designului intră în `AI_USE.md`; prompturile reutilizabile și verificările cercetătorului sînt în Anexă.

                              Pe scurt

                              • Robustețea, fixată înainte de a rula regresiile predictive
                                • Fiecare celulă a grilei este raportată
                                • Familia de teste este corectată cu Holm sau controlată prin FDR (false discovery rate, rata descoperirilor false)
                              • Critica: îi cerem asistentului să atace rezultatul
                                • Răspuns așteptat: adăugăm volatilitatea curentă ca variabilă de control, apoi testăm creșterea lui \(R^2\) și a pierderii în afara eșantionului
                              • Raportul: efecte standardizate cu statistici \(t\) HAC, toate celulele grilei și ce a eșuat
                                • HAC: heteroskedasticity and autocorrelation consistent, robuste la heteroscedasticitate și autocorelație
                                • Prompturile care au influențat planul analizei sînt consemnate în AI_USE.md (prompturi reutilizabile și verificările cercetătorului: Anexă)

                              Mini studiu de caz: conectivitatea dincolo de volatilitate (1/2)

                              Slide 72 în PDF

                              O propunere tipică a unui asistent sună așa: „o conectivitate totală ridicată avertizează asupra stresului bancar viitor”. Testul folosește 731 de date săptămînale, 2011–2026. Ținta \(y_{t+h}\) din (18.19) este logaritmul volatilității Parkinson medii a celor 13 bănci în următoarele \(h = 63\) de zile, iar variabila de control este aceeași măsură pe ultimele 20 de zile. Variabilele sînt standardizate, iar erorile Newey–West folosesc 13 laguri, pentru că ținta de 63 de zile se suprapune pe circa 13 săptămîni.

                              Cu conectivitatea ca singur regresor, \(\hat\beta_C = 0{,}40\) (\(t = 4{,}63\)) și \(R^2 = 0{,}16\): propunerea pare corectă.

                              Pe scurt

                              • Propunerea tipică a asistentului: „o conectivitate totală ridicată anunță stresul viitor al băncilor”
                                • Testată pe 731 de observații săptămînale, între 2011 și 2026
                                • \(y_{t+h}\): logaritmul volatilității Parkinson medii a celor 13 bănci în următoarele \(h = 63\) zile
                                • Variabila de control: aceeași mărime în ultimele 20 de zile
                                • Variabilele sînt standardizate, iar erorile standard Newey–West folosesc 13 laguri, deoarece ținta pe 63 de zile se suprapune pe aproximativ 13 săptămîni
                              • Conectivitatea singură: \(\hat\beta_C = 0{,}40\) (\(t = 4{,}63\)), \(R^2 = 0{,}16\)
                                • propunerea pare corectă

                              Mini studiu de caz: conectivitatea dincolo de volatilitate (2/2)

                              Slide 73 în PDF

                              Cu volatilitatea curentă adăugată, \(\hat\beta_C = 0{,}08\) (\(t = 0{,}75\)) și \(\hat\gamma = 0{,}53\) (\(t = 4{,}13\)); cu 26, 50 și 100 de laguri HAC, statistica \(t\) a lui \(\hat\beta_C\) este 0,70, 0,67 și 0,68. \(R^2\) este 0,343, față de 0,339 doar cu volatilitatea, iar corelația lui \(C_t\) cu volatilitatea este 0,59. Pentru drawdown-ul maxim din următoarele 63 de zile, \(\hat\beta_C = -0{,}10\) (\(t = -1{,}32\)), chiar ca singur regresor.

                              Dată fiind volatilitatea curentă, conectivitatea nu adaugă un conținut predictiv semnificativ. Aceasta nu dovedește un efect nul: în acest eșantion persistența volatilității explică cea mai mare parte a conținutului predictiv, iar informația din rețea poate conta totuși în cozi (Ando, Greenwood-Nimmo & Shin, 2022) sau pentru direcția transmisiei.

                              Rezultatul susține o asociere predictivă estimată retrospectiv, cu ordinul \(p = 2\) ales pe tot eșantionul și regresia rulată pe toate observațiile. Ea este valabilă dată fiind volatilitatea curentă și nu exclude un șoc comun.

                              Pe scurt

                              • Cu volatilitatea curentă: \(\hat\beta_C = 0{,}08\) (\(t = 0{,}75\)), \(\hat\gamma = 0{,}53\) (\(t = 4{,}13\))
                                • Cu 26, 50 și 100 de laguri HAC: \(t = 0{,}70\), \(0{,}67\), \(0{,}68\)
                                • \(R^2 = 0{,}343\), față de \(0{,}339\) doar cu volatilitatea
                                • Corelația lui \(C_t\) cu volatilitatea: \(0{,}59\)
                                • Cu scăderea maximă de la vîrf din următoarele 63 de zile ca variabilă dependentă: \(\hat\beta_C = -0{,}10\) (\(t = -1{,}32\)), chiar cu conectivitatea ca unic regresor
                              • Interpretare: dată fiind volatilitatea curentă, conectivitatea nu adaugă conținut predictiv semnificativ
                                • Nu dovedește că efectul este zero: în eșantionul nostru, persistența volatilității explică cea mai mare parte a conținutului predictiv
                                • Informația de rețea poate conta totuși în cozi Ando, Greenwood-Nimmo & Shin (2022) sau pentru direcția transmiterii
                              • Tipul de dovadă: asociere
                                • predictivă, estimată retrospectiv: \(p = 2\) ales pe întregul eșantion, regresia pe toate observațiile
                                • condiționată de volatilitatea curentă; nu exclude un șoc comun

                              Rîndul dumneavoastră: o idee de proiect

                              Slide 74 în PDF

                              Proiectul întreabă dacă conectivitatea în coadă anunță dificultățile băncilor dincolo de volatilitate, out-of-sample. Primul pas replică indicele rolling al capitolului (media 62,0%, maximul 79,3% pe 27 august 2020) și tabelul de conectivitate pe șase grupuri al lui Demirer et al. (2018) pentru 2003–2014, cu elementele direcționale și totalurile pe rînduri și coloane, explicînd eventualele abateri; autorii publică datele de replicare (journaldata.zbw.eu).

                              Extinderea calculează conectivitatea cuantilă la \(\tau = 5\%\) (Ando, Greenwood-Nimmo & Shin, 2022), o evaluează out-of-sample din 2018 și folosește MES și SRISK ca ținte alternative. Livrabilele și jurnalul AI sînt descrise în Anexă.

                              Pe scurt

                              • Întrebarea
                                • prezice conectivitatea în cozi dificultățile băncilor dincolo de volatilitate, în afara eșantionului?
                              • Replicați întîi
                                • Indicele nostru pe ferestre mobile: media \(62{,}0\%\) și maximul \(79{,}3\%\) (2020-08-27)
                                • Tabelul de conectivitate cu șase grupuri din Demirer et al. (2018), pentru 2003–2014, cu explicația abaterilor
                                • Datele de replicare sînt publicate de autori (journaldata.zbw.eu)
                              • Extindeți

                              Concluzii

                              Importanța sistemică a băncilor (1/2)

                              Slide 75 în PDF

                              Tabelul pune alături măsurile capitolului pentru cele 13 bănci, toate ca pierderi zilnice în procente: VaR 1%, MES 5% (marginal expected shortfall), ΔCoVaR 1%, spillover-ul net al volatilității (către minus de la) și \(\Lambda^*\), levierul de echilibru cu o rată a capitalului \(k = 8\%\) și LRMES din formula scurtă pentru o criză de șase luni cu piața în scădere cu 40%. Cele două bănci românești nu au ΔCoVaR, pentru că „sistemul” lor ar fi o singură bancă.

                              Clasamentele diferă după măsură:

                              • Deutsche Bank și ING au cel mai mare VaR 1% (7,19% și 7,16%), iar ING cel mai mare MES 5% (4,79%);
                              • Wells Fargo are cel mai mare ΔCoVaR 1% (4,89%);
                              • Citigroup este cel mai mare transmițător net (+19,0), iar HSBC cel mai mare receptor net (−23,6).

                              Pe scurt

                              BancaVaR 1%MES 5%\(\Delta\)CoVaR 1%Spillover net\(\Lambda^*\)
                              JPMorgan\(4{,}83\)\(3{,}21\)\(4{,}62\)\(9{,}8\)\(7{,}0\)
                              Bank of America\(5{,}99\)\(3{,}84\)\(4{,}60\)\(10{,}9\)\(6{,}2\)
                              Citigroup\(5{,}87\)\(4{,}03\)\(3{,}81\)\(19{,}0\)\(6{,}0\)
                              Goldman Sachs\(4{,}81\)\(3{,}34\)\(4{,}12\)\(2{,}4\)\(6{,}8\)
                              Morgan Stanley\(5{,}83\)\(4{,}03\)\(4{,}01\)\(9{,}9\)\(6{,}0\)
                              Wells Fargo\(5{,}78\)\(3{,}31\)\(4{,}89\)\(3{,}6\)\(6{,}8\)
                              Deutsche Bank\(7{,}19\)\(4{,}53\)\(4{,}24\)\(-12{,}6\)\(6{,}1\)
                              BNP Paribas\(6{,}18\)\(4{,}52\)\(4{,}83\)\(6{,}0\)\(6{,}1\)
                              Santander\(5{,}83\)\(4{,}22\)\(4{,}42\)\(-5{,}4\)\(6{,}4\)
                              ING\(7{,}16\)\(4{,}79\)\(4{,}41\)\(5{,}2\)\(5{,}8\)
                              HSBC\(4{,}66\)\(2{,}53\)\(4{,}07\)\(-23{,}6\)\(8{,}3\)
                              Banca Transilvania\(5{,}06\)\(3{,}14\)–\(-12{,}2\)\(6{,}5\)
                              BRD-Groupe SG (Société Générale, grupul bancar francez Société Générale)\(4{,}42\)\(2{,}69\)–\(-13{,}0\)\(7{,}1\)
                              • VaR și MES sînt pierderi zilnice în %
                                • spillover-ul net al volatilității: „către ceilalți” minus „de la ceilalți”
                                • \(\Lambda^*\): gradul de îndatorare de echilibru cu \(k = 8\%\) și LRMES aproximat (criză de șase luni, piața \(-40\%\))
                                • –: fără \(\Delta\)CoVaR pentru cele două bănci românești, al căror „sistem” ar fi o singură bancă

                              Importanța sistemică a băncilor (2/2)

                              Slide 76 în PDF

                              Pe cele unsprezece bănci internaționale, corelațiile de rang sînt −0,04 între MES și ΔCoVaR, 0,04 între MES și spillover-ul net și −0,04 între ΔCoVaR și spillover-ul net, față de 0,88 între VaR și MES. Nu există un clasament unic, iar supraveghetorii combină mai mulți indicatori cu date despre mărime și bilanț, ca în metodologia din Basel Committee (2018).

                              Băncile românești au un MES moderat, sînt receptori neți de volatilitate și au un levier de echilibru apropiat de cel al băncilor americane.

                              Pe scurt

                              • Corelații de rang pe cele unsprezece bănci internaționale
                                • MES și \(\Delta\)CoVaR: \(-0{,}04\)
                                • MES și spillover-ul net: \(0{,}04\)
                                • \(\Delta\)CoVaR și spillover-ul net: \(-0{,}04\)
                                • Prin contrast, VaR și MES: \(0{,}88\)
                              • Nu există un clasament unic
                                • supraveghetorii combină mai mulți indicatori cu mărimea și datele din bilanț, ca în metodologia Basel Committee (2018)
                              • Băncile românești au un MES moderat
                                • sînt receptori neți de volatilitate
                                • au un grad de îndatorare de echilibru apropiat de cel al băncilor americane

                              Idei principale

                              Slide 77 în PDF

                              Riscul sistemic se află în coada comună și are trei fețe: expunerea (MES, SRISK), contribuția (ΔCoVaR) și conectivitatea (rețele de spillover și rețele în coadă). În eșantionul capitolului, băncile din zona euro au cel mai mare MES, 4,2–4,8%, iar băncile americane sînt principalii transmițători neți de volatilitate. VaR și ΔCoVaR ordonează băncile diferit, iar clasamentele sînt incerte, deci diferențele trebuie testate, intervalele raportate și numărul așteptat de observații din coadă, \(\alpha n\), precizat.

                              Măsurile bazate pe piață sar în crize; testele de stres și bilanțurile sînt necesare pentru a vedea cum se acumulează riscul. Băncile românești sînt determinate mai ales de propriile șocuri și primesc mai mult spillover de volatilitate decît transmit.

                              Pe scurt

                              • Riscul sistemic se manifestă în coada distribuției comune
                                • expunere (MES, SRISK), contribuție (\(\Delta\)CoVaR), conectivitate (rețele de spillover și rețele în coadă)
                              • Băncile din zona euro au cele mai mari MES din eșantionul nostru (\(4{,}2\)–\(4{,}8\%\))
                              • Băncile americane sînt principalii transmițători neți de volatilitate
                              • VaR și \(\Delta\)CoVaR ordonează băncile diferit, iar clasamentele sînt incerte
                                • testați diferențele, raportați intervale, precizați \(\alpha n\)
                              • Măsurile bazate pe piață urcă brusc în crize
                                • pentru acumularea riscului sînt necesare testele de stres și bilanțurile
                              • Băncile românești: mai ales șocurile proprii
                                • primesc mai mult spillover de volatilitate decît transmit

                              Greșeli frecvente

                              Slide 78 în PDF

                              Șase greșeli revin frecvent:

                              1. ΔCoVaR sau o muchie de spillover sînt citite cauzal, deși un șoc comun creează același tipar.
                              2. Intervalele care se suprapun sînt citite ca „egale”, iar cele separate ca „diferite”, deși diferența trebuie testată pe extrageri comune și corectată pentru numărul de perechi, cu Holm și testul Wald comun.
                              3. Banca însăși este inclusă în portofoliul sistemului, ceea ce adaugă o autocontribuție mecanică.
                              4. Se folosesc descompuneri ortogonale ale varianței, deși rezultatele lor depind de ordinea băncilor.
                              5. SRISK este raportat fără bilanțuri sau formula scurtă \(1 - e^{-18\,\mathrm{MES}}\) este prezentată drept măsura publicată.
                              6. Etichetele nete sînt desenate fără intervale.

                              Pe scurt

                              • Interpretarea \(\Delta\)CoVaR sau a unei muchii de spillover ca efect cauzal
                                • un șoc comun produce același tipar
                              • Interpretarea intervalelor suprapuse drept „egale” și a celor separate drept „diferite”
                              • Includerea băncii în portofoliul sistemului
                                • randamentul ei adaugă mecanic o autocontribuție
                              • Descompuneri ortogonale ale dispersiei ale căror rezultate depind de ordinea băncilor
                              • Raportarea SRISK fără bilanțuri sau a aproximării \(1 - e^{-18\MES}\) ca măsură publicată
                              • Desenarea etichetelor nete fără intervale

                              Decizia practică

                              Slide 79 în PDF

                              Pentru o bancă, capitolul raportează împreună trei măsuri, MES pentru expunere, ΔCoVaR pentru contribuție și spillover-ul net pentru conectivitate, nu un clasament unic, deoarece corelațiile de rang dintre ele sînt între −0,04 și 0,04. Diferențele dintre bănci se testează pe extrageri bootstrap comune, cu Holm și testul Wald comun. Pentru o criză, folosește scenarii istorice de 10 zile care includ șocuri locale, cum ar fi taxa bancară care a costat băncile românești 26%.

                              Alegerea este valabilă în două condiții:

                              1. Măsurile de piață reacționează doar după ce prețurile se mișcă, deci acumularea riscului cere bilanțuri și teste de stres;
                              2. SRISK se folosește doar cu levierul din bilanț, altfel se raportează \(\Lambda^*\) pentru un scenariu precizat.

                              Trei rezultate ar face capitolul să renunțe la o măsură:

                              1. Pentru clasamentul ΔCoVaR, un test Wald comun care nu respinge contribuțiile egale (Europa, 1%: \(p = 0{,}28\));
                              2. Pentru eticheta de transmițător sau receptor, un interval bootstrap al poziției nete care conține zero (5 dintre cele 13 bănci);
                              3. Pentru conectivitate ca semnal de avertizare, un \(\hat\beta_C\) nesemnificativ după controlul pentru volatilitate, ca aici (0,08, \(t = 0{,}75\)).

                              Pe scurt

                              • Ce aleg
                                • pentru o bancă, trei măsuri raportate împreună: MES (expunere), \(\Delta\)CoVaR (contribuție), spillover net (conectivitate)
                                • nu un clasament unic: corelațiile de rang dintre ele sînt între \(-0{,}04\) și \(0{,}04\)
                                • diferențele dintre bănci testate pe extrageri bootstrap comune, cu Holm și testul Wald comun
                                • pentru o criză, scenarii istorice de 10 zile care includ șocurile locale (taxa bancară: \(-26\%\) pentru băncile românești)
                              • În ce condiții
                                • măsurile de piață reacționează doar după ce prețurile se mișcă: acumularea riscului cere bilanțuri și teste de stres
                                • SRISK doar cu gradul de îndatorare din bilanț; fără el raportez \(\Lambda^*\), pentru un scenariu precizat
                              • Ce rezultat m-ar face să renunț
                                • la clasamentul după \(\Delta\)CoVaR: un test Wald comun care nu respinge contribuții egale (Europa, 1%: \(p = 0{,}28\))
                                • la eticheta de transmițător sau receptor: un interval bootstrap al poziției nete care conține zero (5 din 13 bănci)
                                • la conectivitate ca semnal de avertizare: un interval pentru \(\beta_C\) care exclude efectele relevante după controlul pentru volatilitate; aici \(\hat\beta_C = 0{,}08\) (\(t = 0{,}75\)) este doar nesemnificativ

                              Aprofundări

                              Aprofundările conțin LRMES prin simulare, definiții alternative ale CoVaR, variația în timp a ΔCoVaR, eroarea de estimare a rețelei, testarea inversă la stres și alte rezultate ale studiului de caz despre conectivitatea cuantilă. Sînt lectură de familiarizare.

                              LRMES prin GJR–GARCH și DCC: modelul

                              Slide 80 în PDF

                              Deficitul marginal așteptat pe termen lung (LRMES, long-run marginal expected shortfall) al lui Brownlees & Engle (2017) se simulează dintr-un model al randamentelor logaritmice zilnice de medie zero ale băncii și pieței, estimat prin cvasi-verosimilitate maximă (QML, quasi-maximum likelihood) în doi pași. Volatilitatea urmează un GJR–GARCH(1,1) (Glosten, Jagannathan & Runkle, 1993), \(\sigma_t^2 = \omega + (\alpha + \gamma\mathbf{1}\{r_{t-1} < 0\})r_{t-1}^2 + \beta\sigma_{t-1}^2\), unde \(\gamma > 0\) este reacția suplimentară după o scădere, iar \(\alpha\) nu este nivelul din coadă. Corelația bancă–piață urmează un model DCC(1,1) (dynamic conditional correlation) (Engle, 2002), \(Q_t = (1-a-b)S + a\epsilon_{t-1}\epsilon_{t-1}^\top + bQ_{t-1}\) cu \(\rho_t = Q_{12,t}/\sqrt{Q_{11,t}Q_{22,t}}\), unde \(\epsilon_t\) sînt randamentele standardizate, iar \(S\) matricea lor de corelație de eșantion.

                              Pe scurt

                              • Modelul Brownlees & Engle (2017): randamente log zilnice cu medie zero ale băncii și ale pieței
                                • estimate în doi pași prin cvasi-verosimilitate maximă (QML, quasi-maximum likelihood)
                              • Volatilitatea: GJR–GARCH(1,1) Glosten, Jagannathan & Runkle (1993)
                                • GARCH: heteroscedasticitate condiționată autoregresivă generalizată; GJR: Glosten, Jagannathan și Runkle
                                • \(\sigma^2_{t} = \omega + (\alpha + \gamma\,\mathbf{1}\{r_{t-1} < 0\})\,r^2_{t-1} + \beta\,\sigma^2_{t-1}\)
                                • \(\gamma > 0\): reacția suplimentară după o scădere (efectul de levier, leverage effect)
                                • Aici \(\alpha\) nu este nivelul cozii
                              • Corelația: DCC(1,1) (DCC: corelație condiționată dinamică) Engle (2002)
                                • \(Q_t = (1 - a - b)\,S + a\,\epsilon_{t-1}\epsilon_{t-1}^\top + b\,Q_{t-1}\), \(\rho_t = Q_{12,t}/\sqrt{Q_{11,t}Q_{22,t}}\)
                                • \(\epsilon_t = (r_{it}/\sigma_{it}, r_{mt}/\sigma_{mt})^\top\): randamentele standardizate
                                • \(S\): matricea corelațiilor lor empirice (\(\bar Q\) în Engle (2002))
                                • \(a\) măsoară reacția corelației, \(b\) persistența ei, iar \(\rho_t\) este corelația bancă–piață de azi

                              LRMES prin GJR–GARCH și DCC: simularea

                              Slide 81 în PDF

                              Simularea reeșantionează perechi formate din șocul standardizat al pieței și partea șocului băncii necorelată cu piața, ceea ce păstrează dependența în coadă pe care distribuția Normală o ratează, și filtrează recursiile GARCH și DCC pe \(h\) zile înainte, pornind de la varianța și corelația de azi. LRMES este minus randamentul mediu al băncii pe traiectoriile de criză, cele cu randamentul pieței sub \(C\), folosind pentru fiecare piață 200 000 de traiectorii de 22 de zile cu \(C = -10\%\) și 400 000 de traiectorii de 126 de zile cu \(C = -40\%\), pe date pînă la 18 septembrie 2026. Probabilitatea crizei de 22 de zile este astăzi 1,3% pentru S&P 500, 4,4% pentru Euro Stoxx 50 și 3,9% pentru BET, față de 12%, 19% și 8% pe 31 martie 2020.

                              Pe scurt

                              • Simularea (detalii: Anexă)
                                • Reeșantionăm perechi \((\xi_{it}, \epsilon_{mt})\): șocul standardizat al pieței și partea șocului băncii necorelată cu piața
                                • Perechile păstrează dependența în cozi (tail dependence), pe care distribuția Normală nu o reproduce
                                • Simulăm recursiile GARCH și DCC pe \(h\) zile, pornind de la \(\sigma^2\) și \(\rho\) de azi
                                • LRMES: minus media randamentului băncii pe traiectoriile de criză, cele cu \(R_{m,t+1:t+h} < C\)
                              • Pe piață: 200 000 de traiectorii de 22 de zile (\(C = -10\%\)) și 400 000 de 126 de zile (\(C = -40\%\))
                                • date pînă la 2026-09-18
                              • Probabilitatea unei crize de 22 de zile: azi \(1{,}3\%\) (S&P 500), \(4{,}4\%\) (Euro Stoxx 50) și \(3{,}9\%\) (BET)
                                • față de \(12\%\), \(19\%\) și \(8\%\) pe 31 martie 2020

                              LRMES prin simulare: treisprezece bănci (1/2)

                              Slide 82 în PDF

                              Tabelul dă, pentru fiecare dintre cele 13 bănci, LRMES în procente pentru o scădere a pieței sub −10% în 22 de zile (Brownlees & Engle, 2017), intervalul lui de 90% (cuantilele de 5% și 95% ale pierderii băncii pe traiectoriile de criză), LRMES calculat cu informația din 31 martie 2020, ultima corelație DCC \(\rho_T\) și levierul de echilibru \(\Lambda^*\) cu \(k = 8\%\) din acest LRMES pe 22 de zile. LRMES de astăzi variază de la 6,8% pentru Wells Fargo la 16,7% pentru Santander; acest \(\Lambda^*\) nu este comparabil cu \(\Lambda^*\) din formula scurtă din tabelul principal.

                              Pe scurt

                              BancaLRMES aziinterval 90%LRMES 31.03.2020\(\rho_{T}\)\(\Lambda^*\) (22 de zile)
                              JPMorgan\(10{,}6\)\([-1, 25]\)\(23{,}7\)\(0{,}53\)\(11{,}3\)
                              Bank of America\(14{,}2\)\([-4, 36]\)\(23{,}1\)\(0{,}44\)\(10{,}9\)
                              Citigroup\(12{,}9\)\([-1, 29]\)\(32{,}7\)\(0{,}53\)\(11{,}0\)
                              Goldman Sachs\(16{,}5\)\([1, 34]\)\(25{,}0\)\(0{,}65\)\(10{,}6\)
                              Morgan Stanley\(16{,}3\)\([1, 32]\)\(27{,}2\)\(0{,}65\)\(10{,}6\)
                              Wells Fargo\(6{,}8\)\([-9, 23]\)\(22{,}9\)\(0{,}32\)\(11{,}7\)
                              Deutsche Bank\(14{,}3\)\([2, 28]\)\(25{,}9\)\(0{,}66\)\(10{,}9\)
                              BNP Paribas\(15{,}5\)\([2, 32]\)\(28{,}7\)\(0{,}68\)\(10{,}7\)
                              Santander\(16{,}7\)\([4, 34]\)\(26{,}6\)\(0{,}76\)\(10{,}6\)
                              ING\(12{,}4\)\([1, 27]\)\(33{,}2\)\(0{,}68\)\(11{,}1\)
                              HSBC\(8{,}4\)\([-1, 19]\)\(11{,}0\)\(0{,}58\)\(11{,}5\)
                              Banca Transilvania\(12{,}3\)\([-2, 33]\)\(17{,}3\)\(0{,}74\)\(11{,}1\)
                              BRD-Groupe SG\(11{,}3\)\([-1, 27]\)\(15{,}8\)\(0{,}64\)\(11{,}2\)
                              • LRMES (%): pierderea medie a băncii cînd piața scade sub \(-10\%\) în 22 de zile Brownlees & Engle (2017)
                                • intervalul de 90%: cuantilele de 5% și 95% ale pierderii băncii pe traiectoriile de criză; \(\rho_T\): ultima corelație DCC
                                • \(\Lambda^*\): gradul de îndatorare de echilibru cu \(k = 8\%\), calculat din acest LRMES pe 22 de zile (necomparabil cu \(\Lambda^*\) din aproximare)

                              LRMES prin simulare: treisprezece bănci (2/2)

                              Slide 83 în PDF

                              LRMES este condiționat: se mișcă odată cu volatilitatea și corelația de azi. JPMorgan are un LRMES de 10,6% astăzi și de 23,7% cu informația din 31 martie 2020, Deutsche Bank 14,3% și 25,9%. Intervalul de 90% este larg (Brownlees & Engle, 2017), pentru că LRMES este o medie pe traiectoriile de criză, iar deficitul dintr-o criză anume poate fi mult mai mare; intervalul descrie dispersia scenariilor, nu incertitudinea mediei estimate. Scenariul fixează nivelul la fel de mult ca banca: pentru o criză de o lună cu o scădere a pieței de 10%, LRMES este aproximativ o treime din cifrele pentru șase luni și −40% ale lui Acharya, Engle & Richardson (2012).

                              Pe scurt

                              • LRMES este condiționat: variază odată cu volatilitatea și corelația de azi
                                • JPMorgan: \(10{,}6\%\) azi, \(23{,}7\%\) cu informația din 31 martie 2020
                                • Deutsche Bank: \(14{,}3\%\) și \(25{,}9\%\)
                              • Intervalul de 90% este larg Brownlees & Engle (2017)
                                • LRMES este o medie pe traiectoriile de criză
                                • Deficitul într-o criză anume poate fi mult mai mare
                                • Intervalul descrie dispersia scenariilor, nu incertitudinea mediei estimate
                              • Scenariul, nu doar banca, stabilește nivelul
                                • Pentru o criză de o lună, cu o scădere a pieței de 10%, LRMES este aproximativ o treime din valorile din Acharya, Engle & Richardson (2012)
                                • Acolo valorile sînt pentru criza de șase luni, cu o scădere de 40%

                              Cum citim tabelul LRMES: intervale și scenarii

                              Slide 84 în PDF

                              O pierdere negativă pe o traiectorie este un cîștig: pe cel puțin 5% din traiectoriile de criză acțiunile băncii cresc în timp ce piața scade, ceea ce se întîmplă cînd banca este azi slab corelată cu piața ei, ca Wells Fargo (\(\rho_T = 0{,}32\), interval [−9; 23]). \(\Lambda^*\) moștenește scenariul de criză prin LRMES, deci poate fi comparat doar în interiorul aceluiași scenariu: pentru JPMorgan cu \(k = 8\%\), formula scurtă pentru șase luni și piață −40% dă LRMES 48% și \(\Lambda^* = 7{,}0\), simularea pe 126 de zile cu −40% dă 33% și 8,7, iar simularea pe 22 de zile cu −10% dă 10,6% și 11,3.

                              Pe scurt

                              • Un capăt inferior negativ al intervalului de 90% nu este o eroare de semn
                                • O pierdere negativă pe o traiectorie este un cîștig: pe cel puțin 5% dintre traiectoriile de criză, acțiunile băncii cresc în timp ce piața scade
                                • Apare la o bancă slab corelată azi cu piața ei, de ex. Wells Fargo: \(\rho_T = 0{,}32\), intervalul \([-9, 23]\)
                              • \(\Lambda^*\) moștenește scenariul prin LRMES, deci îl comparăm doar în cadrul aceluiași scenariu
                                • exemplu: JPMorgan, \(k = 8\%\)
                                • Aproximarea, șase luni, piața \(-40\%\): LRMES \(48\%\), \(\Lambda^* = 7{,}0\)
                                • Simularea, 126 de zile, piața \(-40\%\): LRMES \(33\%\), \(\Lambda^* = 8{,}7\)
                                • Simularea, 22 de zile, piața \(-10\%\): LRMES \(10{,}6\%\), \(\Lambda^* = 11{,}3\)

                              Riscul de model: LRMES în trei specificații (1/2)

                              Slide 85 în PDF

                              Graficul compară, bancă cu bancă, LRMES pe șase luni în trei specificații: formula scurtă și simularea GJR–GARCH–DCC cu inovații reeșantionate sau cu inovații normale.

                              Riscul de model: LRMES în trei specificații (2/2)

                              Slide 86 în PDF

                              Pentru o criză de șase luni cu piața în scădere cu 40% (Acharya, Engle & Richardson, 2012), formula scurtă \(1 - e^{-18\,\mathrm{MES}^{2\%}}\) se compară cu simularea GJR–GARCH și DCC cu inovații reeșantionate sau normale. LRMES simulat este de 0,43 pînă la 0,92 ori formula scurtă, cu o corelație de rang de 0,79; pentru JPMorgan cele trei valori sînt 48%, 33% și 33%, pentru ING 58%, 41% și 41%. Formula scurtă folosește toată istoria, în timp ce simularea pornește de la volatilitatea de azi. Inovațiile reeșantionate și cele normale concordă la ranguri (corelație 0,97) și diferă cel mai mult ca nivel pentru Citigroup (39,8% față de 36,0%) și BRD (33,1% față de 27,6%): aceleași date și modele diferite, dar justificabile, dau numere diferite, adică risc de model (Danielsson, James, Valenzuela & Zer, 2016).

                              Pe scurt

                              • Criza de șase luni, cu piața la \(-40\%\) Acharya, Engle & Richardson (2012)
                                • aproximarea \(1 - e^{-18\MES^{2\%}}\) față de simularea GJR–GARCH + DCC cu inovații reeșantionate sau Normale
                              • Raportul dintre LRMES simulat și aproximare: între \(0{,}43\) și \(0{,}92\)
                                • corelația de rang: \(0{,}79\)
                                • JPMorgan: \(48\%\) (aproximare), \(33\%\) (inovații reeșantionate), \(33\%\) (inovații Normale)
                                • ING: \(58\%\), \(41\%\), \(41\%\)
                                • Aproximarea folosește întreaga istorie, în timp ce simularea pornește de la volatilitatea de azi
                              • Inovații reeșantionate față de Normale: corelația de rang \(0{,}97\)
                                • Nivelurile diferă cel mai mult la Citigroup (\(39{,}8\%\) față de \(36{,}0\%\)) și la BRD (\(33{,}1\%\) față de \(27{,}6\%\))
                              • Aceleași date, modele diferite și justificabile, cifre diferite: riscul de model Danielsson, James, Valenzuela & Zer (2016)
                              MFM_ch18_srisk_sim

                              CoVaR Girardi–Ergün: pierderi cel puțin egale cu VaR

                              Slide 87 în PDF

                              Girardi & Ergün (2013) condiționează pe o pierdere a băncii cel puțin egală cu VaR-ul ei, nu exact egală cu el, \(P(X^{sys} \le -\mathrm{CoVaR}^{\le}_\alpha \mid X_i \le -\mathrm{VaR}_{i,\alpha}) = \alpha\), echivalent cu o probabilitate comună \(\alpha^2\), cu starea de referință \(|X_i - \mu_i| \le \sigma_i\) în locul medianei. Acest CoVaR crește odată cu intensitatea dependenței, ceea ce CoVaR condiționat pe \(X_i = -\mathrm{VaR}_{i,\alpha}\) nu face neapărat (Mainik & Schaanning, 2014), și poate fi supus unui backtesting prin depășirea comună. Estimarea istorică la \(\alpha = 5\%\), pe cele 199 de zile cu randamentul băncii sub cuantila ei de 5%, este 7,69% pentru JPMorgan, față de 3,81% prin regresie cuantilă, și 7,3–8,2% față de 3,6–4,8% pe cele unsprezece bănci; sub distribuția Normală schimbarea definiției crește CoVaR doar moderat, deci factorul de doi indică abateri de la reperul normal, fără să le identifice cauza.

                              Pe scurt

                              • Girardi & Ergün (2013) condiționează pe o pierdere a băncii cel puțin egală cu VaR-ul ei
                                • \(P\left(X^{sys} \le -\CoVaR^{\le}_\alpha \;\middle|\; X_i \le -\VaR_{i,\alpha}\right) = \alpha \iff P\left(X^{sys} \le -\CoVaR^{\le}_\alpha,\, X_i \le -\VaR_{i,\alpha}\right) = \alpha^2\)
                                • Starea de referință din \(\Delta\CoVaR^{\le}\): \(|X_i - \mu_i| \le \sigma_i\), în locul medianei
                                • Mai jos comparăm doar niveluri
                              • Crește cu intensitatea dependenței
                              • Se poate face backtesting: evenimentul comun are probabilitatea \(\alpha^2\)
                              • Estimarea istorică la \(\alpha = 5\%\), pe cele 199 de zile cu \(X_i \le \hat q_{5\%}(X_i)\)
                                • JPMorgan \(7{,}69\%\), față de \(3{,}81\%\) din regresia cuantilă
                                • cele unsprezece bănci: \(7{,}3\)–\(8{,}2\%\), față de \(3{,}6\)–\(4{,}8\%\)
                                • Sub distribuția Normală această schimbare crește CoVaR doar moderat
                                • Factorul doi indică abateri de la reperul Normal, fără să le identifice cauza

                              O verificare sub distribuția Normală: care CoVaR crește odată cu dependența?

                              Slide 88 în PDF

                              Pentru o distribuție Normală bivariată cu medii zero, \(\sigma_{sys} = 1{,}5\) și \(\alpha = 1\%\) (\(z = -2{,}326\)), sistemul condiționat pe banca aflată la VaR are media \(\rho\sigma_{sys}z\) și abaterea standard \(\sigma_{sys}\sqrt{1-\rho^2}\), deci \(\mathrm{CoVaR}_\alpha = \sigma_{sys}|z|(\rho + \sqrt{1-\rho^2})\) și \(\Delta\mathrm{CoVaR}_\alpha = \rho\sigma_{sys}|z|\). De la \(\rho = 0{,}6\) la \(\rho = 0{,}9\), CoVaR 1% scade de la 4,89% la 4,66%, pentru că \(\rho + \sqrt{1-\rho^2}\) are maximul la \(\rho = 0{,}71\), în timp ce ΔCoVaR 1% crește de la 2,09% la 3,14%. Un nivel CoVaR condiționat pe \(X_i = -\mathrm{VaR}_{i,\alpha}\) poate scădea cînd băncile devin mai interdependente, în timp ce ΔCoVaR și \(\mathrm{CoVaR}^{\le}\) cresc cu \(\rho\) (Mainik & Schaanning, 2014).

                              Pe scurt

                              • Distribuția Normală bivariată cu medii zero, \(\sigma_{sys} = 1{,}5\), \(\alpha = 1\%\), \(z = -2{,}326\)
                                • banca se află la VaR, \(X_i = -\VaR_{i,\alpha}\)
                                • Condiționat de bancă, sistemul are media \(\rho\,\sigma_{sys} z\) și abaterea standard \(\sigma_{sys}\sqrt{1 - \rho^2}\)
                                • Deci \(\CoVaR_\alpha = \sigma_{sys}|z|\left(\rho + \sqrt{1 - \rho^2}\right)\), iar cu starea mediană \(X_i = 0\), \(\Delta\CoVaR_\alpha = \rho\,\sigma_{sys}|z|\)
                              • De la \(\rho = 0{,}6\) la \(\rho = 0{,}9\): \(\CoVaR_{1\%}\) scade de la \(4{,}89\%\) la \(4{,}66\%\)
                                • pentru că \(\rho + \sqrt{1 - \rho^2}\) are maximul la \(\rho = 0{,}71\)
                                • \(\Delta\CoVaR_{1\%}\) crește de la \(2{,}09\%\) la \(3{,}14\%\)
                              • Lecția: nivelul CoVaR condiționat de \(X_i = -\VaR_{i,\alpha}\) poate scădea cînd băncile devin mai interdependente

                              \(\Delta\)CoVaR 1% în timp: variabile de stare

                              Slide 89 în PDF

                              Pentru a vedea dacă o bancă contribuie mai mult în perioadele de stres, Adrian & Brunnermeier (2016) lasă cuantilele băncii să depindă de variabile de stare \(M_{t-1}\), aici logaritmul VIX, randamentul indicelui regional și randamentul sistemului, toate decalate cu o zi. Atunci \(\Delta\mathrm{CoVaR}_{\alpha,t} = \hat b(\hat q_{50\%,t}(X_i) - \hat q_{\alpha,t}(X_i))\), cu cuantile condiționate pe \(M_{t-1}\) (Anexă); panta \(\hat b\) rămîne constantă, deci ΔCoVaR se mișcă odată cu VaR-ul condiționat al băncii.

                              Pe scurt

                              • Întrebarea: crește contribuția unei bănci în perioadele de stres?
                              • Cuantilele băncii depind de variabilele de stare \(M_{t-1}\) Adrian & Brunnermeier (2016)
                                • \(M_{t-1}\): log VIX, randamentul indicelui regional și randamentul sistemului, întîrziate cu o zi
                                • \(\Delta\CoVaR_{\alpha,t} = \hat b\left(\hat q_{50\%,t}(X_i) - \hat q_{\alpha,t}(X_i)\right)\), cu \(\hat q_{\cdot,t}\) condiționat de \(M_{t-1}\) (Anexă)
                              • Panta \(\hat b\) rămîne constantă: \(\Delta\)CoVaR variază odată cu VaR-ul condiționat al băncii

                              \(\Delta\)CoVaR 1% în timp (2/2)

                              Slide 91 în PDF

                              ΔCoVaR 1% al JPMorgan a avut media 2,16% în 2017 și 9,06% în martie 2020, cu un maxim de 10,99% pe 18 martie 2020; cel al Deutsche Bank a avut mediile 2,04% și 6,65%. Măsura este scăzută în perioadele calme, exact cînd riscul se poate acumula în bilanțuri, motiv pentru care Adrian & Brunnermeier (2016) propun un ΔCoVaR anticipat (forward), prezis din levier, mărime și nepotrivirea scadențelor (maturity mismatch), adică finanțarea activelor pe termen lung cu datorie pe termen scurt care trebuie refinanțată.

                              Pe scurt

                              • Șase bănci, medii mobile pe 21 de observații ale \(\Delta\)CoVaR 1% zilnic
                              • JPMorgan: media \(2{,}16\%\) în 2017, media \(9{,}06\%\) în martie 2020
                                • maximul: \(10{,}99\%\) pe 2020-03-18
                                • Deutsche Bank: media \(2{,}04\%\) în 2017, media \(6{,}65\%\) în martie 2020
                              • Mic în perioadele calme, exact cînd riscul se poate acumula în bilanțuri
                                • De aceea Adrian & Brunnermeier (2016) propun un \(\Delta\)CoVaR anticipat, prognozat din gradul de îndatorare, mărime și nepotrivirea scadențelor
                                • Nepotrivirea scadențelor: active pe termen lung finanțate cu datorii pe termen scurt, care trebuie refinanțate
                              MFM_ch18_covar_dynamic

                              Exemplu: tabelul conectivității pentru două bănci

                              Slide 92 în PDF

                              În tabelul normalizat simplu pentru două bănci, rîndul \(i\) este banca a cărei varianță a erorii de prognoză se împarte, coloana \(j\) sursa șocului, iar fiecare rînd însumează 100. Folosind doar celulele din afara diagonalei, totalurile „de la ceilalți” sînt sumele pe rînduri, \(F_1 = 20\) și \(F_2 = 40\), totalurile „către ceilalți” sumele pe coloane, \(T_1 = 40\) și \(T_2 = 20\), iar pozițiile nete sînt +20 pentru banca 1, un transmițător, și −20 pentru banca 2; pozițiile nete însumează întotdeauna zero, iar conectivitatea totală este \(C = (20 + 40)/2 = 30\%\).

                              Pe scurt

                              Banca \(i\) \(\backslash\) șocul \(j\)12\(F_i\)
                              1802020
                              2406040
                              \(T_j\)4020
                              • Tabel normalizat ilustrativ \(\tilde\theta_{ij}\) (%)
                                • linia \(i\): banca a cărei dispersie se împarte
                                • coloana \(j\): sursa șocului
                                • liniile însumează 100
                              • Doar celulele din afara diagonalei
                                • De la ceilalți: \(F_1 = 20\), \(F_2 = 40\) (sume pe linii)
                                • Către ceilalți: \(T_1 = 40\), \(T_2 = 20\) (sume pe coloane)
                              • Net: banca 1 \(40 - 20 = +20\) (transmițător), banca 2 \(-20\)
                                • pozițiile nete însumează întotdeauna zero
                              • Total: \(C = (20 + 40)/2 = 30\%\)

                              Eroarea de estimare: cît de sigură este rețeaua?

                              Slide 93 în PDF

                              Întrebarea este care etichete de transmițător și receptor rezistă erorii de estimare. Un VAR(1) pe 13 serii are 169 de coeficienți de pantă, iar VAR(2) folosit aici 338; o fereastră de 250 de zile dă 250 de observații pe ecuație pentru 26 de pante și o constantă, iar tabelul de conectivitate este o funcție neliniară de toate acestea. Capitolul folosește un block bootstrap al reziduurilor cu 999 de extrageri: se reeșantionează blocuri de 20 de zile de vectori de reziduuri, seriile se reconstruiesc cu VAR estimat, VAR se reestimează și tabelul se recalculează.

                              Pe scurt

                              • Întrebarea: care dintre etichetele „transmițător” și „receptor” rezistă erorii de estimare?
                              • Un VAR(1) pe 13 serii are 169 de coeficienți de pantă
                                • VAR(2) folosit aici are \(2 \times 169 = 338\)
                                • O fereastră de 250 de zile oferă 250 de observații pe ecuație pentru 26 de pante și o constantă
                                • Tabelul conectivității este o funcție neliniară a tuturor coeficienților
                              • Bootstrap pe blocuri de reziduuri, 999 de extrageri
                                • Reeșantionăm blocuri de 20 de zile din vectorii de reziduuri, reconstruim seriile cu VAR-ul estimat, reestimăm, recalculăm tabelul

                              Eroarea de estimare: intervale bootstrap pentru rețea (2/2)

                              Slide 95 în PDF

                              Pe tot eșantionul cu \(p = 2\), \(C = 63{,}9\%\), cu un interval de 95% de [59,9; 65,8]; în fereastra de maxim, care se încheie pe 27 august 2020, \(C = 79{,}3\%\), cu [65,9; 83,0], un interval care ignoră selecția ferestrei de maxim, iar media bootstrap de 75,8% arată că eșantioanele mici deplasează și ele \(C\). Opt dintre cele 13 poziții nete au intervale marginale care exclud zero, fără corecție pentru testarea multiplă; pentru celelalte cinci semnul poziției nete nu poate fi distins de zero, iar rețeaua spillover-urilor nete desenează cele mai mari 25% dintre legături, unele dintre ele nesemnificative.

                              Pe scurt

                              • Întreaga perioadă, \(p = 2\): \(C = 63{,}9\%\), interval de 95% \([59{,}9; 65{,}8]\)
                                • Fereastra cu valoarea maximă (pînă la 2020-08-27): \(C = 79{,}3\%\), cu intervalul \([65{,}9; 83{,}0]\), care nu include incertitudinea alegerii ferestrei maxime
                                • Media bootstrap este \(75{,}8\%\): în eșantioanele mici, și estimatorul lui \(C\) este deplasat
                              • 8 din 13 poziții nete au intervale marginale care exclud zero, fără corecție pentru testare multiplă
                                • Pentru celelalte 5, semnul poziției nete nu se distinge statistic de zero
                                • Rețeaua de spillover net desenează cele mai mari 25% dintre legături, inclusiv unele nesemnificative
                                • De aceea raportăm intervalele
                              MFM_ch18_spillover_uncertainty

                              Conectivitatea cu elastic net: depinde rețeaua de estimator?

                              Slide 96 în PDF

                              Un VAR(2) pe 13 serii are 338 de pante, deci în ferestrele scurte OLS supraajustează. Demirer et al. (2018) estimează fiecare ecuație VAR cu elastic net adaptiv; în ferestrele de 150 de zile ale capitolului se folosește elastic net simplu, cu \(\lambda\) ales ecuație cu ecuație prin validare pe 10 blocuri consecutive de timp (definiția este în Anexă), iar indicii se compară cu indicele de bază la aceleași date de sfîrșit ale ferestrelor.

                              Pe scurt

                              • Un VAR(2) pe 13 serii are 338 de pante: pe ferestre scurte, OLS supraajustează
                              • Demirer et al. (2018): fiecare ecuație VAR prin elastic net adaptiv
                                • pe ferestrele de 150 de zile, elastic net simplu
                                • \(\lambda\) ales ecuație cu ecuație prin validare pe 10 blocuri consecutive de timp (definiția în Anexă)
                              • Comparăm indicele de bază cu indicii pe ferestre de 150 de zile
                                • pe aceleași date finale ale ferestrelor

                              Conectivitatea OLS și elastic net pe ferestre mobile (1/2)

                              Slide 97 în PDF

                              Graficul compară conectivitatea totală rolling a VAR(2) OLS de bază pe ferestre de 250 de zile cu indicii VAR(1) OLS și elastic net pe ferestre de 150 de zile.

                              Conectivitatea OLS și elastic net pe ferestre mobile (2/2)

                              Slide 98 în PDF

                              Pe tot eșantionul, elastic net dă \(C = 63{,}1\%\), față de 63,9% prin OLS (metoda celor mai mici pătrate), cu 55% dintre coeficienți nenuli. Pe 372 de date comune de sfîrșit ale ferestrelor, la 10 zile de tranzacționare distanță, mediile sînt 62,0% pentru indicele de bază, 61,1% pentru VAR(1) OLS pe 150 de zile și 58,7% pentru VAR(1) elastic net pe 150 de zile. Dinamica este aceeași, cu o corelație de 0,82 între indicele elastic net și cel de bază și vîrfuri de criză în aceleași săptămîni: nivelurile depind de fereastră, de estimator și de numărul de laguri, în timp ce schimbările în timp sînt robuste.

                              Pe scurt

                              • Pe întreaga perioadă: \(C = 63{,}1\%\) cu elastic net, față de \(63{,}9\%\) cu OLS
                                • OLS: ordinary least squares, metoda celor mai mici pătrate
                                • Cu elastic net, \(55\%\) dintre coeficienți sînt nenuli
                              • Medii pe 372 de date finale comune, cu pas de 10 zile de tranzacționare
                                • indicele de bază (VAR(2) OLS, 250 de zile): \(62{,}0\%\)
                                • VAR(1) OLS pe 150 de zile: \(61{,}1\%\); VAR(1) elastic net pe 150 de zile: \(58{,}7\%\)
                              • Evoluțiile coincid: corelația dintre indicele elastic net și indicele de bază este \(0{,}82\)
                                • vîrfurile din crize apar în aceleași săptămîni
                                • Nivelurile depind de fereastră, estimator și ordinul VAR
                                • Schimbările în timp sînt robuste
                              MFM_ch18_spillover_uncertainty

                              GACV într-o fereastră calmă și într-una de criză (1/2)

                              Slide 99 în PDF

                              Graficul arată curba GACV (18.15) pentru JPMorgan într-o fereastră calmă și într-una de criză, cu penalizarea selectată și numărul de coeficienți activi.

                              Pe scurt

                              GACV într-o fereastră calmă și într-una de criză (2/2)

                              Slide 100 în PDF

                              JPMorgan este regresat pe celelalte 12 bănci și pe trei variabile macro decalate, pe 63 de zile. În fereastra calmă care se încheie pe 28 iunie 2019, \(\hat\lambda = 4{,}5 \times 10^{-5}\), cu 11 din 15 coeficienți activi; în fereastra COVID-19 care se încheie pe 31 martie 2020, \(\hat\lambda = 7{,}8 \times 10^{-5}\), cu 12 activi. Întreaga curbă GACV este de aproximativ trei ori mai sus în criză, pentru că pierderea check este în unități de randament, iar randamentele de criză sînt mai mari, iar cu puțini regresori minimul se află la o penalizare aproape nulă, deci selecția este zgomotoasă.

                              Pe scurt

                              • Regresia lui JPMorgan pe celelalte 12 bănci și pe trei variabile macro întîrziate
                                • fereastra are 63 de zile
                                • Linia punctată marchează \(\lambda\) ales, iar cu portocaliu sînt coeficienții activi
                              • Fereastra calmă (pînă la 28 iunie 2019): \(\hat\lambda = 4{,}5 \times 10^{-5}\), 11 din 15 coeficienți activi
                              • Fereastra COVID-19 (pînă la 31 martie 2020): \(\hat\lambda = 7{,}8 \times 10^{-5}\), 12 coeficienți activi
                              • În criză, întreaga curbă GACV este de aproximativ trei ori mai sus
                                • pierderea cuantilă este în unitățile randamentelor
                              • Cu puțini regresori, minimul se află aproape fără penalizare
                                • alegerea este zgomotoasă
                              MFM_ch18_frm

                              Testarea inversă la stres

                              Slide 101 în PDF

                              Testarea inversă la stres folosește un model factorial al randamentelor logaritmice săptămînale ale băncilor, în procente, \(X_i = \beta_i^\top f + e_i\), cu factorii S&P 500, Euro Stoxx 50 și BET și \(f \sim N(0, h\Sigma)\) pe \(h\) săptămîni. Pierderea portofoliului cu ponderi egale al celor 13 bănci este \(L = -b^\top f\), cu \(b\) media valorilor \(\beta_i\) și reziduul egal cu zero. Cel mai plauzibil scenariu cu pierderea \(\ell^*\) minimizează pătratul distanței Mahalanobis \(f^\top(h\Sigma)^{-1}f\) cu restricția \(-b^\top f = \ell^*\):

                              \[f^* = -\ell^*\,\frac{h\Sigma\,b}{b^\top h\Sigma\,b}, \qquad d^* = \frac{\ell^*}{\sqrt{b^\top h\Sigma\,b}},\]
                              (18.20)

                              unde \(d^*\), pierderea țintă în abateri standard ale portofoliului, măsoară cît de puțin plauzibil este scenariul (un exemplu cu doi factori este în Anexă).

                              Pe scurt

                              • Model factorial pentru randamentele log săptămînale (%): \(X_i = \beta_i^\top f + e_i\)
                                • factorii \(f\) = (S&P 500, Euro Stoxx 50, BET)
                                • Pe \(h\) săptămîni, \(f \sim N(0, h\Sigma)\), cu \(\Sigma\) covarianța săptămînală a factorilor, fără covarianțe seriale
                              • Pierderea portofoliului cu ponderi egale al celor 13 bănci: \(L = -b^\top f\) (pierdere log, în %)
                                • \(b\): media valorilor \(\beta_i\)
                                • reziduul \(\sum_i w_i e_i\) este pus egal cu zero
                              • Cel mai plauzibil scenariu cu pierderea \(\ell^*\)
                                • minimizăm pătratul distanței Mahalanobis \(f^\top (h\Sigma)^{-1} f\) cu condiția \(-b^\top f = \ell^*\)
                                • \(f^* = -\ell^*\,\dfrac{h\Sigma\,b}{b^\top h\Sigma\,b}\), \(\qquad d^* = \dfrac{\ell^*}{\sqrt{b^\top h\Sigma\,b}}\)
                                • \(d^*\): pierderea țintă în abateri standard ale portofoliului
                                • Un \(d^*\) mai mare înseamnă un scenariu mai puțin plauzibil (exemplu cu doi factori: Anexă)

                              Cel mai plauzibil scenariu pentru o pierdere log de 25% (1/2)

                              Slide 102 în PDF

                              Graficul compară cel mai plauzibil scenariu factorial \(f^*\) pentru o pierdere logaritmică de 25% a portofoliului de bănci (roșu) cu mișcările factorilor din cele mai proaste patru săptămîni din 2020 (albastru).

                              Pe scurt

                              Cel mai plauzibil scenariu pentru o pierdere log de 25% (2/2)

                              Slide 103 în PDF

                              Pe date săptămînale 2010–2026 (871 de săptămîni), cu un orizont de patru săptămîni, durata fazei acute din martie 2020, \(b = (0{,}45;\ 0{,}65;\ 0{,}18)\), iar abaterea standard pe patru săptămîni a portofoliului este 5,79%. O pierdere logaritmică de 25% (22,1% aritmetic) cere, după (18.20), ca S&P 500 să scadă cu 17,2%, Euro Stoxx 50 cu 22,6% și BET cu 13,9% simultan, cu \(d^* = 4{,}31\), o probabilitate normală de \(8{,}0 \times 10^{-6}\) pe patru săptămîni. Totuși, în cele patru săptămîni pînă la 20 martie 2020 portofoliul a avut o pierdere logaritmică de 52,0% (48,5% în modelul factorial): forma scenariului este informativă, probabilitatea lui nu, pentru că cozile groase și corelațiile în creștere fac probabilitățile normale mult prea mici.

                              Pe scurt

                              • Date săptămînale 2010–2026 (871 de săptămîni), orizont de patru săptămîni
                                • patru săptămîni: durata fazei acute din martie 2020
                                • Cu roșu: \(f^*\) pentru \(\ell^* = 25\%\)
                                • Cu albastru: mișcările factorilor în cele mai rele patru săptămîni din 2020
                              • \(b\) = (\(0{,}45\); \(0{,}65\); \(0{,}18\))
                                • abaterea standard a portofoliului pe patru săptămîni este \(5{,}79\%\)
                                • O pierdere log de 25% (aritmetică: \(22{,}1\%\)) cere simultan \(-17{,}2\%\) (S&P 500), \(-22{,}6\%\) (Euro Stoxx 50) și \(-13{,}9\%\) (BET)
                              • \(d^* = 4{,}31\)
                                • sub distribuția Normală, probabilitatea unei asemenea pierderi pe patru săptămîni este \(8{,}0\times 10^{-6}\)
                                • Totuși, în cele patru săptămîni pînă la 2020-03-20, portofoliul a pierdut \(52{,}0\%\) în termeni log (modelul factorial dă \(48{,}5\%\))
                              • Forma scenariului este informativă, probabilitatea lui nu
                                • cozile grele și corelațiile care cresc fac probabilitățile Normale mult prea mici
                              MFM_ch18_stress

                              Cozile evoluează diferit (1/2)

                              Slide 104 în PDF

                              Panoul din stînga arată corelațiile dintre indicii de spillover rolling la medie și în cele două cozi (\(w = 250\) de zile, \(h = 5\)), iar panoul din dreapta corelațiile lor lunare cu CATFIN (Ando, Greenwood-Nimmo & Shin, 2022), media a trei estimări VaR 1% pentru acțiunile financiare (Allen, Bali & Tang, 2012).

                              Pe scurt

                              Cozile evoluează diferit (1/2)
                              MFM_ch18_quantile_connectedness

                              Cozile evoluează diferit (2/2)

                              Slide 105 în PDF

                              Indicele la medie urmează coada adversă mult mai mult decît pe cea favorabilă, cu o corelație de 0,774 cu \(S_{0.95}\), față de 0,411 cu \(S_{0.05}\), deci o creștere a conectivității medii este în principal o creștere a spillover-ului veștilor proaste. Cele două cozi au puțină variație comună (0,367), deci sînt doi indicatori, nu un indice măsurat de două ori, iar RTD este informativ: aproximativ ±15 puncte pe ferestre rolling, față de 2,19 pe tot eșantionul. Față de CATFIN, corelațiile sînt 0,51 pentru \(S_{0.95}\), 0,42 pentru RTD și doar 0,15 pentru \(S_{0.05}\) (Anexă).

                              Pe scurt

                              • Indicele la medie urmează coada adversă mult mai mult decît coada favorabilă
                                • corelația \(0{,}774\) cu \(S_{0{,}95}\), față de corelația \(0{,}411\) cu \(S_{0{,}05}\)
                                • O creștere a conectivității la medie este mai ales o intensificare a transmiterii șocurilor adverse
                              • Cele două cozi au puțină variație comună (corelația dintre ele este \(0{,}367\))
                                • Doi indicatori, nu același indice măsurat de două ori
                                • De aceea RTD (Relative Tail Dependence, coada adversă minus cea favorabilă) este informativ: circa \(\pm 15\) puncte pe ferestre mobile, față de \(2{,}19\) pe întregul eșantion
                              • Corelația cu CATFIN: \(0{,}51\) pentru \(S_{0{,}95}\), \(0{,}42\) pentru RTD, doar \(0{,}15\) pentru \(S_{0{,}05}\)
                                • CATFIN evoluează mai mult cu transmiterea șocurilor adverse decît cu a celor favorabile (legăturile bilaterale slabe și RTD în timp: Anexă)

                              Extindere pe cele 13 bănci: specificație și întrebări deschise

                              Slide 106 în PDF

                              O extindere pe datele capitolului folosește închiderile zilnice ale celor 13 bănci, 2010–2026, cu \(y_t\) pierderea zilnică \(-r_t\) în procente, astfel încît coada dreaptă să fie cea adversă, ca pentru CDS. Datele diferă de cele ale lucrării: pierderi din acțiuni în locul spread-urilor CDS, 13 bănci și niciun stat (\(m = 13\) în loc de 34) și ore de închidere diferite ale piețelor din SUA, Europa și România; autorii impun și ordinul VAR de la medie la fiecare cuantilă și țin cuantila fixă pe orizont. Întrebările deschise sînt dacă RTD al celor 13 bănci crește înainte de martie 2020 și de falimentele bancare din martie 2023 și dacă anunță stresul bancar dincolo de volatilitatea curentă și de indicele bazat pe medie, cu ordinul VAR și factorii selectați doar pe un eșantion de antrenare.

                              Pe scurt

                              • Datele cursului: prețurile zilnice de închidere ale celor 13 bănci, 2010–2026
                                • \(y_t = -r_t\) (%), astfel încît coada dreaptă să fie cea adversă, ca la CDS
                                • Limite: acțiuni în loc de CDS, niciun stat (\(m = 13\) în loc de 34), ore de închidere diferite în SUA, Europa și România
                              • Limitele precizate de autori
                                • ordinul VAR ales la medie este păstrat la fiecare cuantilă
                                • cuantila rămîne fixă pe orizont (alte limite: Anexă)
                              • Extindere deschisă
                                • Crește RTD al celor 13 bănci înainte de martie 2020 și de falimentele bancare din martie 2023?
                                • Anticipează stresul bancar dincolo de volatilitatea curentă și de indicele bazat pe medie din acest capitol?
                                • Pentru prognoză, ordinul VAR și numărul de factori se aleg doar pe un eșantion de antrenare

                              Rîndul dumneavoastră: o idee de proiect

                              Slide 107 în PDF

                              Livrabilele proiectului sînt o grilă de specificații fixată în scris înaintea regresiilor și un notebook care regenerează fiecare număr, cu inferență HAC și pierderi out-of-sample pentru fiecare celulă. Jurnalul AI consemnează în `AI_USE.md` prompturile care au dat forma designului, iar în `AI_ERRORS.md` fiecare afirmație greșită, cum ar fi un VAR pe niveluri de prețuri sau statistici \(t\) OLS pe ferestre suprapuse, împreună cu testul care a depistat-o.

                              Pe scurt

                              • Livrabile
                                • O grilă de specificații fixată în scris înainte de regresii
                                • Un notebook care regenerează fiecare cifră
                                • Inferență HAC și pierderi în afara eșantionului pentru fiecare celulă
                              • Jurnalul AI (șabloane)
                                • AI_USE.md: prompturile care au influențat metodologia
                                • AI_ERRORS.md: fiecare afirmație greșită (un VAR pe nivelurile prețurilor, statistici \(t\) OLS pe ferestre suprapuse) și testul care a depistat-o

                              Anexă

                              Anexa conține demonstrațiile și derivările din spatele slide-urilor principale, asimptotica și testele pentru ΔCoVaR, backtesting-ul măsurilor sistemice, diagnosticul VAR, testarea multiplă în rețelele Granger și specificația studiului de caz despre conectivitatea cuantilă.

                              MES ca contribuție Euler: demonstrație (1/2)

                              Slide 108 în PDF

                              Pentru un portofoliu \(X_p = \sum_i w_i X_i\) cu distribuție continuă, deficitul așteptat (expected shortfall) \(\mathrm{ES}_\alpha(X_p) = -\mathbb{E}[X_p \mid X_p \le q_\alpha(X_p)]\) este pozitiv omogen de gradul 1 în \(w\), deci, după teorema lui Euler, este egal cu \(\sum_i w_i\,\partial\mathrm{ES}_\alpha/\partial w_i\). Derivarea lui \(-\frac{1}{\alpha}\mathbb{E}[X_p\mathbf{1}\{X_p \le q_\alpha(w)\}]\) dă un termen interior și unul de frontieră, iar termenul de frontieră dispare pentru că \(\partial q_\alpha/\partial w_i = \mathbb{E}[X_i \mid X_p = q_\alpha]\) (Gouriéroux, Laurent & Scaillet, 2000). Așadar \(\partial\mathrm{ES}_\alpha/\partial w_i = -\mathbb{E}[X_i \mid X_p \le q_\alpha(X_p)]\), adică MES al băncii \(i\) cînd portofoliul de condiționare este portofoliul însuși (Scaillet, 2004).

                              Pe scurt

                              • Portofoliul \(X_p = \sum_i w_i X_i\) are distribuție continuă
                                • expected shortfall-ul lui este \(\ES_\alpha(X_p) = -\E[X_p \mid X_p \le q_\alpha(X_p)]\)
                                • \(\ES_\alpha\) este pozitiv omogen de gradul 1 în \(w\), deci din teorema lui Euler \(\ES_\alpha(X_p) = \sum_i w_i\,\partial \ES_\alpha / \partial w_i\)
                                • Scriem \(\ES_\alpha = -\frac{1}{\alpha}\E\left[X_p \mathbf{1}\{X_p \le q_\alpha(w)\}\right]\), unde \(f_p\) este densitatea lui \(X_p\)
                                • Derivata are un termen interior și unul de frontieră: \(\dfrac{\partial}{\partial w_i}\E[X_p \mathbf{1}\{X_p \le q_\alpha\}] = \E[X_i \mathbf{1}\{X_p \le q_\alpha\}] + q_\alpha f_p(q_\alpha)\left(\dfrac{\partial q_\alpha}{\partial w_i} - \E[X_i \mid X_p = q_\alpha]\right)\)
                                • Derivata cuantilei este \(\partial q_\alpha/\partial w_i = \E[X_i \mid X_p = q_\alpha]\) Gouriéroux, Laurent & Scaillet (2000), deci termenul de frontieră este zero
                                • Deci \(\partial \ES_\alpha / \partial w_i = -\E[X_i \mid X_p \le q_\alpha(X_p)] = \MES_{i,\alpha}\) cu \(m = p\) Gouriéroux, Laurent & Scaillet (2000), Scaillet (2004)

                              MES ca contribuție Euler: demonstrație (2/2)

                              Slide 109 în PDF

                              Pe datele capitolului, pentru portofoliul cu ponderi egale al celor șase bănci americane la \(\alpha = 5\%\) (199 de zile în coadă), ES 5% al portofoliului este 4,32%, egal cu media celor șase MES condiționate pe portofoliu; identitatea este exactă, și pentru estimatorul istoric. Condiționarea pe S&P 500 dă în schimb un MES mediu de 3,63% (JPMorgan: 3,21% față de 3,84%), deci identitatea nu mai este valabilă cînd piața de condiționare nu este portofoliul. Sub distribuția Normală bivariată cu medii zero, MES este un beta înmulțit cu o constantă, \(\beta_i\,\mathrm{ES}_\alpha(X_m)\).

                              Pe scurt

                              • Verificare pe datele noastre: portofoliul cu ponderi egale al celor șase bănci americane
                                • \(\alpha = 5\%\) (199 de zile în coadă)
                                • \(\ES_{5\%}\) al portofoliului, \(4{,}32\%\), este egal cu media celor șase MES condiționate pe portofoliu, \(4{,}32\%\)
                                • Identitatea este exactă și pentru estimatorul istoric
                                • Condiționînd pe S&P 500 obținem un MES mediu de \(3{,}63\%\)
                                • Pentru JPMorgan: \(3{,}21\%\) condiționînd pe S&P 500, față de \(3{,}84\%\) condiționînd pe portofoliu
                                • Identitatea nu mai este valabilă cînd \(m \ne p\)
                              • Sub distribuția Normală bivariată cu medii zero, \(\MES_{i,\alpha} = \beta_i\,\ES_\alpha(X_m)\): un beta înmulțit cu o constantă

                              Simularea LRMES: inovații și recursii

                              Slide 110 în PDF

                              Simularea folosește reziduurile standardizate \(\epsilon_{it}\) și \(\epsilon_{mt}\), a căror matrice de corelație de eșantion \(S\) este ținta pe termen lung a lui \(Q_t\), și inovația băncii ortogonală pe piață, \(\xi_{it} = (\epsilon_{it} - \rho_t\epsilon_{mt})/\sqrt{1-\rho_t^2}\) (Brownlees & Engle, 2017). Fiecare zi simulată extrage o dată din trecut \(\tau\), ia perechea \((\xi_{i\tau}, \epsilon_{m\tau})\), reconstruiește șocul băncii cu corelația simulată și actualizează \(\sigma^2\) și \(Q\). Restricțiile \(\omega > 0\), \(\alpha \ge 0\), \(\alpha + \gamma \ge 0\), \(\beta \ge 0\) și \(\alpha + \gamma/2 + \beta < 1\) (pentru inovații simetrice) păstrează varianța pozitivă și finită, \(a, b > 0\) cu \(a + b < 1\) păstrează \(Q_t\) pozitiv definită, iar simularea pornește de la varianța și \(Q\) filtrate pînă la ultima dată.

                              Pe scurt

                              • Reziduurile standardizate \(\epsilon_{it} = r_{it}/\sigma_{it}\), \(\epsilon_{mt} = r_{mt}/\sigma_{mt}\)
                                • \(S\), matricea corelațiilor lor empirice, este ținta pe termen lung a lui \(Q_t\)
                                • Inovația băncii ortogonală față de piață: \(\xi_{it} = (\epsilon_{it} - \rho_t\,\epsilon_{mt})/\sqrt{1 - \rho_t^2}\) Brownlees & Engle (2017)
                              • În fiecare zi simulată \(s\) extragem o dată istorică \(\tau\) și reconstruim șocul băncii cu corelația simulată
                                • \(\epsilon_{i,t+s} = \rho_{t+s}\,\epsilon_{m\tau} + \sqrt{1 - \rho_{t+s}^2}\,\xi_{i\tau}\), apoi actualizăm \(\sigma^2\) și \(Q\) cu noile randamente
                              • GJR–GARCH: \(\omega > 0\), \(\alpha \ge 0\), \(\alpha + \gamma \ge 0\), \(\beta \ge 0\), \(\alpha + \gamma/2 + \beta < 1\)
                                • ultima condiție: dispersie finită pentru inovații simetrice
                                • în general, condiția este \(\alpha + \gamma\,\E[\epsilon^2\mathbf{1}\{\epsilon < 0\}] + \beta < 1\)
                              • DCC: \(a, b > 0\), \(a + b < 1\), deci \(Q_t\) rămîne pozitiv definită
                              • Inițializarea: \(Q_1 = S\) la estimare
                                • simularea pornește de la \(\sigma^2_{T+1}\) și \(Q_{T+1}\) filtrate pînă la ultima dată

                              Regresia cuantilă: asimptotica

                              Slide 111 în PDF

                              Cu \(n\) zile, regresorii \(x_t = (1, X_{i,t})^\top\) și \(f_t\) densitatea condiționată a lui \(Y\) la cuantila \(\alpha\), \(\sqrt n(\hat\theta_\alpha - \theta_\alpha)\) converge la \(N(0, \alpha(1-\alpha)D_1^{-1}D_0D_1^{-1})\), cu \(D_0 = \mathbb{E}[x_tx_t^\top]\) și \(D_1 = \mathbb{E}[f_tx_tx_t^\top]\), în ipoteza unor observații independente sau a unor scoruri de tip diferență de martingal. Cu scoruri dependente serial, matricea din mijloc devine covarianța pe termen lung a lui \(x_t(\alpha - \mathbf{1}\{u_t < 0\})\), estimată prin HAC sau printr-un block bootstrap. Raritatea (sparsity) \(1/f_t\) trebuie și ea estimată, iar la \(\alpha = 1\%\) puține observații se află lîngă cuantilă, deci estimarea este zgomotoasă; panta \(b_\alpha\) se poate schimba și ea cu \(\alpha\).

                              Pe scurt

                              • Asimptotica pentru \(\alpha\) fix, cu \(\hat\theta_\alpha = (\hat a_\alpha, \hat b_\alpha)^\top\)
                                • \(n\) zile, \(x_t = (1, X_{i,t})^\top\), iar \(f_t\) este densitatea condiționată a lui \(Y\) în cuantila de ordin \(\alpha\)
                                • \(\sqrt{n}(\hat\theta_\alpha - \theta_\alpha) \Rightarrow N\left(0,\; \alpha(1 - \alpha)\,D_1^{-1} D_0 D_1^{-1}\right)\), \(D_0 = \E[x_t x_t^\top]\), \(D_1 = \E[f_t\, x_t x_t^\top]\)
                                • Presupune observații independente (sau scoruri \(x_t(\alpha - \mathbf{1}\{u_t < 0\})\) de tip diferență de martingal), \(f_t > 0\) în jurul cuantilei și \(D_0\), \(D_1\) pozitiv definite
                                • Cu scoruri dependente serial, dispersia devine \(D_1^{-1}\Omega D_1^{-1}\), cu \(\Omega = \sum_h \mathrm{Cov}(x_t\psi_t,\, x_{t-h}\psi_{t-h})\) și \(\psi_t = \alpha - \mathbf{1}\{u_t < 0\}\): estimare HAC sau bootstrap pe blocuri
                                • Inversa densității \(1/f_t\) trebuie estimată (nucleu sau lățime de bandă)
                                • La \(\alpha = 1\%\) puține observații sînt aproape de cuantilă, deci această estimare este zgomotoasă
                              • Panta \(b_\alpha\) se poate schimba cu \(\alpha\)
                                • banca poate conta mai mult pentru sistem în coadă decît în centru

                              Cuantile extreme: dificultatea estimării la \(\alpha = 1\%\)

                              Slide 112 în PDF

                              La \(\alpha = 1\%\) rămîn în coadă doar \(\alpha n = 40\) de zile, iar aproximarea normală, care presupune că \(\alpha n\) crește repede, poate fi slabă; teoria cuantilelor extreme este construită pentru acest caz (Chernozhukov & Fernández-Val, 2011). Pentru aceeași pantă \(\hat b_{1\%}\), eroarea standard prin block bootstrap este de aproximativ 0,3 ori cea bazată pe nucleu (mediana pe bănci, interval 0,21–0,46), iar diferența arată incertitudinea metodei, nu care interval acoperă corect. Regula practică este să raportăm \(\alpha = 5\%\) și \(\alpha = 1\%\) împreună cu \(\alpha n\) și să ne așteptăm ca clasamentul la 1% să fie mai zgomotos; corelația Spearman de 0,13 dintre clasamentele la 1% și 5% poate reflecta zgomotul, diferențe reale între nivelurile din coadă sau ambele.

                              Pe scurt

                              • La \(\alpha = 1\%\) rămîn în coadă doar \(\alpha n = 40\) de zile
                                • aproximarea Normală, care presupune \(\alpha n \to \infty\), poate fi imprecisă
                                • Teoria cuantilelor extreme (limite de valori extreme, subeșantionare) este alternativa construită pentru acest caz Chernozhukov & Fernández-Val (2011)
                              • Pentru aceeași pantă \(\hat b_{1\%}\), eroarea standard bootstrap pe blocuri este de circa 0,3 ori cea bazată pe nucleu
                                • mediana pe bănci; raportul variază între 0,21 și 0,46
                                • Nucleul estimează inversa densității din puținele observații din jurul cuantilei
                                • Bootstrap-ul reextrage aceleași puține zile din coadă: diferența arată incertitudinea metodei, nu care interval acoperă corect
                              • Regulă practică: raportăm \(\alpha = 5\%\) și \(\alpha = 1\%\) împreună cu \(\alpha n\)
                                • clasamentul de 1% este mai zgomotos
                                • Corelația Spearman mică dintre clasamentele de 1% și 5% (\(0{,}13\)) poate reflecta zgomotul de estimare, diferențe reale între cele două niveluri sau ambele

                              Testarea \(\Delta\)CoVaR: trei ipoteze

                              Slide 113 în PDF

                              Se testează trei ipoteze:

                              1. Lipsa contribuției, \(H_0: b_\alpha = 0\), folosește varianța lui \(\hat b_\alpha\) din 999 de extrageri block bootstrap, cu o corecție Holm pe cele 11 bănci, pentru că asimptotica comună a lui Koenker & Bassett (1982) presupune scoruri necorelate serial.
                              2. Egalitatea legăturii din coadă cu cea din centru, \(H_0: b_\alpha = b_{50\%}\), folosește varianța diferenței din 999 de extrageri moving-block care păstrează împreună perechile de zile.
                              3. Egalitatea contribuțiilor, \(H_0: \Delta\mathrm{CoVaR}_i = \Delta\mathrm{CoVaR}_j\), folosește statistici \(z\) pe perechi, cu eroarea standard bootstrap a diferenței, o corecție Holm (1979) pe perechi și un test Wald comun al egalității tuturor.

                              Pe scurt

                              • (1) \(H_0\colon b_\alpha = 0\) (nicio contribuție)
                                • Asimptotica comună a lui \((\hat b_\alpha, \hat b_{50\%})\) Koenker & Bassett (1982) presupune scoruri necorelate serial
                                • Aici: dispersia lui \(\hat b_\alpha\) din aceleași 999 de extrageri bootstrap pe blocuri, cu corecția Holm pe cele 11 bănci
                              • (2) \(H_0\colon b_\alpha = b_{50\%}\)
                                • dispersia lui \(\hat b_\alpha - \hat b_{50\%}\) din 999 de extrageri bootstrap pe blocuri suprapuse
                                • perechile de zile sînt păstrate împreună
                              • (3) \(H_0\colon \Delta\CoVaR_i = \Delta\CoVaR_j\) (contribuții egale)
                                • \(z_{ij} = (\widehat{\Delta\CoVaR}_i - \widehat{\Delta\CoVaR}_j)/\widehat{\mathrm{se}}^{*}\) pentru fiecare pereche, cu \(\widehat{\mathrm{se}}^{*}\) eroarea standard bootstrap a diferenței
                                • Corecția Holm (1979) pe familia de perechi
                                • Un test Wald comun al egalității tuturor contribuțiilor

                              Testarea \(\Delta\)CoVaR 1%: rezultate

                              Slide 114 în PDF

                              Toate cele 11 pante \(\hat b_{1\%}\) sînt pozitive și rămîn semnificative la 5% după Holm, cu \(z^*\) bootstrap între 8,7 (HSBC) și 22,6 (Citigroup); cu eroarea standard bazată pe nucleu, valabilă doar pentru scoruri necorelate serial, \(t\) variază între 4,0 și 6,9. Panta din coadă diferă de panta centrală \(\hat b_{50\%}\) doar pentru Citigroup (−0,11, \(p < 0{,}001\)) și ING (−0,10, \(p = 0{,}001\)), Santander fiind la limită (\(p = 0{,}06\)); pentru celelalte bănci legătura din coadă este egală cu cea din centru.

                              Pe scurt

                              Banca\(\Delta\)CoVaR\(\hat b_{1\%}\)\(z^*\)\(\hat b_{50\%}\)\(\hat b_{1\%} - \hat b_{50\%}\)\(p\)
                              JPMorgan\(4{,}62\)\(0{,}94\)\(19{,}3\)\(0{,}96\)\(-0{,}02\)\(0{,}66\)
                              Bank of America\(4{,}60\)\(0{,}76\)\(14{,}2\)\(0{,}78\)\(-0{,}02\)\(0{,}73\)
                              Citigroup\(3{,}81\)\(0{,}64\)\(22{,}6\)\(0{,}76\)\(-0{,}11\)\(<0{,}001\)
                              Goldman Sachs\(4{,}12\)\(0{,}85\)\(14{,}3\)\(0{,}84\)\(0{,}00\)\(0{,}99\)
                              Morgan Stanley\(4{,}01\)\(0{,}68\)\(13{,}0\)\(0{,}73\)\(-0{,}05\)\(0{,}28\)
                              Wells Fargo\(4{,}89\)\(0{,}84\)\(17{,}8\)\(0{,}78\)\(0{,}06\)\(0{,}16\)
                              Deutsche Bank\(4{,}24\)\(0{,}59\)\(15{,}3\)\(0{,}60\)\(-0{,}01\)\(0{,}68\)
                              BNP Paribas\(4{,}83\)\(0{,}77\)\(21{,}8\)\(0{,}74\)\(0{,}03\)\(0{,}37\)
                              Santander\(4{,}42\)\(0{,}75\)\(19{,}3\)\(0{,}69\)\(0{,}07\)\(0{,}06\)
                              ING\(4{,}41\)\(0{,}61\)\(19{,}4\)\(0{,}71\)\(-0{,}10\)\(0{,}001\)
                              HSBC\(4{,}07\)\(0{,}87\)\(8{,}7\)\(0{,}86\)\(0{,}01\)\(0{,}95\)
                              • \(z^*\): \(\hat b_{1\%}\) împărțit la eroarea sa standard bootstrap pe blocuri (aceleași 999 de extrageri)
                                • toate cele 11 pante rămîn pozitive la 5% după Holm
                                • Cu eroarea nucleu, valabilă doar pentru scoruri necorelate serial, \(t\) este între \(4{,}0\) și \(6{,}9\)
                              • \(p\): valoarea \(p\) (p-value) a testului \(b_{1\%} = b_{50\%}\)
                                • din \(z = (\hat b_{1\%} - \hat b_{50\%})/\widehat{\mathrm{se}}^{*}\) cu eroarea standard bootstrap \(\widehat{\mathrm{se}}^{*}\) și aproximarea Normală
                              • Testele pe perechi și testele Wald comune sînt pe slide-ul principal

                              \(\Delta\)CoVaR variabil în timp, cu variabile de stare

                              Slide 115 în PDF

                              Cu variabilele de stare \(M_{t-1}\), logaritmul VIX și randamentele regional și al sistemului decalate cu o zi (Adrian & Brunnermeier, 2016), cuantilele băncii sînt \(q_\alpha(X_{i,t} \mid M_{t-1}) = a_i + c_i^\top M_{t-1}\) la \(\alpha\) și la 50%, iar cuantila sistemului este \(a + bX_{i,t} + c^\top M_{t-1}\). Atunci \(\Delta\mathrm{CoVaR}_{\alpha,t} = \hat b(\hat q_{50\%,t}(X_i) - \hat q_{\alpha,t}(X_i))\) se mișcă odată cu VaR-ul condiționat al băncii, care se mișcă odată cu VIX; panta este constantă, deci variația în timp vine din stare, nu din legătură.

                              Pe scurt

                              • Variabile de stare \(M_{t-1}\) Adrian & Brunnermeier (2016)
                                • log VIX, randamentul indicelui regional și al sistemului, toate întîrziate cu o zi
                                • \(q_\alpha(X_{i,t} \mid M_{t-1}) = a_i + c_i^\top M_{t-1}\) la \(\alpha\) și la 50% (\(a_i\), \(c_i\): termenul liber și coeficienții regresiei cuantile a băncii)
                                • \(q_\alpha(X^{sys}_t \mid X_{i,t}, M_{t-1}) = a + b\,X_{i,t} + c^\top M_{t-1}\)
                              • Apoi \(\Delta\CoVaR_{\alpha,t} = \hat b\left(\hat q_{50\%,t}(X_i) - \hat q_{\alpha,t}(X_i)\right)\)
                                • Variază odată cu VaR-ul condiționat al băncii, care depinde de VIX
                              • Panta \(\hat b\) este constantă: variația în timp vine din stare, nu din legătură

                              Backtesting pentru CoVaR și MES (1/2)

                              Slide 116 în PDF

                              Măsurile sistemice sînt măsuri de risc condiționate și, cum arată Banulescu-Radu, Hurlin, Leymarie & Scaillet (2021) în lucrarea lor, cer backtesting condiționat. Pentru \(\mathrm{CoVaR}^{\le}\), depășirea \(I_t\), o pierdere a sistemului dincolo de CoVaR într-o zi în care banca este dincolo de VaR, are probabilitatea \(\alpha^2\) sub \(H_0\) dacă atît VaR-ul băncii, cît și cuantila condiționată sînt calibrate. Testul Kupiec din capitolul 8 verifică dacă frecvența depășirilor este \(\alpha^2\), cu \(\mathrm{LR}_{\mathrm{POF}} \sim \chi^2_1\) sub \(H_0\), testul Christoffersen verifică și independența depășirilor, iar MES se supune backtesting-ului cu procesul cumulat al violărilor comune al acelorași autori.

                              Pe scurt

                              • Măsurile sistemice sînt măsuri de risc condiționate
                                • deci au nevoie de backtesting condiționat Banulescu-Radu, Hurlin, Leymarie & Scaillet (2021)
                                • Pentru \(\CoVaR^{\le}\): evenimentul \(I_t = \mathbf{1}\{X^{sys}_t \le -\CoVaR^{\le}_t,\ X_{i,t} \le -\VaR_{i,t}\}\)
                                • Sub \(H_0\), \(P(I_t = 1) = \alpha^2\) dacă atît VaR-ul băncii, cît și cuantila condiționată sînt calibrate
                                • Testul Kupiec verifică dacă frecvența evenimentelor este \(\alpha^2\)
                                • Cu \(x\) evenimente în \(n\) zile și \(\hat\pi = x/n\), \(\mathrm{LR}_{\mathrm{POF}} = -2\ln\dfrac{(1 - \alpha^2)^{n - x}(\alpha^2)^x}{(1 - \hat\pi)^{n - x}\hat\pi^{x}} \sim \chi^2_1\) sub \(H_0\) (Capitolul 8)
                                • Testul Christoffersen verifică în plus independența evenimentelor: un eveniment azi nu trebuie să facă mai probabil unul mîine
                                • VaR-ul băncii se verifică separat, cu rata lui de depășire \(\alpha\)
                                • Pentru MES: procesul cumulat al depășirilor comune din Banulescu-Radu, Hurlin, Leymarie & Scaillet (2021)

                              Backtesting pentru CoVaR și MES (2/2)

                              Slide 117 în PDF

                              Verificarea out-of-sample a capitolului folosește \(\mathrm{CoVaR}^{\le}_{5\%}\) istoric pe o fereastră extinsă de la ziua 1 000, cu 2 961 de zile de prognoză pe bancă: sînt așteptate 7,4 depășiri comune și sînt observate 5–9 pe cele unsprezece bănci (JPMorgan 9), cu cea mai mică valoare p Kupiec de 0,35, deci nimic nu este respins. Puterea este limitată: dacă rata comună adevărată ar fi dublul lui \(\alpha^2\), testul Kupiec de 5% ar respinge în 62% din eșantioanele de această lungime cu depășiri independente, deci chiar și o dublare este ratată aproximativ o dată din trei; nivelul exact al regiunii de respingere asimptotice este 4,1%.

                              Pe scurt

                              • Verificarea noastră în afara eșantionului: \(\CoVaR^{\le}_{5\%}\) istoric pe o fereastră în expansiune
                                • începînd cu ziua 1 000, cu 2 961 de zile de prognoză pentru fiecare bancă
                                • Numărul așteptat de evenimente comune: \(7{,}4\)
                                • Numărul observat: între 5 și 9 pentru cele unsprezece bănci (JPMorgan: 9)
                                • Cel mai mic \(p\) Kupiec este \(0{,}35\): nicio respingere
                                • Puterea este limitată: dacă rata comună reală ar fi dublul lui \(\alpha^2\), testul Kupiec de 5% ar respinge în \(62\%\) din eșantioanele de această lungime cu evenimente independente
                                • Deci chiar și o dublare este ratată aproximativ o dată din trei
                                • Pragul \(\chi^2_1\) este asimptotic: mărimea exactă a regiunii de respingere este \(4{,}1\%\)

                              Ipotezele VAR și numărul de laguri al indicelui pe ferestre mobile

                              Slide 118 în PDF

                              VAR(\(p\)) din secțiunea de conectivitate presupune stabilitate, cu rădăcinile lui \(\det(I - \sum_l A_lz^l)\) în afara cercului unitate, și erori necorelate serial, cu \(\Sigma\) finită și pozitiv definită; forma lui de medie mobilă, \(y_t = \mu + \sum_{h\ge0}\Phi_h\varepsilon_{t-h}\), cu \(\Phi_0 = I\) și \(\Phi_h = \sum_{l=1}^p A_l\Phi_{h-l}\), alimentează descompunerea varianței. Fiecare fereastră păstrează \(p = 2\), ordinul ales de BIC pe tot eșantionul, deși BIC alege \(p = 1\) în fiecare fereastră; cu \(p = 1\) indicele are o corelație de 0,99 cu cel prezentat.

                              Pe scurt

                              • VAR(\(p\)) din De la perechi la rețele
                                • Ipoteze: VAR stabil (rădăcinile lui \(\det(I - \sum_l A_l z^l)\) în afara cercului unitate), \(\varepsilon_t\) necorelate serial, cu \(\Sigma\) finită și pozitiv definită
                                • Reprezentarea de tip medie mobilă: \(y_t = \mu + \sum_{h \ge 0} \Phi_h\,\varepsilon_{t-h}\), \(\Phi_0 = I\), \(\Phi_h = \sum_{l=1}^{p} A_l\,\Phi_{h-l}\) (\(\Phi_h = 0\) pentru \(h < 0\))
                                • \(e_i\): al \(i\)-lea vector unitar
                              • Numărul de laguri: în toate ferestrele păstrăm \(p = 2\), ordinul ales de BIC pe întreaga perioadă
                                • Pe ferestre, BIC alege \(p = 1\) în \(100\%\) dintre cazuri, iar cu \(p = 1\) indicele are corelația \(0{,}99\) cu cel prezentat

                              Diagnosticul reziduurilor VAR

                              Slide 119 în PDF

                              Fiecare reziduu este regresat pe regresorii VAR și pe propriile 20 de laguri, cu un test Wald HAC al celor 20 de laguri și o corecție Holm pe cele 13 ecuații. Cu VAR(2) ales de BIC, toate cele 13 ecuații resping; cu VAR(5) și VAR(10) tot 13, iar cu VAR(22) 3 la 5% și una după Holm. Conectivitatea totală pe tot eșantionul scade cu ordinul: 63,9% (\(p = 2\)), 61,4% (\(p = 5\)), 60,0% (\(p = 10\)) și 59,6% (\(p = 22\)). Cu reziduuri autocorelate, \(C\) este un număr reproductibil al specificației, iar citirea lui ca pondere a varianței erorii de prognoză cere inovații necorelate serial, pe care un block bootstrap al reziduurilor nu le creează.

                              Pe scurt

                              • Pentru fiecare ecuație: reziduul regresat pe regresorii VAR și pe propriile 20 de laguri
                                • test Wald HAC (20 de laguri) pentru cele 20 de laguri, corecția Holm pe cele 13 ecuații
                              • VAR(2), ordinul ales de BIC: respingere în 13 din 13 ecuații după Holm
                                • VAR(5) și VAR(10): tot 13 și 13 din 13
                                • VAR(22): 3 respingeri la 5%, 1 după Holm
                              • Conectivitatea totală pe întreaga perioadă scade cu ordinul VAR
                                • \(63{,}9\%\) (\(p = 2\)), \(61{,}4\%\) (\(p = 5\)), \(60{,}0\%\) (\(p = 10\)), \(59{,}6\%\) (\(p = 22\))
                              • Cu reziduuri autocorelate, \(C\) este un rezultat numeric reproductibil al specificației
                                • ca proporție din dispersia erorii de prognoză, cere inovații necorelate serial
                                • Bootstrap-ul pe blocuri al reziduurilor nu transformă reziduurile autocorelate în inovații

                              VAR-uri regularizate: elastic net

                              Slide 120 în PDF

                              Demirer et al. (2018) estimează fiecare ecuație VAR cu elastic net adaptiv, \(\hat\beta = \arg\min_\beta \sum_t (y_t - \sum_i\beta_ix_{it})^2 + \lambda\sum_i w_i(\tfrac12|\beta_i| + \tfrac12\beta_i^2)\), cu ponderile adaptive \(w_i = 1/|\hat\beta_{i,\mathrm{OLS}}|\); partea cu valoarea absolută anulează coeficienți, iar partea pătratică îi micșorează. \(\lambda\) se alege prin validare pe 10 blocuri consecutive de timp, cu 20 de zile eliminate de fiecare parte (5 în ferestrele de 150 de zile). Ferestrele rolling de 150 de zile folosesc elastic net simplu, cu \(w_i = 1\), \(p = 1\) și \(H = 10\), care regularizează coeficienții fără să impună o rețea rară, pentru că legăturile vin și prin \(\Sigma\); cu aproximativ 4 000 de zile pe tot eșantionul, penalizarea contează foarte puțin.

                              Pe scurt

                              • Demirer et al. (2018): fiecare ecuație VAR prin elastic net adaptiv
                                • \(\lambda\) ales ecuație cu ecuație prin validare pe 10 blocuri consecutive de timp, cu 20 de zile eliminate de fiecare parte a blocului de test (5 în ferestrele de 150 de zile)
                                • \(\hat\beta = \arg\min_\beta \sum_t \left(y_t - \sum_i \beta_i x_{it}\right)^2 + \lambda \sum_i w_i\left(\tfrac{1}{2}|\beta_i| + \tfrac{1}{2}\beta_i^2\right)\), \(w_i = 1/|\hat\beta_{i,\mathrm{OLS}}|\)
                                • \(w_i\): ponderi adaptive, mai mari pentru coeficienții mici în OLS, reestimate în fiecare eșantion de antrenare
                                • Partea \(|\beta_i|\) anulează coeficienți, iar partea \(\beta_i^2\) îi micșorează
                                • Pe ferestrele mobile de 150 de zile: elastic net simplu, \(w_i = 1\), cu \(p = 1\) (ordinul ales de BIC în \(100\%\) dintre ferestre) și \(H = 10\)
                              • Motivația: selecție și contracție (shrinkage) pentru coeficienții VAR
                                • fără a impune o rețea rară (legăturile vin și prin \(\Sigma\))
                              • Pe întreaga perioadă păstrăm ordinul BIC al VAR-ului OLS, \(p = 2\)
                              • Cu aproximativ 4 000 de zile penalizarea aproape că nu contează
                                • contează însă în ferestrele scurte

                              Rețele de cauzalitate Granger și testarea multiplă (1/2)

                              Slide 121 în PDF

                              Billio, Getmansky, Lo & Pelizzon (2012) desenează o muchie \(j \to i\) cînd \(j\) cauzează Granger pe \(i\) la 5%, adică atunci cînd trecutul lui \(j\) îmbunătățește prognoza lui \(i\), testată ca \(g = 0\) în \(X_{i,t} = c + aX_{i,t-1} + gX_{j,t-1} + u_t\). Cu 13 bănci înseamnă \(13 \times 12 = 156\) de teste, deci chiar fără nicio legătură ar apărea întîmplător aproximativ 7,8 muchii.

                              Pe scurt

                              • Billio, Getmansky, Lo & Pelizzon (2012) desenează o muchie \(j \to i\) cînd \(j\) cauzează în sens Granger variabila \(i\) la 5%
                                • cu 13 bănci rezultă \(13 \times 12 = 156\) de teste
                                • \(j\) cauzează Granger pe \(i\) dacă trecutul lui \(j\) îmbunătățește prognoza lui \(i\)
                                • În \(X_{i,t} = c + a X_{i,t-1} + g X_{j,t-1} + u_t\) testăm \(H_0\colon g = 0\)
                                • Chiar fără nicio legătură, aproximativ \(7{,}8\) muchii ar apărea din întîmplare
                              • Testele noastre: regresii bivariate, un lag, statistici Wald HAC (Newey–West, 9 laguri)
                                • Randamente zilnice: 58 de muchii semnificative la 5%, 19 după corecția Holm (1979), 57 cu procedura BH (procedura Benjamini–Hochberg) la nivelul nominal de 5% Benjamini & Hochberg (1995)
                                • Holm cu 5 sau 20 de laguri HAC: 21 și 21 de muchii; cu erori robuste doar la heteroscedasticitate: 33
                                • Procedura Benjamini & Yekutieli (2001), valabilă pentru orice dependență: 38 de muchii
                                • Logaritmul volatilității, foarte persistent: adăugăm un lag suplimentar netestat Toda & Yamamoto (1995), ca în testele cu laguri suplimentare din Shi, Hurn & Phillips (2020); validitatea cere un ordin \(p\) corect
                                • Rezultă 153 de muchii la 5%, 149 după Holm și 153 cu rata descoperirilor false controlată la 5%

                              Rețele de cauzalitate Granger și testarea multiplă (2/2)

                              Slide 122 în PDF

                              Cu regresii bivariate cu un lag și statistici Wald HAC (Newey–West, 9 laguri), randamentele zilnice dau 58 de muchii la 5%, 19 după corecția Holm (1979) și 57 cu procedura Benjamini–Hochberg (BH) (Benjamini & Hochberg, 1995) la 5% nominal; Holm cu 5 sau 20 de laguri HAC dă 21 de muchii, erorile robuste doar la heteroscedasticitate 33, iar procedura Benjamini–Yekutieli, valabilă sub orice dependență, 38. Holm controlează probabilitatea oricărei muchii false, în timp ce FDR este ponderea așteptată a muchiilor false, garantată de BH doar pentru teste independente, ceea ce perechile de bănci suprapuse nu sînt. Pentru logaritmii volatilităților, foarte persistenți, testele cu un lag suplimentar (Toda & Yamamoto, 1995; Shi, Hurn & Phillips, 2020) dau 153, 149 și 153 de muchii, iar pentru randamente zilnice din fusuri orare diferite multe muchii „cauzale” reflectă doar faptul că New York se închide după Frankfurt.

                              Pe scurt

                              • Holm controlează probabilitatea oricărei muchii false pentru orice dependență
                              • FDR (false discovery rate) este proporția așteptată a muchiilor false printre cele desenate
                                • procedura BH (Benjamini–Hochberg) o garantează pentru teste independente Benjamini & Hochberg (1995)
                                • dar testele pe perechi de bănci suprapuse sînt dependente: nivelul de 5% al BH este aici doar nominal
                              • Randamente zilnice ale unor bănci din fusuri orare diferite
                                • multe muchii „cauzale” arată doar că New York se închide după Frankfurt

                              Exemplu rezolvat: test invers de stres cu doi factori

                              Slide 123 în PDF

                              Cu betele \(b = (1{,}2;\ 0{,}8)\), o pierdere țintă \(\ell^* = 20\%\) și o covarianță a factorilor pe patru săptămîni \(h\Sigma\) cu varianțele 16 și 9 și covarianța 6 (%²), \(h\Sigma b = (24;\ 14{,}4)\) și \(b^\top h\Sigma b = 40{,}32\), adică o abatere standard de 6,35%. Atunci (18.20) dă \(f^* = (-11{,}9\%;\ -7{,}1\%)\) și \(d^* = 3{,}15\), o probabilitate normală \(\Phi(-3{,}15) = 0{,}08\%\) pe patru săptămîni: scenariul încarcă mai mult factorul cu beta și varianța mai mari, iar ambii factori scad împreună pentru că sînt corelați.

                              Pe scurt

                              • Coeficienții beta \(b = (1{,}2;\ 0{,}8)\), pierderea țintă \(\ell^* = 20\%\)
                                • covarianța pe patru săptămîni \(h\Sigma = \begin{pmatrix} 16 & 6 \\ 6 & 9 \end{pmatrix}\) (%\(^2\))
                                • \(h\Sigma\,b = (1{,}2 \cdot 16 + 0{,}8 \cdot 6;\ 1{,}2 \cdot 6 + 0{,}8 \cdot 9) = (24;\ 14{,}4)\)
                                • \(b^\top h\Sigma\,b = 1{,}2 \cdot 24 + 0{,}8 \cdot 14{,}4 = 40{,}32\), abaterea standard \(6{,}35\%\)
                              • Cel mai plauzibil scenariu: \(f^* = -20 \cdot (24;\ 14{,}4)/40{,}32 = (-11{,}9\%;\ -7{,}1\%)\), \(\quad d^* = 20/6{,}35 = 3{,}15\)
                                • Probabilitatea, sub distribuția Normală, a unei pierderi cel puțin atît de mari: \(\Phi(-3{,}15) = 0{,}08\%\) pe patru săptămîni
                              • Scenariul pune mai multă greutate pe factorul cu beta și dispersie mai mari
                                • ambii factori scad împreună pentru că sînt corelați

                              Sectoare, factori și ordinul VAR

                              Slide 124 în PDF

                              La Ando, Greenwood-Nimmo & Shin (2022), un sector financiar este media cu ponderi egale a CDS-urilor băncilor și asigurătorilor săi cu active de cel puțin 10 miliarde USD (US dollar, dolarul american), 199 de instituții în cele 17 sectoare. Cu factorii din ecuația (8), 91,6% dintre perechile de reziduuri au \(|\rho| < 0{,}25\), față de mai puțin de jumătate fără factori. VAR(1) este ales prin BIC la medie și păstrat la fiecare cuantilă, cu \(h = 5\) zile și cuantila ținută fixă pe orizontul de prognoză.

                              Pe scurt

                              • Datele (Secțiunea 3): 17 sectoare financiare
                                • Un sector = media cu ponderi egale a CDS-urilor băncilor și asigurătorilor cu active de cel puțin 10 miliarde USD (US dollar, dolarul american), 199 de instituții în total
                              • Factorii (Ec. (8), Figura 2)
                                • \(91{,}6\%\) dintre perechile de reziduuri au \(|\rho| < 0{,}25\) cu factori, sub jumătate fără factori
                              • Ordinul VAR și orizontul (Secțiunile 2.2 și 4)
                                • VAR(1), ales după BIC la medie și păstrat la fiecare cuantilă
                                • Orizontul \(h = 5\) zile, cu cuantila fixă pe orizont

                              Rezultate suplimentare

                              Slide 125 în PDF

                              Dintre cele 1 122 de spillover-uri bilaterale, 568 sînt sub 1% la medie și 829 la mediană (figura 7), deci departe de medie rețeaua are multe legături slabe în loc de cîteva puternice, care în cozi se adună în spillover-uri medii puternice. În timp (figura 11), RTD crește odată cu pierderile fondurilor Bear Stearns din 2007 și scade după programul american de salvare a băncilor și după dobînzile negative ale BCE, un semnal de fragilitate pe care media îl ascunde.

                              Pe scurt

                              • Din cele 1 122 de spillover-uri bilaterale, 568 sînt sub \(1\%\) la medie și 829 la mediană (Figura 7)
                                • Departe de medie, rețeaua are multe legături slabe, nu cîteva legături puternice
                                • În cozi, aceste legături slabe se adună în spillover-uri medii puternice
                              • RTD în timp (Secțiunea 4.3, Figura 11)
                                • RTD crește odată cu pierderile fondurilor Bear Stearns din 2007
                                • Scade după programul american de salvare a băncilor și după introducerea dobînzilor negative de către BCE
                                • Un semnal de fragilitate pe care media îl ascunde

                              Specificația replicării și limitele precizate de autori

                              Slide 126 în PDF

                              Replicarea pe cele 13 bănci ar folosi ordinul VAR ales prin BIC, factorii din ecuația (8), \(h = 5\), \(\tau \in \{0{,}05;\ 0{,}5;\ 0{,}95\}\) și media, \(w = 250\) și RTD. Autorii precizează limite suplimentare:

                              • 250 de zile sînt prea puține pentru a selecta factorii fereastră cu fereastră, deci numărul lor este fixat;
                              • Ferestrele mai scurte lasă prea puține observații efective în coadă;
                              • Se măsoară doar spillover-ul direct al șocurilor idiosincratice, nu propagarea prin factorii comuni;
                              • Grecia este exclusă din cauza unei lacune în datele ei CDS.

                              Pe scurt

                              • Specificația pentru cele 13 bănci: ordinul VAR după BIC și numărul factorilor după Ec. (8)
                                • Orizontul \(h = 5\), cuantilele \(\tau \in \{0{,}05;\ 0{,}5;\ 0{,}95\}\) și media, ferestre de \(w = 250\) de zile
                                • Măsura urmărită: RTD
                              • Numărul factorilor este fixat (Secțiunea 4.3, Anexa B a lucrării)
                                • 250 de zile sînt prea puține pentru a-i alege în fiecare fereastră
                                • ferestrele mai scurte lasă prea puține observații în cozi
                              • Se măsoară doar spillover-ul direct al șocurilor idiosincratice
                                • nu și propagarea prin factorii comuni (nota 2)
                              • Grecia este exclusă din cauza unei întreruperi a seriei CDS (Secțiunea 3, Anexa A a lucrării)

                              Bucla descoperirii: prompturi reutilizabile (1/2)

                              Slide 127 în PDF

                              Promptul reutilizabil de literatură întreabă ce lucrări testează dacă indicii de conectivitate anunță out-of-sample dificultățile băncilor dincolo de volatilitate, cu DOI, eșantion, orizont și variabile de control. Promptul de ipoteze cere interpretări concurente ale unei creșteri a conectivității totale, un șoc comun, contagiune sau un artefact al ferestrelor rolling, și un test care să le deosebească.

                              Pe scurt

                              • Literatura: cartografiem ce se știe, apoi verificăm fiecare referință
                                • „Ce articole testează dacă indicii de conectivitate prezic dificultățile băncilor în afara eșantionului, dincolo de volatilitate? Dă DOI-ul, eșantionul, orizontul și variabilele de control.”
                              • Ipoteze: interpretări concurente ale unei creșteri a conectivității, fiecare cu testul ei
                                • „Dă interpretări concurente ale unei creșteri a conectivității totale (șoc comun, contagiune, artefact al ferestrelor mobile) și un test care le deosebește.”

                              Bucla descoperirii: prompturi reutilizabile (2/2)

                              Slide 128 în PDF

                              Promptul de cod estimează un VAR(2) pe logaritmii volatilităților Parkinson ale celor 13 bănci pe ferestre de 250 de zile și calculează conectivitatea totală generalizată cu \(H = 10\). Promptul de robustețe preînregistrează orizonturi de 21, 63 și 126 de zile, controale pentru volatilitate și VIX, ferestre de 150, 250 și 500 de zile, laguri HAC cel puțin egale cu suprapunerea și evaluare out-of-sample din 2018, iar promptul de critică întreabă dacă puterea predictivă a conectivității este doar persistența volatilității.

                              Pe scurt

                              • Date și cod: pe datele cursului, replicînd întîi o cifră cunoscută
                                • „Estimează un VAR(2) pe logaritmul volatilităților Parkinson ale celor 13 bănci din datele cursului, pe ferestre de 250 de zile, și calculează conectivitatea totală generalizată cu H = 10.”
                              • Robustețea, fixată înainte de a rula regresiile predictive
                                • „Preînregistrează: orizonturi de 21/63/126 de zile, controale pentru volatilitate și VIX, ferestre de 150/250/500 de zile, laguri HAC cel puțin cît suprapunerea, evaluare în afara eșantionului din 2018.”
                              • Critica: îi cerem asistentului să atace rezultatul
                                • „Joacă rolul unui recenzent: este puterea predictivă a conectivității doar persistența volatilității? Ce regresie ar arăta asta?”

                              Verificările cercetătorului (1/2)

                              Slide 129 în PDF

                              Două erori trebuie verificate mai întîi:

                              1. Datele nestaționare, un VAR pe niveluri de prețuri sau pe serii cu tendință, produc o conectivitate falsă, deci fiecare serie are nevoie de un test de rădăcină unitară, iar matricea companion a fiecărei ferestre estimate trebuie să aibă toate valorile proprii strict în interiorul cercului unitate.
                              2. Descompunerile Cholesky se schimbă cu ordinea băncilor, deci coloanele se permută, iar tabelul generalizat nu trebuie să se schimbe.

                              Pe scurt

                              • Date nestaționare: un VAR pe nivelurile prețurilor sau pe serii cu tendință produce conectivitate spurioasă
                                • Test: teste de rădăcină unitară pe fiecare serie
                                • Test: toate valorile proprii ale matricei companion a VAR-ului estimat trebuie să fie strict în interiorul cercului unitate, în fiecare fereastră
                              • Ordinea: descompunerile Cholesky se schimbă cu ordinea băncilor
                                • Test: permutăm coloanele, iar tabelul generalizat nu trebuie să se schimbe

                              Verificările cercetătorului (2/2)

                              Slide 130 în PDF

                              Alte trei erori completează lista:

                              1. Informația din viitor (look-ahead), o fereastră etichetată cu prima ei dată sau un ordin VAR ales pe tot eșantionul, se depistează ștergînd datele de după \(t\) și verificînd că indicele de la \(t\) nu se mișcă.
                              2. Suprapunerea dintre indicii rolling și rezultatele viitoare umflă statisticile \(t\) OLS, deci lagurile Newey–West trebuie să fie cel puțin egale cu suprapunerea sau se folosește un block bootstrap.
                              3. Cu 13 bănci și \(p = 2\) fiecare ecuație are 27 de coeficienți din 250 de zile, deci mai multe bănci cer shrinkage (Demirer et al., 2018), iar muchiile care se schimbă cu un VAR LASSO semnalează zgomot de estimare, nu structură.

                              Pe scurt

                              • Deplasarea de anticipare (look-ahead bias): o fereastră etichetată cu prima ei dată sau un ordin ales pe întregul eșantion
                                • Test: indicele de la \(t\) nu trebuie să se modifice cînd ștergem datele de după \(t\)
                              • Suprapunerea: indicii pe ferestre mobile și rezultatele viitoare se suprapun
                                • deci statisticile \(t\) OLS sînt supraestimate
                                • Test: laguri Newey–West cel puțin egale cu suprapunerea sau bootstrap pe blocuri
                              • Dimensiunea: 13 bănci și \(p = 2\) dau 27 de coeficienți pe ecuație din 250 de zile
                                • mai multe bănci cer regularizare Demirer et al. (2018)
                                • Test: comparăm cu un VAR LASSO
                                • Muchiile instabile semnalează zgomot de estimare, nu structură

                              Acronime folosite în acest material (1/4)

                              Slide 132 în PDF
                              • AI: Artificial Intelligence — inteligență artificială
                              • BAC: Bank of America Corporation (NYSE ticker) — Bank of America Corporation (simbolul bursier NYSE)
                              • BCE: Banca Centrală Europeană
                              • BET: Bucharest Exchange Trading (index) — indicele de referință al Bursei de Valori București
                              • BH: Benjamini–Hochberg (procedure) — procedura Benjamini–Hochberg
                              • BIC: Bayesian Information Criterion — criteriul informațional bayesian
                              • BNP: BNP Paribas SA (Euronext Paris ticker; Banque Nationale de Paris) — BNP Paribas SA (simbolul bursier Euronext Paris)
                              • BVB: Bursa de Valori București
                              • CATFIN: CATastrophic risk in the FINancial sector — riscul catastrofal din sectorul financiar (indicele Allen, Bali și Tang)
                              • CDS: Credit Default Swap — swap pe riscul de credit (contract de asigurare împotriva neplății)
                              • CI: Confidence Interval — interval de încredere
                              • CoVaR: Conditional Value-at-Risk — VaR-ul sistemului condiționat de starea unei instituții
                              • COVID-19: COronaVIrus Disease 2019 — boala provocată de coronavirus, 2019
                              • CV: Cross-Validation — validare încrucișată
                              • DBK: Deutsche Bank AG (Xetra ticker) — Deutsche Bank AG (simbolul bursier Xetra)

                              Acronime folosite în acest material (2/4)

                              Slide 133 în PDF
                              • DCC: Dynamic Conditional Correlation — corelație condiționată dinamică
                              • EBA: European Banking Authority — Autoritatea Bancară Europeană
                              • ECB: European Central Bank — Banca Centrală Europeană
                              • ES: Expected Shortfall — pierderea așteptată în coadă
                              • ETF: Exchange-Traded Fund — fond tranzacționat la bursă
                              • FDIC: Federal Deposit Insurance Corporation — instituția federală americană de garantare a depozitelor
                              • FDR: False Discovery Rate — rata descoperirilor false
                              • FEVD: Forecast Error Variance Decomposition — descompunerea dispersiei erorii de prognoză
                              • FRM: Financial Risk Meter — indicatorul de risc financiar sistemic Financial Risk Meter
                              • GAAP: Generally Accepted Accounting Principles (US) — principiile contabile general acceptate în SUA
                              • GACV: Generalized Approximate Cross-Validation — validare încrucișată aproximativă generalizată
                              • GARCH: Generalised AutoRegressive Conditional Heteroskedasticity — heteroscedasticitate condiționată autoregresivă generalizată
                              • GFC: Global Financial Crisis — criza financiară globală (2007–2009)
                              • GJR: Glosten–Jagannathan–Runkle (asymmetric GARCH) — GARCH asimetric Glosten–Jagannathan–Runkle
                              • GS: The Goldman Sachs Group, Inc. (NYSE ticker) — The Goldman Sachs Group, Inc. (simbolul bursier NYSE)

                              Acronime folosite în acest material (3/4)

                              Slide 134 în PDF
                              • HAC: Heteroskedasticity and Autocorrelation Consistent (standard errors) — erori standard robuste la heteroscedasticitate și autocorelație
                              • HSBA: HSBC Holdings plc (London Stock Exchange ticker) — HSBC Holdings plc (simbolul bursier de la Londra)
                              • HSBC: HSBC Holdings plc (originally the Hongkong and Shanghai Banking Corporation) — grupul bancar HSBC Holdings plc (inițial Hongkong and Shanghai Banking Corporation)
                              • IFRS: International Financial Reporting Standards — standardele internaționale de raportare financiară
                              • ING: ING Groep (Internationale Nederlanden Groep) — grupul bancar olandez ING
                              • INGA: ING Groep N.V. (Euronext Amsterdam ticker) — ING Groep N.V. (simbolul bursier Euronext Amsterdam)
                              • JPM: JPMorgan Chase & Co. (NYSE ticker) — JPMorgan Chase & Co. (simbolul bursier NYSE)
                              • LASSO: Least Absolute Shrinkage and Selection Operator — regresie penalizată L1 cu selecția variabilelor
                              • LRMES: Long-Run Marginal Expected Shortfall — pierderea marginală așteptată în coadă pe termen lung (într-o criză)
                              • MES: Marginal Expected Shortfall — pierderea marginală așteptată în coadă
                              • MS: Morgan Stanley (NYSE ticker) — Morgan Stanley (simbolul bursier NYSE)
                              • OLS: Ordinary Least Squares — metoda celor mai mici pătrate

                              Acronime folosite în acest material (4/4)

                              Slide 135 în PDF
                              • QFVAR: Quantile Factor Vector AutoRegression — autoregresie vectorială cuantilă cu factori comuni
                              • QML: Quasi-Maximum Likelihood — cvasi-verosimilitate maximă
                              • RTD: Relative Tail Dependence — dependența relativă în cozi (coada adversă minus coada favorabilă)
                              • SAN: Banco Santander SA (Bolsa de Madrid ticker) — Banco Santander SA (simbolul bursier de la Madrid)
                              • SG: Société Générale — grupul bancar francez Société Générale
                              • SRISK: Systemic RISK (capital shortfall measure) — deficitul de capital al unei bănci într-o criză sistemică
                              • SUA: Statele Unite ale Americii
                              • SVB: Silicon Valley Bank — banca americană Silicon Valley Bank (falimentată în martie 2023)
                              • TENET: Tail-Event driven NETwork risk — riscul de rețea determinat de evenimentele din coadă
                              • TLV: Banca Transilvania (BVB ticker) — Banca Transilvania (simbolul bursier BVB)
                              • UE: Uniunea Europeană
                              • US: United States — Statele Unite ale Americii
                              • VAR: Vector AutoRegression — model vector autoregresiv
                              • VaR: Value-at-Risk — valoarea la risc
                              • VIX: CBOE (Chicago Board Options Exchange, bursa de opțiuni din Chicago) Volatility IndeX — indicele de volatilitate CBOE
                              • WFC: Wells Fargo & Company (NYSE ticker) — Wells Fargo & Company (simbolul bursier NYSE)

                              Prețuri zilnice EODHD, ianuarie 2010 – 18 septembrie 2026: șase bănci americane, cinci bănci europene, două bănci românești (BVB), indicii S&P 500, Euro Stoxx 50, BET și VIX. Scenariile istorice pentru băncile internaționale încep în 2007. Primul studiu de caz: valorile raportate de Ando, Greenwood-Nimmo și Shin (2022). Al doilea studiu de caz: ETF-urile IEF și TLT și randamentul titlului de stat american pe 10 ani (EODHD), din septembrie 2012.

                              Bibliografie