其他行指的是用四种熵方法重建的总体脆弱性。BIPWCM和BIPECM。由于推导BIPECMis所需的信息集大于MECAPM所用的信息集，这意味着重要的不是信息量，而是重建算法中信息的传递方式。最后，请注意，真正的投资组合矩阵与CECAPM、MECAPM和BIPWCM的矩阵完全不同，因为前一半的矩阵元素为零，而后一半的模型具有所有非消失元素的邻接矩阵。通过考虑不同的冲击场景，类似的比较结果也成立，如第4节（见附录C图8）所述，以及欧洲银行管理局的数据（见表1。在最大熵方法中，MECAPMsigni在充分了解银行投资组合构成的情况下，在估计获得的平均价值方面明显优于BIPWCM和BIPECM。最后，我们考虑了对单个银行系统风险的评估。附录C的图9显示，对于每个季度，BIPWCM都严重低估了单个银行的系统性和间接脆弱性是的。中位相对误差大致介于-60%和-70%，四分位间距离零很远。基于BIPECM的估计器（使用关于度数的附加信息）给出了稍好的结果，即使仍然存在严重的低估。中位相对误差大致介于-50%和-40%的人认为四分位间距远不是零。相反，基于MECAPM（或CECAPM）的估计器的性能要好得多。中位相对误差50%GIIPS 10%欧盟ZF。

10%All Gov.AV=496.3%AV=270.8%AV=357%dAV%BiasCECAPM 480.4%3.2%3.6%5.1%BIPWCM 361.9%27.1%28.6%22.4%BIPECM 392.9%20.8%20.6%12.5%MECAPM 436.7%12.4%4.1%。这三列对应不同的冲击。在每个冲击的名称下，我们报告了相应的真实AV，根据对银行投资组合的完整了解计算得出。在第一栏中，我们报告了4个不同组合的估计AV和百分比偏差，这是由GIIPS主权债务价值损失50%造成的，如Greenwood等人（2015）所述。在第二栏和第三栏中，我们报告了两种备选方案的估计平均价值偏差百分比：所有欧盟主权债务或所有国家的主权债务损失10%。从不下潜-20%，而且几乎总是四分位范围以零为中心。总之，CECAPM隐含矩阵提供的每个单一银行的系统性和间接脆弱性估计值与MECAPM集合上相应预期值的估计值几乎相同。此外，它们的准确度令人满意，而且肯定比旁观者提供的最大熵集合更可靠。同样，重要的信息是，由于在不完全了解金融机构投资组合持有情况下的零售溢出效应，有可能在总体或单个机构层面上对系统性风险指标进行相当准确的估计。5.3监控和测试系统性的变化作为最大熵法获得的图形集合的另一个应用，我们在这里考虑评估给定银行（或整个系统）的系统性是否发生了统计显著变化的问题。

为了回答这个问题，有必要建立一个零假设，我们建议为此目的使用网络集成。由于MECAPM在估计风险指标方面表现出了卓越的性能，因此在本节中，我们将使用它，并提出一个可能的统计验证应用。我们的目标不是研究所有银行和所有季度，而是展示测试方法——如果我们转而关注系统性或间接脆弱性较高的银行——基于MECAPM的估计器的性能如何恶化。特别是，对于系统性最大的四分之一银行，MECAPM系统性估计值的中位百分比偏差始终介于-20%和-30%. 同样，通过MECAPM估算间接脆弱性的百分比偏差中位数始终介于-20%和-35%. 尽管如此，三种估算方法之间的排序仍保持不变。可以实施。特别是，想象一个监管机构监控一家给定的银行，衡量其系统性并寻找显著增长的证据。有了一个赠品提供者作为参考，监管者可以提取银行系统性的分布，并在随后的季度中，确定系统性何时超出了参考期的agiven置信区间。作为特例，我们在第一季度的前五名中选择了四家在整个时间段内都存在的银行（即它们不退出数据集）。对于每个季度，我们根据MECAPMensemble计算真实银行系统性和5%-95%的信心区间（见图6）。然后，当真实系统性高于第一季度95%的置信区间（用作参考）时，我们在每个季度添加一个洋红色正方形。

因此，一个洋红色的正方形表示银行的系统性（根据MECAPM）在统计上大于2001年初的四分之一。我们展示了两个银行的系统性发生了统计上显著的变化（第一行），两个银行的系统性未发生变化（第二行）。值得注意的是，对于前一种情况，我们发现，在2007-2008年金融危机爆发之前，银行分析的系统性显著增加。这一现象在整个危机期间一直存在，并在2009年底前消失。这表明，网络统计模型可以对中央银行和其他监管机构的监管活动，作为监测工具，以及构建预警指标，提供有价值的帮助。6结论在本文中，我们重点讨论了在金融机构投资组合构成信息有限的情况下，由于零售溢出而导致的系统性风险指标的估计问题。通常，需要全面了解经济体中每个机构的投资组合持有情况，才能准确估计任何风险指标，正如Greenwood等人（2015）提出的那样，这些指标基于通过再销售实现投资组合再平衡的机制。然而，可能无法获得如此庞大而详细的信息，尤其是频率高于季度的信息，这使得系统性风险的估计相当困难。在本文中，我们绕过了这个问题，提供了基于系统部分知识的系统性风险度量的准确估计，更准确地说，仅基于资产负债表的规模和资产（或资产类别）的资本化，这更容易追踪。

在这方面，我们已经证明，交叉熵最小化方法在估计总体脆弱性和单个银行系统性方面做得非常好，而不需要了解银行投资组合持有量的基础矩阵。此外，我们还将结果与最大熵系综进行了比较。具体而言，我们引入了一个新的集合（MECAPM），它平均复制了CECAPM，并在评估单个机构的系统性和间接脆弱性方面表现良好，优于标准的最大熵竞争对手。

此外，系统性风险指标的估计可以为任何政策制定者提供有价值的信息，但系统性和间接银行汉考克县系统性和置信区间的变化1-2001年第三季度-2001年第一季度-2002年第三季度-2002年第一季度-2003年第三季度-2003年第一季度-2004年第三季度-2004年第一季度-2005年第三季度-2005年第一季度-2006年第三季度-2006年第一季度-2007年第三季度-2007年第一季度-2008年第三季度-2008年第一季度-2009年第三季度-2009年第一季度-2010年第三季度-2010年第一季度-2011年第三季度-2011年第一季度-2012年第三季度-2012年第一季度-2013年第三季度-2013年第一季度-2014年第三季度-20140123456经典银行公司系统性和信心区间SQ1-2001年第三季度-2001年第一季度-2002年第三季度-2002年第一季度-2003年第三季度-2003年第一季度-2004年第三季度-2004年第一季度-2005年第三季度-2005年第一季度-2006年第三季度-2006年第一季度-2007年第三季度-2007年第一季度-2008年第三季度-2008年第一季度-2009年第三季度-2009年第一季度-2010年第三季度-2010年第一季度-2011年第三季度-2011年第一季度-2012年第三季度-2012年第一季度-2013年第三季度-2013年第一季度-2014年第三季度-201400.050.10.150.20.25第一国家银行，堪萨斯州基奥瓦市，系统性和信心地带SQ1-2001年第三季度-2001年第一季度-2002年第三季度-2002年第一季度-2003年第三季度-2003年第一季度-2004年第三季度-2004年第一季度-2005年第三季度-2005年第一季度-2006年第三季度-2006年第一季度-2007年第三季度-2007年第一季度-2008年第三季度-2008年第一季度-2009年第三季度-2009年第一季度-2010年第三季度-2010年第一季度-2011年第三季度-2011年第一季度-2012年第三季度-2012年第一季度-2013年第三季度-2013年第一季度-2014年第三季度-201400.050.10.150.20.250.30.35马里塔国家银行系统性和置信区间SQ1-2001年第三季度-2001年第一季度-2002年第三季度-2002年第一季度-2003年第三季度-2003年第一季度-2004年第三季度-2004年第一季度-2005年第三季度-2005年第一季度-2006年第三季度-2006年第一季度-2007年第三季度-2007年第一季度-2008年第三季度-2008年第一季度-2009年第三季度-2009年第一季度-2010年第三季度-2010年第一季度-2011年第三季度-2011年第一季度-2012年第三季度-2012年第一季度-2013年第三季度-2013年第一季度-2014年第三季度-201400.050.10.150.20.250.30.35图6：我们报告了四家选定银行的真实系统性（粗点线）和MECAPM集合的5%-95%置信区间。阿马根塔广场在银行系统性超过2001年第一季度95%置信水平的每个季度都会增加。在缺乏统计验证的情况下，漏洞很难解释。因此，作为最终贡献，我们建议使用最大熵集合来评估系统风险指标的统计意义。

在我们的数据集中的一部分银行中，我们记录了它们的系统性显著提高，与2001年初观察到的水平相比，2007-2008年金融危机爆发之前的水平相差甚远。即使在这方面需要进行更深入的调查，我们相信这种方法可以很容易地作为系统性风险的早期预警指标来实施。最后，我们想再次对Greenwood等人（2015）模型的范围以及我们的论文进行评论。正如在正文中所讨论的，经过考虑的方法属于经典的静态应力测试方法。仅使用测试冲击时的投资组合和资产负债表，不考虑跨期动力学。这是一个严重的限制，因为金融危机和去杠杆化可能会在更长的时间内发生，而银行在给定时间的决策不仅取决于当前的价格变化和投资组合构成，还取决于过去的市场状态和银行行为。我们认为，将Greenwood等人（2015）的方法扩展到动态压力测试环境中，对于学者和监管机构来说，都是一条非常有趣的研究途径。数据描述和数据集创建本附录提供了数据的一些描述性特征，以及构建本文分析的银行资产网络的20个资产类别所采用的方法。图7的左面板（第一行）以对数刻度报告了各季度汇集的银行规模的核心重要性（即银行扣留的资产总额）。很明显，银行规模是相当不均匀的。图7的右侧面板（第一行）显示了各季度汇集的银行杠杆B的密度。在这种情况下，我们观察到的分布不那么不均匀，大多数银行的杠杆率都在10%左右。

最后，图7的第二行报告了规模和杠杆率之间的关系。通过将银行规模的所有记录从最小到最大排序，然后应用移动窗口程序，可以实现绘图。正如密度图所预期的，杠杆率和银行规模之间没有关系，大多数银行的杠杆率为10，且规模高度异质。关于正文中使用的资产类别的形成，我们将在下文中详细介绍它们是如何创建的。如正文所述，本文的重点是商业银行，外国金融机构投资委员会对商业银行的准确定义为[…]每个国家银行、州成员银行、被保险州非成员银行和储蓄协会都需要在每个日历季度的最后一个日历日（即报告日期）正常提交一份合并催缴报告。具体的报告要求取决于银行的规模以及是否有任何“外国”办事处[…]。这是一套在所有文件中都被称为商业银行的机构。表格FFIEC031和FFIEC041分别适用于仅设有国内办事处的银行和设有国内外办事处的银行。然而，在这两种形式中，都采用了相同的编码系统。更具体地说，只有两种类型的代码，RCON和RCFD，后面跟着一个四位字母数字代码。字母数字代码标识预算项目，例如2170表示银行的总资产。pre Fix RCON用于与国内办公室相关的财务项目，而RCFD包括国内和国外办公室。HenceRCON2170是银行在美国扣留的总资产的代码，而CFD2170是相对于在美国扣留的总资产的总和。

再加上在国外的工作。当然，对于填写FFIEC031的银行，如果两个代码RCON和RCFD具有相同的字母数字代码，则它们报告的值相同。表2记录了各资产类别的详细构成。对于每个资产类别（第一列），我们在第三列报告了FFEIC项目的构成，在第二列报告了资产类别的简称。由于某些资产类别（如“向外国办事处的消费者提供的贷款”）是从外国金融机构代码中减去一些先前定义的资产类别而组合而成的，因此需要这样的缩写。资产类别和变量名称之间存在一对一的对应关系，除了“国内办公室房地产担保贷款”的情况，该情况被计算为五个变量的总和，从“建筑贷款”到“非农业、非居民贷款”。第三栏中报告的FFEIC公式的组成可能随时间而变化，因此我们以粗体显示所采用公式的有效期。在这方面，请注意，日期12/99指的是最后一个可用季度，即2014年第三季度。在报告FFEIC公式时，我们采用了一种惯例，即只要RCON仅用于只有国内办事处的银行，而RCFD仅用于那些至少有海外办事处的银行，则不使用pre fix。相反，如果指定了pre fix，则意味着只使用带有特定pre fix的代码。例如，代码RCON3532仅在其国内版本中使用，因此我们不对在国外设有办事处的银行使用RCFD3532。10210410610810-1510-1410-1310-1210-1110-1010-910-810-7规模5 10 15 20 25 30 35 40 45 5000.020.040.060.080.10.120.140.16杠杆密度10410510610710810-310-210-1100101102103杠杆平均值标准差的平均大小和标准图7：该图报告了所分析数据的一些描述性特征。

左上角的面板以对数比例绘制银行规模的核心密度（定义为以10美元为单位的总资产），而右上角是银行杠杆的核心密度。这两种密度都是使用整个时间跨度内汇集的所有记录来计算的。为了可视化，我们在允许的最大杠杆率上设置了50的削减，尽管杠杆率超过150（很少）被观察到。底部面板显示杠杆和规模之间没有关系。绘制图所采用的程序如下：所有银行规模的记录从最小到最大排序，1000条记录的滚动窗口从第一条记录移动到最后一条记录，增加10条记录。在每个窗口中，我们计算窗口中银行的平均杠杆率（黑色连续线）和杠杆率标准差（红色虚线）。将平均值和标准偏差绘制为窗口中平均大小的函数，窗口在水平轴上报告。表2：资产类别的构成资产类别变量名称FFIEC公式总资产总计03/01-12/99:2170+2123+3123股权03/01-03/09:3210+300003/09-12/99:G105存款机构应付现金和余额CAHAB 03/01-12/99:0081+0071U。s