银行间贷款网络中的贷款到期日聚合

2022-6-24 05:12:57

银行间借贷网络中的贷款到期日聚合模糊了中尺度结构和经济功能Marnix Van Soom、Milan Van den Heuvel2,3、*、Jan Ryckebusch和Koen Schoors3,4Vrije Universiteit Brussel，Arti ficial Intelligence Lab，Brussel，1050，BelgiumghentUniversity，Department of Physical and Astronology，Ghent，9000，BelgiumghentUniversity，Department of Economics，Ghent，9000，BelgiumNational Research University，高等经济学院，莫斯科，俄罗斯*米兰。vandenHeuvel@UGent.beABSTRACTinterbank借贷网络（ILN）。由于数据限制或出于选择，文献中基本上缺乏多个贷款期限。我们使用一个完整的银行间贷款合同数据集来研究到期日详细信息是否能提供网络结构的信息。运用Peixoto（2015）的分层随机块体模型和网络科学的其他工具，对俄罗斯ILN中具有多个到期层的双边贷款的时间序列进行分析，我们发现，所有这些层的崩溃始终是模糊的，取决于银行间市场的发展阶段，更发达的市场需要更多层来进行优化描述。更仔细地检查与最佳到期粒度相关的推断到期仓位，从流动性中介到融资，可以揭示特定的经济功能。因此，在经济研究中，瓦解具有多个下伏成熟度层的网络或提取一个这样的层，不仅是ILN中尺度结构的不完整代表，而且还隐藏了现有的经济功能。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:00

这为银行间市场功能、传染、稳定性以及监管数据披露的理想水平的理论和实证研究提供了重要的见解和机会。简介和概述银行间借贷网络（ILN）是银行间货币市场的复杂网络模型，通常被称为现代金融系统的管道。银行在此类市场上进行银行间贷款，以适应每日的流动性失衡，并管理其期限缺口，即银行资产和负债之间的期限缺口。例如，持有超过预期的现金的银行可能会将这些现金借给其他需要现金的银行。arXiv:1906.08617v1【q-fin.GN】2019年6月12日一直致力于提高我们对这些市场的理解。事实证明，将银行间货币市场表示为一个网络是一个简单而强大的抽象，可以说这比将其建模为一个代表性银行更现实，这是传统宏观金融的惯例。因此，网络分析现在是全球金融稳定专家的标准工具之一，即IMFand ECB。9、10成熟度。贷款到期日，即贷款必须偿还的期限，是银行组织其借贷活动以实现风险最小化的重要工具2、11、12。大多数实证金融网络论文研究隔夜银行间市场。这似乎部分源于一种普遍持有的观点，即隔夜贷款的成熟度选择反映了银行的风险策略。例如，压力测试模型将受益于富含成熟度信息的暴露数据。借助一个特别精细的数据集（一个由俄罗斯ILN中发布的所有贷款合同组成的小组），我们定性地调查了由于不区分贷款期限而丢失的信息。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:03

我们进一步尝试俄罗斯ILN的中尺度，即将银行的更高级别组织转变为银行集团。以及每个到期类别的未偿贷款，以及八个到期类别的列表（数据集的更多详细信息可以合并到一个bin中，即崩溃的网络）。使用ILN文献中的典型网络度量，分别对每个成熟层进行拓扑分析（同时列在最左边的一栏中。层非同质性表明，完全聚集或单层集中涉及到成熟度层中拓扑多样性的丧失，尽管某些层在特定的月份中确实共享类似的借贷模式有关本地借贷模式的信息（如聚类）。为了描述聚集成熟层对ILN中尺度的影响，我们用分层SBMs显式地模拟了月平均值。SBMs可以推断网络中具有统计意义的组结构，而无需事先提供信息，允许组结构在每一层上具有不同的拓扑模式。作为一个具体的例子，假设该网络的一个可能的分层SBM是将鹿分为两组，雄性和雌性，以便观察到的发生情况考虑到社会地位等因素来解释观察到的相互作用-如果这些因素未知，很可能足以推断鹿的性别。与银行集团之间的贷款模式相对应，这些模式在统计上存在显著差异。我们将在下一节对此进行详细解释，并在图2中给出一个简单的说明，但OG如何推断的本质主要取决于组的数量和层粒度的程度，因为这些参数同时定义了3/54可用于建模观察到的分层网络的“分辨率”。防止过度装配（即。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:06

建模噪声），模型复杂性的任何增加都应得到数据中足够的统计证据的保证。因此，OG通常可以通过任何正则化原则来确定，以平衡模型复杂性和拟合质量；为此，我们使用贝叶斯模型选择。这种方法的一个特殊优势是，从形式上讲，推断群体数量——实际上是群体本身——与OG之间没有区别；对于每个月的ILN，这两项都被确定为单个推断的一部分。OG bin指数（OGB指数）的到期日。我们在这里提到了从图3（a）中很容易推断出的两个结果。首先，我们发现成熟度层进入箱子，就像前面提到的短层一样。另一方面，完全汇总明显丢弃了模拟月度ILN中间结构所需的重要信息：银行集团之间的贷款模式在很大程度上取决于贷款的到期类别。这也说明了集料箱宽度过窄的更普遍的附加好处，数据可能传播得太薄，根本检测不到任何结构。相反，如果将料位宽度设置得太宽，则不同的结构及其经济功能可能会混淆。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:10

其次，OG中每月的BIN数量大致与俄罗斯货币市场发展的已知两个阶段相关：早期发展市场发展的不同阶段出现的贷款模式的数量和复杂性。为了解释贷款模式，我们仔细查看了网络和个别银行层面的月度OG BIN。（请注意，这超出了之前建立的各个到期层的网络度量，因为现在根据它们是否形成统计上显著的贷款模式进行合并。）这里值得注意的结果是，银行标识代码可能是“短期”银行标识代码中的重要银行倾向于借贷等量的现金（表示金融中介），而“长期”银行标识代码中的重要银行倾向于借贷（表示融资）。对于开发阶段，融资只出现在后期阶段。在银行集团之间，重要银行的经济职能，以及所涉及贷款的到期类别，表明到期信息对于理解ILN很重要。结果18、19t{Gl}GlG<1dG2-7dG8-30dG31-90dG91-180dG0.5-1yG1-3yG>3y4/54我们没有给{Gl}贴上时间标签。眩光定向加权多重图。除了不对称邻接的雅利j∈ NlGlxli jkk∈ [1，Ali j]Ali j>0kijijxlxlijk。塌陷的NetworkGCs对应于完整的成熟度聚合。其邻接矩阵=∑lAli jand edgexi jkxli jkk，l{}{{}{{{{}{{{}{{}{{}{{}{{}{{}{}{{}{{}{}8-30d}，{31-90d}，{91-180d，0.5-1y，1-3y，>3y}}{}{}}{}}}{}}}{}}}指定的粒度。俄罗斯ILN的描述性统计（每年一次的比较框架）是文献中常用的几种ILN度量的时间序列。已对分层ILN进行了分层分析6，13附录G。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

nandehutu2022

2022-6-24 05:13:13

Bargigli等人的工作与这项工作相关，将隔夜贷款、1年以内的贷款和贷款到期层分开，但它们之间并不具有代表性。我们分析的指标包括：密度、度分布、聚类系数、平均最短路径长度、度混合（作为银行规模混合的代理）、贷款活动和贷款规模。分析可在补充材料附录A.G中找到，附录A.G<1dG2-7dG8-30dGcG<1dG2-7dG8-30D贷款占发行量的几个百分点，但由于其特定的营业额，且长期贷款保留在账簿上直至到期，因此具有相当大的经济相关性，这对于ILN的稳定性非常重要。这反映在附录H.5所示的利差中，6Craig和von Peterin为ILN的出现提供了经济基础，即economic5/54交换模型的基本功能，具有CP结构的ILN产生了稀疏网络。因此，一群紧密联系的“核心”银行在众多规模较小、联系稀疏的“外围”银行之间形成了金融中介的经济功能。形式上，如果可以通过将银行分为“核心银行”或“外围银行”来充分解释贷款模式，则ILN具有CP结构。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:16

在理想情况下，银行之间的双边关系通过以下规则确定银行集团成员身份（即银行是核心还是外围）：（i）核心银行相互贷款；（ii）外围银行没有不完善的CP结构，已经提出了几种算法（如23、24）来检测CP结构并确定组，因为这些算法非常适合参数化CP两组结构和上述四条规则，而不是通过SBMs的贝叶斯推断最小化1、25、26，并在28年应用于意大利e-MID ILN，29根据时间尺度和SBM模型扩展，发现了一个二部或CP结构。我们发现一些迹象支持CP结构GCG<1dG2-7dG8-30ddegree分布、分离度混合和较小的平均最短路径长度。用粗粒度分层SBM对俄罗斯ILN进行建模银行因银行间6、12、23、30–355、28、29尤其是社交网络中的交易关系而在借贷方面分组行为的想法。在俄罗斯银行间货币市场中，有几个原因可以预测集团结构（时区）；国家在不同程度上控制机构的存在。当在贝叶斯环境中表述时，最重要的优点是使用方便；（iii）描述各种贷款模式的能力（例如，ILN建模用于对每月ILN进行建模的是粗粒度分层SBM，它扩展了分层SBM，本身是一个扩展，用于推断OG以及银行集团和其他SBM参数。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:19

我们简要介绍了SBM，本工作中使用的分层SBM分层SBM在18、19.6/54中介绍了SBM、分层SBM和粗粒度分层SBM41、42GNB≤ N1型≤ i、 j≤ N1型≤ bi，北京≤ Bbii{bi}B=最大IBigp（{bi}| G）argmax{bi}p（{bi}| G）Gp（{bi}| G）G∑=- 对数p（G，{bi}）=S+LS=- 对数p（G{bi}）L=- log p（{bi}）是在给定模型参数{bi}的情况下，描述数据所需的位数（G），而lis是描述数据所需的位数。这是最小描述长度原则（MDL）。43、44知识40、45。对于SBMs，控制模型复杂性的主要参数是groupsB的数量。增加BIM单调地证明了最大可能性fitp（G{bi}），因为新的群体可以解释任何可能与群体行为不显著的偏差。只有当数据中有足够的证据来补偿额外的自由度时，才首选更复杂的模型（largerB）。这是通过贝叶斯公式（{bi}）实现的。MDL认为，这种对过度拟合的鲁棒性是通过以下方式实现的：如果B变大，它会减少S，但会增加S。后者起着“惩罚”的作用，不利于过于复杂的模型。DL∑的最佳选择是使DL∑最小化，从而在NsandL之间实现适当的平衡。换句话说，带{bi}的最佳选择对应于压缩数据最多的模型。分层SBM是SBM的扩展，它还允许组行为依赖于网络层。在这项工作中，我们对所有月度ILN使用一种称为独立层SBM的特定分层SBM。独立层表示分层网络{Gl}可以建模为一个群结构，在每个层中显示拓扑模式。Glnodes{bi}在所有层上都是相同的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:22

因此，分层SBM的模型复杂性现在由观察到的分层网络{Gl}（1）中的层数lpresent额外控制≤ l≤ 五十），位于groupsB的编号旁边。增加的{bi}7/54网络{Gl}，是否有必要为每个层设置不同的拓扑模式，或者一些层是否可以仅用一个拓扑模式来等效地解释，然后合并？分层SBM本身无法回答这个问题，asL由{Gl}确定，因此只是模型复杂性的固定组成部分。{Gl}{G`}Gl根据{`}，一组层仓，指定{G`}的粒度级别。通过搜索最能压缩低分辨率分层网络{G}的分层SBM，同时考虑到由于较低的粒度度（即，网络质量下降）而导致的不可避免的信息损失，最优粒度级别（OG）与组数量和组结构{bi}同时发生。当给定分层网络{Gl}的OG为CompleteAggeration时，这表明{Gl}中的层划分与其相关坍塌形式{Gc}的中尺度无关。相比之下，一个不同于完全聚集的OG指向一个过于复杂的中尺度结构，在崩溃的网络层次上无法理解。OG合并层，使得{`}中的层单元“获得意义”，以便在单元接口处，组之间的拓扑模式以统计上显著的方式发生变化。俄罗斯ILN的粗粒度分层SBM将俄罗斯ILN作为每月ILN的时间序列进行处理，并每月分别建模，粗粒度分层SBM在前一节中介绍。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:25

我们使用的底层分层SBM的具体特征是微非线性标准SBM：o月重尾度分布（见附录A）。这由度校正SBM（DCSBM）捕获集团的贷款模式是由贷款组成的，贷款的规模具有一定的规模每个层由一个独立的加权DCSBM建模，约束条件是每个层中的银行组相同。由模型捕获。首先，虽然没有明确考虑资产负债表，但我们包括与银行规模相关的学位分布和贷款规模分布（见附录A）。第二，如果银行所有权导致借贷行为显著不同，SBMs仍然可以捕捉到这些模式，而无需明确包含信息。研究银行所有权是否以及如何与银行在不同到期日层的职能相关，将是一件有趣的事情。根据利率预期理论，长期债券的收益率曲线向上倾斜。更长的贷款期限导致引入到期层，这有效地抓住了一个事实，即不同的风险模式通过层中不同的贷款结构表现出来。最近关于ILN风险生成过程的研究表明，在我们所研究的时期，利息50、51CDO和CDS等信息在俄罗斯ILN中所起的作用微乎其微。通过这种方式，俄罗斯ILN提供了一个自然实验室，可以将风险衍生品的控制参数有效地设置为零。在即将进行的关于未来可能的研究方向的讨论中，将强调这些机会。密集子图等局部结构超出了当前SBM捕捉中尺度结构的潜力。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:29

在方法一节中，我们鼓励选择将每月ILN的到期层视为独立的。粗粒度分层SBM通过指定{`}（{θ}，{`}）{Gl}是由p（{Gl}，{θ}，{`}）=p（{Gl}{θ}，{`}）×p（{θ}）×p（{}）给出的生成模型的成熟度bin集来扩充分层SBM{θ}的参数集。（1） p（{Gl}|{θ}，{`}）∝ p（{G`}{θ}）p（{θ}）p（{}）p（{}）p（{}）p（{}）p（{}）p（{}）p（{}）由分层SBM定义，其中p（{Gl}{}{θ}，{}）和p（{}）是由仅可组合相邻层的约束确定的。在附录B中，wep（{`}）的结果与图3类似。参数{θ}，{}的后验概率与公式1成正比：p（{θ}，{}{}{}{}{}}）=p（{Gl}，{θ}，{}）p（{Gl}），（2）p（{Gl}{}{}{}{{}{{}{{}{}{}{}bi}∈ {θ} 通过使用推理算法∧9/54SBMs Ma搜索公式2（或等效公式1）的模式，MBR表示两个不同粒度级别{}a，{}bb，通过评估比率来估计后验概率（MAP）：λ=p（{θ}a，{}a，Ma{Gl}）p（{θ}b，{}b，Mb{Gl}）=p（{θa，{}a{}Gl p（{θ}b，{}b{}Gl}）=p（{Gl}，{θ}a，{}a）p（{Gl}，{θ}b，{}b），（3）p（{Gl}）p（Ma），p（Mb）MaMbp（Ma）=p（Mb）∧>1{`}a{`}b∧∑a∑b{Gl}根据模型Ma（Mb），上述方程意味着log∧=∑b- ∑aand one恢复MDL原则。事实上，关于模型可能性的渐近形状，已知对SBM40无效，54。log∧每月ILN。这是通过在等式中设置来实现的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:32

3{`}bto the OG推断自该算法，且{`}A to completelog∧≤ 0 log∧的负值表明有强有力的证据表明拒绝完全分化和/或完全聚集。以小型分层网络为例，我们确定了50个节点组成的小型网络的OG，该网络具有三种通用交互（a、B和C），将高层组织中的节点划分为SBMs可以推断的节点组。比较三个函数的DL∑，首选模型是OG{{A，B}，C}，∑=1687位≈ 211字节。网络∑≈ 211字节∧{A，B，C}log∧≈ -80{A，B，C}{{A，B}，C}10/54{A，{B，C}}比{A，B，C}更适合描述网络。将粗粒度分层SBM与每月ILN{Gl}（{θ}，{`}）拟合，得到OGs和银行集团{bi}的时间序列。月度OGsFig。3显示了与完全分化和完全聚合相关的月度OGs和POR。值得注意的是，重要的结果是，对于{G`}，完全聚合总是被拒绝作为适当的粒度级别。因此，到期层是每月ILN网络结构的信息来源，因为将其纳入分层SBM会产生一个{Gc}。银行集团在很大程度上取决于贷款的到期类别。换言之，每月{Gl}{Gl}log∧的贷款模式大约在第50个月（2004年2月），之后拒绝的程度变弱。这与有关ZF对银行洗钱进行大规模调查的时间传言相一致。这最终导致多个银行许可证被撤销，时间线见附录F。八个到期日类别反映了CBR的报告标准。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:35

因此，有人可能会问，这八个类别是否也有完全的差异，这意味着CBR定义的到期类别部分是多余的，而且银行集团之间的贷款模式可以以更全面的形式组合。例如，G同时小于1dG2-7dG8-30D。我们强调，这并不一定表明这些层之间存在点上的相似性；相反，OGB各层的合并在银行集团之间引发了一种新的借贷模式，这与其他OGB有着显著的不同。与完整的聚合越来越不同（见图3（b））。事实上，OG中每月的BIN数量与俄罗斯货币市场发展的已知两个阶段相关：早期发展（35个月之前）和新兴成熟期（35个月以后）（见方法）。这表明，市场的新兴到期阶段与早期发展阶段形成了11/54的对比，早期发展阶段主要只有两种贷款模式（到期日最长为30天，到期日最长为30天）。换言之，银行间市场在早期发展阶段的特点是，银行集团之间只有两种不同的贷款策略。银行集团b（1≤ bi公司≤ B） B>1索引确实包含组结构。其次，B遵循与图中相同的上升趋势。1（a）、（b）；3（b），表明随着数据集中的月份过去，随着俄罗斯ILN发展到一个更成熟的阶段，群体数量的增加是同步进行的。现在，我们通过观察{bi}{bi}tt之间的相似性来衡量推断的月组结构之间的时间相关性- 1qsliamount在某个月内，它在l层中借贷：sli=sl，ini+sl，outi=∑j、 kxljik公司+∑j、 kxli jk。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:38

（4）我们还确定了成熟度层的大小=∑i<j，kxli j指某个月内借入或借出的总金额。尺寸=∑lSltsi公司=∑lsli/2Sqbanks在分析中列出。这样，我们就排除了只对小额贷款负责的银行- 1 Q=0.95、0.99、1的跨部门银行集团成员资格。图4（b）显示，随着Q的减小，NMI增大，指向Q=1-→ q=0.95观察到连续几个月推断的银行集团之间的相关性。这表明银行间市场中关系型贷款角色的时间稳定性。通过动态分层18、58“静态”分层SBM方法明确建模跨期相关性是因为它可以应用于ILN数据的时间序列和特定时期的ILN数据。此外，当算法恢复预期的12/54跨期相关性时，独立处理月度数据提供了额外的稳健性检查。相反，我们的结果还表明，通过使用前几个月的ILN推断结构作为基础结构的合理初始估计，可以利用跨期相关性来降低“当前”ILN数据建模的计算复杂性。OGB的特征OGB可以被解释为与银行集团之间在统计上显著不同的贷款模式相对应。模式。在网络级别，图5显示了OGB大小`=∑l∈`SL随时间变化。我们发现，尽管OGB的组成（即OGB中的自然层）随时间发生了很大变化，但与较短到期日相对应的OGB数量级在时间上保持一致。OGB 2尤其如此（见图。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:41

3（a））：它包含以下内容：虽然“较长”OGB的规模远小于较短OGB，但这些OGB不会合并到新兴到期持有中，除非在一个月内，对于附录B中的非连续平仓，它们不会合并到“重要”银行中。在图6中，我们显示了在某个月iss内，银行到期仓位最重要的前10%强度的SIN、i/s、i/s的时间积分分布=∑l∈`∑j、 kxljik和类似银行的优势从金融中介（短期仓位）转变为融资（长期仓位）。短期仓位中的明显模式是所涉及的贷款。讨论发现，文献中常见的ILN表示法，即研究一个到期层或汇总视图13/54银行执行的功能，由于忽略ILN表示法中的到期信息而变得模糊。相关到期层的统计数据揭示了贷款到期层网络度量的非同质性，表明借贷模式的多样性。为了研究最佳成熟度粒度，我们将粗粒度分层随机块模型应用于数据。子序列分析证实了我们的数据集完整到期聚合的次优性，因为它掩盖了四个到期层仓位的存在，这些仓位包含明显不同的借贷模式，具有围绕分层银行的各种基本功能理论，重要银行充当流动性中介。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:44

我们还发现了另一个与银行活动的长期融资相一致的层仓，其中重要的银行要么作为流动性的来源，要么作为流动性的汇。这些发现立即意味着，完全到期崩溃或专注于单一到期的普遍做法可能会导致不切实际的ILN模型和关于系统稳定性的误导性政策结论，尤其是在市场对金融稳定和整个经济配置效率的时期。银行集团之间的贷款模式不仅取决于贷款期限，还取决于发展阶段。只有通过长期合作关系，才能逐步建立交易对手信托。因此，人们通常从风险敞口网络的拓扑结构开始，而在很大程度上忽略了贷款到期日和银行及其连接的其他元数据。我们的工作最终表明，在考虑了不同的贷款发放和完成程度后，这些方法是可行的。俄罗斯的信托危机表明，非基本面危机的发生明显反映在利率和到期层的中尺度结构上。这种联系为未来的研究提供了机会。14/54生成过程、其动力学及其偶尔向不稳定或崩溃阶段的过渡。方法数据库概述本文分析的银行间数据提供了一个丰富而独特的俄罗斯商业银行六年来活动的账户。本文使用的数据集可根据作者的要求检索。据我们所知，数据集在许多方面都是独一无二的。我们提到了有关贷款发行月份的信息可用性（通常只有衍生风险可用）以及关于到期日的详细信息（见附录G）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-6-24 05:13:48

俄罗斯银行间市场在1998-2004年间经历了许多发展阶段，这一事实又增添了一层活力。请注意，CBR未作为节点包含，我们没有关于其任何交易的信息。有关银行的分类以及货币市场的最新描述，请参见。平均而言，大约一半的俄罗斯银行活跃于银行间市场。该数据集开始于所谓的“1998年俄罗斯违约”前几周，该事件导致银行间货币市场全面崩溃。作为回应，CBR实施了几项特别的措施，但收效甚微。因此，我们将分析时间限制在2000年1月至2004年10月的57个月内。在我们的编号方案中，第1个月对应于2000年1月，第13个月对应于2001年1月，第58个月对应于2004年10月。阶段包括2003年下半年和2004年夏季由洗钱丑闻引起的信托危机（见银行间借贷市场。内容数据包括国内无担保银行间贷款的发行，由贷款人银行ID、借款人银行ID注释，month15/54<1d2-7d8-30d31-90d91-180d0.5-1y1-3y>2003年1月3日（36个月）没有可用数据。只要可能，我们就在时间序列中插入缺失的月份。对于一些变量（图3（a）和4（b）），这是不可行的，这是时间序列中缺失数据点的来源。聚合窗口和资本）会在数据中产生每月一次的周期性。可用性数据集以及推断的银行组可根据要求提供。带凝聚层次聚类的实现推理算法我们使用中建议的凝聚层次聚类启发式算法推断分层网络的OG。在程序开始时，每一层都放在自己的箱子里。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:51

在接下来的步骤中，将合并存储箱，以减少总体DL。总体DL由分层SBM的DL加上“SBM扩展项”组成，该扩展项说明了粒度可能级别之间的模型选择（公式17 in）。对于连续装箱，仅合并连续的箱子，而对于非连续装箱，可在每个步骤合并任何一对箱子。通过这种方式，生成了一系列分层网络，从原始分层网络开始，到折叠网络结束。总体DL最小的分层网络定义了OG。我们使用在图形工具库中实现的有效推理算法将分层SBM拟合到月份。该算法采用凝聚启发式方法来拟合分层SBM，并采用多级马尔可夫链蒙特卡罗方法来保证后验概率的稳定性。从两次运行中收集具有最小DL的分层SBM。致谢我们要感谢Benjamin Vandermarliere在撰写本文时所作的宝贵投入和评论，以及Bart deBoer对这一合作的支持。这项研究得到了佛兰德研究基金会（FWO）的支持，该基金会隶属于GrantNumber G018115N和G015617N，以及Bijzonder Onderzoeksfonds BOF2452014000402.16/54这项工作中使用的计算资源（Stevin超级计算机基础设施）和服务由根特大学、FWO和佛兰德政府EWI部门资助的VSC（佛兰德超级计算机中心）提供。作者贡献陈述分析和处理结果；M.V.S.、M.V.d.H、J.R和K.S.撰写了这篇论文。其他信息竞争利益：作者声明没有竞争利益。17/54参考文献1。Bargigli，L.、di Iasio，G.、Infante，L.、Lillo，F.&Pierobon，F.《银行间网络的多元化结构》。数量。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:54

《金融》15673–691（2015）。2、德国央行，http://hdl.handle.net/10419/142127 (2016).3.Wiemers，J.和Neyer，U.为什么我们有银行间货币市场？IWH讨论。Pap。，https://ideas.repec.org/p/zbw/iwhdps/iwh-182.html (2003).4、Gai，P.、Haldane，A.&Kapadia，S.《复杂性、集中度和传染性》。J、莫奈。经济。58, 453 – 470 (2011).5.81–114 (2018).6、Hüser，A.-C.《互联互通而不能倒闭：银行间网络文献调查》。安全工作文件系列91，org/p/zbw/safewp/91。html（2015年）。7.Chan-Lau，J.A.、Espinosa，M.、Giesecke，K.&Sole，J.A.评估金融联系的系统性影响。IMFGlob。金融刺杀。报告2，73–110（2009年）。8、欧洲央行。利用网络分析建模系统性风险的最新进展。欧洲央行技术代表，10.2866/57570（2010年）。9、Battiston，S.、Caldarelli，G.、May，R.M.、Roukny，T.&Stiglitz，J.E.《金融网络复杂性的代价》。过程。自然的。Acad。Sci。113, 10031–10036 (2016).10.35, 93–106 (2018).11、Rochet，J.-C.&Tirole，J.银行间借贷和系统性风险。J、金钱，信用。银行28, 733–762 (1996).12.(2001).13、金融刺杀。35, 107–119 (2018).Halaj，G.和Kok，C.对银行间网络的出现进行建模。数量。财务15，653–671（2015）。15.(2016).Karas，A.&Schoors，K.J.L.《俄罗斯银行数据指南》。SSRN电子。J、 10.2139/ssrn。1658468 (2010).18/5417.Roukny，T.、Bersini，H.、Pirotte，H.、Caldarelli，G.&Battiston，S.《复杂网络中的默认级联：拓扑和系统风险》。Sci。报告32759（2013年）。18.042807 (2015).Peixoto，T.P.非参数加权随机块体模型。物理。修订版。E 97，1-20（2018年）。20.墨西哥银行系统：链接持久性、重叠和等待时间。网络杂志。《金融理论》1，99–138（2015）。21、Lang field，S.、Liu，Z.和Ota，T.绘制英国银行间系统地图。J、银行（&B）财务45288–303（2014）。22、Borgatti，S.P。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:13:57

&Everett，M.G.核心/外围结构模型。Soc。网络21，375–395（2000）。23、Craig，B.和von Peter，G.银行间分层和货币中心银行。J、金融中介23，322–347（2014）。24.1467 (2013).Lip，S.Z.离散核心/外围二分问题的快速算法。arXiv:1102.5511（2011）。26.(2018).27、Zhang，X.、Martin，T.&Newman，M.E.《网络中核心-外围结构的识别》。物理。修订版。E、 032803（2015）。28、分形88244–253（2016）。29、Barucca，P.&Lillo，F.《银行间网络的组织以及欧洲央行非常规措施如何影响电子中间隔夜市场》。计算机。管理。Sci。15, 33–53 (2018).克鲁格曼，P.《自组织经济》（Wiley Blackwell出版社，1996年）。Iori，G.等人，《电子中间银行同业市场中的网络关系：一种带记忆的交易模型》。J、经济。Dyn公司。控制50, 98 – 116 (2015). 危机和复杂性。32、Veld，D.L.《金融经济学中的复杂系统：银行间市场和股票市场的应用》。博士，阿姆斯特丹经济学院研究所，UvA。http://hdl.handle.net/11245/1.431597 (2014).33.99–111 (2015).34.(2017).19/5435.Dyn公司。控制90, 310–342 (2018).纽曼，M.E.J.《复杂网络的结构和功能》。暹罗版次。45, 167–256 (2003).Holland，P.W.、Laskey，K.B.和Leinhardt，S.《随机块体模型：第一步》。Soc。网络5109–137（1983）。38、K.斯科尔斯和K.尤达耶娃。俄罗斯银行业是一座活火山。Alexeev，M.和Weber，S.（编辑）《牛津俄罗斯经济手册》，第4章，544-573（牛津大学出版社，牛津，2013）。39、Vernikov，A.《俄罗斯银行数据指南：分解银行样本》。SSRN 10.2139/SSRN。2600738 (2018).Peixoto，T.P.贝叶斯随机块体建模。在Doreian，P.、Batagelj，V.和Ferligoj，A。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:00

（eds.）网络集群和区块建模的进展（Wiley，纽约，2018）。Abbe，E.《社区检测和随机块体模型：最新发展》。J、马赫数。学第1–86号决议（2018年）。Young，J.-G.，St Onge，G.，Desrosiers，P.&Dubé，L.J.随机块体模型的普遍性。物理。修订版。E、 032309（2018）。《信息理论、推理和学习算法》（剑桥大学出版社，2005年）。Peixoto，T.P.大型网络中的分层块结构和高分辨率模型选择。物理。修订版。十、 011047（2014）。《概率论：科学的逻辑》（剑桥大学出版社，2003年）。Peixoto，T.P.微正则随机块模型的非参数贝叶斯推断。物理。修订版。E、 012317（2017）。Karrer，B.&Newman，M.E.J.《网络中的随机区块模型和社区结构》。物理。修订版。E、 016107（2011）。48、Vandermarlier，B.、Karas，A.、Ryckebusch，J.&Schoors，K.《超越幂律：揭示银行间网络中的程式化事实》。物理。A：统计机械。其应用程序。428, 443–457 (2015).Russell，S.H.《理解利率的期限结构：预期理论》。审查74（1992年）。50.COMISEF（2010年）。51.Morrison，A.D.、Vasios，M.、Wilson，M.I.&Zikes，F.识别银行网络中的传染病。SSRN电子。J、内政部：10.2139/ssrn。2987848 (2016).Schwarz，G.等人，《估算模型的维数》。《年鉴统计》第6461–464页（1978年）。Akaike，H.《统计模型识别的新视角》。在《赤池弘土的论文选集》（Hirotugu Akaike），215-222（Springer，1974）。20/5454. Yan，X.等人，《度校正块体模型的模型选择》。J、统计机械。理论实验2014，P05007（2014）。Peixoto，T.P.图形工具python库。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:03

figshare 10.6084/m9。figshare公司。1164194 (2014).56、《计算》（剑桥大学出版社，1992年，美国纽约州纽约市）。57.国家科学院101，3747–3752（2004）。58.communications 8582（2017）。Chiodo，A.J.和Owyang，M.T.《货币危机的案例研究：1998年俄罗斯违约》。《圣路易斯联邦储备银行评论》，2002年11月/12月。60.012804 (2014).61.内在动态过程的不同聚合级别。计算机。管理。Sci。10, 187–211 (2013).62、金融刺。35, 17–37 (2018).63//想法。雷佩克。org/p/bcb/wpaper/401。html（2015年）。64.(2006).65.静态机械。其应用程序。379, 317–333 (2007).《图中的社区检测》。物理。报告486、75–174（2010年）。21/5480090010001 10 20 30 40 50#活跃银行（a）1 10 20 30 40 500200006000050100015002000#已发放贷款（b）050001000015000200001 5 10 15 20 30 35 40 45 50 55个月#月末未偿还贷款成熟度等级<1d2-7d8-30d31-90d91-180d0.5-1y1-3y>3y（c）图1。俄罗斯银行间借贷网络中借贷活动的时间演变。第1个月对应于（a）或给定月份内至少一笔新银行间贷款的收益。（b）每月和每年发放的贷款数量≤（c） 2000年1月之前，此面板（见方法）。表1：。根据选定的研究，银行间借贷网络（ILN）的程式化网络属性。对于一些ILN测量，报告了冲突值，在这种情况下，我们用反斜杠将它们分开。例如，低聚集系数由报告。粗体的ILN度量值适用于折叠的俄罗斯ILN（见和附录A）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:06

根据层的同质性，我们指出所引用的ILN度量是否适用于俄罗斯ILN的所有成熟层。ILN测量值层同质性选择研究密度稀疏No1、6、35、61–63度分布（内外度）重尾Yes1、6、23、48、61、62拓扑结构无标度/核心外围1、64、65/6、23、35、62、63聚类系数低/高No/1、6、62、65平均最短路径长度小/“小世界”No62、63/6、61、65银行规模混合分离No6、20、，61–64交易量分布重尾是48，6122/54图2。使用粗粒度分层SBM推断小型网络的最佳粒度（OG）的图示。使用图形工具Python库创建的图像。（a）一种无向无权网络，具有三种类型的边（表示a、B、C三种类型的通用交互）和三种类型的节点（圆、正方形和三角形）。交互类型定义了网络层。他们的网络结构可以描述为：完美的核心-外围（CP）（A层）、不完美的TCP（B）和社区结构（C）。（b）网络显示为三个粒度级别。从左到右，分别是：{A，B，C}{{A，B}，C}和C，其中A{A，{B，C}与C相连。节点根据粗粒层状SBM推断的组指数BI着色。还指出了每个呈现相对于OG的描述长度∑[位]和后验优势比∧。该网络的OG为{A，B}，C}。这可以通过认识到LayerA和B都具有CP结构来理解，因此合并的层{A，B}可以通过一个CP模型更有效地描述。23/54<1d2-7d8-30d31-90d91-180d0.5-1y1-3y>3y成熟度等级（a）-12500-10000-7500-5000-250001 5 10 15 20 25 30 35 40 45 50 55个月OG10∧GranulityoOptimal（OG）CompletedDifferenticationCompletedAggregation（b）图3。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:10

俄罗斯银行间贷款网络贷款到期日类别的最佳粒度（OG）。OG对应于最佳粗粒度分层SBM的成熟度bin set{`}参数。（a）根据月度银行同业拆借网络推断的OG的月度时间序列。每个OG bin（OGB）持有一个或多个到期类别，并由OGB索引1、2、3、4标记，并用颜色表示。OGB指数从短期到长期。OGB与银行集团之间的贷款模式相对应，这些模式在统计上存在显著差异。（b）三种不同粒度的粗粒度层状SBM的后验优势比∧（定义见等式3）对数的时间演变：（i）对数；（ii）完全区分贷款到期日；（iii）完成贷款到期汇总。作为月度银行同业拆借网络银行集团结构的最佳代表，完全聚合被坚决拒绝。最大log∧-与零不同的值为log∧=-6.33发生完全分化att=5.90120150#组（a）0.60.70.81 5 10 15 20 25 30 35 40 45 50 55个月（t）NMI（t，t-1，q）q0.950.991（b）图4。根据最佳粒度（OG）推断的每月俄罗斯银行间贷款网络的银行集团{bi}信息。（a）不同银行集团数量的时间演变。组数大致增加，直到t=50。这表明，随着需要更多的银行集团来适应贷款模式，月度银行间贷款网络的中尺度结构变得越来越复杂。（b）连续两个月（t，t）内活跃的一组银行的OG组成员之间的规范化互信息（NMI）的时间演化-1）对于三个强度断裂SQ。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:13

例如，Q=0.95时，包括负责网络借贷%的银行。在许多领域，包括社区检测，NMI是一个常用的量来衡量集合的两个分区之间的相似性。24/541001021041061 5 10 15 20 25 30 35 40 45 50 55个月[百万卢布]OGB1234图5。总贷款规模与贷款模式之间的相关性：随着时间的推移，最优粒度仓位（OGB）的大小。OGB的规模定义为OGB定义的银行间贷款网络中发行的货币总额。OGB指数和颜色与图3（a）中的指数和颜色相对应。OGB 1OGB 2OGB 3OGB 4100102104106101021041061010210610102104106101001021041060.000.250.500.751.00银行实力【百万卢布】银行机构实力/实力H50100150200计数图6。四个最佳粒度库（OGB）的月度“重要库”强度和强度/强度比的时间积分分布。如图4（b）所示，我们通过实力来衡量一家银行的重要性：对于给定的月份，如果一家银行的实力位于前10%，那么它就被认为是重要的。随着OGB指数的增长，重要银行越来越倾向于借贷。OGB 1和OGB 2的银行倾向于平衡借贷。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:16

这表明，各OGB中重要银行的经济功能在月度时间尺度上从金融中介（短期到期仓位）转变为融资（长期到期仓位）。25/54附录内容参考18A到期层分析27B OG推断与非连续分帐43C每组活跃银行数量44D每组活跃银行的活动特征45E重要银行实力/实力的其他百分位数46F信托危机47G ILN文献中的到期类别49H银行间贷款市场利率和贷款量的期限结构50附录参考文献53A到期层分析在此，我们对俄罗斯银行间借贷网络进行了详细描述和网络分析，以与其他银行间{Gα}α进行比较，该银行间借贷网络仅包括每个到期类别内贷款到期的贷款。（注意，在正文中，我们在它们之间使用SYMBOLL而不是α。我们将八个成熟度层表示为：G<1d，G2-7d，G8-30d，G31-90d，G91-180d，G0.5-1年，G1-3y，G>3y。活动和容量G1-3yG>3Y和成熟层。随着时间的推移，我们将始终只考虑积极的银行来应对俄罗斯银行间市场中银行的死亡和诞生。对于贷款期限较长的层，这导致平均贷款量非常高，超过3年，交易相对激烈。表2：。（顶部面板）按到期层和年份划分的参与贷款的活跃银行数量。数据中共有1040家银行。（下面板）每个活跃银行的贷款数量，按到期层和年份划分，由于程度分布是重尾分布，因此通过划分顶级“平均”银行获得（如下所述）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:19

还请注意，“1998”和“2004”列有偏差，因为它们在数据中不完整（分别缺少5个月和10个月）。1998年1999年2001年2002年2003年<1d 610 810 878 954 1022 1027 9832-7d 589 907 953 1026 1074 1098 10588-30d 375 849 920 980 1018 1054 98631-90d 166 535 648 698 706 775 68691-180d 63 203 265 310 321 429 3780.5-1y 49 120 169 204 258 2591-3y 24 64 80 60 58 113 107>3y 11 45 29 38 33 23 201998年2000年2003年<1d 13 118 286 337 2252-7d 7 57 108 161 183 229 1478-30d 315 32 43 44 59 4331-90d 1 5 10 11 15 18 1291-180d 1 2 3 4 5 7 50.5-1年1 2 4 4 7 71-3年2 3 3 3 8>3年3 6 10 78 44表3按贷款到期类别列出了每年和每月的贷款活动，其中我们确定了贷款活动27/54（G<1d）最活跃，以及G2-7天。1998年和2004年危机的影响对借贷活动产生了明显的影响，但期限较长的除外；这些似乎相对未受影响。表3：。数据中的年份不完整，分别为5个月和10个月。（下面板）贷款到期层的月平均贷款活动。贷款活动的时间序列可以在图中找到。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-24 05:14:22

1在正文中。1998年1999年2001年2002年2003年2004<1d 7917 95389 163855 245840 292048 346221 2209792-7d 4325 51673 103376 165602 196765 251006 1558348-30d 958 12914 29250 42067 45204 62190 4218131-90d 245 2770 6365 7939 10606 14184 4391-180d 82 460 742 1189 1754 2797 20100.5-1y 63 237 307 593 886 1901 18991-3y 52 207 202 180 914 845>3y 55 128 367 2588 1712 899 01998 19992000 2001 2002 2003 2004<1d 1583 7949 13655 20487 26550 28852 220982-7d 865 4306 8615 13800 17888 20917 155838-30d 192 1076 2438 3506 4109 5182 421831-90d 49 231 530 662 964 1182 84491-180d 16 38 62 99 159 233 2010.5-1y 13 20 26 81 158 1901-3y 10 17 23 17 16 76 84>3 Y 11 15 31 235 143 89长度。贷款量是对数正态分布的，尤其是对于较短的贷款期限。表4：。按贷款到期日和每年的贷款总额（以十亿卢布计）。1998 1999 2001 2002 2003 2004<1d 226.3 2674.4 5984.3 8855.9 10306.4 13844.6 13040.12-7d 83.1 1030.4 2910 5114.7 6104.6 9058.1 7880.28-30d 15.9 220.7 620.8 1103.1 1102.9 1871.8 1833.331-90d 4.4 31.9 105.2 205.3 318.3 415.4 253.691-180d 1.7 5.3 9.6 23.4 46 73.6 73.5-1y 3.2 2.4 20.2 24 50.8 69.91-3y 2.2 5.5 6 3.3 10.1 11>3y 2.6 0.8 1.2 1.4 1.3 0.8 2.528/54成熟层如果banksA节点i在该层上至少有一个连接，即其度数kαi>0，则该节点i在该层上的活动被定义为活跃。在符号中，bαi=如果kαi>0，则为1，否则为0。（5）总活动Bi测量节点参与的层数，即Bi=∑αbαi.图7显示了作为现实世界多路复用网络的典型质量的双端口分布。0.000.250.500.751.000 20 40 60123个月活动银行的相对数量整个时间内总活动的分布。图7中的平均活动。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝