基于多主體建模分析的銀行間網絡系統性風險研究

鄧 超，陳學軍，2

(1. 中南大學商學院，湖南 長沙 410083；2.中國人民銀行鄭州培訓學院，河南 鄭州 450011)

?

基于多主體建模分析的銀行間網絡系統性風險研究

鄧 超1，陳學軍1，2

(1. 中南大學商學院，湖南 長沙 410083；2.中國人民銀行鄭州培訓學院，河南 鄭州 450011)

本文基于多主體建模分析了銀行間核心-邊緣網絡的系統性風險。模型假設銀行通過最優投資組合配置，在流動性和資本約束前提下謀求利潤最大化。通過建立銀行間市場交易環境的仿真模型，依據銀行行為決策動態形成資產負債表與銀行間網絡敞口的數據，評估金融監管政策在銀行間市場的實施效應。同時，引入不同網絡結構模型加以對比分析，發現盡管核心-邊緣銀行間網絡體系比無標度網絡更易遭受共同沖擊和傳染風險，但當處于金融困境時，在宏觀審慎管理政策機制作用下，核心-邊緣網絡體系比其他結構網絡表現出更強的恢復力特性。

多主體模型；銀行間市場；系統性風險；核心-邊緣網絡；共同沖擊

1 引言

在維護金融穩定的監管設計中，其主要目標是通過設計一系列適合的宏觀審慎監管規則，加強金融體系的穩健性和恢復力。從理論上來講，當銀行間市場發生異質性的流動性沖擊時，銀行可以通過同業市場的互相拆借抵以御沖擊的影響。如果非預期流動性需求出現，銀行會從銀行間市場借款，銀行就處在籌集流動性資產過程。同時，銀行間敞口也被看作銀行彼此共同監督的有效交易指標。廣義而言，銀行間市場更主要的反映了銀行之間存在的重要信用關系，借款銀行之所以能夠以較低的市場利率獲得拆入資金，主要因為其與提供流動性貸款的銀行之間有著緊密的關系，網絡結構就較好地刻畫了銀行間這一關系。目前關于金融網絡模型的研究大都沿襲Allen和Gale[1]對簡單規則網絡的研究思路，分別以ER隨機網絡、小世界網絡和無標度(Scale-Free，SF)網絡等典型拓撲結構描述銀行體系的風險敞口關系。

關于銀行間網絡的分層結構模型的研究，僅在近幾年才得以重視。Freixas等[2]較早地提出了以貨幣-中心為主導的銀行分層體系易于遭受傳染性風險。相比于ER隨機網絡結構的銀行網絡模型，銀行網絡分層特征對沖擊更具有恢復力，即便是在危機情形下銀行失敗的頻率也較ER隨機網絡低[3]。

Craig和von Peter[4]首先在銀行間核心-邊緣網絡結構(Core-Periphery，CP)網絡的量化方法上提出了嚴格的定義，一個純粹的核心邊緣結構必須滿足以下兩個條件：一是核心銀行間必須彼此完全連接，并且至少與一個邊緣銀行存在拆入和拆借信用關系；二是邊緣銀行只能連接到核心銀行，而邊緣銀行彼此間不存在借貸關系。實證顯示德國的銀行間市場網絡與CP模型具有很高的擬合度。其研究結論的重要性突顯，實際銀行間網絡結構已經對時下大量基于準ER隨機網絡或SF網絡模型的研究提出了質疑。同時，Finger等[5]實證認為CP結構相比于其他網絡模型更好地擬合了意大利銀行間網絡特性，核心銀行數目從金融危機前占比28%減少到危機中的23%，并認為銀行間網絡結構不服從隨機網絡模型的原因在于偏好關系型借貸，該觀點與Finger和Lux[6]應用行動者導向理論對銀行網絡演化進行分析的結論相一致。

但是，van Lelyveld和in't Veld[7]的研究與前者觀點相悖，他們完全遵循Craig和von Peter實證研究方法，將荷蘭銀行間市場從1998年到2008年的102家季度數據與德國銀行間市場進行對比實證分析，結果顯示核心-邊緣模型不能很好描述荷蘭金融體系的特性。

上述研究都表明，當下已經對基于ER隨機網絡或無標度網絡模型對實際銀行間市場體系結構的適用性提出了質疑。而核心-邊緣模型提供了一個更佳的參考思路，這正是本文立意所在。本文建模方法的新穎之處在于：一是將基于主體計算經濟學理論與復雜網絡技術相結合，以貸款風險投資作為數據驅動，使資產負債表模型得以動態生成，回避了統計和計量經濟模型所要求的大量時間序列數據的困難；二是提出針對CP銀行間網絡拓撲結構與無標度SF網絡的對比性研究；三是強調仿真銀行間市場網絡模型的實時性，構建完整銀行信貸交易周期，實時分析流動性需求方程，產生貼近現實世界的銀行間網絡風險敞口頭寸。因此，本文所構建的模型能夠較好地模擬交易策略或環境條件的改變對銀行間市場的影響，為金融宏觀審慎監管措施的制定提供理論參考。

2 銀行間市場系統性風險模型

2.1 建模背景與思路

本文將模擬一個包括銀行、企業、家庭和中央銀行四部門及一個銀行間市場的簡單封閉交易運行體系，假設銀行在流動性和資本約束前提下謀求利潤最大化。通過投資組合配置對銀行微觀行為方程的描述，刻畫了銀行從家庭部門吸收存款D，并提供貸款投資滿足企業產出的資金需求；同時，銀行為了維持在中央銀行準備金存款賬戶上法定存款準備金余額的要求，即使出現有利的投資機會，而銀行又無法籌集到所需資金時，除非選擇出售資產，減少企業貸款等行為，否則只能放棄投資機會[8]。銀行是否在銀行間市場進行同業拆借或拆放，以及向中央銀行借款，均需視該銀行的流動性需求而定，所以，模型緊密追蹤每個銀行的流動性，并依此確定其是同業拆放即流動性提供者還是同業拆借即流動性需求者。

接下來，結合銀行間網絡模型，根據網絡生成的銀行間借貸連接關系，逐一對每個銀行與其鄰居節點銀行的流動性需求進行匹配，流動性盈余銀行按照基本信貸配額機制向流動性需求銀行提供需求頭寸，對銀行間網絡債務與債權進行結算，從而確定每個銀行的風險敞口。

隨后，那些在銀行間市場未能得到足夠流動性的銀行，如果有足夠的資產作為擔保，滿足向中央銀行申請流動性需求的條件，就執行獲取中央銀行流動性的交易程序，進一步向銀行間市場中流動性不足的銀行提供了頭寸需求。而那些沒有足夠資產的銀行，就必須減少投資頭寸，同時為了維持資產充足率的監管要求，必須進行資產拋售，可能引發系統性風險，因此，通過對每個銀行的償付能力進行檢查，將符合監管最低資本充足標準的銀行稱之為“活躍”銀行，否則為違約銀行并將其從銀行網絡中剔除，重新計算網絡敞口。至此，“活躍”狀態的銀行可向企業實施計劃投資，執行投資交易程序，檢查企業貸款是否到期和違約，并重新計算銀行的流動性，在滿足法定存款準備金要求下，更新投資交易。

2.2 資產負債表和流動性的計算

模型假定銀行為風險厭惡型和市場價格接受者，其投資組合滿足相對風險厭惡效用函數CRRA。其中，向企業的投資I為風險資產，無風險資產為超額存款準備金E。考慮到銀行間拆借的實際用途是保障單個銀行的流動性，作為銀行間貸款流動性的提供者，一般依賴于流動性需求方的主動負債程度，同時拆借雙方一般既是流動性需求者又是流動性提供者。所以，模型雖然對銀行間網絡的敞口進行統計，但并不把銀行間貸款納入到風險投資組合中予以考慮。

2.2.1 銀行決策資產投資組合的配置和規模

(1)

(2)

其次，為了獲得資產投資組合規模，基于方程(2)兩邊對V微分，得到單位投資組合的邊際效用[10]。又因V=E+I，其一階條件須滿足邊際效用等于投資組合的再融資成本，即中央銀行的基準利率rb，則一階條件方程為：

最終，銀行決策資產投資組合規模近似地為:

(3)

2.2.2 計算銀行的流動性

我們把銀行間借貸和向中央銀行借款兩種負債情形納入兩銀行模型。對于負債方，一個銀行的初始資本金BC在數量上依賴于風險投資I規模與風險權重和法定資本充足率。存款D的初始數值等于資產減去初始資本金，其中存款利率為rd；上繳法定存款準備金rD。按照Totzek[11]理論，在模型中設定了存款提取波動因子δ。存款提取一方面影響法定存款準備金的減少，另一方面如果δ(1-r)D大于超額存款準備金E，則表明銀行存在預期流動性不足。

銀行間市場的信貸供給Ls和信貸需求Ld對于市場中的銀行而言，行為動機因市場拆借利率rb體現出的成本與收益各異。在一個封閉的銀行間網絡體系內，總體上存在一種均衡：Ld(rb)=Ls(rb)。當rb利率很低時候，銀行通常對銀行間的借款需求大于銀行間貸款的供給，其動機并非作為銀行的資產收益，而主要是通過同業拆入增加流動性對實現投資組合的擴張。如果rb利率增加一定水平，銀行拆放動機因銀行間貸款收益增加，則市場傾向于銀行間的貸款供給大于銀行間借款的需求。模型假設銀行對銀行間貸款的需求主要動機是，出于補充短期流動性的原因而不是將銀行間貸款作為盈利性的風險資產。所以，主要關注銀行間借款Ld作為一種負債的變化，Ld需求的絕對值越大，表明該銀行流動性缺口越大。

如果銀行有充足的風險資產作為合格擔保，那么在模型中設定擔保品評級因子β，就可以進一步向中央銀行借款Lc。如果擔保品不足或者得到中央銀行的借款后，銀行流動性仍然短缺，此時，銀行不得不調整計劃風險投資水平，進行資產拋售。

最后，根據銀行的資產收益和負債成本支出，上繳中央銀行存款準備金的本息，以及包括存款波動，最終得到銀行當期t時刻的流動性頭寸Qt計算模型：

(4)

其中，(1-δ)Dt-1≤Dt≤(1+δ)Dt-1。

對于僅有兩個銀行的模型銀行間的拆借敞口一目了然，然而，在一個具有N個銀行體系中，它們之間錯綜復雜的銀行間負債關系如何描述呢？由此引入了SF網絡和CP兩種不同拓撲結構銀行間市場的網絡模型，定義銀行彼此之間的債務與債權關系。我們可以網絡統計屬性并結合上述相關資產和負債動態變化指標，確定銀行節點敞口水平，考察系統性風險在不同的銀行網絡拓撲結構的傳染影響程度。

2.3 資產拋售模型

當一個銀行的資產組合遭受到一個負向沖擊，并且不能達到監管資本水平時候，銀行將出售資產以此改善其資本充足率。Cifuentes等[12]為尋求長期非流動資產出售數量與價格之間的均衡狀態提供了方法。該資產拋售模型較好地描述了市場出現流動性緊縮時候，較小規模資產拋售引發較大敞口變化的現象。

非流動性資產市場價格的發現是通過供給和需求之間均衡調整的“喊價機制”實現。對非流動性資產需求反函數記作：

p=e-α(s)

(5)

3 銀行間核心-邊緣網絡模型

3.1 網絡結構

生成具有CP拓撲結構的網絡基本算法一般有兩種，區別在于邊緣節點與核心節點的連接方法。兩種算法都依賴于節點數目、核心節點占比和核心節點之間的連通度，通常我們通過遍歷每個節點，如果設定連接到核心節點概率為P，則剩余邊緣節點的概率為1-P，而核心節點之間按照隨機拓撲結構進行連接。本文采用Borgattiand Everett[13]的隨機依附算法將邊緣節點與核心節點連接。銀行節點數目N=50，核心節點數目為8，核心節點之間的連通度為80%。

從這兩個不同結構網絡中節點的特征向量中心度[14-15]排序表(見表1)可以發現，CP網絡中前8個銀行節點的特征向量中心度遠遠大于排在其后的銀行_9的數值，而SF網絡中的第8個銀行節點與緊排其后節點的數值并不存在跳躍性差距。雖然CP網絡特征向量中心度的整個網絡均值小于SF網絡，但是，就前8個核心銀行而言，CP網絡特征向量中心度的均值為47.685，大于SF網絡前8個銀行節點均值37.503。因此印證了CP網絡中邊緣銀行節點與處于核心銀行之間的拆借數量相比于SF網絡更為集中。

表1 特征向量中心度的排序表

注：兩個網絡模型中銀行節點標號隨機生成。

3.3 銀行網絡敞口與可得流動性

由前述建模思想可知，確定銀行間每個銀行的敞口水平的前提，在于銀行間網絡必須存在資金盈余方銀行和流動性資金需求方銀行，因此首先要計算銀行的流動性需求。一個銀行流動性需求水平的確定，須根據銀行資產負債表每個賬戶實際交易數據。模型假設整個銀行網絡體系總的資產數量固定，并平均分配于每個銀行，根據公式(3)得出每個銀行的計劃最優投資結構與規模，則最優風險投資計劃規模Ip和無風險的超額準備金計劃規模Ep也可以事先確定。因為每個銀行的資產負債表模型中的投資賬戶I，都賦予了貸款成功率、貸款利率以及隨機產生的貸款期限等參數，所以一旦銀行資產負債表的初始化，首先對每個銀行的風險投資賬戶中貸款期限進行計算并判斷是否逾期違約，再依據起初的風險計劃投資規模、到期貸款利率和貸款損失率重新計算并得到當期的投資頭寸I。因此，每個銀行的資產負債中各個不同的交易賬戶隨之就發生變化，其初始流動性頭寸Q0計算由公式(4)可得。

在銀行間網絡模型初始化之前，模型進行了資產負債表模型的初始化，每個銀行的計劃流動性需求頭寸包括銀行間市場借款和向中央銀行借款的兩個需求資金來源，數值上等于：Lp=Ld+Lc=Q0-((Ip-I)+(Ep-E))，且Lp>0表示銀行有過剩的流動性；否則，表示銀行為流動性需求方。

假設流動性需求方銀行首先在銀行間市場進行資金籌集，此時銀行間網絡模型初始化，進行銀行間借款交易結算。一個流動性需求銀行的實際頭寸，應該由與其有直接連接關系的鄰居銀行節點提供，且這些直接鄰居銀行節點必須有過剩的流動性，一旦匹配就按照最簡單的信貸配額機制提供需求頭寸，具體計算方法為：

Ld=min{-Ld,∑Ls|Ld·Ls<0ifLd<0} 按照以上公式遍歷銀行間網絡模型的所有節點，即可得銀行間的網絡敞口。

而后，對所有銀行間網絡的節點銀行進行償付能力檢查，若銀行資本比率滿足：BC/I≥r*，則該銀行為活躍銀行。其中，這些銀行仍然有流動性需求Ld，并且銀行的風險投資頭寸I>0，那么，該銀行向中央銀行的借款頭寸為：Lc=min{I·β,|Ld|}。

最后，我們要考慮那些不具有從中央銀行借款條件的銀行，這些銀行首先對計劃投資規模進行消減，查看當期的流行性需求：Lp=Ip-I；如果Lp<0，說明銀行仍然存在流動性需求缺口，為了達到監管資本水平，銀行不得不進行資產拋售。具體清算價格與清算規模由公式(5)可得。

以上描述了銀行獲取可得流行性的過程，最終要將可得資金投向企業，實施貸款投資計劃，檢查貸款投資期限是否違約，對新一輪投資交易進行更新。同樣，因為銀行流動性發生變化，超額存款準備金相應也要調整。

4 仿真與經濟分析

本文將通過較多的參數設置，模擬信用損失造成的流動性不足與資產拋售等壓力困境，通過跟蹤分析銀行間拆借及向中央銀行借款的情況，考察系統性風險對具有不同拓撲結構的銀行網絡體系的沖擊影響作用以及最終銀行的風險分擔和系統恢復力。

4.1 算法執行步驟說明

第一步，實現銀行環境初始化。包括以下步驟：

1.根據第2.2.1節的描述和公式(2)首先計算最優投資規模；

2.在第一步基礎上動態生成銀行節點的資產負債表：1)生成投資交易追加至銀行的投資賬戶I；2)計算并追加至超額存款準備金賬戶E；3)計算并追加至銀行的資本金賬戶BC；計算家庭部門的存款并追加至銀行的儲蓄賬戶D；4)計算并追加至銀行的法定存款準備金賬戶rD；最后，計算并追加至銀行的中央銀行貸款賬戶LC。直至所有銀行節點賦值完畢。

第二步，實現網絡環境初始化。根據成熟的復雜網絡算法可以分別加載無標度網絡和核心-邊緣網絡模型。因為在銀行間網絡模型初始化之前，模型進行了資產負債表模型的初始化，根據正文第3.3節的描述公式遍歷銀行間網絡模型的所有節點，即可得銀行間的網絡敞口。

第三步，對每個銀行的風險投資賬戶中貸款期限進行計算并檢驗判斷是否逾期違約，計算銀行投資合約到期的損失。

第四步，重新計算并得到當期的投資頭寸I，每個銀行的資產負債中各個不同的交易賬戶隨之更新。

第五步，更新銀行間網絡敞口。

第六步，對所有銀行間網絡的節點銀行進行償付能力檢查，若銀行資本比率滿足：BC/I≥r*，則該銀行為活躍銀行。否則，記為失敗銀行節點。

第七步，對活躍銀行進行流動性需求計算，判斷是否具有向中央銀行的借款頭寸。否則，那些仍然存在流動性需求缺口的銀行不得不進行資產拋售。

第八步，返回步驟三，對新一輪投資交易進行更新。

最后，根據自定的模擬循環次數退出執行過程，并得到失敗銀行節點的數量及其相關交易數據。

為了對實際經濟情況進行仿真，本文模擬一個銀行規模N=50的銀行間網絡體系，研究時間跨度τ=1000個工作日周期，設置銀行可得企業貸款總資產交易數目為Atotal=100。其中，單個銀行每筆最優投資組合為V/2，最優投資結構和規模依賴于其風險規避程度系數θ，θ的取值范圍[16]須保證每個銀行的投資組合中都持有無風險投資超額存款準備金資產。本文模型關注源于銀行資產質量變化所引起的流動性不足及失去償付能力等銀行失敗情形。模型中每個銀行的資產負債表的動態變化依賴于銀行投資企業貸款成功概率Pfirm。所以，在模型研究時間周期內，經企業貸款期限mfirm參數的設定，則將1-Pfirm企業貸款交易作為逾期貸款，并假定違約貸款的損失率為100%，以此作為壓力情景風險來源。通過不同壓力情景設置，模型可以最終得到銀行間借款、向中央銀行借款交易數據變化狀況，以及因資本損失成為不活躍銀行的結果。

4.2 仿真一：基準情景

為便于考察系統性風險影響規模和程度，首先設置一種處于正常經濟狀態下的基準情景作為參照基準。參數設定如下：存款波動因子δ=0.01，最低監管資本充足率r*=8%，擔保品評級因子β=80%，法定存款準備金率r=2%。每筆企業貸款期限將隨機產生，且最長為mfirm=500個工作日，模型運行500個工作日后，所有銀行的投資資產將全部清算，而企業貸款成功概率在整個模型運行周期為Pfirm=99%，即企業實際違約概率只有1%。將以上參數代入模型分別在CP網絡和SF網絡兩種不同的銀行間網絡模型中運行之后，得到如下結果：

圖1顯示了最終活躍銀行數目的平均結果。CP網絡模型活動銀行數目43家，顯然大于SF網絡模型的41.5家。SF網絡模型的失敗銀行數目，要多于CP網絡模型。

圖1 活躍銀行數目(仿真一)

從圖2中可以觀察到，SF網絡模型中銀行間拆借交易數量要遠大于CP網絡模型。模型運行到500個工作日后，CP網絡模型中的銀行間借款交易幾近停滯，而SF網絡模型也陡然減少。原因在于SF網絡的網絡密度遠大于CP網絡統計指標的差異。

圖2 銀行間借款數量(仿真一)

圖3 向中央銀行借款數量(仿真一)

從圖3中發現，CP網絡中銀行向中央銀行借款數量要高于SF網絡。由表1可知，CP網絡分層特征突出，核心銀行的特征向量中心度的均值大于SF網絡的前8個網絡銀行節點。所以，CP網絡模型中滿足向中央銀行借款條件的銀行節點要多于SF網絡模型情形。這也是CP網絡中銀行的失敗數量小于SF網絡的原因。

4.4 仿真二：資產拋售壓力情景

在仿真一的基礎上，僅將企業初始投資成功率從99%下調到500個工作日后的95%，即1%不良貸款率上升到5%，其他參數環境與仿真一相同。因企業投資成功概率的降低，造成銀行的資本損失與流動性缺失，通過銀行間市場形成了銀行間傳染風險，致使更多銀行出現資本損失，低于最低監管資本要求水平。為此，我們考慮資產拋售壓力情景，考察那些為了維持最低監管資本充足率的銀行所進行的資產拋售行為對整個銀行體系的沖擊狀況。在出現傳染風險壓力情景基礎上，再引入表示資產拋售壓力狀況的資產清算貼現因子α=0.9，即資產拋售價格下跌深度為90%。在兩種沖擊風險疊加作用下，模型運行最終的活動銀行數目結果如圖4所示。

圖4 活躍銀行數目(仿真二)

與仿真一的結果比較，CP網絡中活躍銀行數量銳減為13家；SF網絡體系中的活躍銀行數目也降至16家。由于失敗銀行數量的增加，整個銀行體系無論是銀行間借款還是向中央銀行借貸的交易數量都將大幅減少，如圖5和圖6所示。

圖5 銀行間借款數量(仿真二)

圖6 向中央銀行借款數量(仿真二)

模型中實施資產拋售行動的銀行，都是指那些仍有償付能力活躍銀行，但因在銀行間借貸和中央銀行借款之后，依然存在流動性缺口的銀行，它們不得不消減投資組合中的風險投資計劃，拋售銀行投資交易賬戶的資產份額。如果一個銀行的資本金足夠承受非銀行部門的信用損失和其他銀行敞口造成的減計損失的時，但由于資本消減，進而不足以支撐因為其自身資產拋售或其他銀行資產拋售引發的盯市價值損失，結果導致銀行體系出現資產拋售的傳染性違約。

4.5 仿真測試三：兩種逆周期策略的比較

第一種方法是逆周期調整監管資本水平。基于上述資產拋售壓力情景的基礎上，為了考察監管當局救贖策略效果的顯著性，將法定監管資本充足率從原來整個測試周期為8%調整至假想運營狀態20%，理論上逆周期調整資本充足率可以緩釋系統性風險，考慮到仿真二的壓力情景，在系統實現初始化2個工作日之后，故將法定監管資本充足率降低到6%。最終運行結果如圖7所示。

圖7 活躍銀行數目(仿真三)

第二種方法采取放松中央銀行借款的擔保品評級條件。基于上述資產拋售壓力情景的基礎上，將資產擔保品評級因子從原來的β=0.8，放松至β=0.95。意味著中央銀行將銀行的資產質押條件放寬，滿足向中央銀行借款條件的銀行數量也會增加，改善銀行的流動性頭寸緊張的狀況。那么，CP網絡中核心銀行將會有更多機會免予陷入失敗境地。因為CP網絡中核心銀行的特征向量中心度比SF網絡體系要高，所以更希望仿真結果出現，CP網絡體系失敗銀行數量減少，其改善程度要強于SF網絡的情形。最終運行結果如圖8所示。

圖8 活躍銀行數目(仿真三)

從圖7顯示的活躍銀行數目結果發現，CP網絡中活躍銀行數量從原來的僅有13家，恢復到現有的27家，同時，SF網絡體系中的活躍銀行數目從原有的16家也上升到23家。可見，逆周期調整監管資本的風險緩釋策略對于兩種不同銀行間網絡拓撲結構都是有效的。顯然，CP網絡結構體系對于風險緩釋策略的敏感性更強。

從圖8的結果可見，CP網絡中活躍銀行數量從13家上升至現在的24家，同時，SF網絡中的活躍銀行數目從原有的16家，僅僅恢復到目前的18家。可見，放松中央銀行借款的擔保品評級的緩釋策略對于SF網絡而言，其敏感性和恢復力效果都比CP網絡體系結構差。

對比兩種緩釋政策效果，逆周期調整監管資本水平對于兩種不同的銀行間網絡拓撲體系都是有效的，而放松擔保品評級條件的方法對于SF網絡體系效果不顯著。因此，逆周期調整監管資本水平的方法要優于放松中央銀行借款的擔保品評級條件的方法。

5 結語

本文模擬環境中的每一個異質性銀行主體都具有不同投資組合結構和動態資產負債表，通過考察銀行對企業的信貸投資交易活動，建立了銀行間流動性需求頭寸方程，結合CP結構和SF結構兩種銀行間網絡模型，產生了網絡敞口數據。引入源于信貸損失的流動性不足和資產拋售兩種共同沖擊傳播機制，通過模型參數設置不同的金融困境壓力情景，深入分析了系統性風險對具有不同拓撲結構的銀行網絡體系的沖擊影響作用。同時，模型將中央銀行也作為參與者主體，探討了監管當局緩釋系統性風險的政策工具效果。

與已有相關文獻相比較，通過模型的仿真測試與結果分析，本文在銀行間網絡體系的穩健性與系統性風險宏觀審慎管理方面，有以下結論性認識：

第一，面臨資產損失造成的流動性缺失的共同沖擊時，從銀行間市場借貸數量的運行結果來看，無論在CP結構網絡還是SF網絡結構體系中，絕大多數的拆借交易數量集中出現在最長信貸資產期限完全到期即500個工作日周期之前。其后，交易量逐漸大幅減少，或交易停止。對應同期的活躍銀行數目的運行結果，兩種銀行網絡體系中銀行活躍數量減少幅度都較小，表明了銀行間市場為銀行體系緩解流動性風險沖擊起到了緩沖和穩定作用。

無論在CP結構網絡還是SF網絡結構體系中，大量向中央銀行借款的交易出現在500個工作日周期之后，直到整個模擬周期結束。因此，中央銀行提供的貸款流動性是對銀行間市場流動性頭寸供給之后的補充。然而，在面臨資產損失造成的流動性缺失與資產拋售壓力情景下，500個工作日周期之后，CP結構網絡與SF網絡結構體系中活躍銀行數目都出大幅銳減，所以，中央銀行提供的貸款流動性對其后出現的傳染性風險的緩釋作用并不明顯。

由于SF網絡體系中的銀行間交易數量規模大于CP結構網絡，所以，從活躍銀行數目的運行結果圖形來看，CP結構網絡中活躍銀行數目的下降速度快于SF網絡結構體系，表明網絡密度大的、銀行間交易數量高的SF網絡體系，在承受沖擊時風險分擔性和系統穩定性上強于CP結構網絡。

第二，在面臨資產損失造成的流動性缺失與資產拋售壓力情景下的共同沖擊時：放松中央銀行借款的擔保品評級條件的措施對于SF網絡而言，其敏感性和恢復效果都比CP網絡體系差；而逆周期調整監管資本水平的策略對于兩種不同銀行間網絡拓撲結構都是有效的。總體而言，CP網絡體系對于緩釋策略工具的敏感性和恢復力表現更強。

第三，雖然CP網絡銀行體系易于遭受系統性風險，但從宏觀審慎管理角度看，體現出對逆周期策略工具的敏感性和體系恢復力強的優勢；從識別系統重要性機構的簡便性上看，由于拓撲結構的獨特性，CP網絡相比于SF網絡體系更加容易，并且需要救贖的具有系統重要性銀行的數量也更少。所以，在監管資源配置有限條件下，CP結構銀行網絡體系更加利于監管當局和中央銀行的監管與救贖。

[1] Allen F, Gale D. Financial contagion[J], Journal of Political Economy，2000， 108(1)：1-33.

[2] Freixas X, Parigi B M, Rochet J. Systemic risk, interbank relations and liquidity provision by the central bank[J]. Journal of Money, Credit and Banking,2000, 32 (3), 611-638.

[3] Teteryatnikova M. Resilience of the interbank network to shocks and optimal bail-out strategy: Advantages of "tiered" banking systems[R]. Vienna Economics Papers 1203, University of Vienna, Department of Economics, 2012.

[4] Craig B, von Peter G. Interbank tiering and money center banks[R]. Journal of Financial Intermediation,2014,23(3):322-347.

[5] Finger K, D Fricke, T Lux. The italian interbank network:An overview[J]. In progress, Kiel Insitute for the World Economy, 2012.

[6] Finger K, T Lux. The evolution of the banking network:An actor-oriented approach[J]. In progress, Kiel Insitute for the World Economy, 2011.

[7] van Lelyveld I, in 't Veld D. Finding the core: Network structure in interbank markets[R]. Journal of Banking & Finance,2014,49:27-40.

[8] Peng Xingyun. Liquidity, liquidity excess and monetary policy [J]. Economic Research Journal,2007,(11):55-70

[9] Pasche M. Interbank lending and the demand for central bank loans-A simple microfoundation[R]. Jena Economic Research Papers Friedrich-Schiller-University Jena, Max-Planck-Institute of Economics, 2010.

[10] Pasche M. Fundamental uncertainty, portfolio choice, and liquidity preference theory[R]. Jena Economic Research Papers,Friedrich-Sehiuer-University Tena,Max-Planck-Institute of Econornics,2009.

[11] Totzek, Alexander. The bank, the bank-run, and the central bank: The impact of early deposit withdrawals in a new Keynesian framework[R]. Working Papers, Christian-Albrechts-University of Kiel, Department of Economics, 2008.

[12] Cifuentes R, Shin H S, Ferrucci G. Liquidity risk and contagion[J]. Journal of the European Economic Association, 2005,3(2/3):556-566.

[13] Borgatti S P, Evertt M G. Models of core/periphery structures[J]. Social Networks, 2000,21(4):375-395.

[14] Freeman L C. Centrality in social networks: conceptual clarification[J]. Social Network, 1979,1(3):215-239.

[15] Wasserman S, Faust K. Social network analysis: Methods and applications[M]. Cambridge:Cambridge University Press, 1994.

[16] Yang Chaojun. Parameter uncertainty and investor’s portfolio choice: Evidence from China stock market [J]. Chinese Journal of Management Science,2008,16(3):37-43.

Studyon Multi-agent Models Analyses for Systemic Risk from the Interbank Network

DENG Chao1, CHEN Xue-jun1,2

(1.Business School of Central South University, Changsha 410083, China；2.Zhengzhou Training Institute,The People’s Bank of China, Zhengzhou 450011, China)

In this paper a multi-agent model which analyses for systemic risk from the core-periphery structure in interbank network is proposed. Our model consists of a network of banks, which endogenously determine their optimal portfolio allocation by maximizing profits subject to liquidity and capital constraints. For the simulation framework to be useful for assessment of central bank policy, banking firm behavioral responses must be modelled in the context of interbank market conditions and with automated access to balance sheet and network exposure data to anchor the financial decisions being simulated. Different possible network structures are compared, while interbank markets network with the core-periphery topology is more susceptible to common shock and contagion than scale-free network, it tend to be more resilient to financial distress than others under macroprudential regulation and policy regime.

multi-agent model；interbank markets；systemic risk；core-periphery network; common shock

1003-207(2016)01-0067-09

10.16381/j.cnki.issn1003-207x.2016.01.008

2013-07-14；

2014-09-09

國家自然科學基金資助項目 (71173241)；教育部新世紀人才基金( NCET-10-0830)

簡介：陳學軍(1969-)，男(漢族)，河南開封人，中南大學商學院博士研究生，中國人民銀行鄭州培訓學院，研究方向：宏觀審慎管理、金融工程，E-mail:chenxuejun@pbcti.cn.

F830.9

A