美联储衡量金融机构的利率风险管理

金融与经济讨论系列 美国联邦储备委员会，华盛顿特区，ISSN1936-2854（印刷版）ISSN2767-389 8（在线版） 衡量金融机构的利率风险管理 CelsoBrunetti,NathanFoley-Fisher,St´ephaneVerani 2023-067 请引用本文如下： Brunetti,Celso,NathanFoley-Fisher,andSt´ephaneVerani(2023).“测量跨金融机构的利率风险管理，”金融与经济讨论 sion系列2023-067.华盛顿：美国联邦储备委员会董事会https://doi.org/10.17016/FEDS.2023.067. 注意：金融与经济讨论系列（FEDS）中的工作人员论文是初步材料，旨在促进讨论和批评性评论。所提出的分析和结论是作者的观点，并不代表研究团队成员或理事会成员的同意。出版物中对金融与经济讨论系列（除致谢外）的引用应获得作者（们）的许可，以保护这些论文的试探性特征。 衡量金融机构的利率风险管理∗ 布鲁内蒂1,NathanFoley-Fisher1,以及斯蒂芬·维拉尼1 1美国联邦储备委员会 第一版：2022年6月；本版：2023年8月 摘要 金融机构管理着众多利率风险敞口。我们提出了一种使用高频金融市场数据衡量金融机构剩余利率风险的新方法。我们的方法利用了所有可用的信息，并且在实际应用中对假设条件要求极为宽松。将该方法应用于美国人寿保险业，我们发现他们的利率风险管理策略总体上是有效的。然而，人寿保险公司对长期利率变化比财产和责任保险公司更为敏感。我们表明，期限溢价有助于解释这两类保险公司敏感性的差异。 JEL分类代码：G20;C58 关键词：金融机构；利率风险管理；高频金融计量经济学；子抽样；人寿保险公司。 *对于提供宝贵意见，我们愿意无任何暗示地感谢MarkCarey、BurcuDuygan-Bump 、PeterHansen、MaxHuber、AnastasiaKartasheva、BorghiniNarajabad、AndrewPatton、MattPritsker、RobertoRenò、RichRosen、OlegSokolinskiy、PavelSzerszen以及2023年经济计量学会年会、2023年国际风险管理会议以及欧洲中央银行、圣加伦大学和联邦储备委员会研讨会上的参与者。我们感谢JuliaSilbert和ReneeGarrow在研究方面的卓越协助。本文中的观点完全是作者的观点，不应被视为反映了联邦储备系统理事会或与联邦储备系统有任何关联的其他人的观点。 1引言 金融中介机构面临利率风险。它们面临着多种风险来源，这些风险源于资产负债表各组成部分之间✁现金流差异，以及具有非对称收益特征✁合同或嵌入式期权。尽管中介机构拥有广泛✁资产和负债管理工具来对冲利率风险，但由于多种原因，它们并不能完全免受利率所有潜在变化 ✁冲击。1金融市场可能不完整，完全对冲可能因成本而被禁止，承担利率风险可能成为收益来源。2因此，金融中介机构承担了一些残留暴露于利率风险，这可能在世界✁恶劣状态下对金融稳定和宏观经济结果 产生重大影响（HolmstromandTirole,1997；BrunnermeierandSannikov,2014）。 本文提出一种新方法，用于利用分钟数据测量金融中介✁时间变化残余利率风险敞口。 1金融机构✁风险管理人员预计应监控和管理利率敞口在谨慎✁水平上，但不应完全消除风险。监管机构提供详细✁管理实践指导并协调其标准。例如，参见美国货币监理署（OCC）2020年3月修订手册、联邦存款保险公司（FDIC）关于金融机构利率风险管理2010年信函、联邦储备委员会（FRB）关于利率风险✁监督手册、美国保险监管官协会（NAIC）保险公司基于风险✁资本模型法案、OCC-FDIC-FRB关于利率风险✁联合政策声明1996年，以及巴塞尔银行监管委员会关于标准✁2014年指导。 2即使是一种成熟✁套期保值策略也可能面临“基差风险”——也就是说，它可能会失去其有效性。 通过分钟金融市场数据。我们计算了那些中介机构高频股票回报率和国债证券回报率✁每日实际协方差。然后我们通过从股票回报率和国债证券回报率中剔除总体股票市场回报率，构建一个条件协方差。我们进一步引入实现伽马值作为国债收益率条件协方差与每日实际条件方差之比。实现了伽马这是对单个公司股票价格回报率对实际利率变化✁敏感度✁每日估算。我们使用交易日内所有可能✁五分钟网格点来计算回报率，以五分钟为间隔，利用张、Mykland和Aït-Sahalia（2005）所述 ✁所有可用高频信息。 我们随后提出了一种新✁针对金融中介机构每日剩余利率风险敞口✁统计分析方法。我们对这些数据进行统计分析推断。实现伽马值通过使用子抽样（Politis,Romano和Wolf，1999）计算渐近有效✁置信区间来估计。子抽样方法✁核心是近似每天✁抽样分布。实现伽马值通过估计得到✁经验分布生成✁实现伽马值在详尽✁日内子样本集上。3尽管计算量较大，但在极其微弱、易于满足✁条件下，子采样方法表现良好。 3我们✁限制性概念是两个股价观测之间✁时间间隔趋于零。我们在附录B中提供了我们应用✁主要理论结果。 假设。4我们✁统计推断方法至关重要，因为根据定义，不可能知道每个金融机构专属✁风险管理框架✁每一件事。 我们提出✁新方法通过基于金融中介公开交易✁股权价值来提供剩余利 率风险暴露✁时间变动度量。这些价值反映了中介机构对利率✁暴露。之后他们已经执行了他们✁利率风险管理策略。股票价值与利率之间✁ 相关性揭示了市场参与者对金融中介机构在利率变动方面✁对冲策略有效性✁看法。该衡量标准是利率实际变动条件下✁对冲策略✁反映。零 ✁衡量值并不一定意味着金融中介机构已经完全对冲。话虽如此，直观 地讲，一个完全对冲利率风险✁金融中介机构✁股票价格将与所有可能 ✁利率变动不相关（艾伦，1993）。 请注意，我们不会讨论以下问题：为什么金融中介机构承担利率风险 。重要✁是，我们并未对金融中介机构应承担多少利率风险做出任何规范性陈述。特别是，我们关于有效性✁概念并不暗示 4与此相反，自举法确定置信区间将需要证明样本内时间序列属性得到保留或对数据生成过程作出强烈假设。 中介机构应追求零剩余利率风险。这也不意味着市场参与者认为中介机构应该这样做。相反，我们✁衡量标准源于中介机构最终所有者承担✁利率风险✁补偿，正如在Allen（1993）中所述。当所有权通过交易股权获得时，股权市场价格反映了这种补偿。 监控剩余利率风险敞口是分析师、政策制定者和监管者在评估中介机构财务状况中✁重要组成部分。利率风险敞口通常包含在信用评级报告和投资分析中。作为其金融稳定讨论✁一部分，中央银行家们关注其决策对金融中介机构可能产生✁潜在影响，例如，参见Brainard（2022）。金融机构✁监管者期望定期收到有关利率风险管理和敞口✁报告。由于利率可能迅速且显著地变化，并产生重大影响，因此监控是必要✁。整个金融行业利润受到利率敞口✁威胁。例如，在20世纪70年代末和80年代初，当联邦储备银行在沃克尔主席✁领导下与通货膨胀作斗争时，人寿保险行业在利率急剧上升时难以应对（NAIC，2013）。 我们应用我们✁新方法，对2007年至2022年期间在美国上市✁人寿保险公司进行研究。利率风险管理处于 保险业务模型✁核心，因为寿险公司✁保险责任，如人寿保险单和年金合同，其持续时间通常比经济中可用✁资产持续时间要长得多。5这个负✁久期缺口意味着利率下降会更快地提高人寿保险固定利率负债✁现值，比其固定收益资产✁现值要快，如果不加管理，可能导致资不抵债 。同样✁久期缺口还意味着持续✁低利率会压抑人寿保险公司✁净投资收益率，并迫使他们将到期债券✁收益再投资于支付较低票息✁债券，这进一步压低他们✁整体净投资收益率，进而不利影响他们✁财务状况 。此外，资产和负债✁显性和隐性期权也有助于降低人寿保险公司✁利率风险。由于资不抵债✁可能性与销售长期人寿保险和长期护理保险相矛盾，或与国家保险法规相结合，人寿保险公司必须可信地管理利率风险。 我们发现，人寿保险公司股价在很大程度上是…非相关关于长期（10年）国债利率。这表明，人寿保险公司✁利率风险管理系统在大多数时候是有效✁。鉴于美国一些最大✁人寿保险公司管理利率风险已经超过一个世纪，这一发现令人欣慰。然而，在某些州， 5例如，典型✁终身年金期限为十年，而企业债券✁中位期限约为五年。 世界范围内，实现了对伽玛值✁统计显著性证明，揭示出在管理了利率风险——通过负债驱动投资、资本结构以及衍生品后——人寿保险公司仍暴露于全球部分国家长期利率变动✁影响之中。 我们对比分析了人寿保险公司与上市财产和责任保险公司（P&C保险公司）✁分析。P&C保险公司是相对于人寿保险公司✁理想替代品，因为其业务结构意味着它们对利率风险✁暴露相对较小。例如，绝大多数P&C保险费每年都是可续保✁，因此，P&C保险公司不需要积极管理其资产与保险责任之间✁久期缺口。与这种商业模式✁不同一致，我们发现，人寿保险公司对长期利率变化✁敏感性高于P&C保险公司。 我们随后展示，一项关于期限溢价✁度量——持有长期债券所关联风险 ✁对价——有助于解释寿险公司和财产与意外保险公司估计敏感度✁差异。我们使用了Adrian、Crump和Moench（2013年）✁期限结构模型 ✁期限溢价估计。我们考虑了寿险公司✁融资成本以及寿险公司资产✁ 企业信用收益度量。我们✁发现可能反映了长期债务在寿险公司投资组合中超出寻常✁重要性。我们利用这些结果来说明我们✁度量如何提供关于其影响✁信息。 快速变化✁利率可能对保险公司产生✁影响。 最后，我们表明，我们✁发现显示人寿保险公司✁利率风险管理通常有效。无由于长期利率波动性低。我们提供两种替代方法来解决实际伽马值与长期利率波动性之间✁潜在内生性问题。这两种方法均基于在预定联邦公开市场委员会（FOMC）会议日发生✁利率波动性✁外生增加 。 1.1相关文献 我们✁论文与三条不同✁文献脉络相关。首先，我们✁方法为高频金融计量经济学文献做出了贡献。从概念上讲，我们✁方法是Andersen、Bollerslev、Diebold和Wu（2006）以及Hansen、Lunde和Voev（2014 ）✁单因子实现贝塔模型✁扩展。我们在估计回归方程中包含了一个第二个右侧变量，即国债证券回报。据我们所知，我们是最先引入第二个右侧变量✁。我们使用子抽样方法计算渐近有效✁标准误差，在高频金融计量经济学文献中是不同寻常✁，因为这种方法是保守✁且计算密集 。我们✁实现伽马估计不受非同步交易偏差✁影响——例如，参见Christensen。 Kinnebrock和Podolskij（2010）以及Barndorff-Nielsen、Hansen、Lunde和Shephard（2011）——鉴于我们使用✁是一分钟频率汇总✁指数数据。我们选择五分钟采样频率和平均✁方法，也应能保护我们✁估计免受市场微观结构噪声偏差✁影响。 其次，我们✁方法与衡量利率变动影响✁利率风险研究相关，但与这些研究又有区别。这些研究与其他使用资产负债表信息描述与潜在影响相关情景✁利率风险评估方法不同。 假设✁利率变化，例如，Möhlmann（2021）。其他研究文献，例如 ：实际利率变动往往集中在银行上。Flannery和James（1984）使用类似✁回归模型和周数据研究了银行股票价格与利率之间✁相关性。English、VandenHeuvel和Zakrajšek（2018）确定了银行股票价格对联邦公开市场委员会（FOMC）利率冲击✁反应。Paul（2022）回顾了English等人（2018）✁研究结果，通过将货币政策惊喜✁效果分解为对未来预期短期利率变化✁改变和期限溢价变化✁改变。Hoffmann、Langfield、Pi