欧洲央行多场景下的压力测试：一个关于尾部的故事和反向压力场景（英）

工作文件系列 编号2941 免责声明:本文不应被报告为代表欧洲中央银行（ECB）的观点。表达的观点是作者的观点，不一定反映欧洲央行的观点。 大卫·艾克曼罗曼·安戈蒂, KatarzynaBudnik 具有多个场景的压力测试：关于尾部和反向压力场景的故事 Abstract 本文提出了一种可操作的压力测试方法，可以在多种合理的宏观金融情景中评估银行业的脆弱性。该方法有助于确定与银行系统和单个银行特别相关的宏观金融风险因素，并搜索可能将其推向最坏结果的情景 。我们使用欧元区的宏观审慎压力测试模型来证明这一概念。通过这样做，我们展示了多场景压力测试如何补充单场景压力测试，帮助场景设计以及评估银行系统中的风险。我们还展示了如何优化压力测试和情景，以适应监管和宏观审慎机构的不同任务和工具。 关键字:宏观审慎压力测试,多情景,反向压力测试,金融稳定,银行业风险,系统性风险 JEL分类：E37、E58、G21、G28 非技术性摘要 在全球金融危机（GFC）之后，世界看到了监管改革的激增，包括引入压力测试作为监管机构的重要工具。然而 ，为什么压力测试如此重要？首先，它提供了一个前瞻性的视角，使监管机构能够迅速采取行动。通过在具有挑战性的经济条件下检查机构的财务健康状况，监管机构获得了提前要求采取保护措施的能力。其次，它将有关机构的复杂信息简化为易于理解的指标，这些信息具有复杂的业务模型，隐藏的风险敞口和复杂的资产负债表。这样做可以提高透明度，有助于制定有效的政策，并增强监管信誉。 现实生活中的压力测试通常依赖于复杂的宏观金融情景，旨在反映金融部门的风险。但是，有一个陷阱 ：这种情况可能并不总是现实或严重的，并且在任何时候都包括真正相关的风险。它们实现的可能性通常是未知的，它们的影响可能很难在政策背景下解释。他们可以抛开危险的可能性，制造一种安全的幻觉，或者他们可以考虑非常令人难以置信的事态发展，制造一种虚假的警觉。这些陷阱导致了监管机构和市场对过去许多压力测试的审查。我们的论文介绍了一种通过考虑多种合理的经济情景来评估银行业弹性的新方法。我们通过探索与过去的经济冲击相一致的所有情景，来减轻错过可能现实或关注不合理现实的谬误。这种广阔的视角使我们能够查明银行体系和单个银行的最薄弱之处，并提供了一个： 全面了解银行漏洞。 我们使用欧元区的半结构模型来说明这一概念，该模型涵盖了单个欧元区经济体和银行及其相互作用。该模型通常用于宏观审慎压力测试，使我们能够超越评估银行偿付能力，并检查对宏观金融监管机构至关重要的变量，例如向非金融私营部门提供贷款。 多情景分布压力测试可以为压力测试后的管理行动添加相关信息。我们提供了示例，说明分布压力测试如何产生各种风险度量，区分机构特定风险和系统范围风险，并提供对银行系统内不断变化的风险的见解 。 此外，多种情景允许在称为反向压力测试的过程中识别最相关的宏观金融风险。反向压力测试有助于识别银行系统的风险并设计与监管和宏观审慎机构目标一致的情景。它还有助于纳入与政策制定者期望一致的经济叙述。 总之，我们的论文主张将多场景和反向压力测试方法与传统的单场景压力测试相结合。这些方法丰富了情景设计，验证了监管工作结果，并揭示了银行系统内各个机构之间风险的不同分布。值得注意的是，压力测试基础设施的进步使这些方法变得越来越可行。 1Introduction 全球金融危机（GFC）的余波带来了监管改革浪潮，包括将压力测试引入监管工具包。监管压力测试提供了重要的好处。首先，它提供了前瞻性的视角，使监管机构能够迅速采取行动。通过在程式化但具有挑战性的经济条件下审查机构的财务偿付能力，监管机构可以提前要求采取适当的保护措施。压力测试的第二个优势是它能够将有关具有复杂商业模式，潜在风险敞口和隐秘资产负债表的机构的复杂信息提炼为易于理解的指标（请参阅，e。Procedre，舒尔曼[2014])。因此，监管压力测试提高了金融部门的透明度，并有助于制定和传达有效的政策。 压力测试的广泛采用创造了对严重的，合理的和有意义的场景的需求。主要的监管压力测试，其中由美联储领导的综合资本评估审查，以及由欧洲银行管理局（EBA）领导的欧盟范围的压力测试，1涉及单一假设的不利宏观金融情景。三年未来情景预测经济活动、资产价格和劳动力市场，在情景设计期间反映金融系统风险，并可能导致金融机构的重大损失。然而，这些情景的严重性、合理性和相关性往往难以捉摸，对监管机构和市场的挑战敏感 。 本文建议通过考察多种合理的压力情景来评估银行业的脆弱性。它首先对压力测试进行了随机解释，然后展示了多重情景如何提供银行系统弹性和单个银行的完整图片。多情景压力测试描述了银行结果的完全概率分布，没有忽视似是而非的事件或引发错误警报的谬误。它允许准确地识别风险，告知它们在银行之间的分布，并且可以将它们的系统和特质成分分开。此外，该方法有助于反向压力测试，即寻找足够严重的情况以导致期望的不利银行结果。我们通过对欧元区采用宏观审慎压力测试模型来说明多种情景压力测试的优点。 Ourapproachhastwocomponents:knowledgeofplausiblefuturesandpolicypreferences.Eachfure-furescenarioisjointlydescribedbyriskfactorsandthecorresponsiblefinancialoutsibility. 1自2010年以来，每年进行年度综合资本评估审查，自2011年以来，每年进行两次欧盟范围内的压力测试。有关不同司法管辖区监 管压力测试的历史和比较，请参阅Cihak[2004]了解早期内容，请参阅Borio等人[2014]，Baudino等人[2018]或Pliszka[2021]了解 GFC后的评估。 erencesdescribethefocusofpolicifiersanditsdesiredseverity.Policypreferencescanalsoinformaboutthefittingscenarionarrative,whichcanbenefittherelevantofastresstest. 将压力测试分为两个部分具有广泛的优势。它区分了相关风险的“识别”和影响以及足够严重的情景的“选择”。它认识到这两个步骤的不同挑战，首先是找到最好的模型和数据，而对于后者，则是将压力测试选择和以后的政策行动最佳地联系起来。该框架很好地描述了压力测试的实践，为偿付能力、流动性压力测试甚至单因素敏感性分析提供了通用框架。最后，它使我们能够连贯地描述和关联分布，反向压力测试与系统和尾部风险指标以及情景选择问题。 我们采用了Bdi等人详细介绍的半结构性宏观-微观银行欧元区压力测试(BEAST)模型。[2023]推导出一个完整的场景空间。BEAST代表欧元区各个经济体和银行及其双向互动。进入该模式的银行覆盖了约70 ％的欧元区银行业。作为压力测试模型，BEAST强调宏观金融情景对信用风险、净利息、净手续费和佣金收入的影响，其次是市场风险和剩余盈利能力项目。作为宏观审慎基础设施，它包含了银行在银行体系与实体经济、银行偿付能力、融资成本之间的行为反应和相关放大机制。 相关地，BEAST模型允许对宏观金融情景进行随机模拟。该模型的行为和风险参数方程是使用宏观经济和银行层面的数据相结合来估计的。可以探索有关历史冲击，其相关性以及模型参数不确定性的信息，以构建未来宏观金融结果的不同组合。2每种模拟情景至少在两种意义上都是合理的。由于半结构模型的规范构建（Flood和Koreo[2015]），并且在统计上是合理的，因为它依赖于冲击和参数的估计分布（Stder[1999] ，Breer等人。[2009]，布鲁尔和西沙尔[2013]，布鲁尔和西沙尔[2016]）。 首先，我们使用模型模拟来证明分布应力测试提供的可能性。我们研究预测的银行结果的分布，以提取有关银行系统和单个银行不断演变的尾部风险的信息，而无需对这些风险的类型采取立场。我们还表明，分布压力测试可以帮助确定单个银行对系统性和特质风险的敞口。最后，我们详细阐述了如何使用分布压力测试来验证。 2参见Budnik等人[2021b]和Budnik等人[2021d]，以讨论在评估弹性建设监管政策的好处的背景下将模型应用于随机模拟的讨论。 并通过将我们的结果与2023年EBA/SSM压力测试结果进行比较来解释其他压力测试。 接下来，我们展示如何在多变量动态设置中优雅地解决反向压力测试问题。正如Breer和Csiszár[2013]所假设的那样，我们系统地检查了替代方案，以确定那些将银行系统或单个银行推至预设严重程度阈值以下的方案。然后，将足够严重的情景与合理的现实的完整空间分开，并形成反映不利发展不确定性的空间。3然后，我们讨论如何根据决策者的野心定制不利的场景。我们梳理了全系统偿付能力分布百分位较低对应的情景，银行偿付能力是大多数监管机构眼中的变量。然后，我们展示了如何为宏观审慎机构提供相关方案，这些机构可能希望更多地强调银行贷款或放大机制的作用。 最后，我们展示了如何将反向压力测试与将经济叙事与政策制定者的预期相一致的愿望保持一致。为此，我们检查了足够严重的场景的分布，以选择最接近假定叙述的子集。选定的情景反映了通常与假设的压力测试相关的叙述。然而,与后者相反,可以评估它们的概率。 本文涉及几个文献流。第一个也是最广泛的是设计压力测试情景的实践（Cihak[2004]，Quagliariello[2009]）。我们的方法将概率情景设计与假设方法的优点融合在一起，该方法产生了“由风险的物化引发的假设不利情况”（ESRB[2021]）。 第二个是基于多种情景的压力测试，以及与分布预测密切相关的文献。这两篇文献都假设研究了许多替代期货。分布预测评估合理结果的整个分布，而多个情景压力测试寻求分布区域，这些区域谈到系统或机构的脆弱性（Stder[1999]）。传统上，多重情景压力测试提出了两个问题：如何得出合理的多元情景的分布以及如何确定其严重程度。关于第一个挑战，Stder[1999]和Breer等人。[2009]建议使用Mahalaobisdistace4，Breer和Csiszár[2013]以及Breer和Csiszár[2016]使用熵balls5和McNeil和。 3将足够严重的场景定义为一个空间，而不是单一实现，与Breuer和Csiszár[2013]引入的混合场景的概念相关联。 4更合理的场景是那些与多变量均值的距离低于某个阈值的场景。 adecreasingplabilitylevelformellisoidsofscenariospaceswithincreasingdistancefromthemeanofthedistantriskdistributions.AMahalanobisellipsoidwouldbeagoodchoicefornormalort-studentriskdistribution. 5Entrophyballsrequiretheaprioriknowledgeofthereferencedistributionofrisk.Theplassibilityofscenarioisthen 通过到参考分布的距离来判断，随着距离标记的增加，实现的概率降低。 Smith[2012]采用半空间修剪的概念6。关于严重性的定义，Studer[1999]，Breuer等人[2009]，Breuer和Csiszár[2013]，Breuer和Csiszár[2016]筛选方案分布，寻找那些导致最低预期资产回报的人，McNeil和Smith[2012]寻找那些提供最低资产净值的人。 我们对多情景压力测试的讨论有两个补充。首先，我们主张在生成合理的场景时使用具有结构元素的模型 。结合结构和经验识别的模