本文提出了一个综合框架，用于确定中央银行操作中使用的抵押品折扣，量化未抵押的风险敞口，并使用机器学习验证折扣模型。
首先，本文介绍了四种针对资产特征的折扣模型类型——可交易或不可交易——以及数据可用性。它提出了一种在数据有限环境下设置折扣的新颖模型，使用卫星跨国模型。指导折扣校准的关键原则包括非周期性、数据驱动性、保守性和避免套利差距。本文详细介绍了模型输入，例如风险价值 (VaR) 百分位数、波动性指标和时间到清算。
其次，本文提出了一种量化框架，用于估计应用折扣后剩余的预期未抵押风险敞口，强调了它们在压力情景中的重要性。使用动态 Nelson-Siegel 收益率曲线模型的说明性模拟展示了波动性如何影响风险敞口。
第三，本文探讨了使用变分自动编码器 (VAEs) 来模拟债券收益率的压力情景。在 U.S. 国债数据上训练的 VAEs 捕获了现实的收益率曲线分布，为验证基于 VaR 的折扣提供了一种替代工具。尽管可解释性和可解释性仍然是问题，但机器学习模型通过发现潜在模型漏洞增强了风险评估。
本文将建模者的情况分为四种不同的案例，以指导选择适当的折扣模型：
- 可交易资产在数据丰富的环境中：提出的模型是持续时间近似 stressed 波动性 (DASV) 模型。该模型基于广泛使用的基于持续时间的债券价格变化近似，结合 EGARCH 模型对债券收益率波动性进行 stress。它提供两种关键优势：简单性和模块化。
- 可交易资产在数据有限的环境中：提出的模型是持续时间近似跨国回归 (DACR) 模型。该模型结合了持续时间近似公式和跨国回归框架。它通过生成假设的主权利差来解决关键挑战，例如缺乏主权信用评级和二级市场。
- 不可交易资产在数据丰富的环境中：采用的模型是渐近单风险因子调整 (ASRFA) 模型。该模型使用历史数据计算受压的违约概率 (PD)，基于 Vasicek (1991) 的基础工作及其在巴塞尔 II 内部评级基础 (IRB) 框架中的采用，具有理论支持来自 Gordy (2003)。
- 不可交易资产在数据有限的环境中：通过检查三个代表性案例来探索折扣模型：案例 I：资产负债表数据可用；案例 II：资产负债表数据不可用；案例 III：样本期过短，缺少危机事件。
本文还开发了一个量化框架来管理交易对手风险。它强调了监控剩余未抵押风险敞口的重要性，这些敞口在压力期间可能构成隐藏风险。本文展示了如何使用传统金融模型和先进技术（如机器学习）量化此类敞口。具体来说，本文将变分自动编码器 (VAEs) 应用于模拟债券收益率的压力情景并验证折扣模型，说明了它们增强风险评估的潜力。
本文的主要结论是，提出了针对合格资产性质（可交易或不可交易）和数据可用性的定量模型套件。这些模型促进了内部一致性，减少了主观性，并增强了公众问责制。除了折扣设置之外，本文还强调了监控剩余未抵押敞口的重要性，这些敞口在压力期间可能构成隐藏风险。
