本文提出了一种综合框架，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、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，强调其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. 国库券数据上训练的 VAEs 捕获了现实的收益曲线分布，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。
本文的主要贡献包括：
- 提出了一套针对合格资产性质——可交易或不可交易——以及相关数据可用性的定量模型。 其中包括在数据有限环境下适用的模型。
- 开发了促进内部一致性、减少主观性并增强公共问责制的模型。
- 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。
- 展示了如何使用传统金融模型和机器学习等先进技术量化此类敞口。
- 应用变分自动编码器 (VAEs) 来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。
本文的研究结论是：
- 中央银行应采用定量模型来确定抵押品折扣，以确保内部一致性并增强公共问责制。
- 本文提出的模型为中央银行提供了加强抵押品和交易对手风险管理实践的有效框架，有助于金融稳定和有效的流动性提供。
- 机器学习模型，如 VAEs，可以用于验证折扣模型，但可能不适合直接用于设置抵押品政策，因为可解释性问题。
- 未来研究的一个方向是使用人工智能来增强跨国模型，特别是利用大型语言模型 (LLM) 将 Article IV 报告转化为可包含在构建有限数据可用性国家主权债券收益率的跨国模型中的前瞻性定量指标。
