Zastosowanie symulacji Monte Carlo z korektą Imana-Conovera w pomiarze ryzyka systemowego

• Autorzy: Tomasz Jastrzębski

Warianty tytułu

Application of Monte Carlo Simulations with Iman-Conover Correcion in Systemic Risk Measurement

• Języki publikacji: PL

Abstrakty

Ryzyko systemowe może być rozumiane jako możliwość wystąpienia wielu jednoczesnych nieprawidłowości w funkcjonowaniu dużych instytucji finansowych. Kwestia jego definiowania oraz pomiaru nabrała szczególnego znaczenia w okresie ostatniego kryzysu finansowego lat 2007-2009. Złożoność i zmienność ram teoretycznych i sposobu pomiaru ryzyka systemowego powoduje, że niezwykle trudne jest określenie i kwantyfikowanie czynników ryzyka systemowego w sektorze bankowym . Dodatkowo w swej istocie ryzyko to ma naturę zdarzenia rzadkiego i tym samym nie mają zastosowania miary klasyczne. Uzupełniając to spostrzeżenie o fakt braku danych oraz ich niską częstotliwość, można dojść do wniosku o konieczności zastosowania metod symulacyjnych, których zaletą jest możliwość projektowania różnych scenariuszy wydarzeń. Celem artykułu jest przeprowadzenie symulacji mierników ryzyka systemowego zdefiniowanych jako odległość między różnymi stanami wartości wskaźników a ich wartościami wzorcowymi i antywzorcowymi. W związku z tak sformułowanym celem postawiono hipotezę badawczą, iż wraz ze wzrostem poziomu ryzyka systemowego obserwowana jest większa wrażliwość wartości oczekiwanych wskaźników niż ich wariancji. Jako narzędzie w procesie weryfikacji hipotezy badawczej w zaprojektowanym eksperymencie użyta została symulacja Monte Carlo z korektą Imana-Conovera. (abstrakt oryginalny)

EN

Systemic risk can be defined as the possibility of multiple simultaneous irregularities in the functioning of large financial institutions. The issue of its definition and measurement has become particularly important during the last financial crisis of 2007-2009. The complexity and variability of the theoretical framework and the methods of measuring systemic risk made it extremely difficult to identify and quantify systemic risk factors in the banking sector. In addition nature of this kind of risk is a rare occurrence and hence application of classical measures are not effective. In addition data are often of low frequency or there is no data available at all. Therefore one can conclude that simulations should be used to carry out such a research. This approach has the advantage that researcher is able to design different scenarios of events. The purpose of this article is to simulate systemic risk measures defined as the distance between different quantity of indicator values and their ideal and anti-ideal levels. As a result of this formulation, the research hypothesis has been expressed that with increased systemic risk, the sensitivity of the expected values of indicators to the variance if indicators is higher. As a tool for the verification of the research hypothesis in the designed experiment Monte Carlo simulation with the Iman-Conover correction was used. (original abstract)

Słowa kluczowe

PL

Pomiar ryzyka; Ryzyko systemowe; Symulacja Monte Carlo

EN

Risk measures; Systemic risk; Monte Carlo simulation

• Czasopismo: Zarządzanie i Finanse
• Rocznik: 15 (2017)
• Numer: nr 3
• Strony: 139--156

Twórcy

autor

Tomasz Jastrzębski

• Uniwersytet Gdański

Bibliografia

• Acharya V.V., Pedersen L.H., Philippon T., Richardson M. (2010), Measuring Systemic Risk, "Review of Financial Studies", Vol. 30, No. 1.
• Basel Committee on Banking Supervision (2011), Basel III: A global regulatory framework for more resilient banks and banking systems.
• Borio C. (2003), Towards a macroprudential framework for financial supervision and regulation?, BIS Working Paper No. 128.
• Brämer P., Gischer H., Lücke C. (2014), A simulation approach to evaluate systemic risk, "European Journal of Political Economy", Vol. 34.
• Buslenko N.P., Golenko D.I., Sobol I.M., Sragowicz W.G., Szrejder J.A. (1967), Metoda Monte Carlo, PWN, Warszawa.
• Giglio S., Kelly B., Pruitt S. (2016), Systemic risk and the macroeconomy: An empirical evaluation, "Journal of Financial Economics", Vol. 119, No. 3.
• Haas C. (1999), On Modeling Correlated Random Variables in Risk Assesment, "Risk Analysis", Vol. 10, No. 6.
• Hellwig M.F. (2009), Systemic Risk in the Financial Sector: An Analysis of the Subprime- -Mortgage Financial Crisis, "De Economist", Vol. 157, No. 2.
• Huang X., Zhou H., Zhu H. (2009), A Framework for Assessing the Systemic Risk of Major Financial Institutions, "Journal of Banking & Finance", Vol. 33, No. 11.
• Iman R.L., Conover W.J. (1982), A distribution-free approach to including rank correlation among input variables, "Communications in Statistics", Vol. 11, No. 3.
• Informacja o sytuacji banków w I kwartale 2017 r. (2017), Komisja Nadzoru Finansowego, Warszawa, https://www.knf.gov.pl/knf/pl/komponenty/img/RAPORT_O_SYTUACJI_BANKOW_Ikw_2017_58291.pdf, dostęp: 11.09.2017.
• Jastrzębski T. (2015), Ryzyko obsługi zobowiązań długoterminowych gminy Sopot w świetle perspektywy budżetowej Unii Europejskiej na lata 2007-2013, "Współczesna Gospodarka", Uniwersytet Gdański, Gdańsk.
• Jermakow S.M. (1976), Metoda Monte Carlo i zagadnienia pokrewne, PWN, Warszawa.
• Kabza M. (2012), Ryzyko systemowe - cecha współczesnych rynków finansowych, "Studia Ekonomiczne", nr 3, INE PAN, Warszawa.
• Lehar A. (2005), Measuring systemic risk: A risk management approach. "Journal of Banking and Finance", Vol. 29, No. 10.
• Rogowska E. (2009), Rezerwy na ryzyko związane z działalnością banków, "Studia i Prace Wydziału Nauk Ekonomicznych i Zarządzania", nr 24, Wydawnictwo Uniwersytetu Szczecińskiego, Szczecin.
• Stanowisko KNF w sprawie polityki dywidendowej instytucji finansowych (2014), Komisja Nadzoru Finansowego, Warszawa, https://www.knf.gov.pl/knf/pl/komponenty/img/knf_123947_knf_123947_KNF_polityka_dywidendowa_2_12_2014_39873.pdf, dostęp: 10.09.2017.
• Zemke J. (2009), Ryzyko zarządzania kapitałem organizacji gospodarczej, "Zeszyty Naukowe", nr 4, t. 4, Wydawnictwo Uniwersytetu Gdańskiego, Gdańsk.