Stochastic Experiments in Stabilisation of Money Market Benchmarks

• Autorzy: Marcin Dec

Warianty tytułu

Eksperymenty stochastyczne w stabilizowaniu wskaźników referencyjnych rynku pieniężnego

• Języki publikacji: EN

Abstrakty

EN

The main input of this research is a stochastic model of a theoretical panel of contributors (banks) to a money market index. The model proved to constitute a useful environment for testing various index formulae, their characteristics and some trade-offs that may arise while deciding on the particular benchmark's design. It may be also used to evaluate indices without historical data or stress them against different scenarios of adverse changes in market conditions or panellists' behaviour. The hypothetical problems with changes in the panel's composition as well as the irregularity of daily contributions may strongly influence the utility of a final benchmark to be used in medium and long term loan contracts, especially with retail clients. Our focus is on several selected classes of benchmarks' formulae that are derived from the raw index and allow for some confinement of the mentioned drawbacks while decreasing quality measured by other criteria (the goodness of fit). The set of classes include: the geometric time weights with different smoothing parameters and observation window's length used on the original raw index, stabilisation of the raw index in bands, rolling window volume weights rebalancing and finally the geometric time weights performed on log-volume transformed index. The potential trade-offs in such a benchmark's stabilisation efforts are shown(original abstract)

W artykule zaproponowano nowe podejście do badania wskaźników referencyjnych rynku pieniężnego w postaci modelu stochastycznego opisującego dynamikę panelu banków przekazujących informacje o transakcjach depozytowych do pewnego repozytorium lub agenta kalkulacyjnego. Model wykorzystano do przetestowania różnych klas i formuł matematycznych indeksów, zbadania ich własności oraz wskazania rozwiązań technicznych skutkujących zmniejszeniem ich zmienności. Środowisko to może być z powodzeniem zastosowane także to badania indeksów, co do których dane historyczne są mało dostępne lub nie istnieją. Potencjalne problemy wynikające ze zmian składu panelu a także z nieregularności dziennych kontrybucji danych panelistów do repozytorium istotnie wpływają na jakość tworzonego wskaźnika referencyjnego (benchmarku), który może być używany w średnio- i długoterminowych kontraktach kredytowych (w szczególności zawieranych przez banki z klientami detalicznymi). Artykuł zawiera klasyfikację takich formuł wyliczania wskaźników referencyjnych, które skutkują powstaniem wskaźnika o mniejszej zmienności niż dzienna średnia ważona wolumenem (indeks "surowy"). Zbiór rozważanych klas obejmuje: indeksy ważone geometrycznie względem czasu z różnymi parametrami wygładzającymi i różnymi szerokościami okna obserwacyjnego, indeksy stabilizowane w przedziałach, indeksy zależne od średnich wag w różnych okienkach czasowych oraz indeksy ważone geometrycznie względem czasu oparte o przekształcony logarytmicznie indeks "surowy" (względem wolumenu transakcji depozytowych). W ostatniej części omówiono możliwe wybory między akceptowalnym poziomem jakości dopasowania nowego benchmarku do indeksu "surowego" a jego zmiennością.(abstrakt oryginalny)

Słowa kluczowe

EN

Money market; Stochastic processes; Stochastic models

PL

Rynek pieniężny; Procesy stochastyczne; Modele stochastyczne

• Czasopismo: Bezpieczny Bank
• Rocznik: 2018
• Numer: nr 4 (73)
• Strony: 42--61

Twórcy

autor

Marcin Dec

• Warsaw School of Economics

Bibliografia

• Duffie D. and Stein J.C. (2015), Reforming Libor and other βinancial market benchmarks, Journal of Economic Perspectives, 29, pp. 191-212.
• EU Regulation 2016/1011 of the European Parliament and of the Council of 8 June 2016 on indices used as benchmarks in financial instruments and financial contracts or to measure the performance of investment funds (BMR).
• Ghandi P., Golez B., Jackwerth J., and Plazzi A. (2015), Libor manipulation: Cui bono?, Available at http://nbn-resolving.de/urn:nbn:de:bsz:352-268232 .
• Glasserman P. (2003), Monte Carlo methods in financial engineering, Springer.
• Hirsa A. (2012), Computational methods in finance, CRC Press.
• IOSCO (2013), Principles for financial benchmarks, final report.
• Mielus P. (2016), Financial market index reform dilemmas, Gospodarka Narodowa.
• Willmott C.J. and Matsuura K. (2005), Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance, Climate research, 30, pp. 79-82.

Identyfikatory

DOI

10.26354/bb.3.4.73.2018