摘要


我们概述了金融网络与系统性风险之间的关系，提出了一个系统性风险的分类法，区分了金融机构之间的直接外部性（如违约、相关资产组合、抛售）和感知及反馈效应（如银行挤兑、信贷冻结）。我们还讨论了最优监管与救助、系统性风险与金融中心性的度量方法、银行在投资组合和合作关系方面的选择，以及金融网络的演变特征。


关键词：金融网络、市场、系统性风险、金融危机、投资组合相关性、网络、银行、违约风险、信贷冻结、银行挤兑、影子银行、供应链、压缩、金融泡沫

图片

Matthew O. Jackson、 Agathe Pernoud丨作者

赵思怡丨译者

周莉丨审校


论文题目：Systemic Risk in Financial Networks: A Survey 

论文地址：https://www.annualreviews.org/content/journals/10.1146/annurev-economics-083120-111540


对于市场参与者、政策制定者以及具有系统性风险管理责任的监管机构如美联储来说，一项艰巨的任务是找到一种方式，在保持金融市场互联所带来的益处的同时，管理其潜在的有害副作用。

——珍妮特·耶伦 (2013)




1. 引言




国际金融在过去几十年中迅速发展，与国际贸易的增长相辅相成。例如，全球来自外国来源的投资总额从2000年的26万亿美元增长至2016年的超过132万亿美元，占世界总投资的三分之一以上（参见Lund & Härle 2017）。此外，金融行业高度互联，资本不仅在国家之间流动，也在金融机构之间频繁转移。根据美国联邦储备银行的行政数据，Duarte和Jones（2017）估算，美国银行控股公司的资产中有 23% 来自国内金融系统内部，其负债中有 48% 亦然——几乎占到一半。

全球化及其伴随的范围经济与规模经济极大地提升了和平与繁荣。然而，金融网络的不断互联，特别是核心节点的不断扩大，也为系统性风险铺平了道路。金融机构间的相互依赖可成为冲击的放大机制，并为系统中某一部分的震荡（shock）提供传播渠道，从而引发远超初始冲击的损失。这不是抽象的担忧：2008年美国及其他地区因抵押贷款市场问题引发的重要机构破产，进而蔓延成全面的金融危机与长期经济衰退，正是明证。1

金融市场中存在大量外部性，机构之间的命运通过多种路径相互关联。在最基本的层面上，破产带来的损失可能通过违约和股权价值下跌传导出去，特别是在发生连锁反应时。这种外部性非常明显：当某一机构在投资上判断失误、经营管理不善，甚至只是遭遇异常的坏运，其影响最终会传导至其合作方，再进一步传导至其合作方的合作方；且这种一步步传导的传染过程往往是非连续性的。除此之外，金融网络中的外部性还包括银行挤兑、因资产抛售引发的价格变化、投资者基于其他机构健康状况所作出的推断，以及信贷冻结等现象。2尽管有些风险可通过对冲管理，但对多数风险而言，市场尚不存在完善的保险机制。正因为存在这些外部性，金融系统整体可能遭遇远超最初独立故障的危机——这正是系统性风险的核心概念。

多种形式的系统性风险可以通过适当的监管与审慎干预来缓解，甚至完全避免。然而，这需要对金融机构之间的相互依赖关系有细致而深刻的了解，并能认清这种结构所导致的后果，以及金融系统中各参与方所面对的激励机制。本文将聚焦于此类分析。

过去几十年，关于网络的研究迅速发展，为我们提供了更好理解系统性风险的理论工具。3因此，现在正是提出一个概念框架的理想时机，该框架能够系统组织我们对系统性风险的主要理解。接下来的内容将基于两种系统性风险形式进行区分：（a）通过金融机构间的各种外部性通道所引发的连锁传导（如违约、投资组合相关性、资产抛售），以及（b）由自我实现预期与反馈效应所造成的冲击（例如，对某银行健康状况的担忧引发信贷回收，从而自身成为现实，造成信贷冻结问题）。我们随后会进一步探讨这两类风险如何依赖于金融网络的结构，并利用这一分类法分析银行如何在激励下选择其投资与合作对象、如何衡量系统性风险与金融中心度，以及应当何时以何种方式进行监管干预。


注释：

1. 关于金融危机的叙述性资料，读者可参阅《金融危机调查委员会报告》（Financial Crisis Inquiry Commission, 2011），以及 Glasserman 与 Young（2016）和 Jackson（2019）的相关著作。


2. 本综述并未直接探讨金融泡沫问题，但对此已有大量研究可供参考，例如 Shiller（2015）。


3. 关于更广义的网络研究文献综述，可参考 Jackson（2008, 2019）。关于金融网络的文献最早由 Summer（2013）做出综述，近年来的研究成果在本综述各部分中均有引用。Jackson（2019，第4章）详细描述了一场金融危机，并讨论了金融市场的一些关键特征以及相关政策建议。






2. 金融网络中的系统性风险分类




自有投资以来，违约与金融危机便频繁发生：从公元33年提比略皇帝（Emperor Tiberius）时期严重的信贷紧缩，到拿破仑战争期间多数国家多次出现的对外违约，再到19世纪持续出现的银行挤兑与金融恐慌（Reinhart & Rogoff, 2009）。这些危机爆发与演化方式的多样性，促使我们建立一种外部性机制的分类体系，以解释其导致系统性问题的路径。

我们提出了一个双层分类体系。首先，我们将系统性风险划分为两个主要类别：（a）通过直接外部性所引发的传染效应（例如，一家银行违约导致另一家银行陷入困境，或者一家的资产抛售压低了另一家的资产价值）；（b）由信念反馈效应所导致的多重均衡和自我实现性预期。在这两个类型内部，还可进一步细分其具体机制。在介绍此分类之前，我们先来讨论不同情形下，什么构成了金融网络（financial network）。

2.1.  什么是金融网络？

金融网络是一个复杂系统，其中许多机构以多种方式彼此相互联系。首先，金融机构之间通过金融合约相互连接：它们为了平滑异常流动性变化和满足存款要求而相互借贷；在投资机会中协作；并通过资产的重新打包与再销售形成链式结构。这几类相互依赖关系构成了大量研究的核心内容（例如，Allen & Gale 2000；Eisenberg & Noe 2001；Elliott 等 2014）。

其次，即使机构之间没有直接交易，资产敞口的共同性也会导致其价值之间呈现相关性。这种相关性可通过网络加以描述，其中两个机构之间的加权连接反映了其投资组合的相关性（Acharya & Yorulmazer, 2007; Allen et al., 2012; Diebold & Yılmaz, 2014; Cabrales et al., 2017）。近年来有一批文献尝试将上述不同形式的相互依赖整合。例如在 Heipertz et al.（2019）中，银行在场外交易市场与银行间市场上交易资产，价格通过市场出清机制进行调整。此时的网络可被表示为一种简化形式（reduced-form）的权益价值关系网络：节点之间的加权边表示i的资产价值下跌对j的价值所造成的边际影响，这一过程考虑了由交易变化与价格调整所诱发的次生反应。

尽管金融网络在不同模型中的具体形式可能有所不同，但所有模型都揭示了一个核心事实：金融依赖关系会产生系统性风险。因此，构建一个形式化的金融网络模型对于衡量、预测和追踪系统性风险的来源至关重要。为此，我们引入了一个整合现有文献的方法框架，该框架允许我们区分系统性风险的两种基本类型。设N = {1, 2, ..., n}表示一组金融机构。我们将它们称作银行（banks），但应广义地理解为金融系统中任何其行为会影响其他机构的单位。

网络结构通过一个矩阵G = (gij)ij表示，其中gij捕捉了银行i与银行j之间的联系。一个连接gij可以包含多个维度，例如代表不同类型的金融契约。例如，多个银行之间可能既有债务关系、也有股权持有，还可能是共同基金投资人或金融衍生品交易对手。4我们关注的核心变量是每家机构的价值向量V = (Vi)i，该向量考虑了资产、负债、潜在违约及破产成本等所有财务因素。由于银行之间相互依赖，某家银行的价值取决于其他银行的价值。形式上，银行i的价值为：

于是我们有一个由n个方程组成、含n个未知数的系统：

在某些条件下，特别是当函数F(·｜G)在V上是单调不减且有界时5，根据塔尔斯基不动点定理（Tarski's fixed point theorem），该系统存在一个均衡解，即所有机构价值相互一致、满足上式的解。

在这个框架下，所谓“均衡”指的是一种会计上的一致解，而非博弈论意义下的策略均衡或某种动态过程的稳态。值得注意的是，均衡解可能不止一个，它们构成一个完全格（complete lattice），即存在一个最优均衡和一个最差均衡，分别代表所有机构可能达到的最高与最低价值。6

我们接下来区分由金融机构间依赖关系所引发的两种系统性风险来源：

  1. 第一类是传染式风险，即当某家银行的价值变化会影响另一家银行，并继续向其连接对象传播，其效应通过image.png表示。

  2. 第二类是多重均衡与信念驱动的风险，即即便基本面不变，系统也可能因市场信念变化而跳转至另一个均衡状态。

因此，第一类系统性风险描述的是：在保持均衡不变的前提下，基本面变化如何引发系统内价值的传导；而第二类风险则关注在基本面不变的前提下，由信念变化引发的均衡切换。第一类风险是由实际冲击触发；而第二类均衡转换所受的触发因素则更为模糊7。在金融网络中，这种转换往往表现为市场冻结（market freeze），其根源是对交易对手信用的不确定性上升。在接下来章节中，我们将深入探讨这两种系统性风险的具体机制，并识别出背后的外部性与市场失灵。


注释：

4. 因此，该网络可以被视为多重图（multigraph）；或者也可以理解为一种多层网络结构（multiplexed network），即包含多个网络层级。不同类型的金融合约之间可能相互作用，例如 Bardoscia 等人（2017）在对英国银行数据的研究中就展示了这种交互效应。

5. 即：如果对所有i都有image.png，那么就有F(V' | G) ≥ F(V | G)，并且可行的V值集合存在上下界。

6. 最优与最劣均衡可以通过一个简单的算法求得：从最大可能的值 Vmax（或最小值用于寻找最劣均衡）开始，反复迭代函数F。在许多金融模型中，这种迭代过程收敛速度很快（参见 Eisenberg & Noe, 2001；Jackson & Pernoud, 2020），因为底层资产价值主导着方程系统。然而，当网络中存在更为复杂或任意的相互依赖时，找到均衡的过程则可能要慢得多（例如参见 Etessami 等人，2019）。

7. 这两类系统性风险的区分令人联想到文献中关于金融危机的两种经典观点：经济周期视角与恐慌视角（Allen & Gale, 2007）。在前者中，危机源于基本面的变化；而在后者中，危机则是一种自我实现的预期（self-fulfilling prophecy），仅由市场信念和行为触发。



2.2 通过网络依赖的传染式传播

本节将探讨通过对手风险（counterparty risk）和资产敞口共同性（commonality in exposures）这两种机制，如何造成风险的直接传播。

2.2.1 连锁违约

传染的一种典型形式是违约的连锁反应。一家银行因投资收益不佳无法偿还债务，而其违约会损害其他银行的资产负债表，进而导致后者也发生违约。随着更多机构破产，其它银行的资产价值进一步恶化，这一过程在整个金融网络中形成级联效应。

图 1:银行j欠银行i一笔金额为gij的债务。

如图1所示，考虑两个银行之间的简单关系，其中gij表示银行j欠银行i一笔债务Dij。箭头表示价值应流动的方向，也就是说gij = Dij。银行间的债务合约产生了账面价值上的相互依赖，即：

其中πi是银行i的外部投资组合价值（即不涉及其他金融机构的资产8，如抵押贷款、企业贷款、股票等），而dij(V)是银行j能够支付给i的金额。

在有限责任（limited liability）制度下，债务偿还金额为：

其中image.png表示银行j所拥有的总资产；其支付能力会按债权比例在各债权人间分配。该函数可根据实际债务优先级结构扩展为嵌套结构。

为说明网络依赖如何引发系统性风险，设Dij = 1，且πi = 0.5。若银行j的外部资产从 πj = 1.5下降至image.png，银行i和j的初始价值分别为Vi = 1.5和Vj = 0.5，但在资产下降后变为Vi = 1，Vj = -0.5（根据有限责任，实为 0）。此时，即便冲击源于j，也会降低银行i的价值，而如果i也有债务，则其可能因价值下降而违约。

需要指出的是，在未考虑破产成本时，此类违约风险级联传播仅导致价值在银行之间重新分配，未增加总损失。但一旦考虑破产成本，如 0.5 单位的破产费用，结果将是Vi = 0.5, Vj = -1。每次新增违约都会造成系统的净损失（deadweight loss），不仅是资产缩水，银行的贷款和投资服务也随之消失。

连锁违约机制的早期模型包括 Rochet 和 Tirole（1996）、以及 Allen 和 Gale（2000）提出的模型，他们主要分析了银行和储户的行为。例如，Allen 和 Gale（2000）研究了面临流动性冲击（例如非预期提款）的银行。为了对冲这些流动性风险，银行会事先相互交换部分存款。在不存在总体不确定性的情况下，通过银行间债权以及完整的交叉存款网络，可以实现最优配置。

银行可以将流动性转移给那些短期流动性短缺的同行。然而，这些交叉持有的债权在网络连接不足或遭遇集体冲击时，会导致金融不稳定与传染效应：一个银行抽取了另一个银行的流动性，就可能引发后一家也面临流动性枯竭，从而引发连锁违约（cascades of defaults）。

Eisenberg 和 Noe（2001）提出了一种算法，用于计算银行间债务网络中的均衡支付路径。该算法跟踪违约链条的传播，直到不再有新的违约被诱发为止。近期的研究扩展了该模型，考虑银行之间除债务以外的其他金融契约形式，例如股权（equity）关系（Elliott et al. 2014），这使得银行市场价值之间也产生了联动关系。9

举例而言，如果某银行的投资组合下跌，会降低其自身价值，也会损害其股东银行的价值，并进一步传导至更上层的股东，形成多层嵌套的连锁效应。相关文献已将模型进一步扩展，考虑银行之间同时存在债务与股权关系（如 Jackson & Pernoud, 2019）。这类“类股权”依赖关系与传统债务合约在系统性风险中的作用机制不同，即便未违约，也可能对他行造成间接损失。例如，银行 1 的资产价值下降（即便未破产），若银行 2 持有银行 1 的股份，其净值亦会受损，进而可能因净资产过低而触发违约。因此，当银行 2 本身就已因持有银行 1 的股权而处于脆弱状态时，该事件甚至可能诱发其破产违约，并进一步波及其债权人。这种股权贬值 + 债务违约 + 投资组合重叠的三重机制将构成高度复杂的金融连锁反应。因此，股权价值的下降、债务违约以及共同资产敞口的叠加，可能共同引发违约的连锁反应。

这种低效来自于金融网络中的外部性：一个机构的投资决策不仅影响自身，还影响其对手方的投资回报和债务偿付能力，而这些外部影响往往无法被完全对冲或保险。需要强调的是，这不仅仅是机构间的价值转移问题——因为一旦违约发生，破产成本、流动性枯竭、信任崩溃等因素将导致真实的经济损失（real economic costs），并显著放大初始冲击的破坏力。


注释：

8. 这些投资不涉及其他金融机构，例如：抵押贷款、对非金融企业的贷款、股票等。

9. 有证据表明，这类类似股权的交叉持股关系（equity-like cross-holdings）会产生系统性风险。例如，投资基金之间相互投资的现象日益普遍，这种交叉持股已成为系统脆弱性的一个主要来源（Fricke & Wilke，2020）。



2.2.2 投资组合相关性、紧急抛售与其他共同敞口

另一种不那么直接的传染形式来自于资产价格中的外部性。当一间银行陷入资不抵债时，往往需要提前出售大量资产，即所谓的紧急抛售（fire sales）。这类资产抛售会压低相关资产的市场价格，从而减少其他持有类似资产的银行的投资组合价值。这可能导致其他银行也发生违约，并将它们的资产抛售行为引入一场向下螺旋式的负反馈循环（downward spiral）（Kiyotaki & Moore 1997；Cifuentes 等，2005；Gai & Kapadia，2010；Capponi & Larsson，2015；Greenwood 等，2015）。当银行之间投资组合的相关性（correlated portfolios）较高时，问题尤其严重。这种结构一方面使多家银行在同一时间点暴露于相似风险之下，另一方面加大了紧急抛售对价格的影响幅度。

紧急抛售对市场价格的影响取决于多个市场不完全性（market imperfections）。首先，金融市场可能深度不足，无法在不引起价格波动的情况下吸收大银行的清算资产。其次，可能存在信息不对称（asymmetric information）：市场参与者在观察到大规模资产出售行为时，可能会对底层资产基本面产生负面推断。因此，市场价格的下降可能会放大初始冲击，尤其是在资产以市价计量，且系统中信息不对称显著、大型机构占主导地位的情境下。重要的是，由于银行间投资组合的相似性所引发的基于价格的传染机制（price-based contagion），可能会进一步加剧资不抵债的连锁反应。在这种机制中，我们可以看到银行之间三层相互作用（three-level interaction）：

  1. 首先，它们由于投资组合的相似性，在同一时间点更容易陷入脆弱状态或濒临破产；

  2. 其次，如果其中一家被迫出售资产，其价格效应会削弱另一家的资产负债表；

  3. 最后，如果此后一家违约于另一家，后者也可能因前述两步造成的财务困境而破产。

综合来看，即使单一的违约影响、共同敞口、或价格冲击本身不足以引发危机，这三种效应联合在一起时，也可能触发系统性违约的连锁反应。例如，Cifuentes 等（2005）和 Gai & Kapadia（2010）通过仿真分析表明：对手风险所引发的传染可以通过紧急抛售进一步放大。他们所构建的金融网络中，银行之间存在两种联系：（a）资产负债表义务（如贷款、债务）；（b）价格效应——当银行被迫减持资产组合时触发的间接影响。他们进一步研究了网络结构，尤其是其密度（density），对传染风险的影响10。这并非只是理论上的担忧。已有实证研究表明，两家银行的投资组合越相关，它们成为交易对手的可能性就越高（Elliott 等，2018）。这意味着金融义务之间的连接性，往往伴随着资产敞口的相关性。


注释：

10. 为了简化分析，这两篇论文都假设：当一家银行被迫突然出售资产时，其对其他银行资产负债表造成的负面影响在所有银行之间是相同的。然而，在更一般的网络结构下，这两类网络之间的相互作用如何影响传染风险，仍是一个广泛开放的研究问题。



2.2.3. 间接推断

风险敞口的共同性为另一种形式的传染铺平了道路：“因相似而受牵连”。当一家机构资不抵债时，人们会对其他与其相似的企业的偿付能力产生怀疑11。使此类传染成为可能的有两个关键要素：(a) 银行之间的投资组合相关性；(b) 对基本面价值和/或银行投资组合结构的不确定性。

为了说明这些概念，考虑 k = 1,… ,K 种原始资产，其价值为独立的pk。一家银行的投资组合完全由它在不同资产中的投资 qi = (qik)k 来刻画。为了隔离推断效应，假设银行之间没有任何合同关系：每家银行的全部价值仅基于其自身的原始资产投资组合。在这个例子中，（无向的）金融网络捕捉的是资产持有之间的相关性，即

其中image.png。即使投资者不能直接观察到不同资产的实际价值或银行的投资组合——也就是说，他们对 qi 或 pk 或两者都不确定——均衡状态下银行的市场价值仍然应该是一致的，并满足

再次考虑之前图1中的网络，并假设有两种外部资产，其收益分别为 pA 和 pB。首先，假设银行2的全部投资组合都投资于资产A，那么银行1的投资组合平均分配在两种资产之间，这为投资者所知。事前来看，在没有任何额外信息的情况下，每家银行的价值就等于其投资组合的无条件期望值：

现在假设揭示了银行1的价值将低于预期，即：

那么，鉴于资产持有上的重叠，投资者也应更新对银行2的估值，变为  ：

作为另一种情况，假设已知 pA = 0 和 pB = 1，而相关性则来自于投资者相信两家银行持有相同的组合——即他们知道 q1 = q2，但不知道这些具体数值。那么，如果他们看到 V1 = 0.5，他们会推断 V2 = 0.5。这些相关性导致了我们称之为基于推断的传染效应（inference-based contagion）：当观察到银行1价值下降时，由于银行间在组合结构和收益上的关联性（外部性的来源），投资者会对其他银行的价值做出推断。在对这些组合信息掌握不完全的情况下，他们所做的推断事后可能被证明是正确的或错误的。这种基于推断的传染效应因银行处于一个结构不完全可知的复杂金融网络中而变得更加严重。Caballero & Simsek（2013）指出，银行间交叉风险暴露网络的复杂性可能导致具有风险规避倾向的银行比有效水平更频繁地采取审慎措施，并且在负面冲击来临时会相互撤回资金。

这些不同类型的外部性和互联关系相互作用，一家机构可能在一个网络中变得脆弱（例如，受到其他机构失败的影响），进而引发连锁反应，影响到另一个网络（例如，违约支付）。因此，要正确评估系统性风险，必须全面考虑各种类型机构之间的相互依赖关系。12


注释：

11. 读者可参考以下文献以获得更多背景知识，例如：King 与 Wadhwani（1990）、Acharya 与 Yorulmazer（2008）、Caballero 与 Simsek（2013）、Alvarez 与 Barlevy（2015）、以及 Stellian 等人（2021）。此外，Diebold 与 Yılmaz（2014）则提供了关于公司价值共动性（comovement of firms’ values）及其在网络中的位置关系的更一般性背景说明。

12. 关于互联网络（interconnected networks）的更多背景，读者可参考以下文献：Kivelä 等人（2014）、Burkholz 等人（2016）、Garas（2016）、以及 Atkisson 等人（2020）。



2.3. 多重均衡与自我实现的反馈效应

即使没有基本面价值的变化，系统性风险也可能产生。一旦金融网络存在多重均衡，仅仅是信念的改变就可以使系统从一个均衡不连续地跃迁到另一个均衡，并带来实际经济后果。信念的改变可能如上所述源于反映真实基础相关性的推断；但也可能是通过太阳黑子、泡沫或投资者可以据此调整行为的外生事件引起的（参见，例如，Shell 1989，Reinhart & Rogoff 2009）。关键在于，如果存在多个均衡，则最终实现哪一个取决于人们的预期。

2.3.1. 恐慌与挤兑

银行挤兑和恐慌的经典形式属于由自我实现行为定义的系统性风险范畴。这种风险源于银行原始职能，即将短期存款转化为长期非流动性投资，这使得银行本质上是脆弱的机构：如果足够多的储户在银行实现其投资之前提取资金，那么银行将无法偿还所有储户的资金并发生违约。对这一现象的经典研究从凯恩斯（Keynes，1936）到戴蒙德与戴维格（Diamond & Dybvig，1983）均有论述，并表明仅仅因为预期银行无力偿债并因此提取存款，储户就能导致银行真的陷入无力偿债的状态（更多背景信息参见 Reinhart & Rogoff 2009）。重要的是，这种风险并不一定需要银行基本面价值下降作为触发因素，而仅仅是由于关于机构健康状况的信念发生了转变。甚至可能存在这样的情况：人们知道银行本身是健康的，但担心其他人对其健康状况存在不确定性。13这里的低效率来自于一种外部性，即储户的投资回报依赖于其他储户的行为。这种投资行为的互补性导致了多重均衡的存在，因为人们对资产估值的预期可以自我实现——恐惧也因此具有传染性。14即使对于一家孤立的银行来说，这种现象也成立，因此即便不存在金融机构之间的任何相互依赖关系，这种风险依然存在。15

2.3.2. 信贷冻结

投资的恐惧与撤回不仅可能发生在储户或外部投资者身上，也可能出现在银行自身的行为中。经济条件的不确定性可能导致银行怀疑许多企业的稳健程度。这种情况会自我强化，因为如果银行担忧经济衰退，它们可能会收缩资本，并要求更高的利率。这可能导致企业违约，银行之间开始怀疑彼此的健康状况，停止相互交易，从而使银行更难调整其投资组合。这进一步加剧信贷紧缩，形成潜在的螺旋式下滑，甚至可能导致全面的信贷冻结。同样，这种冻结可能是自我实现的：16缺乏投资恶化了企业和金融中介的经营状况，使其成为更糟糕的投资对象，从而为撤资提供了正当理由（Bebchuk & Goldstein 2011），因此即使没有基本面变化驱动这些信念，这也可能成为一个问题。在2007年至2009年间的隔夜贷款市场冻结中就出现了这种情况（例如，参见 Brunnermeier 2009 和 Diamond & Rajan 2011 的讨论）。不仅贷款几乎枯竭，全球许多股票市场也损失了近一半或更多的市值（例如道琼斯指数的情况），而其基本面并未反映出如此剧烈的下跌。中央银行不得不在银行间贷款市场提供大量流动性支持。


注释：

13. 当然，人们的信念可以递归上升到更高的层次：例如，人们可能知道某银行是健康的，也知道其他人知道该银行健康，但他们可能不确定他人是否知道“每个人都知道该银行是健康的”，如此反复（Morris & Shin，2002；Allen 等，2006）。

14. 在某些情境下，可以对不确定性进行更精细的建模，并得出**自我实现型银行挤兑（self-fulfilling runs）**的唯一预测（如 Morris & Shin，1998）；但如 Roukny 等人（2018）所示，关于“哪个均衡将被实现”的不确定性本身，也可能是一个严重问题。

15. 非存款类金融机构也可能面临类似的流动性风险。例如，证券经纪-交易商可能会遭遇来自抵押品提供方的挤兑（Infante & Vardoulakis，2018）。

16. 文献普遍强调信贷冻结（credit freezes）具有自我实现和螺旋式恶化的特点，这也是我们在本节中将其归类为第二类系统性风险的原因。但需要指出的是，银行的这类行为同样可能放大冲击效应，从而也促成第一类系统性风险。例如，当一家银行遭遇流动性短缺时，可能被迫从另一家银行收回贷款（或拒绝展期）以应对支付压力；而被抽贷的银行随后也可能被迫从第三方抽贷，如此类推。最初微小的流动性缺口，最终可能扩散成更广泛的流动性危机（Gai 等，2011）。



2.3.3. 自我实现的违约

银行之间的金融合约可能导致自我实现的违约链。回想一下，银行间合约使得银行的价值相互依赖。对某家银行无法偿还债务的预期可能会压低其他银行的价值，并反作用于原始银行，使其违约成为自我实现的过程。在这种情况下，存在支付和推断两个方面的外部性。举个简单的例子，考虑上文第2.2.1节中介绍的银行间债权模型以及图2所示的网络结构。为说明问题起见，假设两家银行都没有外部资产，它们彼此欠款均为D12 = D21 = 1，并且违约银行资产的回收率为零。如果其中一家银行（例如银行1）偿还了对另一家银行的债务，则银行2便拥有足够的资本来全额偿还其债务，那么银行1确实能够偿还银行2：这种偿还是自我实现的，此时存在一个均衡状态，在此状态下两家银行都保持偿付能力且V1 = V2 = 0。然而，也存在另一个均衡状态，即两家银行均违约且V1 = V2 = -1。事实上，如果银行1预计其对银行2的债权得不到偿还，它就无法偿还自己的债务，反之亦然。显然，这个例子在某种意义上是显而易见的，因为两家银行只需互相抵消债务即可。然而，在更复杂的循环结构中，尤其是涉及不同形式合约和不同到期日的情况下，此类债务抵消可能难以识别和执行。

图 2:一个包含两家银行的环形网络（ring network）。箭头表示债权价值的流动方向。

该例表明，自我实现的违约级联（default cascade）与经典的银行挤兑不同，因为它们是由网络中的相互依赖关系而非仅仅由信念驱动产生的。这类现象出现在任何银行之间存在风险敞口的网络中，只要对于银行间债权存在多个均衡值（例如 Elliott et al., 2014；Roukny et al., 2018；Jackson & Pernoud, 2020）。当破产伴随成本时，这种级联不仅仅是资金转移失败，而是引发实际经济成本；这种均衡多重性还会带来效率后果。

2.3.4. 紧急抛售与合约重新谈判

我们以强调以下内容结束本节讨论：资产持有上的共性和紧急抛售也可能产生多重均衡，从而导致金融系统的自我恶化。例如，假设有两家银行持有相同的资产，并假设当某家银行大量出售该资产时，其价值会下降。这可能是由于市场深度不足，或者在不确定为何出售该资产时产生负面推断所致。在正常时期，如果两家银行都不被迫出售所持资产，资产价值将维持高位：此时存在一个银行价值较高的均衡状态，两家银行都能保持偿付能力。但还存在另一种均衡状态，即两家银行都大量抛售其所持资产，从而压低资产价格，进而降低银行价值。如果一家银行清仓带来的价格冲击足够大，迫使另一家银行也不得不清仓，这一过程就是自我实现的。Krishnamurthy（2010）的投资模型中出现了这种情况，其中可以同时存在多个均衡，这些均衡表现出不同程度的清算和价格水平。Caballero & Simsek（2013）则提出了一个既包含银行间交叉风险敞口引起的“多米诺骨牌效应”，又包含紧急抛售因素的模型。他们证明可能存在两种均衡：一种是传染被控制住、市场价格保持合理；另一种是银行采取审慎措施，导致紧急抛售、市场价格低迷以及更严重的传染效应。17抛售资产并不是银行资产负债表在压力时期恶化加剧的唯一方式。到目前为止，我们假设银行之间的义务是固定的，但事实上这些义务本质上是动态且不断演变的。如果一家银行预期面临低回报，并因此接近违约边缘，则其他银行在向其提供信贷时会要求更高的抵押品。这将进一步恶化该银行的处境，甚至可能促使其违约，从而导致自我实现的违约。18当然，所有这些系统性风险形式都会相互作用，并且通常同时发生。19


注释：

17. Malherbe（2014）强调了逆向选择（adverse selection）在诱发自我实现式流动性枯竭（self-fulfilling liquidity dry-ups）中的关键作用。

18.  Fostel 与 Geanakoplos（2008, 2014）提供了有关杠杆周期（leverage cycle）的背景研究，分析了贷款所需的抵押品比例（collateral requirements），并探讨了这些因素如何在均衡中反作用于资产价格。

19. Siebenbrunner（2021）提出了一种量化不同机制对系统性风险相对贡献的方法。






3. 网络结构与系统性风险




现在我们讨论网络结构如何影响系统性风险。由于关于这一问题的大量文献基于银行之间债务关系的网络模型，我们将主要关注基于银行间合同的相互依赖关系。我们首先讨论股权价值下降和债务违约是如何级联传播的，以及这种级联传播如何取决于网络结构和冲击类型。然后我们讨论源于自我实现反馈的系统性风险，并详细阐述哪些类型的网络模式会导致此类反馈。

3.1.  网络密度中的非单调性

金融网络中存在抵消性的力量，使得传染效应在网络密度上呈现出非单调性。Elliott等人（2014）对这一点进行了详细研究，它适用于多种模型，包括Cifuentes等人（2005）、Gai与Kapadia（2010）、Wagner（2010）、Elliott等人（2014）、Gofman（2017）以及Jackson与Pernoud（2019）提出的模型。这种特性将金融市场中的传染现象区别于例如疾病的传播或观念的扩散，在后者中，增加互动只会导致更广泛的传播范围。20

当一家银行增加了交易对手数量时，它更容易受到来自更多来源的价值下跌或违约的影响，这往往会增加级联效应的可能性。然而，在银行总敞口不变的情况下，将这种敞口分散到更多的交易对手身上会使银行对任何单个交易对手的暴露程度降低，从而降低传染的可能性。为了研究这两种力量，Elliott等人（2014）区分了金融机构之间互联性的两个基本维度： (a） 每个机构有多少合作伙伴，他们称之为网络密度； (b） 银行投资组合中由与其他机构签订的合同所构成的比例，他们称之为网络的整合。我们用一个简单例子说明这两个因素的非单调性。考虑一个由相同银行组成的网络，它们的资产负债表如图3a所示。在负债方，每家银行有10单位来自存款的资本，另有10单位来自其他银行的贷款，银行的所有者以股本形式持有2单位资本。在资产方，每家银行拥有价值12的投资组合，并向其他银行发放了价值10的贷款。

图 3： (a) 网络中银行的初始资产负债表。(b) 某家银行的投资组合价值下降至低于 10，例如下降至 8。这使得该银行陷入资不抵债状态，从而对部分支付义务发生违约。

在这个例子中，我们可以将整合度衡量为10——即银行资产中有多少来自于其他银行，在本例中是以银行间债务的形式体现的。这家银行的密度为4，即该银行拥有的交易对手数量。因此，这种整合度和密度水平导致每个交易对手的敞口为2.5。在这个例子中，该银行也向四个交易对手各欠2.5，因此存在完全对称性。

现在让我们假设其中一家银行的投资组合价值下降，如图3b所示。这家银行现在已经资不抵债，因此无法履行部分支付义务。在这个例子中，我们将违约视为至少一笔贷款的完全违约，这是由于破产成本造成的（当然可以扩展这个例子来处理部分违约的情况）。起初，这家银行欠另外四家银行各2.5单位资金，因此它无法完成至少其中一笔支付。这笔损失必须由向该第一银行提供贷款的交易对手方冲销，因此第二家银行损失了其资产中的2.5单位。现在第二家银行也资不抵债，并在其部分支付义务上违约。再次假设存在破产成本，因此该银行无法偿还至少某一笔贷款，如图4a所示。这便引发了连锁反应。

图 4： (a) 第二家银行因对第一家银行的贷款价值损失而变得资不抵债，随后也对部分支付义务发生违约。(b) 尽管银行拥有更多的交易对手，但由于对每一个对手方的敞口较低，它们现在不会因单一对手违约而受到致命影响。

在这个例子中，每家银行对其他银行的敞口为2.5单位，而初始股权价值仅为2单位，因此即使只有一家交易对手违约，银行也会受到影响。此例中，整合水平和网络密度都对违约事件的发生起到了关键作用。如果银行的整合度较低但保持相同的网络密度，则其对任何特定交易对手的敞口将低于2.5单位；如果敞口低于2单位，那么任何单个交易对手的违约都无法抹去一家银行的股权价值。提高整合度——即每家银行对其他银行的风险敞口——往往会增加传染风险，正如本例所示。21

同样地，如果一家银行仍具有10单位的一体化水平，但拥有更高的网络密度（即更多的交易伙伴），从而使其对任一单一交易对手的风险敞口不超过2单位，那么也可以避免这种级联效应。为了说明密度的重要性，我们修改一下这个例子：让每家银行拥有10个交易对手，并且对每个对手各欠1单位，如图4b所示。在这种情况下，整合水平保持不变，但网络密度增加了。此时，不再发生级联效应。任何单个交易对手的违约都不再导致一家银行陷入资不抵债的境地。

这里我们可以清楚地看到非单调性（non-monotonicity）。我们增加了每家银行的交易对手数量，从而使金融网络变得更加密集，但却消除了级联效应。传染效应之所以呈现非单调性，是因为如果我们从零个交易对手开始，就不会有任何传染；或者如果我们只有两家银行，彼此互为交易对手，那么一家银行的问题只会拖累另一家，但不会进一步扩散。当每家银行有四个交易对手时，正好达到了一个“临界点”：网络足够密集，使得问题可以广泛传播，同时每家银行对其他银行也有足够的敞口，以至于一次违约就可能引发交易对手的资不抵债。一旦我们将交易对手数量增加到10个，那么单一违约对任何交易对手来说都不再是重大问题。

投资组合之间的相关性可以通过消除多样化收益并增加共同脆弱性来缓解甚至消除传染效应中的这种非单调性。为了说明相关性的作用，请重新考虑上述例子（见图4）。假设银行的投资组合之间存在显著的相关性——例如，它们可能都大量持有同类型的担保债务凭证（CDO），就像2007年的情况一样。例如，当一家银行的投资组合价值跌至10单位以下时，其他银行的投资组合也可能处于低于正常水平的状态。如果我们改变图4b中第二家银行的投资组合，在第一家银行的投资组合价值降至8单位的同时，也将其降至10单位，那么第一家银行的违约就足以使第二家银行陷入资不抵债状态——如图5所示。此外，银行资产负债表上的资产端进一步下降，不仅因为它们的投资组合在同一时间表现疲软，还因为由于其他银行价值的相关性，多家银行同时对其应收债务违约，加剧了资产端的压力。22

图 5：在存在相关资产组合的情况下，即使每家银行对任何单一对手方的敞口水平较低，它们对其他银行违约的脆弱性却会增强。这种情况可能抵消文本中所讨论的多样化与非单调性所带来的益处，使得即便一家银行拥有多达 10 个合作对手，它仍可能发生违约。

理解这种效应的一种方式是，银行间投资的正相关性消除了部分在交易对手上的多样化收益，并促进了风险传染。更一般地，增加投资组合之间的相关性会导致共同违约的概率上升。例如，Wagner（2010）考虑了两家银行和两种资产的情况，并指出如果两家银行都将它们的投资组合平均分配于这两种资产之间以实现完全分散化，则它们的投资组合最终将是完全相关的。因此存在一种权衡：更多的多样化——伴随着银行投资组合之间更高的相关性——降低了每家银行无条件违约的概率，但可能会提高它们同时违约的概率（假设它们最初投资于不同的资产），从而增加系统性风险。当然，最坏的情况是银行拥有相似且未充分多样化的投资组合——例如，他们都持有类似的抵押贷款或贷款——因为在这种情况下，投资组合既高度相关又具有风险。


注释：

20. 这也超出了通常所说的复杂传染（complex contagion）的范畴，即指某种“感染”需经过多次交互才会发生——例如，一个人需要多次听到某个谣言才会相信并传播它，或者在观察到大多数朋友的行为后才会跟随（关于背景讨论与参考文献，见 Centola，2018；Jackson，2019；关于复杂传染如何随网络结构变化的详细研究，参见 Jackson & Storms，2017）。金融网络具有复杂传染的一些要素，例如银行可能需要在多个对手方违约之后才会破产；但这类网络也存在一些非单调性（non-monotonicities），即破产发生与互动次数之间的关系并不总是线性或递增的。

21. 不过正如 Elliott 等人（2014）所指出的，增加金融网络的整合程度在某些情境下可能有助于分散某家银行的资产组合风险，原因在于其通过网络连接“间接”持有的资产类型发生了变化。因此，更大的外部敞口一方面有助于降低该银行自身投资回报的波动性、提高稳定性，但另一方面也提升了传染风险的可能性。

22. 关于相关资产组合（correlated portfolios）对系统性风险影响的其他示例和模拟分析，读者可参考 Elliott 等人（2014）在线附录部分的内容。



3.2.  健壮却脆弱

正如 Haldane（2009）所指出，并由 Gai & Kapadia（2010）详细研究的那样，金融网络具有一种引人注目的特性，即“健壮却脆弱”23。例如，银行之间的相互依赖关系（如借贷或流动性提供）可以促进风险分担，使个别机构对个别流动性冲击或投资组合冲击的敏感性降低。这些冲击会在交易对手之间传播，这种形式的多样化有助于降低任何单一机构失败的可能性。这就是金融网络具有健壮性的含义。然而，非常大的冲击即使经过多样化也可能导致一家机构倒闭，随后这种相互依赖关系会更广泛、更深入地传播冲击。当然，这一现象的具体表现取决于模型以及机构之间存在的合同类型（参见，例如 Allen & Gale 2000, Gale & Kariv 2007, Gai & Kapadia 2010, Battistoni 等 2012, Elliott 等 2014, Acemoglu 等 2015a）。


注释：

23. Callaway 等人（2000）较早讨论了图上的渗流现象（percolation on graphs）以及此类权衡关系（trade-off）的问题。



这与上述讨论的非单调性有关，但它是一个不同的现象。“健壮却脆弱”的特性意味着一个网络在某些情境下可能优于另一个网络，但在其他情境下可能导致情况变得更糟。在前面关于非单调性的讨论中，我们关注的是网络结构的变化如何影响特定冲击是否引发级联反应——因此，比较静态分析是在固定冲击的情况下进行的。而“健壮却脆弱”现象则是比较同一网络在面对不同类型冲击时的表现差异。

Acemoglu 等人（2015a）聚焦于无担保银行间债务网络，并研究银行收益受到的冲击如何在网络中传播。他们区分了两种冲击情形：一种是可以被系统中总超额流动性吸收的小冲击，另一种是不能被吸收的大冲击。在前一种情形下，相互依赖关系明确缓解了传染风险：最能抵御传染的网络结构是完全网络（complete network），即每家银行的总负债平均分布在所有其他银行之间。这带来了最大程度的风险分担和最小的预期违约数量。然而，如果冲击大于系统中的总超额流动性，那么相互依赖关系只会促进其传播。Allen & Gale（2000）的分析中也预示了这一点，在一个更具体的设定中，他们表明传染风险的大小取决于是否存在对流动性需求的总体不确定性。如果没有这种不确定性，银行间的联系将增加风险分担而不产生系统性风险。

Cabrales等（2017）在另一个模型中强调了冲击大小的作用，该模型中的银行间相互依赖关系捕捉了其投资的相关性。他们考虑了一组事前相同的银行，每家银行都有对外负债，并能够参与一个风险项目。这些项目的收益受到冲击的影响，且各银行之间的冲击是独立同分布的。如果一家银行无法偿还其对外债务，它就会违约，并因陷入困境而产生一些成本。银行可以通过交换彼此项目的权益来分散其投资组合的风险：从银行i到银行j的连接表示银行i对银行j项目的收益拥有某种权利。因此，在他们的模型中，这种连接关系代表的是银行之间投资组合的相关性，而不是任何类型的银行间债务义务。同样的权衡也随之出现：更多的连接可以实现更好的风险分担，但也意味着暴露于更多风险来源之下。导致预期违约数量最少的网络结构取决于冲击的分布形式。具体而言，Cabrales等（2017）表明，如果大的冲击可能性较高，则空网络（即没有任何连接的网络）是最优的；如果冲击大多较小，则完全对称网络具有最强的抗风险能力。其他形式的冲击分布可能导致中间密度的网络最有利于减少传染。

Acemoglu等（2015a）刻画了在不同冲击情境下最具或最缺乏抗金融传染能力的网络结构。如果冲击较小，完全网络将导致最低的传染风险。相比之下，环形网络（其中每家银行的债权都集中在一个交易对手上）则是最容易发生传染的结构。这一分析适用于规则网络，即所有银行拥有相同数量的银行间债权和债务，并具有相同数量的交易对手。这种方法排除了银行规模和连接性的异质性，以及某家银行成为净贷款人或借款人的可能性。

总体而言，分析上的可处理性限制了只能对如此简单的设定进行完整刻画。另一种方法是利用大型随机网络的性质。每种方法都提供了有价值的洞见和分析便利，但仅适用于有限类别的网络。

一个挑战在于，金融网络通常包含显著的不对称性——例如核心-边缘结构的存在——而这会影响传染风险。大型核心银行可能对小冲击具有抵抗力，但在遭遇大冲击时可能会发生灾难性失败，特别是当这些冲击存在相关性时更是如此。如Elliott等（2014）所示，这一点非常重要，他们通过模拟展示了核心-边缘网络也可能削弱第3.1节中讨论的一些非单调性的特征，因为当一家大型银行或核心银行对其有重大敞口的实体失败时，可能会导致核心内部广泛的传染，并进而蔓延至整个系统。这正是2008年所面临的情形。还有其他研究也提供了证据，证明异质性会产生实质性差异。例如，Gai等（2011）通过模拟显示，银行间债权网络中集中度水平的变化会影响传染程度；Glasserman与Young（2015）提供了一些理论结果，表明在某一类网络中，当银行在规模上存在异质性且冲击源自一家位于中心位置的大型银行时，传染效应最大；Tetyratnikova（2014）则展示了相邻银行的度数（即交易对手数量）之间存在负相关关系如何有助于提升网络的韧性。鉴于其中涉及的复杂性，我们继续从两个方向展开分析是有意义的：一方面进一步深入研究异质性结构在金融传染中的作用；另一方面进行具体应用，以提供更多的实证背景，揭示网络中普遍且相关的一些特征。另一个方向是将传染模型应用于观察到的网络中，以模拟风险模式，这种方法已被监管机构日益采用（Aikman et al. 2009, Basel Comm. Bank. Superv. 2015）。

3.3.  自我实现的反馈效应与市场冻结：循环的作用

接下来，我们将讨论网络结构如何影响第二种类型的系统性风险：产生多重均衡的自我实现反馈机制。

不断增长的文献强调了循环在产生多重均衡中的作用（参见 Roukny 等，2018；D'Errico & Roukny，2019；Jackson & Pernoud，2020），这在图2中已有预示。在一个银行间债务网络中，循环增强了交易对手风险，而并未为金融体系创造价值；因此，清除这些循环可以在不影响银行价值的情况下降低违约级联的风险。例如，Roukny 等人（2018）表明，当且仅当存在由充分互联的银行组成的循环时，银行价值存在多重均衡，此时一家银行的偿付能力依赖于其在循环中前一银行的偿付能力。

作为说明，请考虑图6所示的金融网络。在图6a的网络中，如果没有银行偿还其债务，那么由于每家银行的投资组合价值为10，低于其所欠债务总额，因此没有任何银行能够偿还其债务。这种情况成为自我实现的预言：存在一个所有银行都资不抵债、债务均未偿还的均衡状态。同时，也存在一个所有债务都被偿还的均衡状态。相比之下，在图6b所示的网络中，总债务已相互抵消，只保留净债务。这时存在唯一的均衡状态，即所有银行都具有偿付能力。清除所有循环消除了多重均衡的可能性，并确保只有最优均衡存在。因此，清除循环可以带来巨大的收益，特别是当我们预期银行以及更广泛的投资者持悲观信念——或者相信他人持有悲观信念时。

图 6：图 a 和图 b 中的两个网络具有相同的净债务水平（net debts），但一个包含闭环，而另一个不包含。所有银行的投资组合价值均为 10。若某家银行陷入资不抵债状态，则其将不偿还任何债务。在图 b 所示的网络中，存在唯一的均衡，即所有银行均保持偿付能力。而在图 a 的网络中，则存在两个均衡解：一个是所有银行均违约并资不抵债；另一个是无任何银行违约。

当然，这个例子是为了清晰展示银行如何通过抵消债务来避免不良均衡的简化模型。然而在实践中，这些循环要复杂得多，可能涉及多家银行、不同的债务期限或合同类型以及其他因素，这些都会导致惰性并使协调失败更可能发生，特别是在不确定时期人们会延迟偿还债务时。因此，理解何时循环可能成为问题以及如何在其存在时加以克服是非常重要的。

Jackson & Pernoud（2020）对自我实现的级联效应和流动性冻结进行了详细研究，并刻画了它们如何依赖于网络中的循环结构、银行的资产组合以及破产时的成本与延迟因素。24如果某些银行的总风险敞口较少，这些银行可能拥有足够的资本作为缓冲来阻止级联效应的发生，从而使得此类自我实现的级联效应和流动性冻结发生的可能性降低。当某个循环中的任何银行都没有足够来自循环外部的资产来触发该循环内的偿付级联时，就会发生自我实现的级联效应。Jackson & Pernoud（2020）还考虑了银行之间更为广泛的金融合约，并刻画了多重均衡存在的条件，表明这种多重均衡是由包含债务或其他类型合约的特定循环结构所生成的。然而，他们也指出，那些不涉及关键债务义务的循环结构不会导致多重均衡。这种对网络中循环结构的刻画不仅解释了均衡多重性和流动性冻结现象，还为识别使整个网络恢复完全清偿能力所需的最小救助规模提供了基础，如下文所述。

清算循环所带来的收益有助于理解一种称为“资产组合压缩”（portfolio compression）的风险管理技术的应用（D'Errico & Roukny 2019）。该技术是一种净额结算机制，旨在减少银行间的总风险敞口，从而降低监管要求。在讨论通过中央交易对手方（CCP）清算双边场外（OTC）交易的好处时，人们也常常提出类似的直觉判断。CCP允许对银行间合约进行多边净额结算，这提高了金融网络的透明度并限制了交易对手风险。25 如果银行间合约仅限于债务合约，则这种多边净额结算就等价于清算循环，如图6所示。


注释：

24. 在不存在破产成本的情况下，银行的价值在一般条件下是唯一确定的（Eisenberg & Noe，2001）。

25. 关于该主题的更详细讨论与背景，读者可参考 Duffie 与 Zhu（2011）；关于中央对手方（CCP）保证金与抵押品要求的设计的最新研究，可参见 Capponi 与 Cheng（2018）以及 Wang 等人（2020）。






4. 金融网络中的激励机制




系统性风险取决于多个内生性因素——包括网络结构、机构的投资组合及其相关性——这些因素都是由构成网络的机构的选择所决定的。因此，理解金融机构是否具有有效率的激励机制至关重要，即这些机制是否促使它们做出投资决策并选择合作伙伴以最大化整个金融体系的价值。

由于金融网络中充满了外部性，我们应预期个体金融机构的激励机制无法与整体经济福利相一致。事实上，文献研究表明，在多个维度上激励机制存在错配。我们首先回顾银行之间的相互联系及其相关的传染潜力如何影响银行对外部资产的投资决策；接着我们分析银行在选择其银行间资产时的激励机制，并探讨这些如何影响均衡网络结构。

4.1.  投资决策

文献指出了银行投资决策中的两个主要扭曲：它们有动机承担过高的风险，并且过度地使其投资组合与交易对手的投资组合趋于一致。我们将讨论网络结构在这两种无效率行为中所起的作用。

4.1.1.  风险过高的低效投资

金融相互依赖可以通过两种主要方式导致银行承担高于社会最优水平的风险，这两种方式分别对应第2节中所识别的两类系统性风险。首先，银行的投资决策不仅影响自身的价值，还会间接影响其交易对手的价值、其交易对手的交易对手的价值，依此类推。这种外部性在金融网络环境中并不新鲜：许多情境中投资选择可能无法反映所有受影响者的利益（Admati & Hellwig 2013），Jensen & Meckling（1976）早期对此进行了说明，指出经理人的选择可能不符合股东的利益。这一问题已在多种网络情境中被研究过（Brusco & Castiglionesi 2007, Hirshleifer & Teoh 2009, Galeotti & Ghiglino 2021, Jackson & Pernoud 2019, Shu 2019），其中外部性广泛存在，而利益远远超出了与机构直接互动的群体。

例如，Jackson & Pernoud（2019）考虑了以下投资组合选择问题：每家银行 i 都可以投资于一种具有固定收益率 1 + r 的安全资产或一种具有随机收益image.png的风险资产，其中image.png。此外，银行之间通过债务或股权形式的金融合约相互关联。只要银行不属于网络中的某些特定类型的循环结构，完全投资于风险资产便是一个严格的占优策略，尽管这可能导致系统性风险过度积累。直观来看，只有特定的循环结构才会使得银行的高风险行为通过网络反馈到自身，从而引发违约级联效应。如果没有这种反馈风险，银行在权衡高风险投资的利弊时会忽视其所引发的外部成本，从而导致对风险资产的过度投资。

其次，网络依赖关系可能会使各种银行的决策成为战略互补品，从而导致社会低效的结果。例如，Allouch & Jalloul（2018）研究了一个包含银行间负债关系的网络模型，在该模型中，银行可以选择将部分初始现金流储存起来以应对未来的净赤字，而不是立即兑现这些收益（但需要放弃未来潜在的回报）。他们表明，这种情况可以被视为一个协调博弈，银行可以在“违约”或“不违约”之间做出选择。银行的决策是战略互补的，因为如果其他银行保持偿付能力，那么一家银行更容易维持偿付能力。他们还表明，如果网络中存在债务循环，则可能出现不良均衡状态，即银行预期他人也会提前兑现并违约，因此自己也选择提前兑现并违约。这种均衡是无效率的，因为如果所有银行以及它们的外部债权人能够协调一致地保持偿付能力，他们的处境都会更好。

4.1.2. 投资的内生相关性

有许多因素促使金融机构的相关投资趋于一致。一些是基本的从众行为。看到他人进行某项投资可能暗示该投资前景良好（Banerjee 1992, Bikhchandani et al. 1992, Chincarini 2012），或者进行投资决策的人可能出于对声誉的担忧而跟随他人（Scharfstein & Stein 1990）。推动投资趋同的其他因素还包括限制投资范围的监管规定，这些规定实际上迫使银行持有特定类别的资产或最低数量的某些资产，或要求其投资组合满足特定的风险特征。银行还有一些力量驱使其采取与其竞争对手相同的贷款策略（例如，Cohen-Cole 等人 2015）。虽然这类监管旨在使投资组合更安全，但由于它们促使银行持有相似的资产，反而会使罕见的负面冲击（如重大主权违约）同时打击大量金融机构。

除了这些因素之外，还存在网络效应。一个重要方面是监管机构在决定是否救助资不抵债的银行时所面临的激励问题。如果同时倒闭的银行数量更多，则更有可能引发违约级联，此时监管者更有动力进行干预。Acharya & Yorulmazer（2007）也强调了这一“大而不倒”问题，这会激励银行使其投资组合趋于相关性——因为如果它们一起破产，那么每家银行被救助的可能性都会增加。银行从众行为的另一个驱动力是信息传染的风险，我们在第2节中已经描述过这一点。在信息不完全的世界中，一些银行的负面信息可能会提高其他银行的借贷成本，因为投资者会对后者的信用状况做出负面更新。这种推断使得持有非相关性投资组合的价值降低，正如 Acharya & Yorulmazer（2008）所展示的那样，银行更倾向于持有相关性投资。Elliott 等人（2018）详细分析了另一种力量：他们构建了一个模型，在该模型中银行可以通过交换彼此投资的权益来对冲其风险敞口冲击。在这个模型中没有银行间负债，但每家银行都欠外部投资者一定债务。由于股东承担的是有限责任，他们有动机将损失从自身转嫁给债权人。这种风险转移促使银行使它们的投资组合收益趋于相关性：如果一家银行遭受巨大冲击，其他银行也会同样受到冲击，从而全部违约，损失则由债权人承担。

最后，在一个允许银行之间存在债务和股权要求的模型中，Jackson & Pernoud（2019）展示了银行的激励如何依赖于交易对手的投资组合。在其他条件相同的情况下，银行更希望在其与其他银行签订的合同中获得最大回报时保持偿付能力。这促使它更倾向于当其他银行偿付时自己也偿付，而其他银行无力偿付时自己也无力偿付。这导致交易对手之间的投资组合完全相关成为一种均衡状态，而且事实上从银行股东的角度来看，这是帕累托最优均衡（Pareto-dominant equilibrium）。

私人主体的监督和声誉机制也有助于缓解激励问题，因为不良投资会提高金融机构的资本成本（Godlewski et al. 2012, Godlewski & Sandidov 2018）。这可能会影响银行在金融网络中选择投资组合和交易对手的决策。尽管动态机制可以在一定程度上缓解某些问题，但道德风险问题通常无法通过声誉机制和监督完全消除（例如 Diamond 1991, Rajan 1992, Holmstrom & Tirole 1997）。金融网络中的反馈机制如何影响银行的激励结构，是一个重要的开放性研究课题。

4.2.  网络形成的激励机制

接下来我们回顾关于银行在选择金融网络中的交易对手时所面临激励的相关研究，并指出其中存在的低效率现象。低效的网络形成是文献中反复出现的主题，最早可追溯至 Jackson & Wolinsky（1996）的研究，但在金融机构背景下呈现出特定的表现形式。

若干因素可能导致核心-边缘结构（core-periphery structure）——在许多金融市场中经验观察到的现象——内生地产生，其中一些因素基于核心银行作为金融中介的不同角色。Babus & Hu（2017）表明，当银行之间的合作关系不仅具有交易功能，还具有信息功能时，中介就会出现规模经济，并且均衡网络呈现出星型结构。中心代理人掌握有关其他所有人的信息，执行所有合同，并最终以某种费用中介所有交易。由于星型网络使所有相关信息集中化，因此它是受约束有效的（constrained efficient）。Farboodi（2017）研究了并非由信息摩擦驱动中介的情形，而是银行对投资机会的获取能力不同所导致的情况。能够获得这些机会的银行构成了核心，资金则从外围流向它们。该均衡网络是社会无效率的——核心银行过度连接而外围银行连接不足——并且核心银行攫取了中介租金（intermediation rents）。最后，正如Wang（2017）所示，核心-边缘结构也可能源于库存规模经济。在一个机构具有随机交易需求的市场中，中介机构可以出现以完成这些交易。这会导致中介机构持有随机库存，因此通过大数定律，集中的中介可以通过减少库存风险来实现收益。但这与中介机构的市场力量形成权衡。正如Wang所展示的那样，这导致了一个社会无效率的均衡网络，根据资产的交易频率，核心交易商（核心银行）数量可能过少或过多。

除了核心-边缘结构之外，一家银行选择的交易对手数量本身也可能引发低效率，因为它影响系统性风险，而这种风险并未被银行完全内化。Acemoglu等人（2015b）表明，银行倾向于彼此之间贷款过多，并且在借款银行之间分散得不够充分。尽管均衡利率反映了借款人的风险承担行为，但这种同业负债的多元化不足依然存在：双边外部性通过均衡利率被内化，但更广泛的网络外部性却未被内化，导致均衡网络是社会无效率的。同样，Jackson & Pernoud（2019）的分析表明，银行倾向于选择过少的交易对手来持有债权，因为它们忽视了自己破产时他人所承受的传染成本。26


注释：

26. 正如 Duffie 与 Wang（2016）所示，激励机制也可能取决于合约结构以及交易对手之间的议价过程（bargaining）。



此外，均衡网络在外包资产组合上表现出同质性偏好（homophily）（Elliott et al. 2018）：银行更愿意与其他拥有相似资产组合的银行建立交易关系。这是选择与交易对手资产组合相关联的投资组合的另一面。在有限责任下进行决策时，银行低估了多样化的好处，更倾向于与资产组合相似的银行建立联系。这意味着，当冲击发生时，银行会同时违约并将损失转嫁给债务持有人。

效率低下并不是金融网络形成相关文献所预测的唯一结果。一些论文还探讨了促使金融网络形成以避免广泛传染的力量。特别地，Babus（2016）表明，如果银行能够承诺相互提供针对流动性冲击的共同保险，则存在一种均衡状态，在该状态下传染永远不会发生。Erol & Vohra（2018）则研究了由银行群体偏离行为所稳定的网络结构，这些银行可以重新安排其连接并切断与外部机构的联系。在他们的模型中，一旦一家银行的交易对手违约，该银行也会立即违约；因此，若一个连通组中的任何一家银行违约，整个组件的所有银行都将违约。假设建立连接会带来正收益，那么每家银行都应与所有它已有路径可达的其他银行建立直接连接。这导致了一个预测：稳定的网络将是一组完全连接且互不相连的集群。群体稳定性确保了每个集群中的银行数量将是使整体价值最大化的数量。尽管实证观察到的网络具有更高的异质性，但 Erol & Vohra（2018）结论背后的逻辑有助于解释为何核心-边缘网络中的“核心”通常是完全连接的。

最后，对传染的担忧可能导致信贷冻结，即银行之间停止相互借贷，从而造成网络过度稀疏。Acemoglu 等人（2020）讨论了信贷冻结的程度如何取决于银行之间潜在合作关系网络的结构以及流动性冲击的分布。他们展示了由于中介摩擦，金融体系可能无法有效地将资本从储户分配给企业家。




5. 监管与干预




接下来我们讨论由政府监管机构所面临的监管问题。该监管机构关注社会整体福利，并理解上述所讨论的系统性风险和低效率现象。

5.1. 网络信息的必要性

如前所述，妥善应对系统性风险需要对整个网络有一个全面的认识。27我们通过一些例子说明为什么了解网络细节对于识别需要重点监管和/或救助的关键金融机构如此重要。


注释：

27. 正如 Jackson（2019）所言，在缺乏详细网络信息的情况下评估系统性风险，就如同“驾驶没有仪表的喷气机”——即在没有必要监测工具的情况下操控一个复杂的互动系统。尽管某些无需网络信息的指标（例如 S-risk）可能与更精确的完整网络度量指标具有一定的相关性，但如果它们只是近似地反映了实际风险，那么其效果可能会大打折扣，甚至可能无效。



系统性风险评估的一个重要组成部分是压力测试，而压力测试通常是以去中心化的方式进行的。许多压力测试的主要输入数据是资产负债表数据，这些数据描述了每家银行持有的各类金融资产和负债的数量。根据所在司法辖区的不同，资产负债表数据并不总是提供完整的、甚至是部分的有关交易对手的信息，因而也无法反映网络结构。这种局部数据可能会完全遗漏哪些银行最有可能引发违约连锁反应，或被卷入其中。这一点虽然显而易见，但由于其重要性，仍值得强调。

为了便于说明，考虑一个仅通过债务合同连接的银行网络。基于局部资产负债表信息的系统性风险度量只依赖于每家银行资产和负债的面值，而不涉及其交易对手的身份。为了说明这种信息是不充分的，我们举一个金融网络的例子：其中两家银行拥有相同的资产负债表，但它们违约所产生的后果却大相径庭。因此，如果中央机构只能救助这两家机构中的一家，仅凭局部信息就无法做出最优决策。特别是，考虑图7所示的网络。假设银行1和银行4的投资组合收益均为0，因此它们都处于资不抵债状态。设银行2的投资组合收益介于 3D / 4 和 D 之间，银行3的收益低于D / 4，而银行5的收益高于D / 2。再假设违约银行资产的回收率为零。尽管银行1和银行4具有相同的资产负债表，但如果它们继续处于资不抵债状态，只有前者会引发广泛的违约传染。事实上，银行2和银行3有足够的缓冲能力来吸收银行4违约带来的冲击，但无法承受银行1违约的影响。因此，救助银行1可以防止整个系统陷入资不抵债，而救助银行4则不会改变任何情况，最终将导致全面的系统性失败。

图 7：箭头表示债务的归还方向。银行 1 和银行 4（以洋红色标示）拥有相同的资产负债表结构：它们各自拥有两个对其他银行的债权（每个金额为D/2），以及两项债务责任（一个为 D/2，另一个为3D/4）。因此，它们都是净债务人（net debtors）。

这个例子还突显了一个事实：在没有网络信息的情况下，人们甚至无法识别哪些银行面临资不抵债的风险。例如，如果不了解银行2暴露于银行1的风险之下，仅查看银行3的账簿，即使知道银行3交易对手的投资组合实现情况，但由于不知道银行1即将破产，银行3看起来似乎并没有资不抵债的危险。虽然这是一个简单的例子，但它说明了为什么那些无法看到部分金融网络（例如外国机构、影子银行等）或仅拥有局部压力测试数据的监管机构会处于劣势。

因此，部分受到2008年金融危机教训的推动，一些涉及非琐碎金融网络部分的系统性风险评估开始出现。例如，欧洲央行掌握其管辖范围内大多数银行最大风险敞口所涉及的交易对手的信息。这使得能够构建一个由欧洲银行业部分资产和负债组成的网络，并指向一些位于欧洲以外的银行。因此，关于非琐碎金融网络部分的系统性风险计算也开始出现（例如，参见Covi et al. 2019，Farmer et al. 2020）。同样，英格兰银行拥有英国银行间双边交易的监管数据，从而可以分析不同资产类别下的英国银行间网络（参见Ferrara et al. 2017，Bardoscia et al. 2018）。这是在系统性风险评估方面的重要进展，但仍需更多努力，尤其是在欧洲以外地区以及不断增长的、超出多数司法管辖区范围的影子银行体系中。

5.2.  应对系统性风险

在掌握部分金融网络信息并理解上述讨论的问题之后，我们可以思考在金融市场中的最优干预措施。我们将这部分内容分为两部分进行讨论：一部分是关于避免级联效应，另一部分是关于避免在存在多重潜在结果的情境下出现不良均衡和反馈效应。让我们首先从后者开始。

5.2.1.  消除自我实现的反馈效应 

文献中提出了几种监管者可以采取的干预措施，以应对源于多重均衡和自我实现危机的系统性风险。这类危机是金融市场中某些参与主体协调失败的结果。例如，当存款人协调失误并同时提取存款时会发生银行挤兑，而当所有银行都选择停止放贷时会出现信贷冻结。重要的是，在这两种情况下，实际上都存在另一种更优且所有参与者都偏好的均衡——即不会发生危机的均衡。消除这种系统性脆弱的一个方法是，监管者为所有贷款提供担保，无论是通过存款保险（Diamond & Dybvig 1983），还是通过承诺作为最后贷款人并在必要时注入资金（Bebchuk & Goldstein 2011，Diamond & Rajan 2011）。如果这些措施具有可信度，就可以消除协调失败的可能性。

由于协调失败所导致的自我实现危机与由基本面损失引发的传染不同，因为监管机构可以在不耗费任何资本成本的情况下阻止自我实现危机。这是两种系统性风险之间的关键区别。通过提供存款担保或贷款支持，监管机构可以确保银行挤兑或信贷冻结不会导致银行违约，因此在均衡状态下，监管机构无需进行干预。

即使监管机构没有事先对银行间借贷提供保险，并且出现了自我实现的违约连锁反应或冻结（见图2），这种连锁反应或冻结仍然可以通过在网络中适当注入（至少部分可回收的）资本来终止。Jackson & Pernoud（2020）指出，这类连锁反应源于网络中债权循环的存在，而要阻止它们需要注入足够的资本以清偿这些循环。资本注入是一种启动支付循环的方式，从而避免陷入不利的均衡状态。他们还表明，注入到自我实现循环中的任何资本都可以被监管机构完全收回，使这部分救助政策几乎无成本。为了说明这一点，重新考虑图6a中的网络结构。例如，如果有人向银行1或银行3注入5个单位的资本，则会形成一个所有银行都具有偿付能力的唯一均衡：银行1可以支付给银行2（即使没有来自银行4的任何流入），然后银行2再支付给银行3，依此类推。此外，在所有债务偿还完毕后，注入资本的主体可以收回这笔资金。相比之下，向银行2或银行4注入5个单位的资本则不会产生同样的效果：不良的“全部违约”均衡仍然存在。更一般地，正如Jackson & Pernoud（2020）所展示的那样，有一些关键银行是最适合注入资本的对象，以便确保只保留最优均衡，这取决于它们在支付网络中所能提供的杠杆作用。这还可能取决于哪些银行同时处于多个循环之中，这种情况在更复杂的网络中会发生。Jackson & Pernoud（2020）刻画了恢复偿付能力所需的最小资本注入量，并表明当涉及众多银行时，找到最经济有效的救助方式是一个复杂的问题（NP难问题）。然而，他们也指出，在一些结构良好的网络中，例如核心-边缘网络中，若核心内的银行规模和资产负债表具有一定对称性，则寻找最优救助政策将更加直接和直观。

另一个被提出的避免协调失灵和自我实现危机的解决方案是让所有交易通过中央对手方（CCP）进行。集中清算之所以有帮助，是因为它允许义务的多边净额结算，特别是消除了债权循环，减少了多重均衡的可能性。Csoka & Herings（2018）强调了银行间支付清算过程中集中化所带来的好处。他们表明，集中清算过程总是能够为银行价值带来最佳均衡，而分散清算过程则会收敛到最差的均衡。

当然，从长远来看，这些干预措施可能会扭曲银行的投资激励，促使它们承担更大的风险，从这个意义上讲，这些措施可能是社会成本高昂的。我们将在第5.3节中讨论监管与激励之间的相互作用。

5.2.2.  事前准备金或资本要求与事后救助

如第2.2节所述，某家金融机构的初始损失可能会因金融网络的相互依赖关系而被放大，并在整个金融体系中传播。由此产生的破产成本是对经济的真实损失，可以通过干预加以避免或至少最小化。

人们已经考虑了监管机构进行干预的两种主要方式。一种是事前(ex-ante)对银行进行监管，以确保避免效率低下的高风险投资。这可以通过各种审慎监管措施来实现，例如：设定准备金、流动性或资本充足率要求；28限制不同金融机构可以进行的投资类型；以及临时性地监控银行的资本比率和投资组合。另一种方式则是允许银行进行任意投资，但当出现连锁违约的风险时，监管机构介入并注入资金，以最小化传染效应。Jackson & Pernoud (2019) 的研究表明，是否需要干预取决于所涉及银行的金融中心性（financial centrality）（详见下文）。29 如果一家银行足够核心，以至于它构成了重大的系统性风险，那么是选择事前监管还是事后救助，将取决于两者的相对机会成本：即，强制银行持有更安全资产所损失的超额回报与实际救助成本之间的比较。30,31


注释：

28. Martínez 等人（2020）探讨了不同资本与流动性监管要求之间的差异，并指出其效果取决于银行规模和经济周期。此外，这类政策在不同司法辖区之间存在交互影响。例如，Karamysheva 与 Seregina（2020）发现，审慎监管政策在跨国风险缓解方面具有显著的外溢效应（spillovers）。

29. 关于金融中心性（centrality）与审慎监管（prudential regulation）的进一步讨论，读者可参考 Belhaj 等人（2020）。

30. 关于 2008 年金融危机中政府救助成本（bailout costs）的估算，读者可参考 Lucas（2019）。

31. 有关银行救助还需考虑其他重要问题。例如，政府救助银行时，可以选择提供资本并期望未来收回。若以债务形式提供救助，可能只是改变了违约发生的时间；而如果以股权形式提供救助，则可避免对困境银行施加额外的偿付负担。

32. 在非对称网络结构中（例如核心–边缘型网络），关注银行的“中心性”会产生更显著的政策影响；这与在较为规则（regular）的网络中形成对比（参见 Capponi 与 Chen，2015）。



确定哪些金融机构对系统性风险贡献最大，可以借助金融中心性的概念来进行判断。文献中提出了几种衡量中心性的方法，旨在评估某一银行面对系统性风险的暴露程度，或者其本身对系统性风险的贡献程度。32其中一些指标仅基于单个银行投资组合收益的市场数据，通过紧急抛售（Duarte & Eisenbach 2018；Engle & Ruan 2019）或银行投资组合之间收益的相关结构（Billio et al. 2012）来体现传染特征。另一些指标则基于银行间合同的底层网络，并依赖于通过交易对手风险传播的传染模型（Amini et al. 2016；Hauton & Héam 2016；Jackson & Pernoud 2019）。例如，Jackson & Pernoud (2019) 提出了一种衡量银行金融中心性的方法，该方法基于基础资产价格从 p 变为 p' 时该银行的系统性影响。给定银行间合同和负债的网络结构后，可以追踪这一变化如何在网络中传播，并影响所有机构的偿付能力和价值。通过观察某一银行投资组合变化带来的级联效应，就可以评估其系统重要性。这种方法衡量的是金融体系中所有外部投资者最终获得的价值总变动。

从另一个角度来看，Demange (2016) 提出了一个基于银行间负债网络中的溢出效应度量方法，该方法依赖于银行间均衡债务支付的性质。她定义了一个机构的威胁指数 (threat index)，即该机构直接持有的资产增加对其系统内总债务偿还额的边际影响。对于所有偿付能力充足的机构而言，该指数为零，因为它们已经能够全额偿还债务。而对于违约机构来说，该指数严格为正，因为更大的投资组合意味着它们可以偿还更大比例的负债，这可能使其他银行也能够偿还更多债务，以此类推。这种效应在银行网络中的扩散程度由该机构的“威胁指数”来衡量。这可以视为上述测度的一个边际版本，其中“边际”指的是变化足够小，不会改变任何违约状态，但会影响支付流。

公共救助会给监管者带来成本，特别是当这些救助通过发债融资时，会压低政府债券的价格。如果银行持有大量主权债务，这将进一步恶化其投资组合的价值，从而需要更大规模的救助以维持其偿付能力。这种相互强化的负面循环被称为厄运循环（doom loop），是大衰退之后欧洲主权债务危机的关键诱因之一。Capponi et al. (2020) 提出了一个包含这种放大机制的模型，并在此框架下刻画了最优救助策略。

所有这些论文都关注金融组织的网络，但监管机构更应关注其对整体经济的影响。实际上，传染效应并不仅限于金融市场：例如，投入-产出网络和供应链的结构也可能导致小冲击被放大，其方式与金融网络放大收益冲击并影响资产价格的方式类似（例如 Acemoglu 等，2012；Barrot & Sauvagnat，2016；Ramirez，2017；Herskovic，2018）。因此，要确定资本注入的最佳方式，就需要深入了解金融网络与供应链之间的相互作用，这是一个尚未受到广泛关注的研究主题。

5.3.  监管与市场之间的反馈

前一节讨论了应对系统性风险的干预措施，但假设网络结构和投资组合是给定的。当然，这些因素实际上是内生决定的，监管政策的变化会影响它们。监管与市场参与者激励机制之间的这种互动仅部分被理解。考虑到对监管的反应可能会改变一些比较静态分析结果和政策含义。

5.3.1. 监管与投资激励

例如，如果银行预期到政府会实施救助，就会产生道德风险问题，因为银行不再承担高风险投资的成本。33这种机制的作用过程较为复杂，因为控制银行的股东在救助过程中可能不会获得价值提升，而债务持有人则会受益。然而，银行管理层希望避免破产的原因有很多，并不完全与股权价值相关。有证据表明这一点确实很重要；例如，Dam & Koetter（2012）发现，救助措施促使德国银行承担了更多风险。同样，Calomiris & Jaremski（2019）研究了19世纪初美国引入存款保险制度的影响。他们发现，存款保险削弱了市场纪律，导致银行承担了更多的风险。因此，尽管降低了流动性风险，但也提高了银行破产的风险，这是由于银行激励机制被扭曲所导致的。公共救助不仅影响银行的投资决策，也影响它们对交易对手的选择，从而影响金融网络的均衡结构（Erol，2019）。如果没有救助行为，出于对交易对手（尤其是二级交易对手）风险的担忧，金融网络会内生地形成一个高度聚类且集中度较低的结构。然而，一旦银行预期到可能获得救助，它们对传染风险的关注度就会下降，从而在网络中引入一种“网络危害”，导致均衡网络呈现出低聚类、高集中度的特征。这种救助政策带来的反向效应进一步加剧了其所引发的典型道德风险问题。


注释：

33. 正如 Elliott 等人（2014）所示（见补充附录），这种情况甚至可能发生在私人救助中。一个银行如果知道在破产时会被另一家银行救助，它可能会有动机做出更高风险的选择，因为它承担的破产后果较少。



目前，关于金融网络结构如何响应监管变化的实证研究还很少。一个显著例外是Anderson等人（2019年）最近的一项研究，该研究考察了1863-1864年《国家银行法》（National Banking Acts）对美国银行体系拓扑结构的影响。这些法案建立了准备金和资本要求，并创建了一个准备金层级体系。这使得银行体系更加集中在少数核心银行，这些银行位于指定的储备城市。这种结构有利于更好的多样化，但如果其中一家核心银行倒闭，也会增加潜在的传染风险。

5.3.2.  公共救助、私人自救与交易对手选择

鉴于公共救助的高昂财务成本及其所产生的扭曲性激励，人们开始关注通过私营部门来解决违约问题，尤其是在上一次金融危机之后。私营部门的“自救”方式（即：一家银行在另一家银行资不抵债时对其进行援助）是可以被激励的，而这种激励又取决于金融网络的拓扑结构。如果防止某家银行违约所带来的收益大于救助成本，则一家银行可能会有动机去救助另一家银行。这些收益来源于银行间资产的价值，而如果能够阻止违约链的扩散，这些资产的价值会更高。这意味着，银行之间的联系不仅传播冲击，也激励了私营部门的救助行为，从而一个更加互联的金融体系可以降低系统性风险并促进更多的投资（Leitner, 2005）。Kanik（2019）展示了破产成本如何诱导私营部门的救助，因为它们放大了违约带来的损失。34他研究了联盟共同行动以避免违约的激励，并表明具有中等依赖程度的非聚集性网络能带来最优的激励效果。此外，如果网络是高度聚集的，那么潜在的损失无法被偿付能力强的银行完全内化，导致救助水平效率低下。

激励机制可能非常复杂，因为许多不同的实体都能从避免违约中获益。例如，Bernard 等人（2017）分析了公共救助与私营部门自救之间的相互作用。只有当监管机构能够可信地承诺不会干预时，才能激励私营部门的自救行为；而这种情况只在没有干预时传染效应足够有限的情况下成立。对于足够大的冲击而言，如果没有人采取行动，互联性会使监管机构更有动力介入，这时就无法激励私营部门进行自救。此外，银行只有在能够获得足够高的由自救带来的收益份额时才会参与其中，而这些收益通常会在整个金融体系中广泛传播。因此，一个网络越多样化，个体银行就越不愿意出手相助。


注释：

34. 正如 Rogers 和 Veraart（2013）所示，在没有任何破产成本的情况下，激励机制可能会完全消失。



5.3.3.  影子银行与动态目标

金融网络的一个重要且棘手的特征是其复杂性，这可能导致信息不透明。35金融市场涉及多种类型的参与者，他们交易各种金融资产，从而形成复杂且多维度的相互关联。此外，部分复杂性是对监管措施的回应而产生的，金融机构通过引入金融创新和新产品来规避监管限制（Silber, 1983）。36值得注意的是，大量此类交易发生在场外市场（OTC），因此除非强制披露，否则相关信息可能仅限于交易双方知晓。在缺乏完整网络数据的情况下，Ramírez（2019）探索了一个新方向，即设计出在面对网络结构不确定性以及提升透明度成本不确定时仍是最优的政策。

即使监管机构拥有其管辖范围内所有金融机构的详细会计信息，由于越来越多的金融体系在监管范围之外运作，监控整个金融网络的难度进一步加大，这使得监管者更难获得对市场的全面认识。此外，影子银行体系具有内生性，会随着受监管体系中限制的加强而扩张。例如，1933年《格拉斯-斯蒂格尔法案》中的Q条例（Regulation Q）禁止银行向支票账户支付利息，这一规定就导致了替代性的付息活期存款形式的出现，如储蓄贷款协会和货币市场存款账户。当20世纪50年代利率上升时，投资者纷纷将资金转移到影子银行系统（Lucas 2013）。一旦这些机构受到监管，新的不受监管的机构形式又会随之出现，目前参与某种形式金融中介活动的机构种类已经非常庞大。

从更宏观的角度来看，金融监管的范围远未明确。监管者应在何处划线，将哪些机构视为金融机构并加以监管，而哪些则不纳入监管？例如，像拥有大量捐赠基金的私立大学这样的大型公司，它们往往同时进行借贷活动，既与金融体系互动，也与实体经济互动。与传统银行类似，它们也可能传播冲击并参与金融传染：是否应以类似方式进行监管？


注释：

35. 此外，相关的金融机构可能会关心保护其交易头寸和交易伙伴的信息隐私。Hastings 等人（2020）讨论了一些相关问题，以及在保护隐私的同时获取关键网络信息的新方法。

36. Anderson 等人（2020）展示了影子银行的发展如何与银行业内部的干预措施相互作用，并可能加剧风险。



5.4.  政治挑战

正如我们上面讨论所表明的那样，监管绝非“一刀切”的模式，最优干预取决于多种因素，包括不断变化的网络位置和中心性等。不幸的是，监管调整速度缓慢，且常常受到政治因素的制约，因为某些干预措施可能使一些利益相关方受益更多。历史上，金融监管往往在金融危机后迅速加强（例如《格拉斯-斯蒂格尔法案》和《多德-弗兰克法案》），然后随着时间推移逐渐削弱，直到下一次危机爆发。37赋予中央银行和其他监管机构一定的自由裁量权是避免政治周期影响的一种方式，但这种裁量权本身也会随时间而变化。事实上，这种裁量权往往是模糊不清的，2008年金融危机期间就是一个例子，当时财政部和美联储是否有权直接干预并不清楚。建立一个能够快速适应不断变化的金融网络的监管体系，是另一个重大挑战。


注释：

37. 读者可参阅 Aikman 等人（2019年）、Duffie（2019年）、Jackson（2019年）和 Tarullo（2019年）的著作，以了解上一次金融危机的叙述以及危机前后监管框架的讨论。




参考文献


  1. Acemoglu D, Carvalho VM, Ozdaglar A, Tahbaz-Salehi A. 2012. The network origins of aggregate fluctuations. Econometrica 80:1977–2016

  2. Acemoglu D, Ozdaglar A, Siderius J, Tahbaz-Salehi A. 2020. Systemic credit freezes in financial lending networks. NBER Work. Pap. 27149

  3. Acemoglu D, Ozdaglar A, Tahbaz-Salehi A. 2015a. Systemic risk and stability in financial networks. Am. Econ. Rev. 105:564–608

  4. Acemoglu D, Ozdaglar A, Tahbaz-Salehi A. 2015b. Systemic risk in endogenous financial networks. Work. Pap., Mass. Inst. Technol., Cambridge

  5. Acharya VV, Bharath ST, Srinivasan A. 2007. Does industry-wide distress affect defaulted firms? Evidence from creditor recoveries. J. Financ. Econ. 85:787–821

  6. Acharya VV, Yorulmazer T. 2007. Too many to fail—an analysis of time-inconsistency in bank closure policies. J. Financ. Intermed. 16:1–31

  7. Acharya VV, Yorulmazer T. 2008. Information contagion and bank herding. J. Money Credit Bank. 40:215–31

  8. Admati AR, Hellwig MF. 2013. The Bankers’ New Clothes: What’s Wrong with Banking and What to Do About It. Princeton, NJ: Princeton Univ. Press

  9. Aikman D, Alessandri P, Eklund B, Gai P, Kapadia S, et al. 2009. Funding liquidity risk in a quantitative model of systemic stability. In Financial Stability, Monetary Policy, and Central Banking, Vol. 15, ed. R Alfaro, pp. 371–410. Santiago: Cent. Bank Chile

  10. Aikman D, Bridges J, Kashyap A, Siegert C. 2019. Would macroprudential regulation have prevented the last crisis? J. Econ. Perspect. 33:107–30

  11. Allen F, Babus A, Carletti E. 2012. Asset commonality, debt maturity and systemic risk. J. Financ. Econ. 104:519– 34

  12. Allen F, Gale DM. 2000. Financial contagion. J. Political Econ. 108:1–33

  13. Allen F, Gale DM. 2007. An introduction to financial crises. Work. Pap., Wharton Financ. Inst. Cent., Univ. Pa., Philadelphia

  14. Allen F, Morris S, Shin HS. 2006. Beauty contests and iterated expectations in asset markets. Rev. Financ. Stud. 19:719–52

  15. Allouch N, Jalloul M. 2018. Strategic default in financial networks. Work. Pap. 852, Queen Mary Univ. London

  16. Alvarez F, Barlevy G. 2015. Mandatory disclosure and financial contagion. NBER Work. Pap. 21328

  17. Amini H, Cont R, Minca A. 2016. Resilience to contagion in financial networks. Math.Finance 26:329–65

  18. Anderson H, Erol S, Ordoñez G. 2020. Interbank networks in the shadows of the Federal Reserve Act. Work. Pap. 2020-07, Fed. Depos. Insur. Corp. Cent. Financ. Res., Washington, DC

  19. Anderson H, Paddrik M,Wang JJ. 2019. Bank networks and systemic risk: evidence from the National Banking Acts. Am. Econ. Rev. 109:3125–61

  20. Atkisson C, Górski PJ, Jackson MO, Hołyst JA, D’Souza RM. 2020. Why understanding multiplex social network structuring processes will help us better understand the evolution of human behavior. Evol. Anthropol. 29:102–7

  21. Babus A. 2016. The formation of financial networks. RAND J. Econ. 47:239–72

  22. Babus A, Hu TW. 2017. Endogenous intermediation in over-the-counter markets. J. Financ. Econ. 125:200–15

  23. Banerjee AV. 1992. A simple model of herd behavior. Q. J. Econ. 107:797–817

  24. Bardoscia M, Battiston S, Caccioli F, Caldarelli G. 2017. Pathways towards instability in financial networks. Nat. Commun. 8:14416

  25. Bardoscia M, Bianconi G, Ferrara G. 2018. Multiplex network analysis of the UK OTC derivatives market. Staff Work. Pap. 726, Bank Engl., London

  26. Barrot JN, Sauvagnat J. 2016. Input specificity and the propagation of idiosyncratic shocks in production networks. Q. J. Econ. 131:1543–92

  27. Basel Comm. Bank. Superv. 2015. Making supervisory stress tests more macroprudential: considering liquidity and solvency interactions and systemic risk. Work. Pap. 29, Basel Comm. Bank. Superv., Basel, Switz.

  28. Battiston S, Gatti DD, Gallegati M, Greenwald B, Stiglitz JE. 2012. Liaisons dangereuses: increasing connectivity, risk sharing, and systemic risk. J. Econ. Dyn. Control 36:1121–41

  29. Bebchuk LA, Goldstein I. 2011. Self-fulfilling credit market freezes. Rev. Financ. Stud.24:3519–55

  30. Bech ML, Atalay E. 2010. The topology of the federal funds market. Phys. Stat. Mech. Appl.389:5223–46

  31. Belhaj M, Bourlès R, Deroïan F. 2020. Prudential regulation in financial networks. Work. Pap. 30, Aix-Marseille Sch. Econ., Marseille, Fr.

  32. Bernard B, Capponi A, Stiglitz JE. 2017.Bail-ins and bail-outs: incentives, connectivity, and systemic stability. NBER Work. Pap. 23747

  33. Bikhchandani S, Hirshleifer D, Welch I. 1992. A theory of fads, fashion, custom, and cultural change as informational cascades. J. Political Econ. 100:992–1026

  34. Billio M, Getmansky M, Lo AW, Pelizzon L. 2012. Econometric measures of connectedness and systemic risk in the finance and insurance sectors. J. Financ. Econ. 104:535–59

  35. Blasques F, Bräuning F, Van Lelyveld I. 2018. A dynamic network model of the unsecured interbank lending market. J. Econ. Dyn. Control 90:310–42

  36. Branch B. 2002. The costs of bankruptcy: a review. Int. Rev. Financ. Anal. 11:39–57

  37. Bruche M, Gonzalez-Aguado C. 2010. Recovery rates, default probabilities, and the credit cycle. J. Bank. Finance 34:754–64

  38. Brunnermeier MK. 2009. Deciphering the liquidity and credit crunch 2007–2008. J. Econ.Perspect. 23:77–100

  39. Brusco S, Castiglionesi F. 2007. Liquidity coinsurance, moral hazard, and financial contagion. J. Finance 62:2275–302

  40. Brusco S, Jackson MO. 1999. The optimal design of a market. J. Econ. Theory 88:1–39

  41. Burkholz R, Leduc MV, Garas A, Schweitzer F. 2016. Systemic risk in multiplex networks with asymmetric coupling and threshold feedback. Phys. D 323:64–72

  42. Caballero RJ, Simsek A. 2013. Fire sales in a model of complexity. J. Finance 68:2549–87

  43. Cabrales A, Gottardi P, Vega-Redondo F. 2017. Risk sharing and contagion in networks. Rev. Financ. Stud. 30:3086–127

  44. Callaway DS, Newman ME, Strogatz SH, Watts DJ. 2000. Network robustness and fragility: percolation on random graphs. Phys. Rev. Lett. 85:5468

  45. Calomiris CW, Jaremski M. 2019. Stealing deposits: deposit insurance, risk-taking, and the removal of market discipline in early 20th-century banks. J. Finance 74:711–54

  46. Capponi A, Chen PC. 2015. Systemic risk mitigation in financial networks. J. Econ. Dyn. Control 58:152–66

  47. Capponi A, Cheng WA. 2018. Clearinghouse margin requirements. Oper. Res. 66:1542–58

  48. Capponi A, Corell FC, Stiglitz JE. 2020. Optimal bailouts and the doom loop with a financial network. NBER Work. Pap. 27074

  49. Capponi A, Larsson M. 2015. Price contagion through balance sheet linkages. Rev. Asset Pricing Stud. 5:227–53

  50. Centola D. 2018. How Behavior Spreads: The Science of Complex Contagions. Princeton, NJ: Princeton Univ. Press

  51. Chincarini LB. 2012. The Crisis of Crowding: Quant Copycats, Ugly Models, and the New Crash Normal. New York: Wiley

  52. Cifuentes R, Ferrucci G, Shin HS. 2005. Liquidity risk and contagion. J. Eur. Econ. Assoc. 3:556–66

  53. Cohen-Cole E, Patacchini E, Zenou Y. 2015. Static and dynamic networks in interbank markets. Netw. Sci. 3:98–123

  54. Covi G, Gorpe MZ, Kok C. 2019. Comap: mapping contagion in the euro area banking sector. Work. Pap. 2224, Eur. Cent. Bank, Frankfurt, Ger.

  55. Craig B, Von Peter G. 2014. Interbank tiering and money center banks. J. Financ. Int. 23:322–47

  56. Csóka P, Herings PJJ. 2018. Decentralized clearing in financial networks. Manag. Sci. 64(10):4681–99

  57. Dam L, Koetter M. 2012. Bank bailouts and moral hazard: evidence from Germany.Rev. Financ. Stud. 25:2343– 80

  58. Davydenko SA, Strebulaev IA, Zhao X. 2012. A market-based study of the cost of default. Rev. Financ. Stud. 25:2959–99

  59. Demange G. 2016. Contagion in financial networks: a threat index. Manag. Sci. 64:955–70

  60. Demsetz H. 1968. The cost of transacting. Q. J. Econ. 82:33–53

  61. D’Errico M, Roukny T. 2019. Compressing over-the-counter markets. arXiv:1705.07155 [q-fin.GN]

  62. Diamond DW. 1991. Monitoring and reputation: the choice between bank loans and directly placed debt. J. Political Econ. 99:689–721

  63. Diamond DW, Dybvig PH. 1983. Bank runs, deposit insurance, and liquidity. J. Political Econ. 91:401–19

  64. Diamond DW, Rajan RG. 2011. Fear of fire sales, illiquidity seeking, and credit freezes. Q. J. Econ. 126:557–91

  65. Diebold FX, Yılmaz K. 2014. On the network topology of variance decompositions: measuring the connectedness of financial firms. J. Econom. 182:119–34

  66. Duarte F, Eisenbach TM. 2018. Fire-sale spillovers and systemic risk. Staff Rep., Fed. Reserve Bank New York,

  67. Duarte F, Jones C. 2017. Empirical network contagion for U.S. financial institutions. Staff Rep., Fed. Reserve Bank New York

  68. Duffie D. 2019. Prone to fail: the pre-crisis financial system. J. Econ. Perspect. 33:81–106

  69. Duffie D, Eckner A, Horel G, Saita L. 2009. Frailty correlated default. J. Finance 64:2089–123

  70. Duffie D,Wang C. 2016. Efficient contracting in network financial markets.Work. Pap., Stanford Univ., Stanford, CA

  71. Duffie D, Zhu H. 2011. Does a central clearing counterparty reduce counterparty risk? Rev. Asset Pricing Stud. 1:74–95

  72. Eisenberg L, Noe TH. 2001. Systemic risk in financial systems. Manag. Sci. 47:236–49

  73. Elliott M, Georg CP, Hazell J. 2018. Systemic risk-shifting in financial networks. Work. Pap., Univ. Cambridge, UK

  74. Elliott M, Golub B, Jackson MO. 2014. Financial networks and contagion. Am. Econ. Rev. 104:3115–53

  75. Engle RF, Ruan T. 2019. Measuring the probability of a financial crisis. PNAS 116:18341–46

  76. Erol S. 2019. Network hazard and bailouts. Work. Pap., Carnegie Mellon Univ., Pittsburgh, PA

  77. Erol S, Vohra R. 2018. Network formation and systemic risk. Work. Pap., Univ. Pa., Philadelphia

  78. Etessami K, Papadimitriou C, Rubinstein A, Yannakakis M. 2019. Tarski’s theorem, supermodular games, and the complexity of equilibria. arXiv:1909.03210 [cs.CC]

  79. Farboodi M. 2017. Intermediation and voluntary exposure to counterparty risk. Work. Pap., Princeton Univ., Princeton, NJ

  80. Farmer JD, Kleinnijenhuis AM, Nahai-Williamson P,Wetzer T. 2020. Foundations of system-wide financial stress testing with heterogeneous institutions. Staff Work. Pap. 861, Bank Engl., London

  81. Ferrara G, Langfield S, Liu Z, Ota T. 2017. Systemic illiquidity in the interbank network. Staff Work. Pap. 586, Bank Engl., London

  82. Financ. Crisis Inq. Comm. 2011. The Financial Crisis Inquiry Report. Washington, DC: US Gov. Print. Off.

  83. Fleming MJ, Sarkar A. 2014. The failure resolution of Lehman Brothers. Econ. Policy Rev., Fed. Reserve Bank  New York

  84. Fostel A, Geanakoplos J. 2008. Leverage cycles and the anxious economy. Am. Econ. Rev. 98:1211–44

  85. Fostel A, Geanakoplos J. 2014. Endogenous collateral constraints and the leverage cycle. Annu. Rev. Econ. 6:771–99

  86. Fricke D, Wilke H. 2020. Connected funds. Dtsch. Bundesbank Discuss. Pap. 48, Frankfurt, Ger.

  87. Gai P, Haldane A, Kapadia S. 2011. Complexity, concentration and contagion. J. Monet. Econ. 58:453–70

  88. Gai P, Kapadia S. 2010. Contagion in financial networks. Proc. R. Soc. A 466:2401–23

  89. Gale DM, Kariv S. 2007. Financial networks. Am. Econ. Rev. 97:99–103

  90. Galeotti A, Ghiglino C. 2021. Cross-ownership and portfolio choice. J. Econ. Theory 192:105194

  91. Garas A. 2016. Interconnected Networks. New York: Springer

  92. Gehrig T. 1993. Intermediation in search markets. J. Econ. Manag. Strategy 2:97–120

  93. Glasserman P, Young HP. 2015. How likely is contagion in financial networks? J. Bank. Finance 50:383–99

  94. Glasserman P, Young HP. 2016. Contagion in financial networks. J. Econ. Lit. 54(3):779–831

  95. Glode V, Opp C. 2016. Asymmetric information and intermediation chains. Am. Econ. Rev. 106:2699–721

  96. Glode V, Opp CC, Zhang X. 2019. On the efficiency of long intermediation chains. J. Financ. Int. 38:11–18

  97. Godlewski CJ, Sanditov B. 2018. Financial institutions network and the certification value of bank loans.Financ. Manag. 47:253–83

  98. Godlewski CJ, Sanditov B, Burger-Helmchen T. 2012. Bank lending networks, experience, reputation, and borrowing costs: empirical evidence from the French syndicated lending market. J. Bus. Finance Account. 39:113–40

  99. Gofman M. 2017. Efficiency and stability of a financial architecture with too-interconnected-to-fail institutions. J. Financ. Econ. 124:113–46

  100. Greenwood R, Landier A, Thesmar D. 2015. Vulnerable banks. J. Financ. Econ. 115:471–85

  101. Gualdi S, Cimini G, Primicerio K, Di Clemente R, Challet D. 2016. Statistically validated network of portfolio overlaps and systemic risk. Sci. Rep. 6:39467

  102. Haldane AG. 2009. Rethinking the financial network. Speech delivered at the Financial Student Association, Amsterdam, The Netherlands, April 28

  103. Hastings M, Hemenway Falk B, Tsoukalas G. 2020. Privacy-preserving network analytics. Work. Pap., Univ. Pa., Philadelphia

  104. Hauton G, Héam JC. 2016. How to measure interconnectedness between banks, insurers and financial conglomerates. Stat. Risk Model. 33:95–116

  105. Heipertz J, Ouazad A, Rancière R. 2019. The transmission of shocks in endogenous financial networks: a structural approach. NBER Work. Pap. 26049

  106. Herskovic B. 2018. Networks in production: asset pricing implications. J. Finance 73:1785–818

  107. Hirshleifer D, Teoh SH. 2009. Systemic risk, coordination failures, and preparedness externalities: applications to tax and accounting policy. J. Financ. Econ. Policy 1:128–42

  108. Holmstrom B, Tirole J. 1997. Financial intermediation, loanable funds, and the real sector. Q. J. Econ. 112:663– 91

  109. Ibragimov R, Jaffee D, Walden J. 2011. Diversification disasters. J. Financ. Econ. 99:333–48

  110. Infante S, Vardoulakis A. 2018. Collateral runs. Finance Econ. Discuss. Ser. 2018-022, Board Gov. Fed. Reserve Syst., Washington, DC

  111. Jackson MO. 2008. Social and Economic Networks. Princeton, NJ: Princeton Univ. Press

  112. Jackson MO. 2019. The Human Network: How Your Social Position Determines Your Power, Beliefs and Behaviors. New York: Pantheon

  113. Jackson MO, Nei S. 2015. Networks of military alliances, wars, and international trade. PNAS 112:15277–84

  114. Jackson MO, Pernoud A. 2019. Distorted investment incentives, regulation, and equilibrium multiplicity in a model of financial networks. Work. Pap., Stanford Univ., Stanford, CA

  115. Jackson MO, Pernoud A. 2020. Credit freezes, equilibrium multiplicity, and optimal bailouts in financial networks. Work. Pap., Stanford Univ., Stanford, CA

  116. Jackson MO, Storms EC. 2017. Behavioral communities and the atomic structure of networks. arXiv:1710.04656 [physics.soc-ph]

  117. Jackson MO, Wolinsky A. 1996. A strategic model of social and economic networks. J. Econ. Theory 71:44–74

  118. James C. 1991. The losses realized in bank failures. J. Finance 46:1223–42

  119. Jensen MC, Meckling WH. 1976. Theory of the firm: managerial behavior, agency costs and ownership structure. J. Financ. Econ. 3:305–60

  120. Kanik Z. 2019. From Lombard Street to Wall Street: systemic risk, rescues, and stability in financial networks. Work. Pap., Mass. Inst. Technol., Cambridge

  121. Karamysheva M, Seregina E. 2020. Prudential policies and systemic risk: the role of interconnections. Work. Pap., HSE Univ., Moscow

  122. Keynes JM. 1936. The General Theory of Employment, Interest, and Money. London: Macmillan

  123. King MA, Wadhwani S. 1990. Transmission of volatility between stock markets. Rev. Financ. Stud. 3:5–33

  124. Kivela M, Arenas A, Gleeson JP, Moreno Y, Porter MA. 2014. Multilayer networks. arXiv:1309.7233v4

  125. Kiyotaki N, Moore J. 1997. Credit cycles. J. Political Econ. 105:211–48

  126. Klasing MJ, Milionis P. 2014. Quantifying the evolution of world trade, 1870–1949. J. Int. Econ. 92:185–97

  127. Krishnamurthy A. 2010. Amplification mechanisms in liquidity crises. Am. Econ. J. Macroecon. 2:1–30

  128. Leitner Y. 2005. Financial networks: contagion, commitment, and private sector bailouts. J. Finance 60:2925– 53

  129. Lucas D. 2019. Measuring the cost of bailouts. Annu. Rev. Econ. 11:85–108

  130. Lucas RE Jr. 2013. Glass-Steagall: a requiem. Am. Econ. Rev. 103:43–47

  131. Lund S, Härle P. 2017. Global finance resets. Finance Dev. 54:42–44

  132. Malherbe F. 2014. Self-fulfilling liquidity dry-ups. J. Finance 69:947–70

  133. Martínez J-F, Peiris MU, Tsomocos DP. 2020. Macroprudential policy analysis in an estimated DSGE model with a heterogeneous banking system: an application to Chile. Work. Pap., HSE Univ., Moscow

  134. Morris S, Shin HS. 1998. Unique equilibrium in a model of self-fulfilling currency attacks. Am. Econ. Rev. 88:587–97

  135. Morris S, Shin HS. 2002. Social value of public information. Am. Econ. Rev. 92:1521–34

  136. Nanumyan V, Garas A, Schweitzer F. 2015. The network of counterparty risk: analysing correlations in OTC derivatives. PLOS ONE 10:e0136638

  137. O’Hara M. 1997. Market Microstructure Theory. Oxford, UK: Blackwell

  138. Rajan RG. 1992. Insiders and outsiders: the choice between informed and arm’s-length debt. J. Finance 47:1367–400

  139. Ramírez C. 2017. Firm networks and asset returns. Finance Econ. Discuss. Ser. 2017-014, Board Gov. Fed. Reserve Syst., Washington, DC

  140. Ramírez C. 2019. Regulating financial networks under uncertainty. Finance Econ. Discuss. Ser. 2019-056, Board Gov. Fed. Reserve Syst., Washington, DC

  141. Reinhart C, Rogoff K. 2009. This Time Is Different. Princeton, NJ: Princeton Univ. Press

  142. Rochet JC, Tirole J. 1996. Interbank lending and systemic risk. J. Money Credit Bank. 28(4):733–62

  143. Rogers LC, Veraart LA. 2013. Failure and rescue in an interbank network. Manag. Sci. 59:882–98

  144. Roukny T, Battiston S, Stiglitz JE. 2018. Interconnectedness as a source of uncertainty in systemic risk. J. Financ. Stab. 35:93–106

  145. Scharfstein DS, Stein JC. 1990. Herd behavior and investment. Am. Econ. Rev. 80:465–79

  146. Shell K. 1989. Sunspot equilibrium. In General Equilibrium, ed. J Eatwell, M Milgate, P Newman, pp. 274–80. New York: Springer

  147. Shiller RJ. 2015. Irrational Exuberance. Princeton, NJ: Princeton Univ. Press. 3rd ed.

  148. Shu C. 2019. Endogenous risk-exposure and systemic instability. USC-INET Res. Pap. 17-35, Univ. South. Calif., Los Angeles

  149. Siebenbrunner C. 2021. Quantifying the importance of different contagion channels as sources of systemic risk. J. Econ. Interact. Coord. 16:103–31

  150. Silber WL. 1983. The process of financial innovation. Am. Econ. Rev. 73:89–95

  151. Soramäki K, Bech ML, Arnold J, Glass RJ, Beyeler WE. 2007. The topology of interbank payment flows. Phys. A 379:317–33

  152. Spulber DF. 1996. Market microstructure and intermediation. J. Econ. Perspect. 10:135–52

  153. Stellian R, Penagos GI, Danna-Buitrago JP. 2021. Firms in financial distress: evidence from inter-firm payment

  154. networks with volatility driven by “animal spirits.” J. Econ. Interact. Coord. 16:59–101

  155. Summer M. 2013. Financial contagion and network analysis. Annu. Rev. Financ. Econ. 5:277–97

  156. Tarullo DK. 2019. Financial regulation: still unsettled a decade after the crisis. J. Econ. Perspect. 33:61–80

  157. Teteryatnikova M. 2014. Systemic risk in banking networks: advantages of tiered banking systems. J. Econ. Dyn. Control 47:186–210

  158. Upper C, Worms A. 2004. Estimating bilateral exposures in the German interbank market: Is there a danger of contagion? Eur. Econ. Rev. 48:827–49

  159. Wagner W. 2010. Diversification at financial institutions and systemic crises. J. Financ. Intermed. 19:373–86

  160. Wang C. 2017. Core-periphery trading networks. PhD Thesis, Stanford Univ., Stanford, CA

  161. Wang JJ, Capponi A, Zhang H. 2020. A theory of collateral requirements for central counterparties. Work. Pap., Ariz. State Univ., Tempe

  162. Yellen J. 2013.Interconnectedness and systemic risk: lessons from the financial crisis and policy implications: a speech at the 

  163. American Economic Association/American Finance Association Joint Luncheon, San Diego, California, January 4, 2013. Speech 631, Board Gov. Fed. Reserve Syst., Washington, DC

参考文献可上下滑动查看


金融复杂性读书会


当前，全球金融系统正遭受多重不确定性冲击，如气候风险加剧、中美贸易摩擦及俄乌冲突等，导致金融系统复杂性与不确定性达到前所未有的高度。在金融复杂系统中，市场、机构及异质利益相关者的行为呈现非线性与网络化特征，常引发意想不到的结果。

正如“知己知彼，百战不殆”所言，我们需系统探究金融复杂系统的理论基础、量化识别方法、生成演化机制及风险治理路径，以更有效地认知、建模与决策。为此，集智俱乐部联合北京师范大学李红刚教授、爱尔兰都柏林圣三一学院Brain Lucey教授、中国地质大学（北京）黄书培副教授、首都师范大学王泽讲师、北京林业大学幸小云副教授及北京化工大学王欣雅副教授，共同发起“金融复杂性”主题读书会。读书会自2025年8月4日起，每周一19:00-21:00举行，预计持续10周。欢迎扫码加入，共建“金融复杂性”社区。

详情请见：如何有效建模金融复杂系统，做好风险管理与决策？ | 金融复杂性读书会发布


推荐阅读
1. 经济学遇上物理学：企业生长的颗粒模型简介
2. 公司规模及其偏离：企业评估和破产预测的新指标
3. 使用新闻文章和财务数据来预测破产的可能性 | 网络科学论文速递30篇
4. 涌现动力学如何用来分析复杂系统？ | 新课上线
5. 集智学园精品课程免费开放，解锁系统科学与 AI 新世界

6. 高考分数只是张入场券，你的科研冒险在这里启航！

7. 系统科学前沿十讲：理解自然、生命与社会的复杂性



点击“阅读原文”，报名课程

内容中包含的图片若涉及版权问题，请及时与我们联系删除