282

Bab 15 Risiko sistemik, Stress Testing, dan

Keuangan Contagion: Interaksi mereka dan
Pengukuran
Calixto Lopez-Castaon Banco de Mexico, Mexico1
Serafin Martinez-Jaramillo Banco de Mexico, Mexico
Fabrizio Lopez-Gallo Banco de Mexico, Mexico
ABSTRAK
Meskipun pengakuan relevansi Risiko sistemik, ada kurangnya konsensus di tion defini- dan,
yang lebih penting, dalam perjalanan itu harus diukur. Untungnya, ada agenda penelitian
tumbuh dan regulator keuangan yang lebih, gubernur bank sentral, dan akademisi baru-baru ini
berfokus pada bidang ini. Dalam bab ini, penulis mendapatkan distribusi kerugian untuk sistem
perbankan secara keseluruhan. Mereka yakin bahwa distribusi tersebut dari kerugian adalah
elemen kunci yang dapat digunakan untuk mengembangkan langkah-langkah yang relevan untuk
risiko sistemik.
Model mereka merenungkan beberapa aspek, yang mereka anggap penting mengenai konsep
risiko sistemik: guncangan ekonomi makro awal, yang melemahkan beberapa lembaga
(beberapa dari mereka ke titik kegagalan), proses penularan dengan cara pasar antar bank, dan
yang dihasilkan kerugian untuk sistem keuangan secara keseluruhan. Akhirnya, setelah
distribusi diperkirakan, penulis mengambil ukuran risiko standar untuk sistem secara
keseluruhan, dengan fokus pada ekor distribusi (di mana peristiwa bencana atau sistemik
berada).
Dengan menggunakan kerangka yang diusulkan, juga memungkinkan untuk melakukan stress
testing dengan cara yang koheren, termasuk efek putaran kedua seperti penularan melalui pasar
antar bank. Selain itu, adalah mungkin untuk mengikuti evolusi ukuran risiko yang koheren
tertentu, seperti CVaR, dalam rangka untuk mengevaluasi apakah sistem ini menjadi lebih atau
kurang berisiko, pada kenyataannya, kurang lebih rapuh. Selain itu, penulis menguraikan
distribusi kerugian dari sistem perbankan secara keseluruhan ke dalam unsur-unsur sistemik
dan penyakit menular dan menentukan apakah sistem ini lebih rentan mengalami kesulitan
menular selama periode waktu tertentu.
DOI: 10,4018 / 978-1-4666-6268-1.ch015
Copyright 2015, IGI global. Menyalin atau mendistribusikan di media cetak atau bentuk elektronik tanpa izin tertulis dari IGI
Global dilarang.
Risiko sistemik, Stress Testing, dan Keuangan Contagion

1. PENDAHULUAN
Pentingnya risiko sistemik hampir tidak disput- mampu. Selain itu, di jantung diskusi yang intens untuk
semua regulator dan thorities au- keuangan. Meskipun relevansi risiko sistemik untuk pemeliharaan
stabilitas keuangan dan popularitas baru-baru ini, itu masih bekerja di kemajuan seperti yang kita tidak
memiliki definisi dan alat yang universal untuk mengukurnya. Namun, setelah peristiwa baru-baru
malang, ada diperbaharui dan berbagi minat oleh otoritas keuangan nasional dan internasional dalam
mengembangkan alat tersebut diperlukan. Salah satu tantangan pertama untuk mengatasi adalah
kebingungan di lapangan yang diciptakan oleh beberapa istilah baru yang digunakan, semuanya terkait
dengan risiko sistemik: penularan keuangan, terlalu saling berhubungan untuk gagal, lembaga penting
secara sistemik, kerugian sistemik, risiko ity liquid, jaringan keuangan, dll namun demikian, kami
berpendapat bahwa apa yang diperlukan adalah bahasa yang umum untuk menentukan risiko sistemik dan
sederhana, namun kuat, cara mengukurnya. Kami akan mengadopsi, untuk alasan praktis definition2
berikut: risiko Temic sistematis dapat didefinisikan secara luas sebagai terdiri dari dua komponen:
(makroekonomi) kekagetan dan mekanisme penularan. Shock awal melemahkan satu atau beberapa
institusi-institusi keuangan dan kemudian penularan mungkin timbul sebagai akibat dari guncangan
tersebut. Mengenai penyakit menular, bisa ada saluran yang berbeda dari transmisi. Sebagai contoh, pasar
antar bank, hanya untuk menyebutkan salah satu saluran transmisi yang paling banyak dipelajari dalam
literatur.
Memiliki risiko sistemik didefinisikan, sekarang kita bisa fokus pada cara untuk mengukur itu dalam
rangka untuk mengelolanya. Pada kebanyakan model risiko standar, ada langkah-langkah resiko seperti
kehilangan diharapkan, VaR, CVaR, dll ukuran risiko ini dapat memberikan kita dengan ide dari ukuran
kerugian dan kemungkinan dalam krisis sistemik. Setelah berkata demikian, menurut kami sangat penting
untuk memperkirakan, dalam mungkin dan akurat bentuk terbaik, distribusi kerugian untuk sistem secara
keseluruhan, bukan menambahkan ukuran risiko individu untuk masing-masing bank.
Penularan keuangan adalah salah satu unsur di kunci pada definisi risiko sistemik; pada kenyataannya,
kedua istilah yang digunakan dengan cara yang dipertukarkan di masa lalu. Saat ini, jelas bahwa itu hanya
salah satu komponen dari risiko sistemik, salah satu yang sangat penting meskipun. Namun, tidak mudah
untuk model atau mengukur penularan keuangan terutama di hadapan penularan tidak langsung atau
penularan melalui link tidak langsung.
Seperti dalam kasus risiko sistemik, ada banyak definisi untuk penularan keuangan karena cara
kompleks di mana lembaga keuangan terkait hari ini. Selain itu, sulit untuk memverifikasi secara empiris
jika kesulitan keuangan yang ditularkan antara lembaga keuangan atau apakah penyebab kesulitan
keuangan adalah sesuatu yang berbeda, seperti eksposur umum. Selain itu, iden- membedakan antara dua
jenis penyakit menular: penyakit menular langsung dan tidak langsung. Sementara contagion3 keuangan
langsung telah dipelajari secara luas oleh beberapa banks4 pusat, contagion5 tidak langsung ini berbeda
sulit untuk memperkirakan karena masalah informasi ent inher- dihadapi oleh otoritas keuangan dan
peneliti.
Baru-baru ini, telah ada kehebohan untuk mempelajari risiko sistemik dengan cara teori jaringan ke
titik bahwa istilah terlalu saling berhubungan untuk gagal '' dikenal luas oleh regulator internasional.
Meskipun, kami percaya bahwa pendekatan seperti (teori graph dan model jaringan) sangat berguna
dalam un- derstanding relevansi instansi tertentu karena koneksi mereka dalam sistem keuangan, dan
untuk model transmisi guncangan mereka tidak cukup untuk model memadai risiko sistemik. Studi
tentang sistem pembayaran dan teori jaringan adalah contoh sempurna dari keberhasilan penerapan
pendekatan seperti di arena risiko sistemik tetapi mereka hanya dapat memberikan pandangan terbatas
masalah. Topologi jaringan dana mengalir pada sistem pembayaran sangat berguna untuk
mengidentifikasi beberapa bank, yang merupakan pemain relevan dalam sistem seperti itu, bank yang
dapat dianggap relevansi sistemik karena peran mereka bermain. Namun demikian, risiko sistemik lebih
dari pembayaran
283
284
Risiko sistemik, Stres Pengujian, dankeuangan

sistemContagion.Krisis sistemik adalah peristiwa biasanya ekstrim mengenai beratnya tetapi tidak pada
frekuensi mereka; sebagai akibatnya, peristiwa tersebut milik ekor distribusi guncangan dan ini membuat
pemodelan peristiwa tersebut sangat sulit karena non-linearities mungkin hadir.
Dalam bab ini, dua lembaga yang dikatakan terhubung jika ada paparan antara mereka dalam segala
arah. Kami telah menyatakan bahwa Derivatif Complex (CDS) eksposur dan koneksi rect puncak-
mungkin bermasalah. Selain itu kami pikir itu adalah penting untuk menyebutkan bahwa dari koneksi
bermasalah pengalaman kami dalam sistem perbankan adalah mereka:
Bahwa untuk bank yang pinjaman, koneksi tersebut merupakan centage per- penting yang Tier1 Capital.
Ketika overexposed 6 bank memiliki pinjaman mereka sangat terkonsentrasi (sesuatu yang bisa
dengan mudah diukur dengan menggunakan Indeks Herfindahl-Hirschman).
Mengenai koneksi langsung, sulit untuk menghindari terkena jenis yang sama guncangan, karena
banyak lembaga memiliki model bisnis yang sama, dan semua berusaha untuk berinvestasi di daerah-
daerah dengan hasil terbaik. Sejauh mana jenis tertentu syok dapat menekan sektor perbankan bisa
dibatasi oleh tingkat tinggi diversifikasi masing-masing lembaga keuangan, yang akan membatasi sejauh
mana itu menderita shock.
Peraturan dapat ditingkatkan untuk memastikan tingkat yang lebih tinggi diversifikasi di sektor
keuangan. Namun, bahkan jenis peraturan bisa jatuh bentuk pendek memperoleh hasil yang diinginkan.
Sebagai contoh, beberapa perusahaan sangat beragam mungkin memiliki utang valuta asing dan gagal
ketika perubahan nilai tukar tiba-tiba render regulasi diversifikasi berguna. Selain itu, aspek-aspek
tertentu dari koneksi keuangan harus diperhitungkan:
Beberapa kegiatan yang diperlukan dan sulit untuk berubah. Bank yang bertindak seperti hub di
jaringan dari sistem keuangan sangat penting, sebagai kegagalan atau dis ruption dari setiap bank tersebut
dapat mengancam stabilitas sistem. Ini bisa menjadi kultus kesukaran dan mahal untuk menemukan
sebuah bank (atau sekelompok bank) yang dapat menggantikan hub-seperti seperti bank.
keterhubungan Bank mungkin tergantung pada aspek seperti: Preferensi, biaya monitoring sebaya dan
Terlalu Besar-To-Fail-(TBTF) moral hazard didorong pilihan.
Hal ini umumnya diterima bahwa dalam kondisi normal hubungan antar bank yang kuat yang
Fundamentals mental bagi berfungsinya pasar antar bank, untuk itu adalah melalui koneksi ini bahwa
perjalanan likuiditas di tutions insti- perbankan. Hal ini juga diterima bahwa pada saat krisis koneksi ini
cenderung kering. Ada bahaya bahwa setiap regulasi yang membatasi koneksi antar bank mungkin mahal
di masa baik dan tidak berlaku di saat buruk.
Selain pendekatan pengukuran risiko sistemik, analisis penyakit menular dan model jaringan untuk
mempelajari stabilitas keuangan, ada alat lain, yang menjadi semakin penting bagi otoritas keuangan:
Stress testing. Tes stres telah menjadi sangat relevan dalam beberapa kali dan dapat dianggap sebagai alat
hampir standar dalam manajemen risiko. Banyak komersial dan pusat bank, perusahaan asuransi dan
regulator melakukan tes stres sebagai bagian dari strategi manajemen risiko lembaga masing-masing.
Stress testing dapat memiliki beberapa definisi tapi di Borio et al. (2012) penulis memberikan
sederhana namun berguna satu: Dalam arti luas, stress testing adalah teknik untuk menguji stabilitas
suatu entitas atau sistem dalam kondisi yang sulit (p 2.).
Dari perspektif lators Ikutan keuangan global serta dari perspektif bank sentral, tes stres sekarang alat
yang tidak dapat dihindari untuk merancang kebijakan untuk menjaga stabilitas keuangan. Selain itu,
stress testing merupakan bagian umum dari
Risiko sistemik, Stres Pengujian, dan Keuangan Contagion

laporan stabilitas keuangan dijabarkan oleh bank sentral. Namun, tes stres menghadapi beberapa cisms
criti-, seperti dalam kasus Islandia dan Eropa yang bertanggung jawab melakukan tes tersebut telah gagal
untuk mengidentifikasi kelemahan serius dalam sistem perbankan. Penting untuk dicatat bahwa dari
perspektif stabilitas keuangan, stress testing telah berevolusi dari tes individu untuk sistem yang luas
stress test ekonomi makro. Pendekatan ini telah didefinisikan di Sorge dan Virolainen (2006):. Sebuah
tes stres seluruh sistem dapat didefinisikan sebagai ukuran eksposur risiko dari kelompok lembaga
keuangan untuk skenario stres` luar biasa tapi masuk akal'(p 114 ).
Dari sudut pandang otoritas keuangan pandang, metodologi untuk desain stress test dapat dibagi dalam
dua pendekatan: pendekatan bottom-up dan pendekatan top-down dijelaskan dalam Sorge (2004) dan
Cihk (2007). Pendekatan top-down umumnya digunakan oleh bank sentral. Dalam pendekatan ini,
tujuannya adalah untuk mengevaluasi dampak dari skenario menggunakan data agregat. Namun
demikian, dengan menggunakan pendekatan seperti beberapa aspek yang relevan bisa diabaikan;
misalnya, interkoneksi antara bank dan penularan melekat. Di sisi lain, dengan pendekatan bottom-up
tujuannya adalah untuk mengevaluasi dampak dari skenario tertentu dengan menggunakan data dari
portofolio individu dari instansi terkait. Pendekatan bottom-up harus memberikan hasil yang lebih tepat;
sayangnya, pendekatan semacam dibatasi oleh kurangnya data dan kompleksitas sistem keuangan.
Dalam karya ini kami mempekerjakan ap- proach bottom-up seperti yang kita memiliki informasi
yang relatif baik pada masing-masing bank, pasar antar bank dan ukuran izin sistem perbankan Meksiko
untuk melakukan simulasi komputer untuk memperkirakan distribusi kerugian untuk sistem perbankan
sebagai semua. Hal ini penting dari sudut pandang kita relevansi melakukan sistem yang koheren stress
test lebar seperti yang telah ditunjukkan dalam Sorge dan Virolainen (2006).
Desain skenario merupakan aspek yang relevan dalam pengujian stres. Hal ini penting untuk
menunjukkan bahwa hasil stress test sangat tergantung pada desain skenario ekonomi makro tersebut.
Tujuan nyata untuk merancang skenario stres adalah bahwa hal itu harus memenuhi kondisi menjadi acara
parah dan probabilitas terjadinya tidak nol. Untuk tujuan ini, aspek-aspek yang menghasilkan kemampuan
yang paling kerawanan terhadap sistem keuangan harus diidentifikasi dan harus dimasukkan pada desain
skenario stres.
2. ISTIMEWA SASTRA
Ada metodologi yang diusulkan berbeda untuk mengukur risiko sistemik dan stabilitas keuangan.
Misalnya, Goodhart et al. (2006) mengajukan model ekuilibrium umum, yang meliputi agen heterogen,
default endogen, dan kredit dan pasar deposito. Dalam Segoviano dan Goodhart (2009), penulis
menyimpulkan kepadatan multivariat, yang mereka gunakan untuk mendapatkan langkah-langkah yang
relevan dari kesusahan untuk individual bank, kelompok bank dan distress pada sistem karena bank
individu. Dalam pendekatan yang berbeda, di Boss et al. (2006) penulis menggunakan model simulasi,
yang mereka gunakan untuk memperkirakan distribusi kerugian untuk sistem secara keseluruhan. Kami
memiliki fitur-fitur umum dengan pendekatan ini dan perbedaan adalah karena tingkat perkembangan
yang berbeda atau ketersediaan informasi. Karya lain yang relevan adalah Aikman et al. (2009), di mana
penulis menempatkan model tion simulation kompleks untuk mempelajari stabilitas keuangan.
Selain itu, ada beberapa karya lain kembali lated untuk risiko sistemik, yang mengikuti pendekatan
yang sama sekali berbeda; misalnya, di Barnhill dan Souto (2008), penulis mengusulkan untuk
menggunakan portofolio simu- lation untuk belajar risiko sistemik di Brasil. Dalam Bartram et al. (2007),
penulis menemukan bahwa probabilitas gangguan dari sistem keuangan internasional kecil; meskipun, hal
telah berubah baru-baru ini dan kesimpulan mereka tidak dapat menahan lagi. Dalam Lehar (2005),
penulis mengusulkan risiko
285
286
Risiko sistemik, Stres Pengujian, dan Keuangan Contagion

metodologi manajemen untuk menilai risiko dalam portofolio regulator (sistem keuangan); Namun,
membuang penulis Contagion sebagai elemen penting dalam risiko sistemik. Namun demikian, seperti
yang kita sudah mengatakan, hal yang telah berubah banyak dalam beberapa kali.
Seperti disebutkan dalam bagian sebelumnya, ada dua jenis penyakit menular: langsung dan di-
langsung. Mengenai penularan langsung, literatur empiris pada penularan melalui pasar antar bank
menemukan sedikit bukti penularan pada sistem mereka masing-banking (Blavarg & Nimander, 2002;
Boss, et al, 2004a;. Boss, et al, 2006;. Degryse & Nguyen, 2004; Furne, 1999; Graf, et al, 2005;. Lehar,
2005; Muller, 2006; Sheldon & Maurer, 1998; Toivanen, 2009; Atas & Worms, 2004; Wells, 2002).
Namun demikian, adalah penting untuk menyebutkan bahwa sebagian besar penelitian ini dilakukan
sebelum krisis global dimulai. Dalam kasus apapun, selama krisis keuangan tagion con global yang tidak
terwujud; meskipun karena kurangnya informasi yang tepat, kami tidak dapat menentukan apakah
penularan disebarkan melalui koneksi langsung atau tidak langsung. Akibatnya, hal itu telah menjadi jelas
bahwa mengukur penularan melalui pasar antar bank saja tidak cukup, ada hubungan tidak diukur secara
langsung yang diabaikan dalam studi tersebut (yaitu penularan tidak langsung, model bisnis serupa,
portofolio, dll). Selain itu, ada beberapa instrumen yang sulit untuk mengevaluasi pada saat krisis (produk
yang kompleks, credit default swap, dll).
Pada baris yang berbeda dari penelitian tentang penularan keuangan dan risiko sistemik, telah terjadi
kehebohan baru-baru ini untuk penelitian tentang teori jaringan (teori graph) dan stabilitas keuangan.
Selain itu, istilah terlalu saling berhubungan untuk gagal sekarang bagian dari bahasa otoritas
keuangan. Hal ini umum saat ini untuk melihat grafik dan jaringan menggambarkan sistem keuangan,
jaringan perdagangan, jaringan perbankan, pasar antar bank, dll Sebagai contoh di Boss et al. (2004b),
penulis menggambarkan topologi jaringan pasar antar bank Austria; sedangkan di Iori et al. (2005),
penulis
mempelajari pasar semalam Italia dari sudut pandang teori jaringan, dan Markose et al. (2009)
menggambarkan bagaimana mengembangkan sebuah model jaringan pasar credit default swap. Meskipun
seperti ketenaran saat ini, telah ada penelitian yang konstan di masa lalu pada teori jaringan di bidang
keuangan dan ics econom-. Namun, sekarang ada ide umum bahwa pendekatan seperti itu bisa berguna
dalam memahami, mengukur dan mengelola risiko sistemik (Battiston, et al., 2009). Bahkan, bankir
berjuang untuk menghentikan proposal baru-baru ini untuk menerapkan kebijakan untuk menangani
Terlalu-Big-To-Gagal (TBTF) masalah; sebagai gantinya, mereka berpendapat bahwa kebijakan tersebut
harus berorientasi pada terlalu saling berhubungan untuk gagal issue6.
Sebuah diskusi yang hidup terjadi di forum-forum global mengenai seperti terlalu saling berhubungan
untuk gagal masalah. Namun demikian, kami percaya bahwa tidak jelas apakah topologi jaringan pasar
antar bank sendiri dapat digunakan untuk menurunkan langkah-langkah untuk stabilitas keuangan atau
peraturan tujuan fi. Meskipun model analitis Allen dan Gale (2000) dan beberapa model simulasi Nier et
al. (2006) mungkin tidak setuju pada ini. Kami percaya bahwa guncangan awal, kemungkinan mereka,
dan tingkat keparahan kerugian harus diperhitungkan pada ing model- risiko sistemik. Jika tidak,
kesimpulan yang diambil mungkin menyesatkan.
Dalam model simulasi kami, kami berpura-pura untuk menghasilkan skenario ekonomi makro bukan
menghasilkan kejutan untuk sistem sebagai faktor risiko saling terkait. Sebagai contoh, peningkatan
pada tingkat terest in akan menyebabkan perubahan pada distribusi pasar kerugian dan juga akan
menyebabkan peningkatan pada default pada portofolio kredit. Sejalan dengan hal ini, bank akan
terpengaruh bukan hanya pada portofolio pasar, tetapi pada portofolio kredit juga. Selain itu, efek putaran
kedua seperti penularan keuangan dapat menyebabkan kerugian lebih lanjut ke bank.
Kami memberikan kontribusi ke lapangan dengan mengusulkan pendekatan praktis dan sederhana
untuk memperkirakan distribusi kerugian untuk sistem perbankan dan kami menunjukkan beberapa
tindakan yang menarik yang dapat diturunkan setelah distribusi tersebut diperkirakan.
Risiko sistemik, Stress Testing, dan Keuangan Contagion

Selain itu, ada kekhawatiran penting tentang bagaimana mengukur kontribusi sistemik dari lembaga
keuangan dan dengan pendekatan kami adalah mungkin untuk memperkirakan kontribusi individu dari
lembaga tertentu untuk risiko sistemik. Akhirnya, pendekatan kami memungkinkan melakukan pengujian
stres dengan cara yang koheren, bahkan mempertimbangkan efek putaran kedua seperti penyakit menular.
Bagian yang tersisa dari bab ini disusun sebagai berikut: Bagian 3 menjelaskan model simulasi dalam
detail, Bagian 4 menyajikan hasil pelaksanaan model simulasi untuk Meksiko, dan akhirnya, Bagian 5
menarik beberapa kesimpulan pada model dan hasil. Lampiran A memberikan rincian tentang model
makroekonomi yang digunakan.
3. SIMULASI KERUGIAN BERSAMA UNTUK PERBANKAN SISTEM
Distribusi kerugian adalah alat yang sangat penting dalam manajemen risiko karena distribusi tersebut
memungkinkan para manajer risiko untuk menghitung beberapa langkah risiko dard dan dipahami dengan
baik-standar. Gambar 1 menggambarkan secara skematik algoritma simulasi digunakan untuk
memperkirakan distribusi kerugian untuk sistem keuangan.
Agar kita untuk memperkirakan distribusi kerugian untuk sistem, kita harus mampu untuk Gen
kerugian bersama erate. Kerugian bersama berkorelasi dengan eksposur umum atau serupa dan terutama
dalam masa kesulitan keuangan. Kami telah mengembangkan sebuah model simulasi untuk
memungkinkan estimasi distribusi kerugian dari sistem secara keseluruhan.
Dalam karya-karya sebelumnya (Mrquez-Diez-Canedo & Martnez-Jaramillo, 2007;. Mrquez-Diez-
Canedo, et al, 2009), kami telah memperkirakan distribusi kerugian untuk sistem perbankan pertama
hanya menggunakan probabilitas dan kedua dengan menggunakan distribusi individu kerugian untuk
masing-masing bank. Meskipun pendekatan ini memiliki beberapa kelebihan seperti mengandalkan
informasi sejarah rinci dan menggunakan informasi ini untuk menghasilkan goncangan yang merusak
sistem keuangan, itu tidak memilikiyang jelas
Gambar1. simulasi algoritma
287
288
Risikosistemik, Stres Pengujian, dan Keuangan Contagion

hubungan antara ini guncangan dan variabel ekonomi riil. Hal ini tidak mungkin untuk mengetahui apa
jenis peristiwa yang mendasari yang menyebabkan guncangan sedang dievaluasi. Juga menghadapi teknis
dan data-tantangan tantangan-: untuk menghitung distribusi gabungan, sebuah kata kerja penghubung
untuk menggabungkan distribusi pasar dan kredit kerugian digunakan. Sebuah bagian yang sangat penting
dari proses ini adalah kalibrasi dari kata kerja penghubung dengan data keuangan bank, seperti ROA,
untuk menangkap struktur ketergantungan bersama. Informasi ini tidak sepenuhnya tersedia untuk semua
bank dalam sistem, terutama karena banks7 baru belum melaporkan indikator ini cukup lama, maka
penelitian sebelumnya terbatas pada subset dari bank dalam sistem. Memiliki model terkait dengan
variabel ekonomi mengatasi beberapa kesulitan-kesulitan ini. Misalnya, setiap guncangan dapat dipetakan
ke realisasi variabel dan sebaliknya. Hal ini sangat membantu untuk analisis kebijakan. Hal ini juga
membuat kebutuhan informasi kurang menuntut: kerugian bank dapat parsimoniously dimodelkan sebagai
fungsi dari realisasi variabel ekonomi dan keuangan, menghindari proses kalibrasi serta perhitungan
kopula, dengan tage advan- menambahkan bahwa, jika benar dimodelkan, pasar dan kredit kerugian
secara bersama-sama ditentukan maka menangkap saling ketergantungan antara semacam ini kerugian.
Setelah kerugian yang disebabkan oleh shock awal ditentukan, proses penularan terjadi melalui pasar
antar bank, dan efek akhir pada sistem keuangan secara keseluruhan tergantung pada besarnya efek yang
disebabkan oleh kerugian awal dikombinasikan dengan eksposur antar bank dan keterkaitan bank-bank
terkena.
Pasar pinjaman antar bank memainkan peran penting dalam transmisi likuiditas antar bank. Pasar ini
adalah yang paling diakui (atau setidaknya salah satu yang paling dipelajari) saluran untuk penularan
keuangan. Selain itu, ada kekhawatiran di seluruh dunia pada char- acterizing jaringan keuangan eksposur
dalam rangka untuk memperoleh langkah-langkah dari kerapuhan keuangan. Namun, jaringan seperti
perubahan terus-menerus dan beberapa contoh akan diberikan.
3.1. Data
Data yang digunakan untuk memperoleh distribusi sistem kerugian untuk sistem perbankan Meksiko
terdiri dari eksposur antar bank sehari-hari, informasi makroekonomi yang digunakan untuk membangun
model makro (PDB, suku bunga, indeks saham, dll) yang mempengaruhi faktor risiko kredit dan pasar ,
yang memiliki efek pada bank portofolio dan Tier 1 capital.
Mengenai pasar antar bank, bank sentral Meksiko memiliki data harian yang dapat digunakan untuk
menghitung matriks eksposur antar bank dari sistem keuangan Meksiko, dari Januari 2005 onwards7.
Eksposur antar bank dipertimbangkan dalam penelitian ini terdiri dari semua pinjaman antar bank yang
uncollaterized, sekuritas menjadi pegangan, yang dikeluarkan oleh bank lain, komponen kredit transaksi
derivatif dan garis kredit sebagai bagian dari pasar antar bank. Jenis informasi jarang tersedia dengan
detail yang seperti itu, sehingga memungkinkan untuk melakukan analisis tanpa membuat asumsi yang
mungkin tidak realistis.
Sebagai contoh, pendekatan umum di sepanjang baris ini penelitian adalah membuat asumsi maxi ibu
entropi pada distribusi dari eksposur antar bank tapi ini bukan satu realistis (seperti yang ditunjukkan
dalam Graf, et al., 20.058, penularan dalam jaringan yang dibangun di bawah maksimum entropi ciple-
prinsip dan tanpa asumsi tersebut), setidaknya tidak dalam kasus Meksiko.
 Gambar 2 menunjukkan jaringan khas eksposur dan pada Gambar 3 kita dapat melihat hanya eksposur
terbesar untuk hari tersebut. Ini adalah jaringan mewakili keadaan membenci pasar antar bank yang akan
digunakan selama pekerjaan ini.
Eksposur pada jaringan eksposur antar bank Meksiko bervariasi sebagai sistem perbankan Meksiko
cukup heterogen. Sebagai salah satu mungkin mantan-pect, bank-bank besar cenderung memiliki
eksposur yang lebih besar dari menengah atau kecil ukuran bank. Hal ini juga penting untuk dicatat
bahwa ukuran eksposur dengan sendirinya tidak sepenting ukuran paparan relatif terhadap Tier 1 modal
bank. Eksposur, yang merupakan proporsi penting dari Tier 1
Risiko sistemik, Stres Pengujian, dan Keuangan Contagion

Gambar 2. pasar antar bank Meksiko (kuantitas dalam jutaan peso)

Gambar 3. eksposur besar di pasar antar bank Meksiko (jumlah yang dalam jutaan peso)
289
290
sistemik Risiko, stress Testing, danKeuangan

modalcontagion,adalah eksposur, yang bisa meledakkan penularan dalam kasus kegagalan lembaga yang
meminjam dari bank tertentu.
Konsentrasi memainkan juga merupakan bagian penting dalam penularan karena mungkin bahwa bank
yang memiliki banyak rekan-rekan adalah pinjaman atau pinjaman secara terkonsentrasi dan sebagai
konsekuensinya lebih rentan untuk mengalami kerugian penting sebagai konsekuensi dari kegagalan salah
satu peminjam. Selain itu, juga bisa menjadi masalah bagi bank untuk memiliki sumber pendanaan yang
sangat terkonsentrasi sebagai kegagalan dari pemberi pinjaman yang penting bisa kompromi kebutuhan
likuiditas bank.
The Herfindahl-Hirschman Index (HHI) adalah ukuran yang biasanya digunakan dalam konteks
persaingan di pasar atau industri, tetapi dalam konteks ini kita akan menggunakannya sebagai ukuran tion
concentra-. Sebuah HHI dekat dengan salah satu dikaitkan dengan konsentrasi penuh dalam penyaluran
kredit atau pinjaman, sedangkan HHI mendekati nol menunjukkan diversifikasi antara rekan-rekan dari
bank. Gambar 4 menunjukkan evolusi rata-rata HHI untuk sistem perbankan. Meskipun, konsentrasi
relatif rendah
ditunjukkan dalam gambar ini, hal yang berbeda dari bank ke bank. Berbagai kemungkinan pergi dari
bank, yang cenderung diversifikasi pinjaman atau pinjaman, bank-bank yang meminjamkan atau
meminjam dalam mode yang sangat terkonsentrasi. Bahkan bank dapat berperilaku berbeda pada
pinjaman dan pinjaman hav- ing HHI untuk pinjaman dekat dengan satu dan HHI untuk meminjam
mendekati nol.
Selain HHI, salah satu ukuran penting, yang dapat berguna untuk menggambarkan konsentrasi dan
preferensi untuk pinjam meminjam, adalah Indeks ence Prefer- diusulkan dalam Cocco et al. (2009).
Langkah ini memberikan perkiraan intensitas hubungan antara dua bank selama periode waktu dan ini
penting khususnya selama periode stres. Indeks ini dapat dihitung dari pinjaman atau sisi pinjaman untuk
setiap pasangan bank, PI dekat dengan salah satu dikaitkan dengan preferensi tinggi untuk rekan tertentu,
sedangkan indeks mendekati nol dikaitkan dengan preferensi rendah untuk rekan tertentu .
Window time memainkan peran penting pada indeks preferensi, penulis dalam Cocco et al.
Gambar 4. Evolusi dari rata-rata HHI untuk sistem perbankan
Risiko sistemik, Stres Pengujian, dan Keuangan Contagion

(2009) awalnya diusulkan jendela 30 hari, pada contoh yang ditunjukkan di sini, jendela 120 hari
digunakan. Gambar 5 menunjukkan indeks pinjaman prefer- ence untuk tiga bank yang berbeda: X, Y,
dan Z. Dari angka ini, terlihat bahwa Z Bank memiliki nya pinjaman relatif beragam, tetapi memiliki
hubungan yang kuat dengan bank B sebagai semua eksposur
bank ini memiliki periode 120 hari, lebih dari 20% hanya dengan bank B. di sisi lain, Bank X memiliki
pinjaman yang sangat terkonsentrasi hanya dalam satu rekan, sedangkan Bank Y memiliki dua rekan-
rekan yang relevan, yang account untuk sekitar 60% dari eksposur untuk periode 120 hari dari studi.
Gambar Indeks 5. Pilihan untuk berbagai bank: (a) PI Pinjaman untuk jangka waktu 120 hari bagi bank
Z; (b) lender ing PI untuk jangka waktu 120 hari bagi bank Y; (c) Pinjaman PI untuk jangka waktu 120
hari bagi bank X
291
292
Risiko sistemik, Stres Pengujian, dan Keuangan Contagion

Kedua langkah-langkah sederhana memberikan kami ide yang jelas tentang heterogenitas dalam
konsentrasi untuk sistem. Hal ini menunjukkan bahwa, meskipun sistem HHI yang relatif rendah,
perubahan konsentrasi dari bank ke bank dan bahkan dalam bank yang sama dari pinjaman untuk
pinjaman.
3.2. Link ke Variabel Ekonomi
Ketika tujuan analisis melampaui aktivitas sehari-hari dan berorientasi kebijakan yang lebih, itu menjadi
lebih menarik memiliki genera- proses tion guncangan yang memiliki interpretasi langsung dalam konteks
ekonomi riil yang sesuai dengan persyaratan konsistensi minimal dan yang memiliki fleksibilitas untuk
mengeksplorasi set berbeda kondisi. Tergantung pada ruang lingkup pekerjaan dan jenis analisis untuk
melakukan, ada beberapa alternatif untuk membangun hubungan antara kerugian dan ekonomi riil.
Beberapa pendekatan yang lebih teoritis suara atau lebih kuat daripada yang lain, dan pilihan berkisar dari
yang sangat canggih model GE dinamis untuk model statistik yang relatif sederhana. Pada akhirnya,
pertimbangan seperti ketersediaan informasi, dan trade-off antara tractability dan kekuatan prediktif,
mendorong kami untuk memilih model hubungan antara kerugian dan variabel ekonomi menggunakan
Vector Autoregressive (VAR) model struktural. Meskipun keterbatasan, kami menganggap itu adalah
pendekatan yang paling cocok diberikan tics characteris- dari masalah kami menganalisis. Kami
pemodelan efek jangka pendek dari guncangan di kredit dan pasar portofolio bank untuk mengevaluasi
efek penularan mungkin bahwa guncangan ini dapat memiliki. Kami memiliki informasi yang cukup
untuk menghitung sangat akurat dampak dari guncangan ini dalam portofolio pasar, dan untuk mengambil
keuntungan penuh dari informasi ini, proyeksi pada set yang lebih besar dari variabel diperlukan. Dalam
rangka untuk parsimoniously mempertimbangkan semua variabel-variabel ini, sebuah eratnya Model
tively sederhana menawarkan alternatif yang lebih baik. Dan pendekatan ini juga jauh disederhanakan
estimasi distribusi gabungan pasar
dan kredit. Sedikit penjelasan lebih rinci dari model ditutupi A.
Ia juga menawarkan alternatif namun kuat relatif sederhana untuk mengevaluasi conditions9 ekstrim.
Hal ini sangat mungkin bahwa kekerasan simulasi mengarah ke tidak terjadinya guncangan dengan
dampak sistemik; tetapi masih menarik mengetahui fect-upaya yang mungkin dari beberapa peristiwa di
ekor distribusi. Asumsi parametrik dan struktur model memungkinkan mengevaluasi peristiwa ini
sementara bobot penandatanganan sebagai- untuk probabilitas mereka terjadinya. Misalnya, jika ada yang
bersedia untuk mengeksplorasi apa yang akan terjadi jika variabel x kenaikan setidaknya 4 deviasi
standar, proses simulasi keseluruhan dapat dilakukan tergantung pada x, dan probabilitas dapat
ditentukan.
Akhirnya, titik untuk menekankan di sini adalah bahwa, untuk analisis kebijakan, perlu untuk
memiliki link antara distribusi kerugian dan ekonomi riil, tetapi cara untuk melakukannya adalah jauh
dari unik. In general, the more data intensive the evaluation process of systemic risk, the more beneficial a
relatively simpler model is.
3.2.1. Scenarios Generation
As described in Appendix A, scenarios are gener- ated following the same spirit of impulse-response
function construction methodology. Two sets of scenarios were generated (below there is a lengthier
discussion about this): 30,000 standard scenarios, according to the underlying normal distribution (See
Figures 6 and 7); plus 5,000 tail scenarios, where the different variables were set to receive severe
shocks (for example, a simultaneous four standard deviations increase or decrease), and the rest of the
random shocks were generated conditional on these realizations10.
4. RESULTS
In this section, we will present the results of the execution of the simulation using the model de-
Systemic Risk, Stress Testing, and Financial Contagion

Figure 6. The loss distributions for the Mexican banking system

Figure 7. The joint loss distribution for the Mexican banking system
scribed in the previous section. We will present in first place the System's Distribution of Losses (SDL)
originated from shocks to the macroeco- nomic model, which are translated into market and credit losses.
Afterwards, we will show the effect on the distribution of losses of some stronger shocks and the derived
contagion effects.
4.1. The System's Distribution of Losses
The first case described here is the estimation of the SDL by using 30,000 random shocks originated from
a parametric distribution.
293
294
Systemic Risk, Stress Testing, and Financial Contagion

Such a distribution can be seen in Figure 7 where it can be seen that it behaves closely to a normal
distribution, which is not surprising given that underlying the macroeconomic shocks was the assumption
of a normal distribution. Given the levels of capitalization of the Mexican banks and the size of the
generated shocks, there are no contagious defaults taking place under any of these 30,000 generated
scenarios.
This is precisely one of the main problems in measuring systemic risk, events which threaten the
system (systemic events) are located far in the tail of the SDL. One way to cope with such issue is to
generate a huge number of simulations in order to populate properly the tail of the distribution. This is the
way in which we proceed in the past11; nevertheless, under the current framework is not possible
anymore as the valuation of the market portfolios for each bank takes a considerable computing effort.
Fortunately, given that we are able to generate the consistent scenarios from a normal random shock, it
is possible to bias such generation process to more extreme regions and more importantly, it is possible to
estimate the probability of such an event to happen. This characteristic of the simu- lation model is as
important as the consistency aspect of the generation process as it is possible to bias the distribution of the
generation process to focus on the tail of the distribution without simu- lating a large number of scenarios
and preserve the consistency (in terms of the generated model) of the scenarios. Having said so, we can
generate scenarios that, although they are highly unlikely, at least they are in the region of possible things.
We believe that this approach is more promising that the individual idiosyncratic defaults which found
little evidence of contagion in previous studies.
Figure 9 shows together the 30,000 normal scenarios next to the 5,000 tail scenarios. These
figures illustrate in a stylized fashion the processes of biasing the scenario generation process to the tail of
the distribution. A very important remark is that the tails of such distributions do not cor-
respond to the same generation process, and the graphs are not actual histograms. However, we took such
liberty for illustration purposes. In this distribution, we can observe the amplified12 losses, which were
generated by biasing the scenario generation process. Losses corresponding to such scenarios are derived
from extreme movements in economic variables.
Figure 8 shows the realizations of some risk factors (Cete interest rate, output, delinquency rate, and
the stock index) under these extreme conditions.
The resulting distribution from the merging of the above-described distributions can be observed in
Figure 9. From this figure, we can observe how it is possible to populate the tail of the joint distribution
with coherent scenarios.
Even though the capitalization levels of banks in the Mexican financial system is high, contagion
under the 5000 extreme scenarios did occur and the case is worth exploring in detail. Figure 10 shows
the distribution of losses under different types of shocks. From this figure, it is possible to see the
sensitivity to different factors under stress as well as to determine which factors have larger impact for the
system as a whole.
4.2. Systemic Relevance of Financial Institutions
At the core of macro-prudential regulation is the determination of the participation of an institu- tion in
the systemic risk. There are many recent proposals, which vary widely on their underlying models. In
Tarashev et al. (2009), the authors borrow the Shapley value concept from game theory, although it is not
clear if such concept can be directly used in the context of systemic risk. A different stream of work is the
one followed by the Financial Stability Board (FSB) in which it is proposed that the condition of systemic
relevance of a financial institution is associated with size, lack of substitutability and interconnectedness
(See FSB, 2009). Following a totally different
Systemic Risk, Stress Testing, and Financial Contagion

Figure 8. Realizations of some risk factors under the tail scenarios

Figure 9. The distribution of losses for the Mexican banking system 35,000 scenarios including 5,000
biased scenarios
295
296
Systemic Risk, Stress Testing, and Financial Contagion

approach Adrian and Brunnermeier (2008) define a risk measure which they call the CoVaR13. Such
value can be defined as the Value at Risk (VaR) of financial institutions conditional on other institutions
being in distress. In this work, we are interested on the VaR of the banking system conditional on
particular banks being in distress. We find that the CoVaR is probably the best from the above-mentioned
measures as it can be easily derived once the SDL has been obtained14. Moreover, such distribution and
measure encom- passes the elements proposed in FSB (2009) as in our proposal the interconnectedness
element is implicit in the estimation of the contagion process. The precise definition of CoVaR can be re-
vised in Adrian and Brunnermeier (2008) but in order to illustrate in a graphical way how such measure
works we will show some interesting graphical representations. Figure 11 illustrates the distribution of
losses for the system and the distribution of the system given that bank B3 is in distress. Figure 12 shows
the same distribu-
tion of losses for the system and the distribution of losses of the system given that bank B2 is in distress.
Finally, Figure 13 shows the same case but using bank B1 to condition the distribution of losses for the
system.
From the previous figures, we can see that the contribution to the risk of the system is different for
each bank. For example, bank B3 is the one from these three banks, which contributes more to the
systemic risk while bank B1 is the one, which in fact has a negative correlation with the system in terms
of losses when one is located at the tail of the distribution. If we compute, as it is proposed in Adrian and
Brunnermeier (2008), the difference between the CoVaR and the unconditional financial system VaR,
CoVaR, such measure captures the marginal contribution of a particular institution to the overall
systemic risk. Although, CoVaR, does not measures the contribution of an institu- tion to the overall
risk, it is important from the systemic risk perspective and contribution as it captures the expected
participation of institutions
Figure 10. Losses under stress scenarios
Systemic Risk, Stress Testing, and Financial Contagion

Figure 11. The distribution of losses for the system and the distribution of the system given that bank B3
is in distress
Figure 12. The distribution of losses for the system and the distribution of the system given that bank B2
is in distress
297
298
Systemic Risk, Stress Testing, and Financial Contagion

Figure 13. The distribution of losses for the system and the distribution of the system given that bank B1
is in distress
in systemic events, which are the relevant events in the study of systemic risk.
Finally, from our experience and given that there is not a proper counterfactual available to compute
other systemic risk measures; this mea- sure could represent the best option for measuring the
contribution to the systemic risk by financial institutions, computed either by estimating the SDL or by
quantile regression. This measure, CoVaR, is a tractable alternative to focusing on several different
measures, which can be difficult to combine.
4.3. The Contagion Process
The Mexican financial system is very well capi- talized. On average, its capital ratio is of around 16%,
with a minimum of 11.6% and a maximum of 424%. This explains to a great extent the lack of sensitivity
to shocks because banks are able to absorb losses without risking individual solvency and avoiding
triggering a contagion process.
Nevertheless, when considering the tail scenarios a very interesting case of study arose. After a very
severe shock in the stock market index, and foreign and domestic interest rates the regulatory capital of
three banks went below the minimum requirement15. These banks were small banks in the system; in
Figure 14, we observe such troubled banks in black, the exposed banks to them in white, and the banks
with no exposures to such banks in gray. The composition of its portfolio made them practically immune
to credit effects, so this was purely a market risk effect. If this were an idiosyncratic failing process, it was
likely that this failure would have gone unnoticed.
The interesting part occurred through the contagion phase: the magnitude of the shock led to failure to
three banks, but several of the remain- ing banks were weakened by it, to the extent that the failure of
these banks to honor its interbank obligations caused the failure of a medium sized bank and some small
banks. This in turn led to the failure of a set of small and medium banks
Systemic Risk, Stress Testing, and Financial Contagion

Figure 14. Interbank exposures network on June 30 2011 after an initial shock
Figure 15. The interbank exposures network on June 30 2011: (a) Intermediate state of the interbank
exposures network on 30 June 2011; (b) Final state of the interbank exposures network on 30 June 2011
299
300
Systemic Risk, Stress Testing, and Financial Contagion

(Figure 15a). At the end, seven banks would have failed, including a medium size bank (Figure 15b). The
exercise with the most severe scenarios provided qualitatively similar outcomes (though are not reported
here). The difference with the above reported scenario is that in some occasions the initial shock caused
the failure of less banks, causing the failure of some more banks in succes- sive rounds. This case is one
of the worst within the 5,000 stress scenarios. Table 1 summarizes the stress scenarios with some
descriptive statistics.
5. CONCLUSION AND FURTHER WORK
The main conclusions we can extract from this work is that although in recent times the topic has received
a well-deserved importance into the regulatory arena, there are relevant aspects which we believe should
not be ignored.
For some time the literature adhered to the be- lief that the topology of the network was enough to
characterize the systemic riskiness of a particular financial system. Previous work (Mrquez-Diez-
Canedo, et al., 2009) shed some light about that issue and pointed at the fact that is not only the topology
but also the size and concentration of the exposure.
This exercise brings to light one more issue, the relevance of the initial macroeconomic shock. It also
carries one more argument against the idiosyncratic, one-by-one, evaluation of failures: it is impossible to
dissociate banks from their economic environment. Pretending a caeteris paribus failure would be
misleading.
Another important conclusion is that, to some extent, it could be the case that size does not matter. The
focus has been traditionally on larger banks, and rightly so, but it should not be at the cost of disregarding
smaller banks. As evidenced by the case study, a severe enough shock can weaken the whole system to
the extent that just a little push can drop the first dominoes.
Table 1. Statistical measures for the distribution of losses of the system
System
After the Shock After the Contagion
Minimum 50,700,000 40,600,000
Maximum -67,300,000 -101,000,000
Average -26,632,388.33 -42,622,139.79
Std. Deviation 20,626,417.41 29,779,314.13
VaR
0.99
-60,600,000 -91,300,000
ES
0.99
-61,458,955.22 -92,247,183.1

There are still issues that need to be addressed. The first one is, these simulation exercise may be
understating the systemic effect. After all, this is the one-month effect of a shock, especially mis- leading
in credit, where losses usually take longer to take place. The issue here is how to deal with the implicit
trade-off: a more accurate credit risk measurement requires a sacrifice in the market risk measurement
accuracy and vice versa.
Another issue is the weight of the tails of the parametric distribution. To keep methodological
consistency, the underlying assumption was that of normality in the shocks even though we know that
extreme events tend to occur more often than predicted by the light-tailed normal distribution. Using a
distribution with heavier tails is an alter- native worth exploring that would not require a change of
paradigm.
Finally, one needs to acknowledge a limitation of this framework in terms of policy analysis: cur- rent
infrastructure allows obtaining quite accurate market and credit risk measurement given the financial
position of the participants of the system. However, a more complete policy analysis requires the ability
to analyze what if cases, which neces- sary need to consider that financial positions are not exogenous,
that are an endogenous element that can also impact the risk factors. Moreover, bankruptcy cost are not
considered in the current framework but it is important as bankruptcy cost could deplete even more bank's
assets causing
Systemic Risk, Stress Testing, and Financial Contagion

larger losses to other banks and this in turn could alleviate the necessity of very large initial shocks in
order for triggering contagion.
ACKNOWLEDGMENT
The authors would like to express their gratitude to Pascual O'Doherty Madrazo and Juan Pablo Graf
Noriega for supporting this research. The authors are also grateful to Juan Pablo Solorzano Margain, Gent
Bajraj, Pablo Cesar Vazquez Espi- nal, Fernando Bizuet Cabrera and Eduardo Ponce Alonso for their
research assistance. Finally, this work has benefited from the comments of anony- mous referees, Andrew
J. Patton and the audience at the BIS CCA Conference on Systemic risk, bank behaviour and regulation
over the business cycle Buenos Aires, 1819 March 2010.
REFERENCES
Adrian, T., & Brunnermeier, MK (2008). Covar staff reports 348. New York, NY: Federal Reserve Bank
of New York.
Aikman, D., Alessandri, P., Eklund, B., Gai, P., Kapadia, S., & Martin, E. ... Willison, M. (2009).
Funding liquidity risk in a quantitative model of systemic stability. Working paper 372. London, UK:
Bank of England.
Allen, F., & Gale, D. (2000). Financial contagion. The Journal of Political Economy, 108, 133.
doi:10.1086/262109
Barnhill, TM, & Souto, MR (2008). Systemic bank risk in Brazil: An assessment of correlated market,
credit, sovereign and inter-bank risk in an environment with stochastic volatilities and correlations.
Discussion Paper Series 2: Banking and Financial Studies 2008. Berlin, Germany: Deutsche
Bundesbank.
Bartram, SM, Brown, GW, & Hund, JE (2007). Estimating systemic risk in the inter- national financial
system. Journal of Financial Economics, 86(3), 835869. doi:10.1016/j. jfineco.2006.10.001
Battiston, S., Gatti, DD, Gallegati, M., Green- wald, B., & Stiglitz, JE (2009). Liaisons dan- gereuses:
Increasing connectivity, risk sharing and systemic risk. Paper presented at Networks, Power and
Relations: First International NPR Workshop Catholic University of the Sacred Heart. Milan, Italy.
Blavarg, M., & Nimander, B. (2002). Interbank exposures and systemic risk. Sveriges Riskbank
Economic Review, 2, 1945.
Borio, C., Drehmann, M., & Tsatsaronis, K. (2012). Stress-testing macro stress testing: Does it live up to
expectations? BIS Working Paper 369. Basel, Switzerland: Bank for International Settlements.
Boss, M., Elsinger, H., Summer, M., & Thurner, S. (2004a). An empirical analysis of the network
structure of the Austrian interbank market. In Oesterreichische Nationalbank Financial Stabil- ity Report
(pp. 7787). Vienna, Austria: Oester- reichische Nationalbank.
Boss, M., Elsinger, H., Summer, M., & Thurner, S. (2004b). The network topology of the inter- bank
market. Quantitative Finance, 4, 677684. doi:10.1080/14697680400020325
Boss, M., Krenn, G., Puhr, C., & Summer, M. (2006). Systemic risk monitor: A model for sys- temic risk
analysis and stress testing of banking systems. Financial Stability Report, 11, 8395.
ihk, M. (2007). Introduction to applied stress testing. IMF Working Paper WP/07/59. Washing- ton,
DC: International Monetary Fund.
301
302
Systemic Risk, Stress Testing, and Financial Contagion

Cocco, JF, Gomes, FJ, & Martins, NC (2009). Lending relationships in the interbank market. Journal of
Financial Intermediation, 18, 2448. doi:10.1016/j.jfi.2008.06.003
Degryse, & Nguyen. (2004). Interbank exposures: An empirical examination of systemic risk in the
Belgian banking system. Discussion Paper 2004- 04. Tilburg, The Netherlands: Tilburg University.
Enders, W. (2004). Applied econometric time series. New York, NY: Wiley.
FSB. (2009). Guidance to assess the systemic importance of financial institutions, markets and
instruments: Initial considerations. Melaporkan. Washington, DC: Financial Stability Board.
Furfine, CH (1999). Interbank exposures: Quantifying the risk of contagion. BIS Working Papers 70.
Basel, Switzerland: Bank for Interna- tional Settlements.
Goodhart, CAE, Sunirand, P., & Tsomocos, DP (2006). A model to analyse financial fragility. Economic
Theory, 27, 107142. doi:10.1007/ s00199-004-0572-7
Graf, JP, Guerrero, S., & Lpez-Gallo, F. (2005). Interbank exposures and contagion: An empirical
analysis for the Mexican banking sector. Mexico City, Mexico: Banco de Mxico.
Hamilton, JD (1994). Time series analysis. Princeton, NJ: Princeton University Press.
Iori, G., de Masi, G., Precup, OV, Gabbi, G., & Caldarelli, G. (2005). A network analysis of the Italian
overnight money market. Discussion Paper Series 05/05. London, UK: City University London.
Lehar, A. (2005). Measuring systemic risk: A risk management approach. Journal of Banking & Finance,
29(10), 25772603. doi:10.1016/j. jbankfin.2004.09.007
Markose, SM, Giansante, S., Gatkowski, M., & Shaghagi, AR (2009). Too interconnected to fail:
Financial contagion and systemic risk in network model of CDS and other credit enhance- ment
obligations of US banks. Paper presented at the ECB Workshop Recent Advances in Modeling Systemic
Risk Using Network Analysis. Frankfurt, Germany.
Mrquez-Diez-Canedo, J., & Martnez-Jaramillo, S. (2007). A network model of systemic risk: Stress
testing the financial system. Mexico City, Mexico: Banco de Mxico.
Mrquez-Diez-Canedo, J., Martnez-Jaramillo, S., & Prez-Prez, O. (2009). A network model of
systemic risk: Stress testing the banking system. Journal of Intelligent Systems in Accounting, Finance &
Management, 16, 87110.
Martnez-Jaramillo, S., Prez, O., vila, F., & Lpez-Gallo, F. (2010). Systemic risk, financial contagion
and financial fragility. Journal of Economic Dynamics & Control, 34, 23582374.
doi:10.1016/j.jedc.2010.06.004
Mistrulli, PE (2007). Assessing financial contagion in the interbank market: Maximum entropy versus
observed interbank lending pat- terns. Economic working papers 641. Rome, Italy: Bank of Italy.
Muller, J. (2006). Interbank credit lines as a chan- nel of contagion. Journal of Financial Services
Research, 29, 3760. doi:10.1007/s10693-005- 5107-2
Nier, E., Yang, J., Yorulmazer, T., & Alentorn, A. (2006). Network models and financial stabil- ity.
Journal of Economic Dynamics & Control, 31, 20332060. doi:10.1016/j.jedc.2007.01.014
Rochet, J.-C. (2009). An industrial organization approach to the too big to fail problem. Paper presented
at the Federal Reserve Bank of Boston 54th Economic Conference. Boston, MA.
Systemic Risk, Stress Testing, and Financial Contagion

Segoviano, MA, & Goodhart, C. (2009). Banking stability measures. IMF Working Pa- pers WP/09/04.
Washington, DC: Dana Moneter Internasional.
Sheldon, G., & Maurer, M. (1998). Interbank lending and systemic risk: An empirical analysis of
Switzerland. Swiss Journal of Economics and Statistics, 134, 685704.
Sorge, M. (2004). Stress-testing financial sys- tems: An overview of current methodologies. BIS Working
Paper 165. Basel, Switzerland: Bank for International Settlements.
Sorge, M., & Virolainen, K. (2006). A com- parative analysis of macro stress-testing meth- odologies
with application to Finland. Journal of Financial Stability, 2, 113151. doi:10.1016/j. jfs.2005.07.002
Tarashev, N., Borio, C., & Tsatsaronis, K. (2009, September). The systemic importance of financial
institutions. BIS Quarterly Review, 75-87.
Toivanen, M. (2009). Financial interlinkages and risk of contagion in the Finnish interbank market.
Discussion Papers 6/2009. Helsinki, Finland: Bank of Finland Research.
Upper, C. (2007). Using counterfactual simula- tions to assess the danger of contagion in inter- bank
markets. BIS Working Papers 234. Basel, Switzerland: BIS.
Upper, C., & Worms, A. (2004). Estimating bilateral exposures in the German interbank market: Is there
a danger of contagion? European Economic Review, 48, 827849. doi:10.1016/j. euroecorev.2003.12.009
Wells, S. (2002). UK interbank exposures: Systemic risk implications. Financial Stability Review, 175-
182.
ENDNOTES
1 The opinions expressed here are those of the authors and do not represent the views of the Mexican
Central Bank. 2 This definition is shared by Mrquez-Diez-
Canedo et al. (2009) and Rochet (2009). 3 Particularly in banking systems through the
interbank market. 4 See Upper (2007) for a good survey on the
literature. 5 Indirect contagion usually refers to similar
business models or implicit correlations. 6 Overexposure is explained in detail in Martnez-Jaramillo
et al. (2010) and refers to banks that are exposed on the interbank exposures network by an amount,
which could bring their capital ratio below the regulatory minimum. 7 See the note in the Financial Times
Bankers to Lobby for Softer Reforms on January 24th 2010. 8 In the last few years, the numbers of
banks
in Mexico has been increased. 9 In fact, we have data from previous years, but due to differences on
the quality of such information, we can only fully trust the data from January 2005. 10 See Mistrulli
(2007) for a comparison of contagion in a network built under the maximum entropy principle and
without such assumption. 11 The analysis of extreme conditions or stress scenarios'' can be tricky using
VAR models, especially when underlying the model there is a normal distribution of shocks. The nor-
mality assumption implies that extreme, or sometimes not even so extreme, realizations occur with
probability virtually zero. The problem with this situation is that experience tells that shocks tend to have
heavier tails
303
304
Systemic Risk, Stress Testing, and Financial Contagion

than those predicted by normal distributions and these extreme virtually impossible realizations occur
much more often than the model predicts; hence, it is highly relevant to assess, regardless of the projected
probability of occurrence, the effect of these scenarios. 12 Notice that the white noise assumption
considerably simplifies this exercise. 13 In Mrquez-Diez-Canedo et al. (2009) the number of randomly
generated scenarios was five million. 14 In a strict sense, the probability of such extreme events is in a
different order of magnitude. 15 The CoVaR should not be confused with the
CVaR (Conditional VaR). 16 Alternatively, the CoVaR can be derived by quantile regression, as
done in Adrian and Brunnermeier (2008).
17 In a slight abuse of terminology, we will
refer to this kind of event as a failure. 18 For instance, within the context of stress testing, VAR models
reportedly perform poorly near the tails of the distribution. 19 In our case, the most recent available infor-
mation. 20 The market risk-measuring infrastructure used by Banco de Mxico was used to per-
form the valuation of the portfolio at each different scenario. 21 All expressed in differences in logs. 22
Experience in the Central Bank indicates that this variable can be important for modeling during stress
scenarios. 23 As usual, one of these dummies was dropped. 24 See Hamilton (1994). 25 See Enders
(2004).
This work was previously published in Simulation in Computational Finance and Economics, edited by Biliana Alexandrova-
Kabadjova, Serafin Martinez-Jaramillo, Alma Lilia Garcia-Almanza, and Edward Tsang, pages 181-210, copyright 2013 by
Business Science Reference (an imprint of IGI Global).
Systemic Risk, Stress Testing, and Financial Contagion

APPENDIX: GENERATION OF CONSISTENT SCENARIOS

Previous versions of this work parted from joint losses distributions, considering market and credit losses.
Once getting the joint distribution (using a copula) simulations were made to generate initial losses,
which were used as starting point to analyze the contagion process. Nevertheless, to make a more accurate
assessment of systemic risk, it has to be established a link between the real sector and banks' losses. So as
far as the previous work had gone, underlying the simulation process is the idea that something
happens, but what is that something? To attain this goal a Vector Autoregressive Model (VAR)
approach has been followed. It is widely known that VAR models allow taking into ac- count multiple
variables and their interactions in a parsimonious way so despite its limitations16 this was the
methodology followed to model the economic background underlying banks' losses. Market losses are
directly determined by some financial variables such as yield curves or stock indexes, but in their
determination, these variables interact with other real economy variables, and they are also affected by
external shocks either directly (exposition to a foreign stock index, for example) or indirectly by the effect
that these external shocks may have in the domestic variables (for example, the domestic stock index
follows closely movements of the Dow Jones index). The availability of highly detailed data about banks'
positions allows us to consider very specific condi- tions for each bank and to realistically assess the
effect of each one of these shocks in the current17 period. At any given time, given that time's financial
positions and a relatively small set of variables and risk factors18 the losses distribution is computed.
The scenarios generation process consists of three steps: the estimation of the VAR model, the estima-
tion of other complementary models to complete the scenarios to make the valuation of the position, and
finally the scenarios generation process.
1. The Macroeconomic Model
The macroeconomic model uses twelve variables. In the choice of variables was also considered which
variables interest rate have (rc), a direct the consumer impact in price possible index banks' (), real
losses. exchange The rate variables (e), unemployment used are19 Real rate GDP (u), (y
the Mex

), Mexi- Cete
can bill interest stock exchange rate (rtb), index the Dow (ipc), Jones loan stock portfolio index (TL),
(DJ), and and past the due Brazilian loans (PDL), stock index US GDP Bovespa20 (y
US

), treasury (bov). p
3 The general form of the
model is a customary VAR setting: Y t
AY iti

De
which
i

m basically states that

the set of variables in the 12x1 vector Y is jointly determined by p lagged values and dummy variables for
each quarter21 (D
m
305 = c

+ m mt +
t=
1=
1

). This model follows the spirit of structural VAR models, hence

not all variables enter as explanatory variables However, the structural constraints were (that tried to is,
some components be kept at a of matrices minimum, hence all domestic A
i

are zero).
variables
(GDP, cete rate, exchange rate, unemployment rate, inflation, stock index, loans, and past due loans)
interact with each other; additionally, all domestic variables are affected by foreign variables, but foreign
variables only are affected by other foreign variables.
Quarterly data from the second quarter of 1985 up to June of 2011 was used, and p=4, that is, the num-
ber of lags used was 4 quarters. For the estimation it was assumed that the errors were normally distrib-
uted, Maximum e
t ~N(0,), Likelihood24. where is the covariance matrix between the shocks. Coefficients were
estimated using
Table 2 shows the joint significance 2 test statistic for all the lags of a variable.
Systemic Risk, Stress Testing, and Financial Contagion

Table 2. Estimation results: Columns=dependent variables; Rows= independent variables

GDP
M,X
e rc u TL PDL IPC GDP
US
rt,b DJ Bov
GDP
M,X
122.274 (0.000)
306
7.452 (0.113)
8.504 (0.074)
17.313 (0.001)
13.294 (0.009)
7.867 (0.096)
16.710 (0.002)
18.696 (0.000)
33.282 (0.000)
19.042 (0.000)
17.076 (0.001)
4.963 (0.291)
e 5.135
(0.273)
6.512 (0.164)
32.380 (0.000)
21.129 (0.000)
5.593 (0.231)
2.965 (0.563)
34.692 (0.000)
10.475 (0.033)
11.571 (0.020)
11.511 (0.021)
3.607 (0.461)
50.646 (0.000)
rc 1.684
(0.793)
8.558 (0.073)
22.905 (0.000)
10.325 (0.035)
12.224 (0.015)
1.155 (0.885)
15.505 (0.003)
18.291 ()0.001
9.819 (0.056)
4.687 (0.320)
11.849 (0.018)
16.170 (0.002)
11.405 (0.022)
3.110 (0.539)
19.290 (0.000)
259.128 (0.000)
5.473 (0.242)
25.481 (0.000)
20.027 (0.000)
68.548 (0.000)
8.363 (0.079)
6.688 (0.153)
26.007 (0.000)
38.653 (0.000)
u 12.164 (0.016)
4.167 (0.383)
8.846 (0.063)
5.471 (0.242)
4.170 (0.383)
4.210 (0.378)
2.682 (0.612)
11.058 (0.025)
20.073 (0.000)
16.164 (0.002)
6.105 (0.191)
9.852 (0.042)
TL 18.720 (0.000)
18.355 ( 0.001)
9.686 (0.046)
51.076 (0.000)
6.843 (0.144)
78.158 (0.000)
5.943 (0.203)
66.511 (0.000)
9.538 (0.048)
2.354 (0.670)
22.456 (0.000)
9.294 (0.054)
PDL 14.475 (0.005)
12.462 (0.014)
3.426 (0.489)
29.735 (0.000)
26.898 (0.000)
26.335 (0.000)
37.471 (0.000)
13.650 (0.008)
25.533 (0.000)
8.937 (0.062)
16.498 (0.002)
3.978 (0.409)
IPC 2.800
(0.891)
14.685 (0.005)
9.724 (0.045)
7.471 (0.112)
13.608 (0.008)
10.405 (0.034)
17.843 (0.001)
7.969 (0.092)
5.265 (0.261)
1.498 (0.826)
2.080 (0.721)
20.663 (0.000)
GDP
US
6.376 (0.172)
1.074 (0.898)
5.700 (0.222)
rt,b 6.553
(0.161)
20.697 (0.000)
1.579 (0.812)
DJ 6.646
(0.155)
4.643 (0.325)
0.975 (0.913)
Bov 1.331
(0.856)
1.331 (0.856)
4.414 (0.352)
0.310 (0.989)
4.775 (0.311)
91.329 (0.000)

The impulse response functions were computed when a one standard deviations shock occurs. It was
decided to show the responses of only the most relevant variables: Figures 16, 17, 18, 19, 20, 21, show
the impulse response functions of such variables. The subtitles within each graph indicate the impulse
variable.
2. Other Variables that play a Role as Risk Factors
To complete the valuation of the market portfolio, another set of variables is required to attain the goal.
Interest rates yield curves, exchange rate, as well as some other stock indexes may have an impact in the
bank's portfolio. A more accurate modeling of these variables would require a much more complex
framework and more detailed information, and that also would be beyond the scope of this work. Never-
theless, to model changes in these variables the spreads and stock indexes were modeled independently
using autoregressive processes, and to get the interest rate curves for Cete, Tbill, and Libor, the variables
used in the structural VAR were also used along with some nodes of the curve. Once these nodes were
estimated, the curve was completed using a cubic Hermite polynomial.
Systemic Risk, Stress Testing, and Financial Contagion

Figure 16. Impulse-response functions: change in Mexican GDP when other variables change by one
standard deviation
Figure 17. Change in real exchange rate when other variables change by one standard deviation
307
Systemic Risk, Stress Testing, and Financial Contagion

Figure 18. Impulse-response functions: Change in Cete interest rate when other variables change by one
standard deviation
Figure 19. Impulse-response functions: Change in loans in good standing when other variables change
by one standard deviation
308
Systemic Risk, Stress Testing, and Financial Contagion

Figure 20. Impulse--response functions: Change in past-due-loans when other variables change by one
standard deviation
Figure 21. Change in IPC stock index when other variables change by one standard deviation
309
Systemic Risk, Stress Testing, and Financial Contagion

3. Scenario Generation
Once all the parameters were estimated, the generation of scenarios was done s imulating random shocks
and transferring the effects of the shocks using a Choleski-type decomposition of the covariance matrix
estimated from the macro model.
Formally, the structural model is assumed to include a matrix of coefficients of contemporaneous
effects:
BY t
Y
i
310
p
itit
p
itit
p=

+
,Yt
=
B
Y

+
B
,Yt
=
AY it
i+

e
t=

i
=

i
=


The implication is that, considering contemporaneous effects, and if the model is rightly specified, the
exogenous shocks are uncorrelated, that is ~ N(0,D) where D is a diagonal matrix. This allows gen-
erating the scenarios to draw independent normally distributed random numbers, and using the matrix B-1
to contemporaneously transfer the error effect to the rest of the variables, in a similar fashion to the one
used to build impulse-response functions.
The B matrix was obtained by a Choleski-type factorization of the estimated covariance matrix ().
The Each ordering realization was GDP
of US
together TBill with DJ the estimated Bov cete coefficients e GDP
determines MX
u projected TL PDL levels of the ipc.25 rel- evant variables in the model. To complete
the scenario, the interest rate curves are also affected by the same shocks (for example, the TBill curve is
affected by the same shock that affected the TBill in the VAR model) and the other variables are affected
by autonomous shocks.
Credit deserves a lengthier discussion. It seems that a greater effort was exerted on the market side of
the losses distribution, and to some extent, it is right. The fundamental problem is the disparity of the risk
horizon for both portfolios. While for market a one month horizon seems too long, for credit one month is
hardly enough for marginal changes. This is the trade-off facing all those studying the joint distribution:
to sacrifice accuracy in market position and to analyze a longer term to get significant credit effects or to
get more accurate market losses but accepting that credit losses will be low and any significant credit
effect will materialize in a few more months. We opted for the second option, and to determine the effect
of shocks in credit losses the estimator for the change in delinquency rate was used as a proxy for credit
losses weighted by current levels of delinquency rates by bank.