Manajemen Likuiditas dalam Sistem Pembayaran Nilai Besar:

Kebutuhan akan Pendekatan Kompleks Model Berbasis Agen

ABSTRAK

Dengan hadirnya Sistem Transfer Dana Antarbank Nilai Besar yang beroperasi dengan basis RTGS, masalah pengelolaan
likuiditas bank telah menjadi isu krusial dalam analisis sistem pembayaran karena keterkaitannya dengan variabel kebijakan
moneter utama, yaitu suku bunga antar bank jangka pendek. Analisis sistem RTGS masih jauh dari tugas sepele karena -
sebagian besar - kompleksitas dan endogenitas. Ini berasal dari banyaknya peserta heterogen (kompleksitas) yang biasanya
bergabung dengan suatu sistem, yang keputusannya menghasilkan efek limpahan pada sisa sistem, yang mencegah peserta
mana pun dari memecahkan masalah permintaan likuiditasnya secara terpisah (endogenitas). Model Berbasis Agen tampaknya
menyajikan beberapa keunggulan dalam menganalisis sistem pembayaran dibandingkan dengan yang didirikan mikro, serta
simulasi standar: aturan perilaku dapat diterapkan pada berbagai bank yang menentukan waktu pinjaman atau pinjaman serta
sumber likuiditas. Oleh karena itu, Agent Based Modeling tampaknya merupakan instrumen tambahan yang digunakan untuk
menganalisis hubungan antara sistem pembayaran dan berfungsinya salah satu sumber likuiditas terpenting, pasar uang antar
bank.

1. PERKENALAN

Menurut definisi yang terkonsolidasi, “sistem pembayaran terdiri dari seperangkat instrumen, prosedur perbankan, dan,
biasanya, sistem transfer dana antar bank yang menjamin sirkulasi uang di antara para pelaku ekonomi” (Bank for
International Settlement, 2001).

Bank merupakan jantung dari sistem pembayaran yang memungkinkan agen ekonomi untuk mengirimkan dana kepada rekanan
mereka baik melalui pengaturan bilateral (yaitu perbankan koresponden) atau melalui pengaturan multilateral, Sistem Transfer
Dana Antar Bank (IFTS). IFTS adalah pengaturan formal antar bank (tetapi juga terdiri dari peserta lain yang memenuhi syarat)
dan agen penyelesaian yang memegang akun penyelesaian atas nama peserta dan memberi mereka aset penyelesaian yang
diperlukan untuk memenuhi kewajiban timbal balik mereka.

Karena kepentingan sistemik mereka, IFTS bernilai besar terutama dikelola oleh bank sentral, yang memungkinkan peserta untuk menggunakan

uang tunai yang disimpan di rekening cadangan mereka untuk mendanai kewajiban pembayaran mereka. Untuk mengurangi risiko sistemik,

bank sentral secara progresif mengadopsi sistem Real Time Gross Settlement (RTGS) di mana setiap instruksi pembayaran diselesaikan secara

individual secara bruto segera setelah masuk ke sistem, asalkan bank pengirim memiliki likuiditas yang cukup pada Akun. Sistem RTGS,

meskipun secara virtual menghilangkan risiko kredit, memaksa peserta untuk menanggung biaya likuiditas yang signifikan, karena mereka perlu

memelihara aset penyelesaian yang memadai di akun mereka untuk memproses instruksi pembayaran mereka dengan lancar tanpa penundaan

yang signifikan 2.

Selain saldo yang disimpan di rekening cadangan mereka, bank mungkin bergantung pada sumber likuiditas lain: mereka dapat mengkondisikan

penyerahan pembayaran keluar untuk pembayaran masuk dari rekanan mereka; mereka dapat mengakses kredit siang hari yang biasanya

diberikan dari bank sentral; mereka juga dapat meminjam dan meminjamkan dana di pasar uang untuk mengelola ketidaksesuaian antara

pembayaran masuk dan keluar. Dengan demikian, dalam lingkungan RTGS, aktivitas pembayaran cenderung menghasilkan permintaan dan

pasokan aset penyelesaian oleh bank untuk memenuhi kebutuhan pembayaran intraday mereka dan memenuhi saldo akhir hari yang diinginkan.

1
dalam jalur pemenuhan cadangan minimum yang direncanakan. Hal ini membuat sistem RTGS dan pasar uang terjalin dengan
implikasi yang relevan untuk pelaksanaan kebijakan moneter: kurangnya likuiditas dalam sistem RTGS dapat menimbulkan kelebihan
permintaan di pasar uang baik yang mendorong suku bunga naik atau meningkatkan volatilitasnya; Di sisi lain, melemahnya pasar
uang yang disebabkan oleh peningkatan risiko kredit atau risk aversion dapat menghambat bank untuk melakukan pembayaran
keluar.

Menyelidiki bagaimana peserta RTGS memilih campuran likuiditas mereka merupakan masalah utama bagi bank sentral, yang - sejauh ini - pada dasarnya

telah diselidiki melalui alat standar yang tersedia di pembuat kebijakan dan akademisi: model teoritis neoklasik dan alat simulasi. Seperti yang ditunjukkan

di bawah secara rinci, pendekatan ini telah terbukti menawarkan wawasan yang berguna tentang fungsi sistem RTGS, tetapi tampaknya tidak sepenuhnya

dapat mengatasi semua kesulitan, yang muncul saat mempelajari perilaku bank dalam pembayaran nilai besar RTGS. sistem: khususnya, model teoritis

neoklasik menghadapi kesulitan dalam menghadapi kenyataan bahwa: 1) aliran pembayaran dalam sistem RTGS tidak mengikuti distribusi yang bagus

dari keluarga eksponensial tetapi dinamika kompleks yang sulit untuk mendapatkan solusi analitis; 2) efek spillover yang dihasilkan setiap keputusan bank

pada sistem lainnya yang mencegah peserta sistem menyelesaikan masalah permintaan likuiditasnya secara terpisah; 3) insentif bagi bank untuk memilih

campuran likuiditasnya (misalnya membayar lebih awal versus terlambat) sangat dipengaruhi oleh desain sistem yang menjadi semakin kompleks karena

pengenalan fitur penghematan likuiditas yang canggih; 4) para pemain dipengaruhi oleh tingkat heterogenitas yang tinggi. Di sisi lain, literatur empiris yang

didasarkan pada alat simulasi belum secara tepat membahas masalah endogenitas, yang muncul dalam konteks ini, dimana bank mengubah perilakunya

sesuai dengan evolusi lingkungan yang mendasarinya. 3) insentif bagi bank untuk memilih campuran likuiditasnya (misalnya membayar lebih awal versus

terlambat) sangat dipengaruhi oleh desain sistem yang menjadi semakin kompleks karena pengenalan fitur penghematan likuiditas yang canggih; 4) para

pemain dipengaruhi oleh tingkat heterogenitas yang tinggi. Di sisi lain, literatur empiris yang didasarkan pada perangkat simulasi belum secara tepat

membahas masalah endogenitas, yang muncul dalam konteks ini, di mana bank mengubah perilakunya sesuai dengan evolusi lingkungan yang

mendasarinya. 3) insentif bagi bank untuk memilih campuran likuiditasnya (misalnya membayar lebih awal versus terlambat) sangat dipengaruhi oleh

desain sistem yang menjadi semakin kompleks karena pengenalan fitur penghematan likuiditas yang canggih; 4) para pemain dipengaruhi oleh tingkat heterogenitas yang tinggi. Di

Dengan latar belakang ini, perangkat yang tersedia di pembuat kebijakan dan akademisi untuk menganalisis fungsi sistem RTGS
perlu ditingkatkan: seperti yang akan kami tunjukkan di seluruh bab ini, Pemodelan Berbasis Agen merupakan pendekatan alternatif,
yang tampaknya sangat menarik. Faktanya, Pemodelan Berbasis Agen memungkinkan untuk mewakili setiap agen ekonomi, yaitu
setiap elemen individu dari sistem dengan cara seperangkat aturan tingkat mikro yang mengatur perilakunya baik dalam isolasi
maupun dalam interaksi dengan agen lain, yang berkembang secara paralel memungkinkan munculnya dinamika tingkat makro
yang kredibel di bawah asumsi minimal tentang perilaku individu dan tanpa perlu mengoptimalkan fungsi utilitas apa pun.

Bagian selanjutnya dari bab ini diatur sebagai berikut: bagian berikutnya menyajikan tinjauan singkat literatur tentang sistem
pembayaran bernilai besar yang melihat bagaimana pengenalan sistem RTGS telah membuat tugas akademisi dan pembuat
kebijakan menjadi lebih kompleks dan menyerukan penerapan Agen. Pemodelan Berbasis sebagai cara untuk mengatasi
kelemahan alat analisis standar. Bagian 3 mengulas pilihan kontribusi utama yang ada yang berhubungan dengan sistem RTGS
yang mengandalkan Agent BasedModel. Paragraf berikut mengemukakan beberapa ide untuk meningkatkan analisis ABM sistem
RTGS dan, terakhir, bagian terakhir memberikan kesimpulan.

2. TENTANG LITERATUR SISTEM PEMBAYARAN NILAI BESAR

Endogenitas, interaksi kompleks, multiplisitas agen, dan heterogenitas tidak selalu menjadi masalah perhatian dalam
analisis sistem pembayaran bernilai besar.

Faktanya, literatur tentang sistem pembayaran bernilai besar secara alami telah berubah fokus sesuai dengan inovasi yang dilakukan oleh
bank sentral yang bertujuan untuk mempromosikan penggunaan uang bank sentral sebagai aset penyelesaian yang aman dan membatasi
ukuran risiko sistemik yang bersumber dari penyelesaian kewajiban antar bank. Sampai tahun delapan puluhan, sistem Deferred Netting
Settlement (DNS) terwakili

2
standar untuk sistem pembayaran bernilai besar di semua kecuali satu sistem keuangan canggih. Dalam sistem ini, biasanya
beroperasi secara multilateral, bank saling memberikan kredit implisit intraday dengan bertukar instruksi pembayaran sepanjang
hari operasional dan membayar (atau menerima) pada akhir hari sejumlah uang bank sentral yang sama dengan debit bersih.
(kredit) yang berasal dari pembayaran yang jatuh tempo, dan akan diterima dari, semua bank lain yang berpartisipasi dalam
sistem.

Dalam sistem DNS, masalah manajemen likuiditas bendahara bank hampir sederhana: ia harus meminjam atau meminjamkan di
pasar uang sejumlah simpanan yang diperlukan untuk memenuhi tingkat saldo akhir hari yang diinginkan, dengan
memperhitungkan saldo harian. arus masuk bersih kumulatif yang berasal dari kewajiban pembayarannya. Angelini (2000)
membangun model yang dikalibrasi di pasar antar bank Italia dan di SIPS, sistem pembayaran operasi bernilai besar netting yang
beroperasi pada saat makalah ditulis, di mana perilaku optimal intraday di pasar uang bergantung pada informasi yang tersedia.
dari dua variabel utama stokastik: saldo kliring akhir hari yang diinginkan dan suku bunga jangka pendek, biasanya suku bunga
semalam.

Model oleh Angelini menegaskan bagaimana manajemen likuiditas intraday adalah masalah kecil dalam sistem DNS: bank
mengandalkan informasi berbasis layar pada pembayaran masuk yang disediakan oleh operator sistem netting hanya untuk
mendapatkan perkiraan informasi tentang akhir hari mereka. saldo. Di sisi lain, masalah endogenitas juga tidak menjadi masalah
ketika menyelidiki risiko sistemik yang biasanya terkait dengan sistem DNS bernilai besar (Humphrey, 1996). Faktanya, dalam
sistem seperti itu, kegagalan satu peserta untuk memenuhi kewajiban bersihnya di penghujung hari secara rutin diselesaikan
melalui prosedur yang disebut pembatalan. Dalam pembatalan, semua transaksi orang yang mangkir dikecualikan dari kalkulus
saldo bersih, yang dihitung ulang dengan mempertimbangkan hanya transaksi bank non-default. Saldo yang direvisi mungkin
sangat berbeda dari yang diharapkan oleh bank jika tidak ada default dan dapat menyebabkan bank lain gagal memenuhi
kewajiban pembayaran baru mereka. Jika demikian, prosedur pelepasan diulangi sampai semua bank yang selamat dapat
membayar saldo bersih mereka. Beberapa default mungkin muncul sebelum ini terjadi: efek domino yang dipicu oleh default
pertama mewujudkan risiko sistemik ke dalam krisis sistemik.

Menganalisis risiko sistemik dalam sistem jaring tidak memerlukan asumsi perilaku dan oleh karena itu, merupakan tugas yang lebih
mudah daripada berurusan dengan sistem Real Time Gross Settlement (RTGS): solusi analitis mudah diperoleh, dan model yang relatif
sederhana dapat memberikan wawasan tentang dampaknya dari default peserta dengan hanya menghapus dari sistem semua instruksi
pembayaran yang melibatkan agen sebagai pengirim atau penerima. Wanprestasi berikutnya terjadi pada peserta yang posisi debet
bersih multilateral yang direvisi melebihi atau sama dengan modal yang tersedia.

Ketika pada akhir tahun delapan puluhan mayoritas bank sentral mulai mempromosikan migrasi sistem pembayaran bernilai besar
dari sistem DNS menuju modalitas penyelesaian alternatif, sistem RTGS, dengan tujuan untuk mengurangi tingkat risiko sistemik
yang tinggi yang ditimbulkan dalam sistem DNS, tugas pembuat kebijakan dan akademisi yang tertarik pada sistem pembayaran
bernilai besar menjadi semakin kompleks.

Sistem yang beroperasi dalam mode RTGS menyelesaikan setiap pembayaran secara terus menerus dalam waktu nyata, secara individual,
tanpa netting debet terhadap kredit (yaitu secara bruto), segera setelah masuk, dengan mentransfer uang bank sentral dari rekening
pembayar, asalkan ada likuiditas yang cukup di rekening penyelesaiannya, ke rekening penerima pembayaran. Ketika bank pengirim tidak
memiliki saldo yang mencukupi, instruksi pembayaran biasanya dimasukkan ke dalam antrian dan dikirimkan kembali oleh sistem setiap kali
likuiditas pada akun pembayar diisi ulang.

3
Dibandingkan dengan sistem DNS, mode RTGS secara virtual menghilangkan risiko kredit dengan memberikan penyelesaian
pembayaran sepanjang hari, tetapi membuat sistem likuiditas serakah, karena bank perlu menjaga likuiditas yang cukup sepanjang
hari operasional untuk segera menyelesaikan kewajiban pembayaran mereka. .

Pernyataan ini berlaku terutama jika kita mengingat bahwa kebutuhan likuiditas intraday, yang timbul dari
ketidaksesuaian waktu antara pembayaran masuk dan keluar, biasanya merupakan kelipatan dari kebutuhan
likuiditas akhir hari, yang pada gilirannya biasanya berukuran terbatas. , karena bank cenderung memuluskan saldo
akhir hari mereka selama periode pemeliharaan cadangan. Untuk memenuhi kewajiban penyelesaian intraday
mereka, peserta dalam sistem RTGS memiliki empat kemungkinan sumber dana alternatif: (a) saldo kas disimpan di
rekening bank sentral, (b) fasilitas kredit yang diberikan oleh bank sentral, (c) transfer masuk dari bank lain, dan (d)
simpanan yang dipinjam dari bank lain melalui pasar uang. Sementara saldo kas biasanya terkait dengan
persyaratan cadangan yang diberlakukan untuk tujuan kebijakan moneter dan tidak memerlukan biaya tambahan
apa pun yang secara langsung dapat dialamatkan untuk berfungsinya sistem pembayaran, tiga sumber lainnya
memerlukan biaya berbeda yang coba diminimalkan oleh bank dengan memilih campuran terbaik. antara biaya
penyelesaian kewajiban pelanggan dan operasi milik mereka sendiri. Jalur kredit siang hari oleh bank sentral
diberikan baik tanpa jaminan atau jaminan penuh, masing-masing menjadi biaya biaya eksplisit atau biaya peluang
pemberian jaminan. Transfer masuk dari rekanan mungkin melibatkan biaya penundaan penyelesaian, baik dalam
hal biaya eksplisit yang harus dibayarkan kepada pelanggan mereka atau biaya reputasi. Akhirnya,

Ketergantungan sistem RTGS pada pasar uang sebagai sumber pendanaan menciptakan hubungan yang erat antara variabel-variabel kunci

kebijakan moneter dengan pengelolaan likuiditas yang dilakukan oleh bank dalam lingkungan RTGS, sebagaimana juga ditegaskan oleh sejumlah

kontribusi empiris yang menunjukkan bagaimana perilaku bank. bank komersial di pasar uang bergantung antara lain pada kebutuhan likuiditas

intraday yang mereka hadapi untuk menyelesaikan pembayaran dalam sistem RTGS.

Di antara kontribusi tersebut, Ashcraft dan Duffie (2007) menemukan hubungan yang signifikan antara probabilitas untuk bertindak di
pasar uang semalam dan saldo likuiditas yang dimiliki oleh bank, menunjukkan bahwa partisipan yang saldonya pada titik waktu tertentu
pada hari kerja tertentu adalah lebih tinggi dari yang dimiliki pada waktu yang sama di masa lalu lebih cenderung menjadi pemberi
pinjaman kepada pihak lawan; sebaliknya, saldo yang lebih rendah dari rata-rata meningkatkan kemungkinan individu menjadi
peminjam.

Klee (2007) menganalisis pengaruh penghentian operasional dalam sistem Fedwire pada deviasi tingkat dana federal (yaitu tingkat
semalam dinegosiasikan di pasar oleh bank) dari tingkat kebijakan, tingkat target FOMC; Penulis menemukan bahwa pemadaman
operasional yang melibatkan partisipan besar dalam hal volume yang dikirimkan ke sistem dan waktu terjadinya pemadaman
operasional berhubungan positif dengan penyimpangan dari tarif kebijakan.

Dia memotivasi temuan ini dengan alasan bahwa pemadaman operasional adalah sumber ketidakpastian tentang saldo
akhir hari: bank yang tidak menerima dana dari pihak lawan yang terkena tekanan operasional takut mereka tidak akan
mencapai tingkat saldo semalam yang diinginkan pada akhir hari, memaksa mereka untuk membeli dan meminjamkan dana
di pasar. Pilihan singkat - mungkin - tidak lengkap dari bukti empiris menegaskan peran sentral dari analisis manajemen
likuiditas untuk kelancaran fungsi sistem pembayaran - yang mana bank sentral tertarik dengan peran pengawasan mereka
- dan volatilitas serta tingkat kepentingan suku bunga yang dinegosiasikan di pasar uang yang merupakan variabel yang
secara langsung ditargetkan oleh bank sentral dalam melaksanakan kebijakan moneter. Dengan latar belakang ini, terlihat
bahwa dengan munculnya era RTGS,

4
di satu sisi mereka perlu mempelajari bagaimana desain sistem dan biaya dari empat sumber likuiditas mempengaruhi perilaku peserta
dan kinerja sistem; di sisi lain, mereka perlu mengukur tingkat likuiditas yang tepat yang harus dipelihara oleh sistem pembayaran untuk
memungkinkan kelancaran fungsinya dan menghindari pengaruh buruk pada tingkat bunga jangka pendek. Untuk mengatasi masalah ini,
para peneliti mengandalkan menggunakan dua pendekatan berbeda: model dan simulasi microfounded. Di antara model yang didirikan
mikro, Angelini (1998), mulai dari literatur tentang permintaan kehati-hatian untuk cadangan, membangun model teoritis permainan dan
menganalisis mekanisme insentif yang beroperasi di lingkungan RTGS dan dampaknya terhadap perilaku variabel kebijakan moneter
utama, seperti bunga semalam tingkat dan cadangan. Dia menunjukkan bahwa jika kredit siang hari mahal, kemudian bank akan secara
optimal menunda pembayaran keluar mereka sampai biaya marjinal penundaan yang dirasakan sama dengan biaya marjinal likuiditas
siang hari. Sementara strategi semacam itu mengurangi perkiraan biaya pemrosesan pembayaran untuk bank pembayar, ia juga
cenderung meningkatkannya untuk bank penerima pembayaran.

Karena setiap bank memiliki insentif untuk menunda pembayaran keluarnya, mekanisme redistribusi likuiditas dapat
terhambat dan ini berpotensi menyebabkan kemacetan sistem. Untuk menghindari hasil seperti itu, kredit siang hari
dengan kondisi murah harus diberikan. Bech dan Garrat (2002) mengkonfirmasi temuan Angelini yang
mengandalkan permainan Bayesian, di mana setiap bank memiliki pengetahuan pribadi tentang permintaan
pembayarannya sendiri. Mereka mempelajari mekanisme insentif yang terkait dengan berbagai kebijakan kredit
intraday bank sentral dan menunjukkan bahwa dalam beberapa keadaan, bank mungkin efisien secara sosial untuk
menunda pembayaran. Penemuan teoritis ini secara empiris dikonfirmasi oleh McAndrews dan Rajan (2000),
McAndrews dan Potter (2002), dan Armantier et al. (2008): menggunakan data dari sistem US RTGS FEDWIRE,

Model yang didirikan secara mikro, à la Angelini, telah terbukti efektif dalam memberikan wawasan tentang kebijakan yang harus diikuti oleh bank

sentral ketika memberikan kredit intraday dan dapat memberikan saran bagaimana merancang sistem agar bank tidak melakukan perilaku oportunistik

sehingga menghambat daur ulang likuiditas dalam sistem. (yaitu menetapkan pedoman throughput, yang mengharuskan peserta untuk menyerahkan

bagian tertentu dari pembayaran keluar mereka sebelum batas waktu yang ditentukan sebelumnya).

Namun, model teoritis seperti itu mungkin tidak menawarkan panduan yang memadai dalam masalah kehidupan nyata lainnya,

misalnya dalam menghitung jumlah likuiditas yang harus dimiliki peserta untuk menyerahkan pembayaran keluar mereka tanpa penundaan
yang tidak semestinya atau kebutuhan likuiditas tambahan yang dihadapi oleh peserta sistem jika terjadi gangguan pada tingkat peserta
karena asumsi yang disederhanakan yang saat ini diberlakukan4 membuat model ini kesulitan untuk mengatasi kompleksitas yang berasal
dari tingginya jumlah pemain yang heterogen (yaitu jumlah peserta), jumlah besar transaksi pembayaran yang diproses, sejumlah besar
parameter yang menggambarkan perilaku peserta yang membuat solusi analitis menjadi tidak praktis ketika berhadapan dengan kumpulan
data nyata. Kenyataannya, bahkan model struktural yang menggambarkan perilaku optimal dapat - dengan teknologi canggih - hampir
tidak dapat dikalibrasi dan diadaptasi ke lingkungan seperti itu.

Selain itu, seiring berjalannya waktu, sistem RTGS telah berevolusi dari sistem RTGS vanilla polos asli (McAndrews &
Trundles, 2001), yang semakin diperkaya dengan fitur penghematan likuiditas (mekanisme antrian, algoritme
pengoptimalan, batas bilateral, reservasi ' fasilitas), yang menambah derajat kompleksitas ke sistem, mempengaruhi
perilaku peserta dan membuat sistem semakin sulit untuk direplikasi dengan pengaturan teori neoklasik atau permainan
yang bergaya. Untuk mengatasi kekurangan ini, peneliti dan pembuat kebijakan telah mengalihkan perhatian mereka ke
alat simulasi yang mampu meniru pengaturan pembayaran yang ada atau fiktif dan, jika diberi makan dengan kumpulan
data nyata, meniru proses penyelesaian hari kerja aktual dalam kehidupan sistem pembayaran. Dengan memodifikasi set
data masukan – mis

5
yang disimulasikan untuk gagal - atau desain sistem, adalah mungkin untuk membangun skenario kontrafaktual dan
mengevaluasi keputusan kebijakan. Alat yang paling populer sejauh ini adalah Simulator Sistem Pembayaran Bank Finlandia
Bof-PSS25, yang dapat mereplikasi berbagai macam sistem pembayaran bernilai besar, berfungsi baik sendiri atau dalam
koneksi dengan sistem (tambahan) lain. Ketersediaan BofPSS2 - yang diadopsi oleh 80 pengguna di antara bank sentral,
akademisi, dan organisasi kliring per Agustus 2010 (Hellqvist, 2010) - telah memunculkan banyak penelitian yang bertujuan,
antara lain, untuk mengukur efek tingkat likuiditas yang berbeda pada kinerja sistem (Leinonen & Soramaki, 1999; Hejimans,
2009) atau pemadaman operasional yang terjadi pada tingkat peserta (Bedford, 2004; Glaser & Haene, 2007). Kelemahan
utama dari rangkaian literatur yang didasarkan pada BoF-PSS2 ini adalah bahwa setiap tindakan yang dilakukan peserta
dalam latihan simulasi ditentukan secara eksogen sebelum dimulainya simulasi hari operasional6. Ini berarti bahwa, ketika
sebuah peristiwa, seperti default, disimulasikan untuk terjadi, partisipan artifisial tidak menyesuaikan perilakunya sesuai
dengan skenario baru: dengan kata lain, studi ini secara umum termasuk dalam argumen kritik Lucas.

3. SIMULASI SISTEM PEMBAYARAN DENGAN PEMODELAN BERBASIS AGEN

Cara yang menjanjikan untuk memperkenalkan endogenitas dalam analisis sistem pembayaran dan pada saat yang sama mereproduksi

kompleksitas yang tidak dapat diatasi oleh model yang didirikan oleh mikro adalah dengan menggunakan Model Berbasis Agen (ABM). Faktanya,

Pemodelan Berbasis Agen memungkinkan adanya beberapa agen, kepada siapa aturan perilaku ditetapkan.

Aturan keputusan ini dapat menentukan perilaku baik dalam isolasi maupun dalam interaksi dengan agen lain; mereka dapat
bergantung pada karakteristik agen dan diaktifkan secara berkala atau pada kondisi pasar yang berlaku dan dipicu sesuai
dengan evolusi beberapa variabel pasar (misalnya, ketidakseimbangan pada rekening kas sendiri, dinamika suku bunga, dan
sebagainya).

Interaksi agen yang berbeda menentukan kondisi pasar, yang pada gilirannya akan mempengaruhi perilaku agen selanjutnya.
Dalam menerapkan ABM ke sistem pembayaran, dimungkinkan untuk menetapkan aturan perilaku juga di bidang manajemen
likuiditas, yang menentukan cara agen memilih sumber likuiditas serta waktu dan kondisi pinjaman atau pinjaman.

Model Berbasis Agen memungkinkan untuk mendukung masalah likuiditas dalam simulasi. Meskipun literatur ABM yang berhubungan dengan

sistem pembayaran masih langka, sedikit kontribusi yang dihasilkan sejauh ini menunjukkan bahwa ada beberapa bidang di mana ABM dapat

terbukti dapat menjadi alat simulasi yang berguna untuk analisis sistem pembayaran, yang memungkinkan adanya manajemen likuiditas yang

endogen8. Pertama, ABM dapat digunakan dalam analisis sistem pembayaran untuk memperdalam pemahaman tentang strategi pendanaan

dalam sistem RTGS serta untuk mengevaluasi efisiensi sistem: Galbiati dan Soramaki (2011) menganalisis trade off yang dihadapi bendahara

setiap kali pergantian - dan arus keluar membuat saldo kas mereka tidak mencukupi untuk segera menyelesaikan jumlah yang jatuh tempo.

Bank harus memilih antara meminjam likuiditas atau mengantri pembayaran, menunggu dana masuk. Dalam kedua kasus, agen menanggung

biaya: jika mereka meminjam uang, mereka harus membayar bunga atas pinjaman mereka, jika mereka menunda pembayaran, mereka harus

menghadapi biaya penundaan tidak langsung yang timbul dari hilangnya reputasi atau denda eksplisit yang diterapkan oleh rekanan mereka.

Karena penundaan partisipan dapat menyebabkan masalah likuiditas dari counterparty-nya, simulasi memungkinkan untuk menemukan interaksi

dari strategi individualis yang saling berhubungan secara ketat satu sama lain. Agent BasedModeling memungkinkan dalam hal ini

6
memberi peserta aturan perilaku yang menentukan pilihan mereka antara beralih ke penyediaan likuiditas eksternal atau
mengantri dan menunggu likuiditas internal tiba.

Simulasi mengandalkan fungsi biaya, yang memberikan keseluruhan biaya yang ditanggung oleh bank untuk setiap tingkat likuiditas
pinjaman eksternal. Diasumsikan bahwa peserta hanya dapat memilih satu kali dalam sehari untuk likuiditas eksternal yaitu di awal
hari, sehingga sebelum proses penyelesaian harus memutuskan berapa dana yang ingin dikumpulkan. Oleh karena itu, biaya bank
secara keseluruhan diberikan oleh penalti atas keterlambatan serta biaya peningkatan likuiditas eksternal di awal hari. Alih-alih
mengambil setiap hari sebagai pengalaman yang terpisah, permainan berulang diperkenalkan di mana tingkat awal likuiditas harian
yang dipilih oleh masing-masing bank bergantung pada ekspektasi dari pilihan pelaku pasar lainnya (permainan fiktif).

Penulis menemukan bahwa untuk tingkat perantara dari biaya penundaan unit, tingkat likuiditas eksternal agregat
dalam ekuilibrium lebih rendah dari yang optimal. Inefisiensi sistem dihasilkan dari perbandingannya dengan
ekuilibrium optimal sosial, di mana agen meminimalkan total biaya sosial dari semua pelaku pasar, bukan biaya
mereka sendiri. Tingkat penyerapan likuiditas yang tidak efisien tampaknya disebabkan oleh biaya penundaan yang
relatif rendah per setiap unit likuiditas dibandingkan dengan biaya likuiditas eksternal, yang menumbuhkan
tumpangan bebas dan menentukan pendanaan likuiditas eksternal yang kurang optimal. Untuk tingkat kritis biaya
unit tunda, penulis menyelidiki apakah dalam jaringan yang lebih kecil dan sederhana, efisiensi yang lebih besar
dapat diharapkan.

Penurunan jumlah partisipan, sementara ukuran sistem tetap konstan, akan meningkatkan efisiensi lebih jauh lagi, karena
penyediaan likuiditas akan mendapatkan keuntungan dari efek 'liquidity pooling'. Kedua, ABM dapat digunakan untuk menarik
pelajaran untuk membentuk desain Sistem Pembayaran Nilai Besar. Faktanya, ABM dapat memfasilitasi evaluasi dampak
kebijakan baru atau aturan yang berfungsi yang secara langsung melibatkan atau berdampak pada keputusan pendanaan
endogen peserta, karena memungkinkan untuk menilai dampaknya terhadap berfungsinya sistem dan pada perilaku peserta.
Oleh karena itu, pembuat kebijakan dapat menguji efek putaran kedua, yang mungkin timbul dari interaksi perilaku pelaku
pasar dan yang mungkin sulit diukur sebelumnya.

ABMusage untuk tujuan tersebut dieksploitasi oleh Markose et al. (2011), yang menggunakan Model Berbasis Agen untuk
mengevaluasi pengenalan aturan kebijakan yang memungkinkan bank untuk meminjam dana yang tidak dijaminkan, terhadap
pembayaran bunga, dari Bank Sentral setiap saat sepanjang hari. Karena pekerjaan ini menyelidiki dampak dalam hal sirkulasi
likuiditas dari aturan kebijakan yang berbeda, kertas dapat ditempatkan di aliran kontribusi "berorientasi kebijakan". Dua kerangka
alternatif disimulasikan: dalam kelompok simulasi pertama, yang termasuk dalam kerangka kerja “pembukaan likuiditas”, bank dapat
menarik likuiditas yang dijaminkan dari Bank Sentral hanya di awal hari; pada kelompok kedua, pengaturan "likuiditas tepat waktu",
bank dapat meminjam dana yang tidak dijaminkan kapan saja sepanjang hari sesuai dengan kebutuhan mereka, terhadap
pembayaran bunga. Tidak ada permainan berulang yang diramalkan; setiap hari merupakan simulasi terpisah dengan tingkat likuiditas
pembukaan baru yang ditetapkan secara eksogen atau parameter baru dari fungsi biaya pinjaman intraday.

Masing-masing dari dua sistem alternatif memiliki aturan perilaku mereka sendiri, yang dijaga agar tetap konstan di seluruh simulasi.
Lebih khusus lagi, keputusan bank mengenai tingkat likuiditas awal yang akan diagunkan di pagi hari tidak dimodelkan dan nilai awal
yang berbeda untuk saldo awal pada setiap simulasi independen satu hari ditetapkan secara eksogen; aturan perilaku diperkenalkan
untuk menentukan trade-off antara mengantri pembayaran dan membutuhkan likuiditas eksternal ekstra intraday. Penundaan optimal
bank adalah

7
ditentukan dengan meminimalkan biaya total ini. Demi kesederhanaan, aturan keputusan antara penundaan atau penggalangan dana tidak

memperhitungkan kemungkinan untuk menggunakan kembali pembayaran yang masuk untuk menyelesaikan pembayaran yang diantrekan dan

mengurangi penundaan, sehingga pilihan bank adalah keputusan likuiditas kotor daripada bersih. Membandingkan dua kerangka kerja untuk

jumlah likuiditas eksternal yang sama, sistem "likuiditas pembukaan" tampak lebih efisien likuiditas daripada sistem "likuiditas tepat waktu", karena

persentase akumulasi dari nilai pembayaran yang diselesaikan untuk setiap waktu tertentu sepanjang hari lebih tinggi ketika likuiditas dipinjam

dalam satu hari sesuai dengan kebutuhan bank10. Hasil ini mungkin ditujukan pada fakta bahwa dalam kerangka kedua, bank meminjam lebih

banyak uang daripada yang dibutuhkan secara efektif, karena pembayaran yang masuk tidak terjaring (lihat Gambar 1).

Selanjutnya, dalam masing-masing dari dua kerangka kerja ("likuiditas pembukaan" dan "likuiditas tepat waktu"), kinerja sistem diuji
untuk dua aturan pemrosesan antrian: pendekatan FIFO (pertama masuk pertama keluar) meminimalkan nilai pembayaran tertunda dan
kriteria prioritas ukuran (pertama yang terkecil) meminimalkan volumenya. Efek kemacetan terbukti lebih mungkin terjadi pada kasus
kedua. Alasan ketiga untuk Agent BasedModelling dalam sistem pembayaran terletak pada penilaian stabilitas keuangan lapangan.
Sejak ledakan krisis keuangan 2007, dan bahkan lebih setelah keruntuhan Lehman, para pembuat kebijakan telah mencurahkan lebih
banyak perhatian pada masalah stabilitas keuangan.

Saling ketergantungan antara perantara telah dengan jelas dikenali sebagai saluran penularan dan, oleh karena itu, sebagai
sumber utama risiko sistemik. Secara khusus, partisipan yang penting secara sistemik dan infrastruktur pasar telah
diindikasikan sebagai titik penghubung dari beberapa aliran ekonomi dan akibatnya terekspos pada risiko sistemik. Pembuat
kebijakan di seluruh dunia telah memperkuat pengawasan makroprudensial dan pengawasan infrastruktur pasar dengan tujuan
untuk menjaga tingkat risiko sistemik tetap terkendali untuk mengambil intervensi pencegahan setiap kali potensi risiko
terwujud.

Gambar 1. Trade off antara likuiditas diposting dan waktu tertimbang penundaan (2011 Bank of England)

8
Sistem pembayaran bernilai besar - yang menghubungkan perantara, infrastruktur, dan platform pasca-perdagangan - mewakili salah satu

infrastruktur pasar yang paling penting karena kemungkinan penundaan atau kegagalan penyelesaian dari satu atau lebih peserta dapat

memiliki efek bola salju karena saling ketergantungan yang ketat di dalam para pesertanya.

Seperti disebutkan di paragraf sebelumnya, banyak literatur yang menggunakan simulasi telah bermunculan untuk menilai ketahanan
sistem jika terjadi guncangan yang memengaruhi ketersediaan likuiditas peserta sistem pembayaran. Dalam latihan pengujian tekanan ini,
pembayaran yang dilakukan dari bank yang mengalami gagal bayar atau penghentian operasional, akan dibatalkan begitu saja.

Untuk memperkenalkan reaksi peserta, biasanya diasumsikan bahwa setelah waktu tertentu, bank lain menjadi sadar
akan kesulitan peserta yang gagal bayar dan berhenti mengirim pembayaran: pembayaran yang masuk dari bank
yang gagal dari pelaku pasar lain oleh karena itu dihapus juga . Namun, aliran likuiditas sisa, antar bank yang belum
terpengaruh oleh

padam, tetap tidak berubah. Bahkan bank-bank tersebut, yang akan menerima pembayaran yang masuk dari peserta yang gagal
bayar, tidak seharusnya mengubah perilaku pembayaran mereka terhadap pasar lainnya, yang merupakan asumsi yang agak
membatasi dan berlawanan dengan intuisi. Jenis pengujian stres ini adalah semacam simulasi statis default dan tidak menangkap
dampak peristiwa penting seperti default bank pada perilaku pelaku pasar lainnya. Dalam hal ini, dapat berspekulasi bahwa efek
yang ditangkap oleh simulasi ini bias, karena mengabaikan untuk mempertimbangkan efek "sampingan" dari peristiwa tersebut,
menimbulkan risiko melebih-lebihkan ketahanan sistem pembayaran yang sedang dinilai. Pemodelan Berbasis Agen dapat
digunakan untuk memperhitungkan bahwa, jika pelaku pasar gagal bayar, perilaku bank lain dapat terpengaruh karena mereka
tidak menerima pembayaran masuk yang sebenarnya mereka terima dan yang berkontribusi untuk mendanai pembayaran keluar
mereka. Jika tidak ada pembayaran masuk seperti itu, bank kemungkinan besar akan mengubah perilaku mereka

strategi, dimodelkan dalam hal fungsi biaya dan trade-off antara meningkatkan likuiditas dan menunda pembayaran. Misalnya,
Arciero et al. (2009) menggunakan ABM untuk menjalankan simulasi default, dalam model yang memperhitungkan sistem
pembayaran dan pasar uang yang disesuaikan. Mereka mensimulasikan sistem berbasis debit langsung dengan sangat sedikit
pelaku pasar, di mana setiap peserta diberkahi dengan kas awal harian dan saldo jaminan. Model tersebut dikalibrasi dengan
data BI-REL, sistem penyelesaian bruto Italia pada tahun 2007: lima bank model dihasilkan dengan menciutkan jumlah peserta
yang lebih banyak. Saldo kas awal berasal langsung dari saldo awal yang disimpan di sistem RTGS, sedangkan saldo agunan
pembukaan diperkirakan mulai dari maksimal jaminan yang dijaminkan di bank sentral untuk keperluan kredit intraday.

Pembayaran antar bank dilakukan untuk setiap peserta melalui tiga penarikan acak dari distribusi seragam: yang pertama
menentukan apakah pembayaran dilakukan atau tidak, yang kedua jumlah persisnya dan yang ketiga untuk penerima. Aturan
perilaku agen mana pun mengharuskannya untuk menghitung saldo akhir hari yang diharapkan pada setiap tik dari jam internal
model, yaitu likuiditas yang diharapkan peserta untuk disimpan pada penutupan hari perdagangan di rekening kas sendiri. . Itu
termasuk:
1) tingkat likuiditas awal; 2) semua arus masuk dan keluar sudah diselesaikan; 3) semua pembayaran masuk dan keluar yang
tertunda. Jika nilai kewajiban jatuh tempo lebih tinggi dari saldo yang sebenarnya sehingga tidak dapat segera diselesaikan, agen
dapat menjaminkan jaminan di Bank Sentral untuk menerima kredit intraday selama memiliki jaminan yang cukup. Setelah
menghabiskan seluruh dana abadi agunannya dan asalkan nilai pembayaran keluar lebih tinggi dari akhir hari saat ini dan yang
diharapkan

9
saldo, bank beralih ke pasar uang untuk mengumpulkan dana yang hilang. Pencocokan maksud yang berlawanan di pasar
uang hanya berdasarkan kuantitas: jika likuiditas yang diharapkan dari pelaku pasar yang dipilih secara acak sama atau lebih
tinggi dari setoran yang diminta, kesepakatan pasar uang akan dilaksanakan; jika tidak, transaksi pembayaran akan tertunda
dan permintaan deposit dialihkan ke bank yang dipilih secara acak.

Setelah sejumlah pentalan tertentu, pembayaran dianggap belum diselesaikan dan dihapus dari perkiraan saldo akhir hari.
Jika nilai pembayaran jatuh tempo lebih tinggi dari saldo saat ini tetapi lebih rendah dari perkiraan likuiditas akhir hari,
pembayaran akan ditunda dan antri, menunggu dana masuk baru untuk mengisi kembali likuiditas yang diharapkan.

Pembayaran akan secara otomatis dikirim kembali ke proses penyelesaian di centang berikut, ketika saldo kas saat ini mungkin
bervariasi untuk efek pembayaran yang masuk: jika likuiditas sekarang tersedia, pembayaran yang tertunda akan diselesaikan secara
otomatis. Sebuah default diperkenalkan dengan membiarkan bank beralih dari perilaku operasional normal ini ke tidak aktif. Pada
awalnya, pelaku pasar lainnya tidak mengetahui kejadian tersebut: mereka terus mengirimkan pembayaran ke bank yang gagal bayar
dan termasuk pembayaran yang masuk di masa mendatang dari bank tersebut dalam ekspektasi likuiditas mereka.

Setelah jangka waktu tertentu, yaitu setengah jam, peserta mendapatkan pengetahuan tentang kegagalan tersebut, berhenti
mengirim pembayaran ke peserta tersebut dan memperbarui saldo akhir hari mereka dengan menghilangkan pembayaran
yang tertunda dari agen yang gagal. Karena saldo akhir hari memengaruhi perilaku peserta terhadap pelaku pasar mana pun,
default bank yang menyebabkan penyesuaian kembali saldo akhir hari yang diharapkan juga berdampak pada perilaku
terhadap pasar lainnya. Penulis menemukan bahwa segera setelah default, saldo akhir hari yang diharapkan dari pelaku pasar
lainnya meningkat oleh arus masuk yang tertunda, yang diharapkan berasal dari bank yang gagal bayar. Untuk menghadapi
pembayaran keluar sendiri, setelah menggunakan seluruh dana abadi jaminan untuk mendapatkan kredit intraday dari Bank
Sentral, aktivitas pasar uang ditingkatkan. Penundaan pembayaran masuk yang diharapkan dari bank yang gagal bayar mulai
terakumulasi, hingga saat di mana, melalui proses acak, agen lain mulai menyadari default.

Arus masuk yang tertunda dialihkan ke kredit macet dan dihilangkan dari perkiraan saldo akhir hari. Menariknya dalam
simulasi, intervensi dari lender of last resort diperlukan untuk membantu peserta pasar yang selamat untuk mengatasi
kondisi stres dan kerugian, menghindari default konsekuensial dalam pusaran penularan. Penjelasan yang mungkin untuk
ketidakmampuan sistem untuk kembali secara otomatis ke keseimbangan tanpa intervensi eksternal adalah bahwa jumlah
agen dalam model simulasi sangat terbatas; karena kepentingan relatif satu bank adalah rata-rata 20% dari keseluruhan
pembayaran, kegagalan salah satunya akan menyiratkan default dari persentase pembayaran yang relatif tinggi, yang akan
sulit diatasi oleh bank-bank lainnya.

4. PEMODELAN BERBASIS AGEN DI PASAR DAN SISTEM PEMBAYARAN: BAGAIMANA KE DEPAN?

Tiga kontribusi ABM yang ditinjau di paragraf sebelumnya menyaksikan potensi besar dari pendekatan ini, tetapi masih dipengaruhi oleh
kelemahan yang membatasi penggunaannya pada tempat yang lebih praktis. Berikut ini, beberapa petunjuk dibahas tentang bagaimana
model dapat diperpanjang.

Pelaksanaan efisiensi Galbiati dan Soramaki yang menarik dapat diperpanjang dengan memungkinkan pelaku pasar kembali
ke likuiditas eksternal lebih dari sekali per hari, dengan mengandalkan sumber-sumber yang tersedia setiap saat selama hari
operasional. Di antara opsi yang memungkinkan, penulis dapat memilih kredit intraday Bank Sentral atau mobilisasi
cadangan. Beralih dari intraday ke

10
Dalam jangka waktu semalam, mereka dapat menjajaki kemungkinan untuk mengubah kredit intraday menjadi fasilitas tetap
atau beralih ke pasar uang antar bank. Khususnya, keterkaitan dengan pasar antar bank akan memperkenalkan konsep
sirkulasi likuiditas, sehingga model tersebut dapat digunakan dengan baik untuk menilai efisiensi redistribusi sistem. Dengan
cara ini, sistem simulasi dapat kurang terisolasi dari sumber likuiditas lainnya yang tersedia di bank. Perkembangan tambahan
dari makalah ini juga dapat dibayangkan dengan maksud untuk menjelaskan lebih lanjut dua hasil utama: 1) efisiensi yang
lebih rendah dari pendekatan individualistik terhadap likuiditas menuju minimalisasi biaya total likuiditas sosial; 2) penurunan
efisiensi yang terjadi saat bertambahnya jumlah dan jumlah peserta Sistem Pembayaran.

Mengacu pada hasil pertama, mengingat peningkatan progresif aliran menetap di LVPS, akan menarik untuk menguji apakah dan
sejauh mana peningkatan jumlah pembayaran memperburuk hasil dari perilaku individualistik dibandingkan dengan keseimbangan
optimal sosial. Model ini dapat berkontribusi jika ada pembuat kebijakan yang bermaksud untuk mengkalibrasi tingkat insentif yang
tepat untuk diperkenalkan dalam Sistem Pembayaran untuk merangsang peserta mengelola likuiditas secara kolektif daripada
fungsi optimalisasi individual. Karena pengurangan jumlah peserta ke suatu Sistem Pembayaran, dengan tetap mempertahankan
total omset tidak berubah mungkin karena adanya peningkatan tiering sistem, yaitu adanya keputusan beberapa bank tidak
mengakses LVPS secara langsung tetapi secara tidak langsung melalui peserta langsung. yang bertindak sebagai agen, model
juga dapat diperpanjang secara menarik untuk menyertakan peserta tidak langsung jenis kedua ini. Dengan cara ini, akan mungkin
untuk menguji apakah efek "penggabungan likuiditas" dari hasil kedua makalah masih berlaku atau apakah pemeringkatan
memperkenalkan beberapa efek agregat baru.

Perluasan dari Markose et al. model dapat dibayangkan dalam beberapa arah. Aliran pertama perkembangan dapat terletak pada peralihan dari rezim

likuiditas kotor ke bersih: aturan keputusan antara penundaan atau penggalangan dana harus mempertimbangkan kemungkinan untuk menggunakan

kembali pembayaran yang masuk untuk menyelesaikan pembayaran yang diantrekan dan mengurangi penundaan.

Hal ini akan berangkat dari aturan praktis sederhana yang menetapkan penundaan optimal, yang saat ini hanya bergantung pada likuiditas
yang tersedia pada saat pembayaran jatuh tempo: meskipun itu bukan aturan optimal “karena tidak ada yang optimal secara umum,
“Seperti yang penulis nyatakan, itu akan menjadi asumsi yang lebih realistis.

Waktu optimal penundaan yang dimodelkan dalam pengaturan JIT dapat bergantung tidak hanya pada likuiditas yang tersedia pada
saat kewajiban jatuh tempo, tetapi juga pada nilai arus yang diharapkan yang diberikan oleh jumlah pembayaran masuk yang
diharapkan dan keluar di masa depan. pembayaran. Ini akan membuat keputusan setiap peserta bergantung pada perilaku bank
lain, mungkin menghasilkan hasil agregat yang menarik. Kedua, selain menguji berbagai tingkat nilai likuiditas awal dalam kerangka
OL, aturan keputusan untuk pembukaan likuiditas dapat dimodelkan; Sebagaimana diakui penulis, masukan menarik dapat diberikan
dengan memperkenalkan proses pembelajaran sehingga pada setiap awal simulasi ditentukan tingkat likuiditas eksternal
berdasarkan pengalaman sehari-hari pada hari-hari sebelumnya.

Misalnya, keputusan dapat berfungsi tidak hanya dari likuiditas yang diharapkan pada akhir hari, yaitu saldo Bt ditambah
pembayaran masuk yang diharapkan I t exp tidak termasuk pembayaran keluar Ot tetapi juga dari biaya penundaan hari
sebelumnya dt-1 dan Biaya peluang setelah memasang agunan di Bank Sentral ct-1: Secara rekursif dt-1 dan ct-1 akan
menanamkan pengalaman yang diperoleh dari awal simulasi hingga hari t-1. Karena pembayaran yang masuk merupakan
hasil dari perilaku peserta lain, perluasan model ini akan menghasilkan lingkungan di mana interaksi sinergis dari strategi
individu dapat sepenuhnya dinilai. Namun, pemodelan semacam ini masih menyiratkan cakrawala satu hari, sehingga
setiap hari baru merupakan eksperimen independen di mana

11
agen bisa mendapatkan keuntungan dari pengalaman yang diperoleh di game sebelumnya tetapi tidak terpengaruh dari hasil
perilaku hari sebelumnya. Jenis perluasan ketiga dari Markose et al. Oleh karena itu, model dapat menjadi pengenalan
kerangka multi-periode, yaitu kemungkinan untuk mengikuti interaksi agen selama beberapa hari.

Hal ini memungkinkan untuk menentukan permainan berulang di mana para pemain mendasarkan aturan operasi harian
mereka pada hasil ekuilibrium hari sebelumnya. Misalnya, saldo akun likuiditas yang tersedia di awal setiap hari dapat dibuat
sama dengan saldo akhir hari sebelumnya: eksperimen baru tidak hanya akan mewarisi pengalaman yang diperoleh dari
hari-hari sebelumnya, tetapi juga efeknya. Selain itu, Arciero et al. model perlu diperluas ke beberapa arah, untuk mewakili
kerangka kerja yang lebih realistis.

Pertama-tama, model ini harus “berbasis kredit” yang merupakan standar untuk sistem RTGS. Selain itu, ini harus memungkinkan
lebih banyak agen untuk berinteraksi, seolah-olah itu terjadi di sistem pembayaran negara maju. Dengan jumlah agen yang lebih
realistis, misalnya dikalibrasi pada data Sistem Pembayaran yang sebenarnya, default salah satu dari mereka mungkin diserap
secara berbeda oleh pelaku pasar lain dibandingkan dengan versi bergaya sebelumnya dan sistem mungkin dapat mencapai
keseimbangan baru tanpa kebutuhan pemberi pinjaman sebagai upaya terakhir. Kedua, model tersebut harus memungkinkan
simulasi sistem pembayaran dalam jangka waktu yang lebih lama. Ketika berhadapan dengan beberapa daytime horizon, harus
diperhitungkan bahwa selama periode pemeliharaan, bank harus memenuhi Persyaratan Cadangan Minimum (MRR).

Bank sentral mensyaratkan bahwa pelaku pasar memiliki sejumlah uang di rekeningnya sendiri pada akhir hari-hari
periode itu. Menurut kerangka implementasi kebijakan moneter, bank dapat diminta untuk memiliki cadangan
minimum setiap hari atau rata-rata: dalam kasus terakhir, mereka diperbolehkan untuk memobilisasi dana sesuai
dengan kebutuhan dan kenyamanan mereka, selama mereka mengimbangi dengan menjaga kelebihan yang cukup.
cadangan di akun mereka pada akhir hari-hari berikutnya. Dalam model multi period, keputusan untuk menghimpun
atau meminjamkan dana di pasar uang tidak hanya dipicu oleh ekspektasi bank terhadap likuiditasnya, tetapi juga
oleh fakta bahwa setiap bank harus mematuhi MRR. Untuk tujuan ini, opsi yang mungkin, didirikan secara empiris
(Cassola,

Ambang batas ini dapat dimodelkan sebagai fungsi dari jumlah hari hingga akhir periode pemeliharaan, karena
dapat diharapkan bank akan lebih fokus pada pemenuhan persyaratan semakin mendekati akhir periode
pemeliharaan, dan hari-hari sebelumnya. 'pola keseimbangan akhir hari.

Formula 1: Kondisi di mana deposit bersih diperdagangkan

dimana Ddt adalah setoran bersih yang diperdagangkan pada hari d pada interval waktu t; I dt adalah pembayaran yang masuk pada hari d
pada interval waktu t; Odt adalah pembayaran keluar pada hari d pada interval waktu t; Bdt adalah saldo akun pada hari d pada interval
waktu t; Tlow (Dd) adalah batas ambang bawah tergantung pada hari-hari Dd yang tersisa hingga akhir periode pemeliharaan; dan Tup (Dd)
adalah batas ambang atas tergantung pada sisa hari Dd hingga akhir periode pemeliharaan. Kami secara hipotetis membagi periode
pemeliharaan menjadi dua bagian: bagian pertama di mana kami dapat mengasumsikan bahwa bank tidak melakukannya

12
sangat peduli dengan MRR dan yang kedua ketika pelaku pasar harus secara eksplisit menargetkan tingkat saldo akhir hari yang
diinginkan yang memungkinkan mereka untuk patuh. Selama subperiode kedua ini, semakin mendekati akhir periode pemeliharaan,
semakin banyak bank yang dapat mentolerir penyimpangan yang semakin kecil dari tingkat target mereka sendiri;

di mana Tard adalah saldo akhir hari yang diinginkan yang memungkinkan, mengingat saldo akhir hari sebelumnya untuk memenuhi

persyaratan cadangan rata-rata pada akhir periode pemeliharaan). Ketiga, kemungkinan terjadinya kembali ke pasar uang jika terjadi

kekurangan atau kelebihan dana harus lebih dikembangkan secara luas.

Peran marjinal yang telah dikaitkan dengan pasar dalam model versi pertama, di mana bank-bank beralih hanya setelah
kehabisan dana jaminan untuk dijaminkan di Bank Sentral, tampaknya membatasi. Pertama, tidak memperhitungkan biaya
peluang bank yang terkait dengan fakta bahwa sekuritas ini tidak diinvestasikan.

Selain itu, mungkin ada spekulasi bahwa di dunia di mana semua agen percaya bahwa Bank Sentral telah menyuntikkan semua likuiditas yang

dibutuhkan oleh sistem untuk membersihkan dan di mana pasar uang secara efisien mendistribusikan kembali likuiditas ke seluruh agen,

prioritas yang dikaitkan dari bank ke sumber likuiditas adalah terbalik: mereka pertama-tama bergantung pada pasar uang dan hanya tersisa

pada fasilitas Bank Sentral (lihat Gambar

2). Keempat, struktur mikro pasar uang yang sederhana perlu diperkenalkan.

Proses pencarian pihak lawan yang digunakan dalam model versi lama yang mengevaluasi secara berurutan posisi likuiditas bank
yang dipilih secara acak dan yang menolak proposal setelah sejumlah kegagalan terbatas, dapat menentukan mekanisme
distribusi likuiditas yang kurang optimal. Bahkan, sebuah proposal bisa saja ditolak juga dengan adanya satu atau lebih bank yang
akan tertarik dengan proposal tersebut, karena keduanya bersedia belum diimbangi dengan mekanisme pemilihan acak. Oleh
karena itu, transaksi pasar uang harus diselesaikan pada platform perdagangan elektronik12, di mana semua proposal
perdagangan diekspos secara bersamaan. A realistis

Gambar 2. Dinamika suku bunga untuk aturan harga berbasis kuantitas (Arciero et al., 2010)

mekanisme pencocokan harus didasarkan tidak hanya pada kuantitas tetapi juga pada tingkat bunga, jika tidak, rangkaian waktu suku
bunga yang disimulasikan akan mengikuti jalan acak, didorong oleh inovasi dalam

13
pembayaran kedatangan, yang bersifat stokastik, sedangkan seri suku bunga aktual biasanya stasioner (lihat Arciero, et
al., 2010).

Dengan cara ini, di satu sisi, kemungkinan pencocokan menurun, karena keberhasilan pencarian bergantung pada kemungkinan
gabungan untuk mencocokkan jumlah dan tarif; di sisi lain, kehadiran pada layar semua ketidakseimbangan likuiditas dalam
sistem, memfasilitasi pencocokan kebutuhan yang berlawanan dengan mengurangi biaya pencarian dan memungkinkan
persaingan antar bank dengan kebutuhan yang sama (kekurangan atau kelebihan likuiditas).

Proposal agen yang terekspos di pasar uang tidak dapat dibiarkan begitu saja sejak akhir hari operasional: lebih realistisnya, bank
memeriksa secara berkala apakah proposal mereka perlu direvisi dari segi kuantitas dan / atau kurs. Di satu sisi, pembayaran
masuk yang tidak terduga atau kebutuhan untuk menunda pembayaran keluar dapat menyebabkan mereka mengubah jumlah yang
diminta atau ditawarkan.

Di sisi lain, aliran waktu membuat kebutuhan likuiditas lebih menarik karena risiko tidak mencapai saldo akhir hari yang ditargetkan
meningkat: bank akan merevisi suku bunga yang diusulkan, membuatnya lebih nyaman bagi pihak lawan potensial dan dengan
demikian meningkatkan kemungkinan pencocokan.

Konsekuensinya, tingkat bunga akan berfluktuasi di sekitar tingkat kebijakan sesuai dengan ketidakseimbangan sementara dalam kebutuhan

likuiditas agregat sistem. Bergantung pada fluktuasi tersebut, bank dapat memutuskan untuk memposting proposal tambahan di pasar meskipun

saldo akhir hari yang diharapkan cukup dekat dengan nilai target yang memungkinkan kepatuhan MRR. Dalam kasus ini, akses ke pasar uang

dibenarkan oleh alasan kenyamanan: spread positif pada suku bunga kebijakan utama akan mendorong pemberi pinjaman untuk mencari potensi

keuntungan; yang negatif akan mendorong peminjam untuk mengantisipasi tingkat cadangan yang lebih tinggi untuk mengurangi biaya pinjaman

di masa depan. Penyimpangan dari tingkat kebijakan dengan cara ini dinetralkan, sehingga memberikan proses pengembalian yang berarti untuk

tingkat bunga.

Pasar uang selanjutnya dapat diperkaya dengan masalah risiko kredit: sebaran acak khusus bank dapat diterapkan pada tingkat
setiap proposal untuk meminjam uang, yang akan mencerminkan tingkat kelayakan kredit individu yang berbeda.

Model ini juga dapat diperluas untuk memasukkan bursa, yang berlangsung lebih lama dari semalam, memberikan kurva imbal hasil
tingkat bunga pasar uang dengan cara ini. Akhirnya, bank sentral sebagai otoritas kebijakan moneter dapat diperkenalkan: sebagai
konsekuensinya, penetapan tingkat kebijakan suku bunga dan pelaksanaan operasi kebijakan moneter harus dimodelkan.
Ekspektasi suku bunga dan premia risiko pasar harus mempengaruhi aturan perilaku bank.

Model tersebut secara hipotetis dapat diperluas untuk mencakup seluruh perekonomian. Namun, garis ekuilibrium yang
rumit harus ditetapkan, setelah itu manfaat apa pun yang diperoleh dari peningkatan realisme dibobotkan oleh kerugian
peningkatan kompleksitas model.

5. KESIMPULAN

Manakah solusi optimal dalam trade-off antara realisme dan kompleksitas dalam Model Berbasis Agen? Menjawab
pertanyaan ini tampaknya menjadi semakin penting karena Model Berbasis Agen dapat menjadi alat standar bagi
Bank Sentral untuk memahami interaksi kompleks pelaku pasar dan beberapa peristiwa dari perspektif selain yang
ditawarkan oleh alat utama. Hal ini menjadi bukti setelah krisis, di mana Bank Sentral mencari metode lebih lanjut,
selain alat penelitian ekonomi klasik, untuk memahami lingkungan yang berubah dengan cepat dan untuk
mengkalibrasi intervensi mereka di pasar untuk mengantisipasi kemungkinan dampak.

14
Topologi jaringan adalah salah satu contoh alat baru yang menarik yang baru saja ditambahkan ke kotak alat pembuat kebijakan untuk mengatasi krisis

(Haldane, 2009).

Dengan cara yang sama, Pemodelan Berbasis Agen di bidang sistem pembayaran dan pasar uang tampaknya merupakan alat
pelengkap yang menjanjikan yang memungkinkan Bank Sentral untuk mempertimbangkan perilaku heterogen. Dalam kondisi ini,
bidang aplikasi baru dapat dibayangkan untuk Agent BasedModelling, yang dapat dialamatkan di masa mendatang untuk masalah
Perbankan Pusat. ABM dapat, misalnya, digunakan untuk menilai efektivitas dan risiko langkah-langkah nonkonvensional yang
diperkenalkan dari bank sentral sebagai respons terhadap krisis (misalnya pelonggaran kuantitatif BoE dan FED, Program Pasar
Sekuritas ECB, dan sebagainya).

Ini juga dapat diterapkan untuk mengevaluasi dampak dan dampak putaran kedua dari peraturan baru, yang saat ini dibahas di kedua
sisi Atlantik (misalnya peraturan UE yang baru, Undang-Undang DoddFrank) dan didukung oleh semua forum internasional (FSRB,
G20, dan satu lagi). Di antara kasus-kasus ini, ABM tampaknya berpotensi berhasil dalam menilai kemungkinan dampak bank yang
menunda pembayaran dalam menanggapi pengenalan persyaratan peraturan, seperti yang baru-baru ini diperkenalkan oleh Otoritas
Jasa Keuangan Inggris, yang mengharuskan bank untuk mengkalibrasi buffer aset likuid mereka untuk memenuhi kebutuhan likuiditas
intraday (Ball, et al., 2011).

Terakhir, simulasi interaksi perilaku pelaku pasar dapat membantu, misalnya, untuk memperdalam perdebatan tentang kewajiban
penggunaan central counterparty untuk transaksi derivatif OTC, tentang peraturan baru lembaga pemeringkat, serta dampak
pembatasan short selling. . Dalam hal ini, Agent Based Modeling tampaknya memiliki masa depan yang cemerlang sebagai
dukungan bagi pembuat kebijakan dan regulator, untuk mengevaluasi proposal yang tidak hanya dapat membentuk sistem
pembayaran dan pasar uang tetapi juga seluruh sistem keuangan masa depan.

REFERENSI

Angelini, P. (1998). Analisis eksternalitas kompetitif dalam sistem penyelesaian bruto. Jurnal dari
Perbankan & Keuangan, 22 (1), 1–18. doi: 10.1016 / S0378-4266 (97) 00043-5

Angelini, P. (2002). Apakah bank menghindari risiko? Waktu operasi di pasar antar bank. Jurnal
Uang, Kredit dan Perbankan, 32 (3), 54–73.

Angelini, P., Maresca, G., & Russo, D. (1996). Risiko sistemik dalam sistem jaring. Jurnal Perbankan &
Keuangan, 20 (11), 853–868. doi: 10.1016 / 0378- 4266 (95) 00029-1

Arciero, L., Biancotti, C., D'Aurizio, L., & Impenna, C. (2008). Menjelajahi metode berbasis agen untuk
analisis sistem pembayaran: Model krisis untuk StarLogo TNG. Jurnal Masyarakat Buatan dan Simulasi
Sosial. 12 (1), 2. Diakses 12 Mei 2011, dari http: //jasss.soc.surrey. ac.uk/12/1/2.html

Arciero, L., D'Aurizio, L., Ilardi, G., Picillo, C., & Terna, P. (2010). Memodelkan perilaku bendahara bank
dalam sistem RTGS. Makalah disajikan pada Seminar dan Lokakarya Simulator Bank Finlandia ke-8. Helsinki, Finlandia.

Armantier, O., McAndrews, J., & Arnold, J. (2008). Perubahan waktu distribusi dana fedwire
transfer. Tinjauan Kebijakan Ekonomi, 14 (2), 83–112.

Ashcraft, AB, & Darrell, D. (2007). Likuiditas sistemik di pasar dana Federal. Orang Amerika
Economic Review, 97 (2), 221–225. doi: 10.1257 / aer.97.2.221 Bola,

15
A., Denbee, E., Manning, MJ, & Wetherilt, A. (2011). Likuiditas intraday: Risiko dan regulasi. Bank of England Financial
Stability Paper No. 11. London, UK: Bank of England. Diakses November
15, 2011, dari http: //www.bankofengland. co.uk/publications/fsr/fs_paper11.pdf

Bech, M., Madsen, B., & Natorp, L. (2002). Risiko sistemik dalam sistem jaring antar bank Denmark.
Makalah Kerja Bank Nasional Danmarks 2002. Kopenhagen, Denmark

Bedford, P., Millard, S., & Yang, J. (2004). Menilai risiko operasional di CHAPS sterling: Simulasi
pendekatan. Laporan Stabilitas Keuangan Bank of England, 16, 135–143.

Beyeler, WE, Glass, RJ, Bech, ML, & Soramaki, K. (2006). Kemacetan dan pembayaran menurun
sistem. Laporan Staf 259. NewYork, NY: Federal Reserve Bank of NewYork. BIS. (1997). Sistem penyelesaian kotor
waktu nyata. Basel, Swiss:

Bank for International Settlements. BIS. (2001). Prinsip inti untuk pembayaran penting secara sistemik
sistem. Basel, Swiss: Bank for International Settlements.

Cassola, N. (2008). Jalur pemenuhan cadangan bank komersial kawasan Euro: pengujian empiris menggunakan

data panel. Kertas Kerja ECB No. 869. Frankfurt, Jerman: Bank Sentral Eropa. Diambil
November 15, 2011, dari http: // www.
ecb.europa.eu/pub/pdf/scpwps/ecbwp869.pdf

Galbiati, M., & Soramäki, K. (2010). Mekanisme penghematan likuiditas dan perilaku bank. Bank of England
Working Papers 400. London, Inggris: Bank of England. Diakses pada 15 November 2011, dari
http://www.bankofengland.co.uk/publications/ workingpapers / wp400.pdf

Galbiati, M., & Soramäki, K. (2011). Model sistem pembayaran berbasis agen. Jurnal Ekonomi
Dinamika & Kontrol, 35 (6), 859–875. doi: 10.1016 / j.jedc.2010.11.001

16