为杠杆率高的非银行金融机构建立综合监管框架——金管局的经验教训（英）

BIS 文件编号 137为高杠杆率的非银行金融机构建立综合监察架构 — — 金管局的经验教训由凯文 · 程 ， 刘子军 ， 西尔维娅 · 佩齐尼和梁宇货币和经济部2023 年 8 月JEL 分类 ： G01 ， G23 ， G28 。关键词 ： 数据缺口 ， 非银行金融机构 ， 系统性风险。 表达的观点是作者的观点 ， 不一定是国际清算银行的观点。该出版物可在 BIS 网站 （ www. bis. org ） 上获得。© Bank for International Settlements 2023. All rights reserved. Brief excerpts may be replicated or translated provided the source is stated.ISSN 1682 - 7651 (在线) BIS 论文第 137 号1为高杠杆率的非银行金融机构建立综合监察架构 — — 金管局的经验教训凯文 · 程、刘子军、西尔维娅 · 佩齐尼和梁宇Abstract本文提出了一种新的方法来监控对冲基金和家族办公室等高杠杆非银行金融机构 （ NBFI ） 产生的系统性风险。这些类型的实体通常采用高度的杠杆，有可能通过其集中的投资组合和相互联系来创造和放大市场压力。同时，它们本质上是多样的，灵活的，很少披露。因此，从全系统角度解决 NBFI 风险的急需的努力往往受到数据差距的阻碍。鉴于目前有关 NBFI 部门的政策讨论，以及最近在收集更精细的监管数据方面取得的进展，本文强调可以以新的方式整合多个数据源，以提取有价值的信息和信号，以便及时监测 NBFI 。特别是，来自贸易存储库和银行等受监管实体的细粒度数据可用于缩小数据差距。根据金管局的经验，本文解释了建立监控框架以监控高杠杆的非金融机构的分析基础，并提出了监管机构和监管机构可能采用的实用策略。JEL 分类 ： G01 ， G23 ， G28 。关键词 ： 数据缺口 ， 非银行金融机构 ， 系统性风险。本文由 Kevin Cheng （ 前身为 HKMA ， 现为 ASEAN 3 宏观经济研究办公室 ） ， Liu 子军 （ HKMA ） ， Silvia Pezzini （ HKMA ） 和 Liang Yu （ BIS ） 编写。致谢 ： 我们感谢张涛 ， Siddharth Tiwari ， Jens Ulrich ， Frank Packer 和 Derryl D 'Silva 提供了宝贵的建议。在金管局 ， 我们要感谢 Yue Eddie ， Yuen Yuen ， Howard Lee ， Darryl Chan ， Edmond Lau 和 Clara Chan 对该项目的指导和见解。本文还受益于 I ñ aki,Rodrigo Coelho 、 Ja Carlos Crisato 、 Johaes Ehretrad 、 Weqia Hag 、 Nithya Navaratam 、 Adreas Schrimpf 、 Ilhyoc Shim 、 Vladyslav Ssho 、 Jea - Philippe Svoroos 、 Philip Wooldridge 、 Raiha Zamil 等人 ，该论文在 2023 年 RisLab / 芬兰银行 / 欧洲系统风险委员会关于系统风险分析的会议上发表，我们要感谢 Stephe Cecchetti，Tmas Peltoe，Sae Zwart 和其他会议参与者的反馈和评论。. HKMA 的 Henry Chan ， Muyang Wu 和 Fhoebe Fan 提供了出色的研究援助。本文代表了作者的观点 ， 而不一定是国际清算银行或香港金融管理局的观点。 BIS 论文第 137 号31.Introduction自金融危机 （ GFC ） 以来，非银行金融机构 （ NBFI ） 在全球金融体系中的足迹已大大扩展。虽然 NBFI 为金融体系提供了多元化利益，但它们也已成为金融不稳定的主要来源，并吸引了越来越多的政策关注 （ Carstes （ 2021 ） ； Aramote 等人 （ 2022 ） ） 。政策制定者特别关注的是 “高杠杆的 NBFI ”，通过其杠杆，敞口集中，流动性错配和相互联系，可以放大和传播整个金融体系的冲击，正如 LTCM （ BIS （ 1999 ） ； 爱德华兹 （ 1999 ） ） 和阿切戈斯 （ ESMA （ 2022a ） ； FSB （ 2022a ） ） 崩溃期间所看到的那样。This paper focuses on highly leveraged NBFI such as hedge funds and family offices. These firms are often not subject to prudential regulation and have little entity - level disclosure. They are diverse in nature, engaging in complex or opault derable derivatival市场机会。直接和间接的市场联系以及它们的高杠杆率可以放大流动性压力。它们的失败可能导致信贷损失，市场错位，甚至引发对金融体系蔓延的担忧，并带来潜在的系统性后果。此外，该行业一直在快速增长，这些高杠杆的 NBFI 在市场中日益活跃的作用从金融稳定的角度扩大了它们的重要性。虽然监管当局加强市场监管是非常需要的，以识别高杠杆的 NBFI 带来的不断上升的风险和脆弱性，但问题是，鉴于存在重要的数据缺口，如何做到这一点。1在本文中，我们借鉴了香港金融管理局 （ HKMA ） 的最新经验。金管局于 2021 年第三季度采用了 NBFI 监控框架，作为其定期金融稳定监控工具包的一部分。在撰写本文时，随着时间的推移，该框架已经标志着许多对冲基金和家族办公室，这些对冲基金和家族办公室后来被报道为负面消息或参与法律诉讼，这表明该框架可以在某些隐藏的漏洞和风险显现之前将其揭开。金管局的经验提供了突出的教训。首先，尽管高杠杆的 NBFI 披露有限，但中央银行和监管机构可以通过利用近年来可用的细粒度数据集来缩小数据差距，从而揭示 NBFI 行业的更清晰格局。这些粒度数据集 (e 。Procedre贸易存储库数据和基于交易的细粒度银行数据 ） 报告有关作为交易对手的 NBFI 的信息，这使得有一定信心重建 NBFI 的头寸成为可能。其次，提供了一种实用的结构，以综合的方式将银行数据与市场数据，文本大数据和宏观数据相结合，以评估单个 NBFI 的影响和脆弱性维度，并确定需要进一步密切监测的 NBFI 。The rest of the paper is structured as follows. Section 2 describe the supervision framework for highly leveraged nobfis as implemented by the HKMA, and explained the analytical underlinings of the approach. Some findings from implementing the1FSB （ 2022b ） 开展的工作中出现的一个关键主题是当局的 NBFI 风险监测中存在重要的数据缺口。 4BIS 论文第 137 号也说明了框架和评估其绩效。第 3 节借鉴了金管局的经验 ， 可能对其他中央银行和监管机构有用。第 4 节总结。2.金管局在建立 NBFI 监控框架方面的经验2.1 背景根据证券及期货事务监察委员会 （ SFC ） 的最新资产和财富管理活动调查 ， 对冲基金等高杠杆的非金融机构在香港特区经历了显着增长。2 香港特区对冲基金管理的资产 （ AUM ） 从 2017 年的 1, 320 亿美元扩大到 2021 年的 1, 700 亿美元，增长近 50 ％ 。在本文描述的新方法可用之前，对高杠杆的 NBFI — — 如对冲基金和家族办公室 — — 的监控和风险监控必须依赖临时监控方法，如市场新闻和监管查询，这些方法在特定时间仅提供有限的见解或部分快照。2021 年 3 月，阿尔奇戈斯的倒闭，尽管它在香港特区的风险敞口很小，但给包括金管局在内的全球央行和监管机构敲响了警钟。此后，金管局决定将一系列不同的数据集整合到一个结构化的框架中，以便识别大量非金融机构的风险敞口及其风险特征。在 G20 数据差距倡议的推动下，监管数据的大幅改善令金管局感到鼓舞。3 (见方框 1) 和金融监管技术进步 (suptech) 。42证监会 （ 2022 年 ） 。3金融稳定委员会和国际货币基金组织 （ 2022 年 ） 。4金融稳定委员会 （ 2020 年 ） 。 BIS 论文第 137 号52.2 主要功能金管局的 NBFI 监测框架的目的是筛选所有现有的关于 NBFI 的信息，并对其进行组织，以便对单个 NBFI 构成的系统性风险进行初步评估，以便确定较小的 NBFI 集，以进行进一步监测。该框架基于各种风险指标产生排名。采用的这种方法在精神上与巴塞尔委员会的全球系统重要性银行 （ G - SIBs ） 评估方法相似，后者使用易于计算和易于解释的指标来评估系统风险。诸如基于模型的方法 （ 参见 Drehma 和 Tarashev （ 2011 ） ） 之类的替代方法可能更严格，但开发和解释也更复杂，因此不太适合在这种情况下考虑的大量信息和大量 NBFI 。该项目的范围是使用重大杠杆来最大化回报的 NBFI，主要包括对冲基金和家族办公室。在此不包括经纪自营商和保险公司等 NBFI，因为它们受审慎监管，相关数据可用于监督工作。货币市场基金、指数基金和大型资产管理公司也被排除在外。尽管其中一些实体也可能使用衍生品，但其目的往往是对冲风险或降低成本，而不是获得收益最大化的杠杆。方框 1金管局加强监管数据的努力2014 年，金管局开始开发新的贸易资料库 (TR) 数据分析框架，以评估市场的金融稳定性和潜在风险。TR 数据是 OTC 衍生品的贸易级数据，G20 司法管辖区在 GFC 之后开始使用贸易存储库收集这些数据。香港贸易存放处 （ HKTR ） 数据涵盖了五种资产类别的所有场外衍生品交易 - 股票 （ EQ ），利率 （ IR ），外汇 （ FX ），信贷 （ CD ） 和商品 （ CM ） 。- 在香港预订或进行的交易。对于每笔交易 ， 受监管金融机构都会报告一套全面的数据字段 ， 包括交易对手、名义价值和基础资产。数据每天更新。自 2018 年以来，为了应对 HKTR 和细粒度银行数据的粒度和规模，金管局加强了对大数据分析和数据科学技术的使用，以更深入地了解多个领域的趋势、模式和因果关系。所使用的技术包括 （ i ） 自然语言处理 （ NLP ），以分析非结构化数据，例如新闻文章，社交媒体帖子和政策文件，提供对公众情绪的宝贵见解 ，经济趋势和市场情报 ； （ ii ） 网络分析，以了解金融系统各个要素之间的相互联系 ； （ iii ） 数据可视化，以优化图形表示的使用，以显示和分析复杂的数据集。2019 年 ， 启动了粒度数据报告 （ GDR ） 计划 ， 以收集有关银行活动的结构化交易级别数据。粒度贷款数据涵盖一系列信息 ， 包括贷款金额 ， 期限 ， 定价 ， 交易对手和抵押品 （ Wu 和 Liu （ 2020 ） ） 。数据每月更新。 6BIS 论文第 137 号生产 NBFI 的关键步骤观察列表图 1图 1 说明了金管局框架的主要特征。首先，各种数据集用于各种风险指标的计算 （ 见表 1 ） 。这些指标是针对影响和脆弱性维度计算的，涉及五个衍生资产