Robert C. Merton (2014) - Measuring the Connectedness of the Financial System: Implications for Systemic Risk Measurement and Management

Macrofinancial systemic risk is an enormous issue for both governments and large asset pools. The increasing globalization of the financial system, while surely a positive for economic development and growth, does increase the potential impact of systemic risk propagation across geopolitical borders, making its control and repairing the d..

Thank you very much. It’s a great pleasure to be here. And since I have a clock in front of me and I have a 45 minute talk to do in 30 minutes, I’m not going to say too much except to move as fast as I can. But I wanted to sort of open up on the topic here. It probably doesn’t need too much motivation. But this is addressing the issue. There are very big macro financial systemic risk issues for both governments and large asset pools. And in essence you can think in the example of the 2008/9 financial crisis that, you know, at the centre of that crisis or certainly a very important part of that was credit risk. It was money market stuff and some of the plumbing which is also important. But it was credit risk that was at front and centre there. So I will be talking about the application of credit risk. And what we’re going to talk to you about is how we can use some financial economic tools to create tools to try to measure the degree of connectedness among institutions and sovereigns; so institution to institution, institution to sovereign, sovereign to sovereign. So you take that collective and you ask in what sense they are connected and the sense that the connectedness may be an indicator of a potential for a systemic event because of that connectedness. So what I want to talk to you about is creating a tool to measure connectedness, look how it changes and see if it could be used, if not to avoid or mitigate crisis, at least to be able to measure the connectedness and then perhaps to use it to manage or be prepared for a crisis. So the work here that’s being presented is work in progress with several of my colleagues at MIT. And so, you know, we don’t have all the final results. But at least I’m willing to say I think we’re on the right track. And I’m sure all of you will be able, if you find it interesting, to do a lot better job than we are. So with that let me get started. And I want to talk about, again as I say, the measure of credit risk. Now unfortunately... I’m mostly going to show you lots of pretty colourful pictures, graphs and stuff. So it’s, you know, not a lot of equations or anything. But like everything in life... no free lunch. So if I’m going to talk about the degree of connectedness with respect to credit risk only, not all the other things, transactions and so forth, but just credit risk, then you’ve got to know something about credit. You’ve got to become somewhat credit experts. So with the time I’ve got... I’ve got 10 minutes to give you a speed course on how to become a credit expert. And those who want after the lecture at some point... if you want me to sign a certificate that you’ve gone through at least level 1, I’m happy to do it. Ok, so starting out with the notion here. I have here a loan, a mortgage, a bond, pure real, sort of things. And forgive me but I’m going to do it in dollars, as you’ll see why, US dollars. Right, so I have here some kind of credit instrument, ok? And I have in this hand a full faith and credit US government guarantee. The US has issued a few of those during the crisis and since. What if I staple them together? Functionally what do I have? I have basically a risk free asset because if the issuer doesn’t pay me the US government will. Now there are some differences but let’s agree risk free, right? So therefore if I pull the guarantee off, go back to the bond mortgage, what do I have? I have a risk free bond minus a guarantee. You see the logic of this. There’s no special model. And I did it here for a corporation but you could do it for a household where the asset is a house, the debt is a mortgage and so forth. This is the simplest balance sheet I could come up with. And, you know, on the left side you have the operating assets, you have simple debt issue. The promise is, let’s say, a billion dollars, B dollars at some date in the future. And to make it simple we’ll assume its zero coupon so I don’t have to deal with that. And we say ok, you know, ask the question in default, you know, what’s going to happen when that bond comes due or that mortgage comes due. One of 2 things: Either the mortgage will be paid, the billion dollars, the B. End of story. Or it won’t. And what happens when it’s not paid? Now in the real world it’s a very complex process of chapter 11 and negotiations and so forth and so on with lots of costs. But in every case with creditors, ultimately, if the borrower doesn’t pay, the creditor gets the assets that are pledged for that loan, ok? So I’m cutting through all the institutional frictions and costs. At the end of the day if you don’t get paid as the creditor you get the asset. Now, what’s the value of a guarantee? Well, on the day that the bond comes due it’s pretty straightforward. If the bond is paid and, you get your billion dollars, the guarantee turned out to be worthless, zero. If on the other hand you’re not paid by the issuer, then the value of the guarantee is the difference between what was promised, the billion or the B, and what you would get as recovery from the assets as the creditor V. So compactly the payoff to the guarantee is the maximum of zero, B minus V where V is the value of the asset. Now I hope at least some of you and I hope maybe all of you might recognise that pay off function. There’s a financial security that’s very well known that has that pay off, it’s called a put option. And it’s essentially nothing more than value insurance. It guarantees that you can sell the asset for B dollars, the strike price, anytime up to the date which it expires. So it’s a simple insurance contract but a very important one. So what do we see? We see that a guarantee is equivalent to a put option on the assets of the borrower. So if it’s mortgage, it’s on real-estate assets. If it’s corporation, it’s on corporate assets etc. Ok? Now those of you, you heard what I got my prize for, you’d figure I’d get in options in here somehow. But in fact that’s very useful to know if you only have 10 minutes. One because most people who have studied financial economics, even at the most basic level, know what an option is. But more importantly we have 40 years of world wide experience in pricing options, understanding their risk, in huge scale, in just about every kind of thing under the sun. There’s a huge amount of cumulated knowledge, experience in them. So if you’ve never heard of credit before but you understood options, you already know the structure of credit fundamentally. So I remind you, any loan, any of these things is equivalent to a risk free asset. That’s just time value and money. Put your money now and get interest. That we all understand. Minus a put option on the assets. So I’m going to be focusing on that part. That’s where all the action is in credit. So I wanted you to see this as a structure. If you accept that... By the way you’ve heard of CDS credit default swaps which were a topic of conversation during the thing. Those are nothing more than essentially put options or guarantees. They’re put options on the underlying assets. So let’s get rid of that mystery in terms of what they are structurally. Now let me show you... I want pictures, I don’t know if I can do this. What I’ve drawn here is a picture of the value of the debt as a function of the assets. And since it’s a risk free asset which is straight lane minus the put, ok, because it’s a negative, it means that in effect that the guarantee part, the put part in anybody’s theory the value of that put option is going to be that convex decreasing function of the value of the asset as it’s drawn there. This is generic. And I put it as a bank liability in a sense the banks make loans. They are writing these guarantees. Now, what happens from this picture? Let’s say we start with the assets at AC here and then assets fall, whether its real estate or corporate assets, to here. What happens? Well the first thing you see is the value of the guarantee goes up in the upper picture because it’s minus that. The bond price comes down. Now there’s been no default, everything is green, it all satisfies, nothing has happened. But the value goes up with the thing and so the debt has to fall. By the way parenthetically in the real world the tendency is to treat loans and so forth in institutions. If they’re green means they paid their last interest payment. And they’re the same ones they had last time. They say nothing has changed even though the underlying assets have fallen or risen. And you can see from this what is true we don’t know. What we know is not true is that the price doesn’t change. It has to change when the assets change independently of whether they’re paying their things and likely to pay and all that sort of thing. It has to fall. So the first thing you see is the value of the guarantee goes up as the asset goes down. That’s straightforward although as I said that’s not even usually recorded when we do this. The part I want you to see that’s insidious about credit is the following. You see this point here. If you ask the question at that point how much risk to whoever wrote the guarantee is in there as a function of the movement of the underlying asset, corporate assets or whatever, for small changes it’s going to be the tangent to the curve. So let’s say... You see it’s a negative because of the direction. Let’s say it’s -0.1. That says at that point in time a small move in that assets value will have a 10 cent change in the value of the guarantee. So you would say the risk at this moment in that particular guarantee or mortgage or bond is 10 cents sensitivity to the underlying assets. When you get to the second point, because the guarantee has gone up the equity or the assets of the bank have gone down. So of course they are more leverage if they do nothing, right, if they keep the same assets as donated capital. That we’d all do. That’s what we see in capital ratios if in fact they were market to market which they typically are not. But what do you see from the picture? What’s not being taken account of is that same bond, that same asset, that same guarantee, nothing has changed in terms of the paper it is. What do you see about it when it gets to the new point for the next roll of the dice? Because of the convexity and non-linearity it’s steeper. It’s not 10 cents per dollar. It’s 15cents per dollar. And if you have another shock and move down, it gets steeper and steeper. So same asset, same bond, same guarantee, nothing changed, still being paid, nobody has defaulted, ok? But two things happen when the assets underlying go down. One: asset value falls therefore equity, capital falls. But the risk goes up and goes up in a nonlinear way. So if people were measuring for example the riskiness of these assets when things were at high asset values, they’re going to get with regression or any other measure, a pretty flat slope. So they’ll get 5 cents, 10 cents. If they don’t understand in the structure that has changed this way and they continue to think this slope is 5 or 10 cents when it’s really 15 or 20 cents, you see that they are underestimating the sensitivity of the risk. By the way you’ve heard of these 10 sigma events that happen all the time? Now who knows? They may be fat tails, surely the fat tails exist. But you don’t need fat tails to get that in credit. Because you can actually have these slopes go from whatever they are to 5 times steeper. Not 1 or 2 times, 5 times steeper. So if you don’t correct your estimate and you’re using the old one, historical, then what is in fact a 2 sigma event looks like a 10 sigma event because you’ve underestimated the degree of sensitivity by a factor of 5. And that’s the part of credit risk that makes it interesting to understand. And you can also see how it was possible, I don’t mean this is the explanation, but possible to have the kinds of events we saw with banks where they stopped lending, they didn’t increase their portfolio and they reported ever larger losses which could have come from cooking the books which you see come from the structure. Because each time you have the same shock to the same assets, the impact gets greater and greater. By the way so you don’t think this is Doctor Doom talking first thing in the morning to you. The good news is that if you’re at that lower point if assets values recover, the risk falls down very rapidly. And whereas we’ve seen corporate assets represented by the stock market have increased. Real estate in many places has started to come back. So it can very well be that the risk goes down very dramatically too. So it’s a 2 way street. Ok end of story on that. I can see I’ve got... it took me half the time to teach it, sorry. But if you just got this, if you just understood this structure, you’re well on your way to be able to be a trustee or sit on a board or even in senior management. And when they come in with the risk report on the mortgage or loan book, you know what questions to be asking. And if the answer that you get is same assets as last time, everybody is paying, therefore the risk and the price should be the same and you ask them the follow up question: What’s happened to real estate assets? What’s happened to corporate assets? If they’ve gone down, you would be confident from this picture to be able to say to them: I don’t know what the number is but I know that what you’ve just told me can’t be true. Okay, anyway. So end of that. Now let me tell you what we’re going to do with that. Oh, let me point out one other quick thing before we get to that. That’s for a guarantee. Now we all know the governments guaranteed our banks, either explicitly or implicitly or both, given. So now you know how to... If we go back here, we look at governments. They’re writing put options on the banks, assets. But what are the banks’ assets. Yeah they’re risk free minus they’re writing insurance. They’re in an insurance writing business. So what are the governments doing functionally? They’re writing puts on puts. So if you went to the real assets underlying these, not the bank assets but the corporate, what do you have? You have a put on a put. You have a convex function of a convex function, swish, that’s very convex. I don’t have the picture of that. Keep that in mind when you think of things like Thailand ’97, going along fine and then seemingly overnight ending up in a mess. It can happen very rapidly because of this high degree of convexity. I don’t mean that’s the only reason but that’s to point out. Now, so we know governments guarantee banks. But what happens sometimes when governments have trouble funding their own bonds, you know, the final lack of liquidity to buy their bonds. They often go to their banks and say: “You know, we have a very good investment for you: your sovereigns bonds. I mean, you know, we’re your sovereign. We’re even guaranteeing you so shouldn’t you buy us?” And they do. In the United States FDIC who guarantees, issues bonds which are bought by banks, by the same banks that they guarantee. So you have a situation when that happens where the banks are holding bonds of the government. But we know that if you hold a bond you’re writing a put option, you’re writing a guarantee. That means the banks are guaranteeing the government. And the government is guaranteeing the banks. So never starts with... well almost never starts with government. But let’s say the banks have a shock. The assets fall either from bad management or whatever. That makes the government weaker because they wrote these guarantees. You saw their assets go down, their risk went up. Well, what’s the feedback? That bank guaranteed the government. The government is now riskier, okay? So their guarantee goes up which means their assets fall, they become weaker and you can get a very nasty feedback effect. It gets more complicated, you know, and I’ve listed here... if you look at something like Euroland because it isn’t just one sovereign with their banks. It’s sovereigns issuing to banks of other sovereigns etc., etc. And this is just, you know, loops of what happens when you have the banks and the thing. So you have German banks holding Greek bonds that are guaranteed by Greek government. And so you can imagine. And then the banks dealing with each other. Don’t try to read this, just see this as frictions. So now you’re credit experts, you now see the potential of the feedbacks in systems, especially when you have this, the guarantee guarantees the guarantor etc., etc. Now let’s talk about how we would use this to measure connectedness. What we do is we estimate the value of the put option, the guarantee, and we scale it to the value of what’s being guaranteed. So you get a number like a percentage: 6%, 4%. That’s the cost of the insurance of guaranteeing the bond. So the higher the cost of the insurance the greater the credit risk. That makes sense. And we all saw there’s lots and lots of ways of doing that evaluation. One would be to use theories of put options and experience with put options. That’s only one way. So what we do is we compute that number and we take that ratio. And then if we want to understand the sensitivity of one institution to another or an institution to a sovereign or a sovereign to an institution, what we look at is that the credit level cost. You think of that as the cost of insuring for that entity, insuring a sovereign, insuring a bank, insuring an insurance company. And we look at that credit and relate it to the credit of something else; so a bank to a government, a bank to another insurance company or the other direction. And we did here with the data, simple first pass, we did simple one-period lag, essentially a standard, you know, the standard one, one lag. So we looked at credit last month and related to credit of the other entity this month. And if there’s a positive relationship between them, we would say this one, the one that the last month ones influence. Now I won’t say cause because we all understand it’s not a causal statement. It’s only causal in the sense of Granger Causality type meaning. But he causes that. So we can do institution J’s credit against institution K’s credit one period later. And we can run reverse. And we look at that coefficient, the simplest regression. This is the simplest version. If it’s statistically significant we say influence that... You know if it’s J influences K in credit because it’s... If we ran the reverse one and we found it was significant, we say K influences J, alright? Only in credit notice, this has nothing to do with anything else but credit. Now if it goes both ways which it can, then you have what we call feedback. This one influences this one. And this one influences... just as I gave you in the little story between governments and their banks in terms of the credit impacts. Okay? Now, how do we measure empirically for this study the cost of the insurance? You’re all aware I think that there’s a CDS market out there, a credit default swap market, which does sovereigns, some banks and so forth and so on. The natural place to look because this is a grown up market, this is not... A natural place to look to get the market price would be just use CDS prices. That’s the insurance prices. You can also get them implicitly from bonds and other ways. But the nice thing with the data now is you have the CDS market. We didn’t use CDS though for the institutions. We did insurance companies and banks. We couldn’t do pension funds. We didn’t have the data. So we’ve only done this with these 2 big groups. And we did not use that for them. We did use it for the sovereigns. So we had sovereign credit default swaps as an estimate of that cost. And what we used for the insurance companies and the banks was a model. It’s a version of a model I had something to do with 40 years ago that does the valuation along the lines you just saw using option type theory, derivative theory. But it’s a model that’s been used everywhere now. And it’s good enough. We’re not trading on it. It’s good enough to give you an indication of how they change. I mean this is used in the real world on zillions of dollars. So it doesn’t mean it’s right but it’s not a bad approximation. Now, why did we use that instead of CDS? Because we want to get the total credit risk of the entity. What does CDS give you? The cost of guaranteeing the private markets piece of the risk of the entity. So when Ireland guaranteed all the Irish banks, the CDS rate went way down on those banks. Why? Because they got a guarantee. It isn’t because those Irish banks got to be a better credit. Their assets were the same. Their liabilities were the same. It’s just that a portion of what was being borne in the private markets in credit risk got shifted to the government. If you want to see it because that’s what data shows you, the CDS on Ireland went way up. So banks went down and Ireland went way up because Ireland took on that risk. We want the total risk here. We don’t want to have the view that something has gotten safer not because it’s really safer but because it’s shifted the risk outside of the private market. That’s why we use the model there. Ok, so you understand where the data comes from. We did a simple... this simple regression. This is just to convince you. As you all know you could use all these lags and leads of each and own and everything and do that. And we looked for... We put this against data we had from 2001 up to 2014, this year’s January. We had monthly data, we had 17 sovereigns, 63 banks and 39 insurance companies, a 102 institutions, 17 sovereigns. And we computed all of these regressions’ numbers for different periods and put them together. And you have a pile of regression coefficients this high. Now what do you do with them? And that’s what I want to show you in my last 5 minutes. I always knew I was going to run out. And that is we use network theory. We use a lot of other ways how to display data in a fashion that your eyes can see things that a pile of regression coefficients is a nightmare. So it’s like looking at a painting in a museum. You see the whole painting. And you get out of it. So I’m just going to show you pictures of what happened when we did this with the data for different time periods and I think it’s... So what we did is here’s a picture. Blue is insurance companies, reds are banks and blacks are the sovereigns. And these are all only statistically significant connections drawn. And if it’s from A to B, if that’s the direction, remember with the lag, then we point an arrow in that direction. If it’s from B to A, it goes in the other direction. If it’s both ways there are arrows on each one. You can’t see this. This is like looking at Google map from outside of the world. You’re looking down at the whole world. Okay? This is a time lapse photograph, you know, it’s like you left the lens open for 3 years. And this is a composite picture, just so you can see, prior to what most people would say is the crisis. So do you understand what this is? These are only significant, only with credit. This has nothing to do with transactions of other sorts directly, only measuring credit. That’s before the crisis. Take a good look. That’s from 2009. Any difference? Before, you know, a little denser, huh? What is that telling you? The degree of connectivity at least measured this way has gone way up. Now, like a good painting if you sit in front of it for 2 hours, the more you look at this the more you see. You see the colours. The black remember is the sovereigns. The blue is insurance. The reds are banks. And you can do all of that. But I just want you see that this is like Google map from outer space. Alright? Now, by the way that’s since 2011. All I want you to see here is that it’s still dense but the insurance company, blue. I’ll just point out one thing: have become much more dense. So you’re getting information that something is happening that’s changing. But let me just go on. Now you just blow it up. I don’t have time to go through all of these. You zoom down the way you could on Google Street right down to a single building if you want. And you start to look at more of the structure. And what we’ve done is locate entities closer to each other the stronger the relationship. So we use visuals. If something is very... not only significant but big and significant, they’re close together. So by clustering them that way you can see from the picture who is sort of centre. We do Eigen functions and things like that to see who are the real players at a given point in time or over a period. And we can zoom down to these things. So that’s at one point in time 2008 before the Lehman crisis. And here’s Greece and others, the black ones. I’m not going to go into this. There’s Spain right before Spain really got into a bit of trouble. And what I wanted to show you here though... This is March 2012. I want to point out something. In there first you see Italy, the black... I can’t get over the screen. I don’t have enough time. That’s Italy right in the middle of everything. Look at the US. It’s very isolated. How could the US with the most influential bank, biggest economy certainly, how could it not be a big part of the system at that time? Well, you know one can only speculate because we don’t really know the reasons. We only have the data. But it could be argued that in March of 2012 the US in no way was going to do another 500 billion facility as it did for the EC in an election year for president. There was a lot of pushback. So one could make the argument: It’s unlikely that the US is going to step in to do a lot of credit enhancement around the world in election year. So the arrow going from the effect of the US on others credit. And despite all the nonsense that goes on sometimes in our congress and everything else, the truth is in March 2012 as today the safest place for people to put their money, at least what they do, is in the US. So there wasn’t a lot of worry that the US in 2012 was going to be hammered, its credit by the other. So you can sort of argue that in terms of credit not all the other activities because we put them all in there, you would never get it, that it would have a big influence. So the idea of this... At this point we’re not talking about doing anything more than saying: I think this asks good questions. It says: Why is that there and it’s different from the past? And we can use this. And I’ll show you another. This is a blow up. Now you’re really getting down to... You can see the lines and the arrows in there. Of course there’s Italy with many of them. But you’re down here you see the black one is Spain. The red one is Goldman Sachs. The 2 look married. And Goldman Sachs has a lot of arrows going into it. Now why? I don’t know. But if you were a regulator and you saw this nd this isn’t a pattern that it’s been in the past. Wouldn’t it make sense to call up Goldman Sachs and say: “Guys, we see an interesting thing here. You seem to be the centre of an awful of stuff coming in from insurance, lots of sovereigns and you look like you’ve just gotten married to Spain. So what’s going on?” You may get 2 answers. One is we don’t know. Or here yeah, here’s what’s going on. If you get the first one, don’t you think that’s an interesting question if you’re an overseer? And maybe you want to probe a little more. Not because there’s anything wrong. The fact you have high degree of connectivity doesn’t mean it’s bad. It just suggests that you’re vulnerable to systemic event. So that’s the idea. In my last, minus 10 seconds, alright, these are the time series where we measure arrows coming in and arrows going out. So from means the arrows of sovereign are impacting others. Ireland is being impacted by the banks and so forth. And we plot these here. And you can see the main thing to see here is it’s not constant through time. That’s good. That means these things are really changing. You don’t take one picture and it’s static. It’s not static. It’s a dynamic process. Similarly here’s... You know they have a pejorative term for those 5 countries. We tried to find the best we could. We came up with GIIPS for those 5 countries. And what we plotted is they’re being impacted, ok, minus their impact on others. Now most of those economies except Italy but certainly Ireland and Portugal are tiny economies. So normally you would expect them to be pushed around by everybody else. They’re the lifeboat sitting next to the ship. But as you will see here and that’s what it was prior to the crisis... But when you get into crisis mode it rolled up. So it’s showing you that even small things at times can actually be in the sense of Granger Causality having that kind of impact. So, you know this is a tool that we use in doing it. Well, I don’t have time to go through the rest. But let me just simply say as a summery. We’ve done a lot of this. We use market data. We don’t use accounting data. We don’t use position data. We don’t use central bank data. But this I think would be useful for Central Banks and others who are overseers because this uses market data. Is the market always right? Of course not. But what it is the market is telling you something. Secondly it’s really cheap because you get this data every day. So you could run this thing every freaking day and have updates. Accounting data comes when it comes, often highly lagged. Position data the same thing. And then shifting through it. So I don’t mean this is instead of. But it’s an added tool. And while as I indicated before we have high hopes that at some point as we refine this and do this that we’ll be able to get a lot of information of how we might actually be able to do policy or other things using this as a tool. But one thing I’m very sure of, it ask good questions. So you know stress testing right. You take 100 scenarios somebody dreams up. How many scenarios didn’t you test? Infinity minus 100. So what this is, this is a smart scenario. But it’s not smart scenario by you know dreaming it up, you can still do that, this is the market saying this relationship and this place, something is different, changed dynamically. You know you look at that and if you don’t get the right answers, that’s telling you maybe you ought to stress this because this is what the market seems to say. Cheap to do, fast to do, gives you indications you will not get from accounting data and you will not get from position data no matter how much you have. Thank you very much. And have a great morning. Applause.

Vielen Dank. Es ist mir eine große Freude, hier zu sein. Und weil ich vor mir die Uhr sehe und einen 45-Minuten-Vortrag in 30 Minuten schaffen muss, sage ich nicht viel mehr, als dass ich so schnell machen werde, wie ich kann. Aber ich möchte doch das Thema vorstellen. Wahrscheinlich braucht es dazu nicht viel Motivation, aber um dieses Thema geht es. Es gibt sehr große makrofinanzielle/systemische Risiken für Regierungen und große Vermögensportfolien. Und im Wesentlichen können Sie dabei an das Beispiel der Finanzkrise 2008/9 denken, in deren Zentrum das Kreditrisiko stand, zumindest war das Kreditrisiko ein sehr bedeutender Teil davon. Es ging um Geldmarktaspekte und einen Teil der Verbindungsstrukturen, die auch wichtig sind. Aber im Mittelpunkt stand das Kreditrisiko. Deshalb werde ich über die Anwendbarkeit des Kreditrisikos reden. Und wir werden uns damit beschäftigen, wie wir einige finanzökonomische Instrumente nutzen können, um Werkzeuge zu schaffen, die das Ausmaß der Verflechtung zwischen Institutionen und Staaten messen, also von Institution zu Institution, von Institution zu Staat, von Staat zu Staat - wir nehmen das als Kollektiv. Wir fragen uns also, in welchem Sinne dieses Kollektiv miteinander verflochten ist und inwieweit die Verflechtung ein Indikator für ein potentielles systemisches Ereignis aufgrund dieser Verflechtung sein könnte. Worüber ich mit Ihnen sprechen möchte, ist, ein Tool zu schaffen, mit dem man die Verflechtung messen kann, die Veränderungen sehen kann und wie man das anwenden könnte. Wenn schon nicht zur Vermeidung oder Linderung von Krisen, dann zumindest zur Bewertung der Verflechtung und dann vielleicht zur Bewältigung von oder Vorbereitung auf eine Krise. Was ich hier vorstelle, ist eine noch andauernde Arbeit, die ich mit mehreren meiner Kollegen am MIT durchführe. Und wir haben daher noch keine endgültigen Ergebnisse. Aber zumindest kann ich sagen, dass wir auf dem richtigen Weg sind. Und ich bin sicher, dass Sie das alle, wenn Sie das Thema interessant finden, noch viel besser machen können als wir. Fangen wir also an. Wie gesagt, möchte ich über die Messung des Kreditrisikos reden. Ich werde Ihnen größtenteils schöne farbige Bilder, Grafiken und so was zeigen. Es geht also nicht um viele Gleichungen oder so etwas. Aber wie überall im Leben gibt es immer eine Kehrseite. Aber wenn ich über das Ausmaß der Verflechtung im Hinblick auf das Kreditrisiko reden will - nicht in Bezug auf all die anderen Dinge, Transaktionen usw., nur hinsichtlich des Kreditrisiko -, dann müssen Sie etwas über Kredite wissen. Sie müssen also ein bisschen Kreditexperten werden. Ich habe also zehn Minuten Zeit, Sie in einem Schnellkurs zu Kreditexperten zu machen. Und wenn Sie nach dem Vortrag zu mir kommen und mich um Unterzeichnung einer entsprechenden Bescheinigung bitten wollen, dass Sie zumindest Stufe 1 geschafft haben, mache ich das gerne. Ok, ich beginne also mit diesem Gedanken. Ich habe hier ein Darlehen, eine Hypothek, eine Anleihe, reines Immobilienzeug. Und verzeihen Sie, aber ich mache das hier in Dollar - Sie werden sehen, warum - in US-Dollar. Ich habe also hier also eine Art Kreditinstrument. Und hier habe ich eine US-Staatsgarantie, die durch das volle Vertrauen und die Bonität der US-Regierung abgesichert ist. Die USA haben während der Krise und danach einige davon herausgegeben. Was passiert, wenn ich sie zusammenhefte? Was ist daraus dann funktional entstanden? Im Grunde habe ich eine risikofreie Anlage, weil der US-Staat einspringt, wenn der Emittent nicht zahlt. Es gibt zwar einige Unterschiede. Aber einigen wir uns darauf, dass es ein risikolos ist. Wenn ich die Garantie also in Anspruch nehme, auf den Pfandbrief zurückgreife, was habe ich dann? Ich habe eine risikolose Anleihe minus eine Garantie. Sehen Sie die Logik darin? Da ist kein spezielles Modell. Ich habe das hier für ein Unternehmen dargestellt. Aber man könnte das auch für einen Privathaushalt tun, wo der Vermögenswert ein Haus ist, die Schuld eine Hypothek usw. Das ist die einfachste Form der Bilanz, die mir eingefallen ist. Und dann hat man links das Betriebsvermögen, man hat eine einfache Schuldtitelemission. Das Versprechen lautet, sagen wir mal, eine Milliarde Dollar, B-Dollar, zu einem bestimmten Termin in der Zukunft. Und um die Sache zu vereinfachen, gehen wir von einem Null-Coupon aus, damit das nicht berücksichtigt werden muss. Und dann stellen wir die Frage: Was passiert im Verzugsfall, wenn diese Anleihe oder die Hypothek fällig wird? Eine von zwei Möglichkeiten: Entweder wird die Hypothek bezahlt, die Milliarde Dollar, das B - passt. Oder sie wird nicht bezahlt. Und was geschieht, wenn sie nicht bezahlt wird? In der realen Welt ist das ein ziemlich komplexer Prozess nach dem US-Insolvenzrecht mit Verhandlungen usw. und mit jeder Menge Kosten. Aber wenn der Kreditnehmer nicht bezahlt, erhält der Gläubiger letztendlich immer den Vermögenswert, der für diesen Kredit verpfändet wurden. Ich kürze jetzt also mal all die institutionellen Reibungen und Kosten heraus und schließlich, wenn man als Gläubiger nicht bezahlt wird, erhält man den Vermögenswert. Was ist dann der Wert einer Garantie? Zu dem Zeitpunkt, zu dem die Anleihe fällig wird, ist das ziemlich unkompliziert. Wenn die Anleihe bezahlt wird und man die Milliarde Dollar erhält, wird die Garantie wertlos, null. Wenn der Emittent nicht bezahlt, besteht der Wert der Garantie aus der Differenz zwischen dem, was versprochen war, die Milliarde oder das B, und dem, was man als Gläubiger V als Entschädigung aus dem Vermögenswert erhält. Zusammengefasst besteht die Garantieauszahlung aus dem Höchstwert von null, B minus V, wobei V der Wert des Vermögenswertes ist. Ich hoffe, dass einige von Ihnen - oder vielleicht auch alle - diese Rückzahlungsfunktion kennen. Es gibt eine sehr bekannte finanzielle Sicherheit, die diese Auszahlung verkörpert. Sie wird als Put-Option bezeichnet. Und das ist im Wesentlichen nichts anderes als eine Wertabsicherung. Sie garantiert, dass man den Vermögenswert jederzeit bis zu dem Datum, an dem sie ausläuft, für B Dollar, den Ausübungspreis, verkaufen kann. Das ist also ein einfacher Versicherungsvertrag, aber ein sehr wichtiger. Was sehen wir? Eine Garantie entspricht einer Put-Option auf die Vermögenswerte des Kreditnehmers. Bei einer Hypothek bezieht sich das auf Immobilienwerte. Bei einem Unternehmen bezieht sich das auf Unternehmenswerte. Okay? Diejenigen, die wissen, wofür ich meinen Nobelpreis erhalten habe, konnten annehmen, dass ich hier etwas mit Optionen mache. Aber das ist auch wirklich sehr hilfreich, wenn man nur zehn Minuten Zeit hat. Die meisten Leute, die Finanzwirtschaften studiert haben, wenn auch nur Basisniveau, wissen, was eine Option ist. Noch wichtiger ist, dass wir über 40 Jahre Erfahrungen weltweit in der Bewertung von Optionen verfügen, ihre Risiken verstehen und zwar in riesigen Größenordnungen – fast alles, was man sich vorstellen kann. Es gibt ein enormes Wissen und Erfahrungen damit. Wenn Sie also noch nie etwas über Kredite gehört haben, aber Optionen verstehen, haben Sie bereits die grundlegende Struktur von Krediten begriffen. Ich erinnere also: Jedes Darlehen, all diese Dinge entsprechen einer risikofreien Anlage. Da geht es einfach um Zeitwert und Geld. Man platziert sein Geld jetzt und erhält Zinsen dafür. Das verstehen wir alle. Minus eine Put-Option auf die Vermögenswerte. Ich werde mich jetzt auf diesen Teil konzentrieren. Dort passieren all die Dinge im Kreditgeschäft. Betrachten Sie dies als eine Struktur. Wenn Sie das annehmen … übrigens haben Sie von CDS, Credit Default Swaps, gehört, die hier auch Thema waren. Das ist im Wesentlichen nichts anderes als Put-Optionen oder Garantien. Das sind Put-Optionen auf die Basiswerte. Lassen wir also das Geheimnis beiseite, was sie strukturell verkörpern. Ich möchte Ihnen einige Bilder zeigen. Ich weiß nicht, ob mir das gelingt. Hier habe ich den Wert der Schuld als Funktion der Vermögenswerte dargestellt. Und da es um eine risikofreie Anlage geht, die gerade verläuft - minus Put, weil das negativ ist -, bedeutet das, dass dieser Garantieteil, der Put-Teil in jeder Theorie – es geht hier nicht um Black-Scholes oder Smith-Jones – der Wert dieser Put-Option diese konvexe abnehmende Funktion des Vermögenswertes ist, wie hier dargestellt. Das ist allgemein. Und ich nehme das als eine Bankverbindlichkeit in dem Sinne, in dem Banken Kredite gewähren. Sie stellen diese Garantien zur Verfügung. Was geschieht ausgehend von diesem Bild? Wir beginnen mit den Vermögenswerten bei AC hier und dann verlieren die Vermögenswerte bis hier an Wert, egal, ob Immobilien oder Gesellschaftsvermögen. Was passiert? Als erstes sehen wir, dass der Wert der Garantie im oberen Bild zunimmt, weil er minus das hier ist. Der Anleihekurs fällt. Es gab keinen Verzug, alles ist im grünen Bereich. Alles zufriedenstellend, nichts passiert. Aber der Wert geht damit nach oben und deshalb muss die Anleihe fallen. Hier sei noch angemerkt, dass in der realen Welt die Tendenz besteht, Darlehen usw. in Institutionen zu behandeln. Wenn sie grün sind, wurden die letzten Zinszahlungen geleistet. Und die sind gegenüber dem letzten Mal gleich geblieben. Es hat sich nichts verändert, und zwar auch dann nicht, wenn die Basiswerte gestiegen oder gefallen sind. Und Sie erkennen hier, was wir oft nicht wissen. Wir wissen, dass es nicht stimmt, dass der Preis sich nicht verändert. Er muss sich ändern, wenn die Vermögenswerte sich ändern, und zwar unabhängig davon, ob bezahlt wird und wahrscheinlich bezahlt wird oder nicht und all das. Er muss fallen. Sie sehen also zunächst, dass der Wert der Garantie steigt, wenn der Vermögenswert fällt. Das ist das Offensichtliche, wenn es auch üblicherweise nicht immer so wahrgenommen wird. Der heimtückische Teil, auf den ich Sie aufmerksam machen möchte, ist wie folgt. Das ist dieser Punkt hier. Wenn man an dieser Stelle die Frage stellt, wie groß das Risiko für denjenigen, der die Garantie zur Verfügung gestellt hat, als Funktion der Bewegung des Basiswertes, des Gesellschaftsvermögens oder was auch immer bei kleinen Änderungen ist, ist es die Tangente zur Kurve. Sagen wir also … das ist wegen der Richtung negativ. Sagen wir, das ist -0,1. Das heißt, dass zu diesem Zeitpunkt eine geringe Bewegung in dem Vermögenswert zu einer 10-Cent-Veränderung im Wert der Garantie führt. Man würde also sagen, dass das Risiko zu diesem Zeitpunkt bei dieser konkreten Garantie oder Hypothek oder Anleihe Wenn wir nun zum zweiten Punkt kommen: Weil die Garantie gestiegen ist, ist das Kapital oder sind die Vermögenswerte der Bank natürlich gesunken. Und natürlich ist es effektiver, wenn sich nichts verändert, wenn sie dieselben Vermögenswerte als dotiertes Kapital beibehalten. Das würden wir alle so machen. Das beobachten wir bei den Kapitalquoten, wenn sie zum Marktwert bewertet würden, was sie typischerweise nicht werden. Was lässt sich aus dieser Darstellung ablesen? Was nicht berücksichtigt wurde, ist, dass sich bei dieser Anleihe, bei diesem Vermögenswert, bei dieser Garantie im Sinne des Papiers nichts verändert hat. Was sehen Sie, wenn der nächste Würfelwurf erfolgt? Aufgrund der Konvexität und der steileren Nicht-Linearität sind es nicht 10 Cent pro Dollar, sondern 15 Cent pro Dollar. Und beim nächsten Schock und beim nächsten Rückgang wird das immer steiler. Immer noch derselbe Vermögenswert, dieselbe Anleihe, dieselbe Garantie - nichts hat sich verändert. Noch immer wird bezahlt. Keiner ist in Verzug. Aber zwei Dinge geschehen, wenn die Basiswerte fallen. Erstens: Der Vermögenswert verringert sich, deshalb sinkt das Eigenkapital, sinkt das Kapital. Aber das Risiko steigt und zwar steigt es auf nicht-lineare Weise. Wenn man beispielsweise den Risikograd dieser Vermögenswerte messen würde, wenn die Vermögenswerte hoch sind, erhält man mit der Regressionsmethode oder anderen Messungen eine ziemlich flach verlaufende Kurve. Das Ergebnis sind 5 Cent, 10 Cent. Wenn man nicht versteht, dass sich die Struktur verändert hat, und immer noch von einer Größenordnung der Neigung der Renditekurve von 5 oder 10 Cent ausgeht, sie aber tatsächlich bei 15 oder 20 Cent liegt, unterschätzt man die Risikosensitivität. Übrigens, Sie haben sicherlich von diesen 10-Sigma-Ereignissen gehört, die ständig passieren. Nun, wer weiß, vielleicht sind das Extremverluste - selbstverständlich gibt es Extremverluste. Aber man braucht keine Extremverluste, um diese Kreditergebnisse zu erhalten. Weil es tatsächlich diese Kurven geben kann, die um das Fünffache steiler sind. Nicht nur das Ein- oder Zweifache, sondern fünf Mal steiler. Wenn man also seine eigene Annahme nicht korrigiert und weiterhin die alte verwendet, sieht das, was tatsächlich ein 2-Sigma-Ereignis ist, wie ein 10-Sigma-Ereignis aus, weil der Sensitivitätsgrad um einen Faktor von 5 unterschätzt wurde. Und um diesen Teil des Kreditrisikos geht es. Und Sie sehen auch – das ist allerdings nicht als Erklärung gedacht, sondern als Möglichkeit – wie solche Ereignisse auftreten konnten, wie wir sie bei den Banken gesehen haben. Als sie die Kreditvergabe stoppten, ihr Portfolio nicht vergrößerten und noch größere Verluste auswiesen, die durch Bilanzfälschungen entstehen können - die, wie Sie sehen, aus der Struktur stammen. Denn jedes Mal, wenn man den gleichen Schock für die gleichen Vermögenswerte hat, werden die Auswirkungen größer und größer. Glauben Sie übrigens nicht, dass das Dr. Doom ist, der gleich am frühen Morgen zu Ihnen spricht. Die gute Nachricht ist, dass, wenn man sich an dem unteren Punkt befindet und wenn sich die Vermögenswerte erholen, das Risiko sehr schnell abnimmt. Und indessen haben wir erlebt, dass das am Aktienmarkt repräsentierte Gesellschaftsvermögen zugelegt hat und sich die Immobilienwerte an vielen Orten erholt haben. Es ist also durchaus auch möglich, dass sich das Risiko sehr schnell erholt. Es ist also keine Einbahnstraße. Gut, das war's. Ich habe jetzt noch ... ich habe die Hälfte der Zeit gebraucht, Ihnen das zu zeigen; tut mir leid. Aber wenn Sie das verstanden haben, wenn Sie auch nur diese Struktur verstanden haben, sind Sie auf dem bestem Weg, ein Treuhänder werden zu können oder im Vorstand oder sogar im gehobenen Management zu sitzen. Und wenn man Ihnen den Risikobericht zu den Hypotheken oder Darlehen präsentiert, wissen Sie, welche Fragen Sie stellen müssen. Und wenn man Ihnen dann antwortet, dass es die gleichen Vermögenswerte wie letztes Mal sind, alle Zahlen, das Risiko und der Preis deshalb gleich sein sollten, stellen Sie die Frage: Was ist mit den Immobilien passiert? Was ist mit dem Gesellschaftsvermögen passiert? Wenn die an Wert verloren haben, können Sie mit Sicherheit sagen: Ich kenne die Zahlen nicht, aber ich weiß, dass das, was Sie mir gerade erzählt haben, nicht stimmen kann. Okay, Schluss damit. Ich erzähle Ihnen jetzt, was wir damit machen. Lassen Sie mich noch schnell auf eine andere Sache hinweisen, bevor wir dazu kommen. Hier ging es um eine Garantie. Wir alle wissen, dass die Regierungen Bürgschaften gegenüber unseren Banken übernommen haben – entweder explizit oder implizit oder beides. Jetzt wissen Sie ja, wie das geht. Wenn wir hierher zurückgehen, schauen wir uns die Regierungen an. Sie zeichnen Put-Optionen auf die Vermögenswerte der Banken. Aber was sind die Vermögenswerte der Banken? Genau, sie sind risikofrei, minus Versicherungsabschluss. Sie betreiben ein Versicherungsabschlussgeschäft. Was machen die Regierungen also funktional? Sie zeichnen Puts auf Puts. Wenn man sich also den Immobilien zuwendet, die dem hier zugrunde liegen, nicht den Bankvermögen, sondern den Gesellschaftsvermögen, was hat man dann? Man hat einen Put auf einen Put. Man erhält eine konvexe Funktion auf eine konvexe Funktion. Hui - das ist sehr konvex. Ich habe keine Abbildung dazu. Behalten Sie das im Hinterkopf, wenn Sie über Dinge wie Thailand 1997 nachdenken, als alles blendend aussah und dann anscheinend über Nacht alles in einem Chaos endete. Aufgrund dieser starken Konvexität kann das sehr schnell gehen. Ich sage nicht, dass das der einzige Grund ist, aber man muss das bedenken. Wir wissen, dass Regierungen Bürgschaften gegenüber Banken übernehmen. Aber was passiert manchmal, wenn Regierungen Probleme mit der Finanzierung ihrer eigenen Anleihen haben, ihnen letztendlich die Liquidität fehlt, ihre Anleihen zu kaufen. Sie gehen oft zu ihren Banken und sagen: „Wir haben eine sehr gute Anlage für euch: Staatsanleihen. Wir sind euer Souverän. Wir haben sogar Bürgschaften für euch übernommen. Solltet Ihr uns also nicht kaufen?“ Und dann machen sie das. In den USA garantiert und emittiert die FDIC Anleihen, die von Banken gekauft werden – die gleichen Banken, für die sie Bürgschaften übernommen haben. Und wenn das geschieht, haben wir also die Situation, dass die Banken Staatsanleihen halten. Aber wir wissen auch, dass man, wenn man eine Anleihe hält, eine Put-Option zeichnet. Man zeichnet eine Garantie. Das heißt also, dass die Banken für die Regierung bürgen und die Regierung für die Banken bürgt. Es beginnt niemals … es beginnt fast niemals mit der Regierung. Aber nehmen wir an, die Banken erleben einen Schock. Die Vermögenswerte sinken aufgrund von schlechtem Management oder aus anderen Gründen im Wert. Das macht die Regierung schwächer, weil sie diese Garantien gezeichnet hat. Ihre Vermögenswerte verlieren an Wert, ihr Risiko steigt. Was ist die Reaktion? Diese Bank hat sich für die Regierung verbürgt. Die Regierung trägt jetzt ein höheres Risiko. Ihre Garantie nimmt zu, was bedeutet, dass ihre Vermögenswerte an Wert verlieren. Sie werden schwächer und das kann zu einem sehr unangenehmen Rückkopplungseffekt führen. Es wird komplizierter, und ich habe hier aufgelistet … Wenn man beispielsweise Euroland betrachtet, wo es nicht nur um einen Staat mit seinen Banken geht. Es sind Staaten, die an Banken anderer Staaten emittieren usw. Und dann entstehen weitere Kreisläufe dessen, was passiert, wenn man die Banken und diese Dinge hat. Da gibt es deutsche Banken, die griechische Anleihen besitzen, die von der griechischen Regierung verbürgt sind. Sie können sich das vorstellen. Und dann handeln die Banken noch untereinander. Versuchen Sie nicht, das zu lesen, betrachten Sie das lediglich als mögliche Reibungsverluste. Jetzt sind Sie also Kreditexperten. Sie erkennen das Potential dieser Rückkopplungen in Systemen, insbesondere in der Situation, wenn der Garantienehmer sich verbürgt sich für den Garantiegeber usw. Lassen Sie uns jetzt sehen, wie wir das zur Messung der Verflechtung verwenden. Wir bewerten die Put-Option, die Garantie, und wir skalieren das auf den Wert dessen, was garantiert wird. Dann erhält man einen Prozentsatz: 6 %, 4 %. Das sind die Kosten für die Versicherung der Garantie der Anleihe. Je höher die Kosten der Versicherung, umso größer das Kreditrisiko. Das macht Sinn. Und wir haben alle gesehen, dass es viele, viele Möglichkeiten für diese Bewertung gibt. Eine davon wäre von Put-Optionen und Erfahrungen mit Put-Optionen zu verwenden. Das ist nur eine Möglichkeit. Was wir also machen ist, wir berechnen diese Zahl und nehmen das Verhältnis. Wenn wir die Sensitivität einer Institution gegenüber einer anderen oder eines Instituts gegenüber einem Staat oder eines Staates gegenüber einer Institution verstehen wollen, betrachten wir die Kosten auf Kreditebene. Das sind dann die Kosten für die Versicherung für diese Entität, die einen Staat, eine Bank, eine Versicherungsgesellschaft versichert. Wir betrachten diesen Kredit und setzen ihn in Beziehung zum Kredit eines anderen, einer Bank gegenüber einer Regierung, einer Bank gegenüber einer Versicherungsgesellschaft oder umgekehrt. Und mit diesen Daten haben wir einen einfachen ersten Durchgang gemacht, eine Phasenverschiebung um eine Periode, also eigentlich Standard, eine Phasenverschiebung. Wir haben also den Kredit im letzten Monat betrachtet und ihn in Beziehung zum Kredit der anderen Organisation in diesem Monat gesetzt. Und wenn eine positive Beziehung zwischen ihnen besteht, würden wir sagen, dass der hier aus dem letzten Monat diesen beeinflusst. Ich würde nicht von Ursache sprechen, weil wir alle wissen, dass es keine Kausalbeziehung ist. Kausalität besteht nur im Sinne der Granger-Kausalität. Aber die Ursache ging von ihm aus. Wir können den Kredit von Institution J dem Kredit von Institution K eine Periode später gegenüber stellen. Und wir können das umdrehen. Und wir betrachten diesen Koeffizienten, diese einfachste Regression. Das ist die einfachste Version. Wenn statistische Signifikanz besteht, gehen wir vom Einfluss aus … wenn J den K-Kredit beeinflusst, weil wenn wir das umgekehrt machen und Signifikanz feststellen, sagen wir, dass K J beeinflusst. Nur im Kreditzusammenhang. Das hier gilt nur für Kredite. Wenn es in beide Richtungen geht, was möglich ist, erhalten wir eine sogenannte Rückkopplung. Das hier beeinflusst das hier und das hier beeinflusst ... Genauso, wie das in der kleinen Geschichte bei den Kreditauswirkungen zwischen Regierungen und ihren Banken der Fall war. Wie messen wir bei dieser Analyse die Kosten für die Versicherung empirisch? Sie alle wissen sicherlich, dass es einen CDS-Markt gibt, einen Credit Default Swap Markt, auf dem sich Staaten, einige Banken usw. bewegen. Das ist ein natürlicher Ort für Studien, weil es ein gewachsener Markt ist, das ist kein … Ein natürlicher Ort, um die Marktpreise zu bekommen, wäre einfach die Verwendung von CDS-Preisen, also die Versicherungspreise. Implizit kann man sie auch aus Anleihen und auf anderen Wegen extrahieren. Aber das Schöne ist jetzt bei den Daten, dass es den CDS-Markt gibt. Für die Institutionen haben wir allerdings keine CDS-Daten verwendet. Wir haben Versicherungsgesellschaften und Banken genommen. Wir konnten keine Pensionsfonds nehmen, wir hatten nicht die entsprechenden Daten. Wir haben dies also nur für diese beiden großen Gruppen durchgeführt. Und für die haben wir das nicht verwendet, wir haben es für die Staaten verwendet. Wir nutzten also staatliche Credit Default Swaps als Ansatz für diese Kosten. Und für die Versicherungsgesellschaften und die Banken haben wir die Version eines Modells verwendet, mit dem ich vor 40 Jahren zu tun hatte und das die Bewertung anhand der Optionstheorie, der Derivattheorie durchführt. Das ist ein Modell, das heute überall eingesetzt wird. Und es ist gut genug. Es ist keine Handelsgrundlage. Aber es ist gut genug, um Änderungen anzuzeigen. Das wird in der realen Welt für abertausende Dollar eingesetzt. Das heißt also nicht, dass das richtig ist, aber es ist keine schlechte Annäherung. Warum haben wir das anstelle von CDS verwendet? Weil wir das Gesamtkreditrisiko für die Entität ermitteln wollten. Was erhält man mit CDS? Den Kostenanteil für die Garantiezusagen gegenüber den Privatmärkten für das Risiko der Entität. Als Irland sich für alle irische Banken verbürgte, ging der CDS-Satz auf diese Banken nach unten. Warum? Weil sie eine Garantie hatten. Es war nicht deshalb, weil diese irischen Banken ein besserer Kredit waren. Ihre Vermögenswerte waren die gleichen. Ihre Verbindlichkeiten waren die gleichen. Es war nur so, dass sich ein Teil der Privatmarktkreditrisiken auf den Staat verlagerte. Weil die Daten zeigten, dass die CDS auf Irland nach oben gingen. Die Banken verloren also und Irland ging nach oben, weil Irland das Risiko übernahm. Wir wollen hier das Gesamtrisiko. Wir wollen nicht den Standpunkt vertreten, dass etwas sicherer geworden ist - nicht weil es tatsächlich sicherer geworden ist, sondern weil das Risiko von den Privatmärkten abgewälzt wurde. Deshalb verwenden wir das Modell hier. Sie haben also verstanden, woher die Daten stammen. Wir führten eine einfache Regression durch. Das nur, um Sie zu überzeugen. Wie Sie alle wissen, könnte man all diese Schwankungen von allem und jedem nehmen und das so machen. Wir haben dies mit Daten verglichen, die wir von 2001 bis Januar 2014, also dieses Jahres, hatten. Wir hatten Monatsdaten, wir hatten 17 Staaten, 63 Banken und 39 Versicherungsgesellschaften, 102 Institutionen. Und wir haben all diese Regressionszahlen für unterschiedliche Perioden errechnet und sie zusammengeführt. Und dann entsteht eine Anhäufung von Regressionskoeffizienten in dieser Höhe. Was macht man damit? Und das möchte ich Ihnen in den letzten fünf Minuten zeigen - ich wusste, dass mir die Zeit davonläuft. Und das ist: Wir verwenden Netzwerktheorie. Wir arbeiten mit einer Menge anderer Möglichkeiten für die Anzeige von Daten, so dass Sie mit eigenen Augen Dinge erkennen können, dass eine Anhäufung von Regressionskoeffizienten ein Albtraum ist. Das ist, als ob Sie sich ein Gemälde im Museum anschauen. Man sieht das Gesamtgemälde. Und man kommt wieder raus. Ich zeige Ihnen also Bilder von dem, was passierte, als wir das mit den Daten für unterschiedliche Zeitperioden durchgeführt haben. Es ist … Hier haben Sie so ein Bild. Blau sind Versicherungsgesellschaften, rot die Banken und schwarz die Staaten. Und hier sind nur alle statistisch relevanten Verbindungen dargestellt. Und wenn es von A nach B geht, wenn es in diese Richtung geht – Sie erinnern sich an die Phasenverzögerung –, dann zeigt ein Pfeil in diese Richtung. Wenn es von B nach A geht, ist es umgekehrt. Und wenn es in beide Richtungen geht, gehen von beiden Pfeile aus. Das kann man hier nicht sehen. Da ist so, als ob man sich eine Google-Landkarte von außerhalb der Welt anschauen würde. Man schaut auf die ganze Welt. Das ist eine Zeitrafferaufnahme. Das ist so, als ob man die Linse drei Jahre lang geöffnet hätte. Und das ist ein zusammengestelltes Bild, damit Sie die Zeit vor der Periode betrachten können, die die meisten Leute als Krise bezeichnen würden. Verstehen Sie, worum es hier geht? Das sind nur signifikante Daten für Kredite. Das hat nichts mit Transaktionen oder anderen Dingen zu tun, nur eine Messung von Krediten. Das war vor der Krise. Schauen Sie sich das gut an. Das ist aus 2009. Sehen Sie einen Unterschied? Vorher war es ein bisschen dichter, nicht wahr? Was sagt Ihnen das? Der Grad der Verflechtung, zumindest so gemessen, hat zugenommen. Wie bei einem guten Gemälde, vor dem Sie zwei Stunden lang sitzen: je länger Sie sich das anschauen, desto mehr entdecken Sie. Sie sehen die Farben. Schwarz, Sie erinnern sich, sind die Staaten. Blau sind die Versicherungen. Das Rote sind die Banken. Und das alles kann man darstellen. Ich möchte einfach, dass Sie das wie eine Google-Landkarte aus dem Weltraum anschauen, ja? Übrigens, das betrifft die Zeit seit 2011. Ich möchte, dass Sie sehen, dass es nach wie vor dicht ist. Aber die Versicherungsgesellschaften, blau, sind dichter geworden. Man erhält also die Information, dass etwas passiert ist, das sich etwas verändert hat. Das kann man jetzt vergrößern. Ich habe aber nicht die Zeit, Ihnen das alles zu zeigen. Man kann sich wie bei Google Street an ein einzelnes Gebäude heranzoomen, wenn man will. Und dann schaut man sich die Struktur genauer an. Und wir haben Organisationen zueinander positioniert, je stärker die Beziehung, desto enger. Wir arbeiten also mit visuellen Elementen. Wenn etwas wirklich nicht nur signifikant, sondern groß und signifikant ist, liegt es eng zusammen. Und durch eine derartige Gruppierung erhält man die Vorstellung davon, wer ungefähr im Zentrum steht. Wir führen Eigenwertfunktionen und ähnliche Dinge durch, um zu erkennen, wer zu einem bestimmen Zeitpunkt oder in einem bestimmten Zeitraum die tatsächlichen Akteure sind. Und wir können uns in diese Elemente hineinzoomen. Das ist zu einem Zeitpunkt 2008 vor der Lehman-Krise. Und hier sind Griechenland und die anderen, die Schwarzen. Ich gehe nicht näher darauf ein. Da ist Spanien, kurz bevor Spanien wirklich in Probleme geraten ist. Was ich Ihnen hier zeigen möchte - das ist März 2012. Ich möchte Ihnen etwas zeigen. Zuerst sehen Sie Italien, das Schwarze - ich kann nicht das gesamte Bild besprechen, die Zeit reicht nicht. Das ist Italien direkt im Zentrum von allem. Sehen Sie sich die USA an; die sind sehr isoliert. Wie kann es sein, dass die USA mit ihren einflussreichsten Banken und der zweifellos größten Volkswirtschaft – wie konnte es damals nicht eine große Rolle im System spielen? Nun, wir können nur spekulieren, denn wir kennen die tatsächlichen Gründe nicht. Wir haben nur die Daten. Aber man könnte argumentieren, dass die USA im März 2012 keinesfalls bereit waren, in einem Präsidentenwahljahr eine weitere Fazilität über 500 Milliarden für die EU bereitzustellen, wie sie es vorher getan hatten. Es gab eine Menge Gegenwind. Also könnte die Behauptung aufstellen, es ist unwahrscheinlich, dass die USA im Wahljahr eine Menge zur Bonitätsverbesserung weltweit beiträgt. Also für den Pfeil, der den Effekt der USA auf Kredite anderer darstellt. Und trotz des Unsinns, der zum Teil in unserem Kongress und überall anderswo passiert, ist es eine Tatsache, dass im März 2012 die USA der sicherste Ort für Geldanlagen waren, zumindest für das tatsächlich angelegte Geld. Also waren die Sorgen nicht sehr groß, dass die Bonität der USA 2012 durch andere gefährdet würde. Man könnte also etwa argumentieren, dass im Sinne der Bonität - nicht all die anderen Aktivitäten, weil wir sie alle berücksichtigt haben - großen Einfluss haben. Es geht also darum … Wir machen hier nichts mehr als zu sagen: Damit lassen sich gute Fragen stellen. Warum ist das so, und warum unterscheidet sich das von der Vergangenheit? Und das können wir verwenden. Ich zeige Ihnen eine weitere Darstellung - das ist eine Vergrößerung. Jetzt kommen wir wirklich zum … Sie sehen die Linien und die Pfeile. Natürlich hat Italien davon viele. Aber hier unten sehen Sie das Schwarze, Spanien. Das Rote ist Goldman Sachs. Die beiden sehen aus wie verheiratet. Und auf Goldman Sachs zeigen eine Menge Pfeile. Warum? - Ich weiß es nicht. Aber wenn Sie eine Regulierungsbehörde wären und dieses Muster sehen würde, das in der Vergangenheit anders aussah, würde es dann nicht Sinn machen, Goldman Sachs anzurufen und zu sagen: „Kollegen, wir sehen da etwas Interessantes. Ihr scheint das Zentrum von ziemlich viel Zeug zu sein, das von den Versicherungen kommt, eine Menge Staatspapiere. Und es sieht so aus, als ob ihr mit Spanien verheiratet wäret. Was passiert da gerade?" Zwei Antworten sind möglich. Die eine lautet: Wir wissen es nicht. Oder: Ja, das passiert gerade. Wenn die erste Antwort kommt, wäre das doch eine interessante Frage für eine Aufsichtsinstanz. Dann würde man doch etwas näher nachforschen. Nicht, weil etwas falsch läuft. Die Tatsache, dass ein hohes Maß an Verflechtungen besteht, muss nicht unbedingt etwas Schlechtes bedeuten. Es heißt lediglich, dass man anfällig für systemische Ereignisse ist. Das ist also die Idee dahinter. Meine letzten minus 10 Sekunden. Das hier sind die Zeitreihen, in denen wir eingehende und ausgehende Pfeile messen. Irland ist von den Banken betroffen usw. Wir haben das hier dargestellt. Das Wichtigste, was hier zu sehen ist, ist, dass das zeitlich nicht konstant bleibt. Das ist gut. Das heißt, dass sich diese Dinge wirklich verändern. Man nimmt also nicht ein Bild und das ist dann statisch. Es ist nicht statisch. Das Ganze ist ein dynamischer Prozess. Ähnlich ist es hier. Sie wissen, dass es für diese fünf Staaten einen abwertenden Begriff gibt. Wir haben die beste Lösung gesucht und kamen auf „GIIPS“ für diese fünf Länder. Und wir haben dargestellt, wie sie von Auswirkungen betroffen sind, abzüglich ihres eigenen Effekts auf andere. Die meisten dieser Volkswirtschaften, außer Italien, aber sicherlich Irland und Portugal sind winzige Wirtschaftssysteme. Man würde also normalerweise erwarten, dass sie von jemand anderem herumgeschubst werden. Sie sind das Rettungsboot neben dem Schiff. Aber hier sehen Sie, wie es vor der Krise aussah. Aber wenn man in den Krisenmodus umschaltete, stieg es wieder. Das beweist, dass zu bestimmten Zeiten selbst kleine Effekte im Sinne der Granger-Kausalität einen solchen Einfluss haben können. Dies ist also ein Tool, das wir dazu verwenden. Ich habe nicht die Zeit, den Rest auch noch zu erklären. Aber ich möchte folgendes noch als Zusammenfassung sagen: Wir haben viele dieser Analysen durchgeführt. Wir verwenden Marktdaten. Wir verwenden keine Bilanzdaten. Wir verwenden keine Positionsdaten. Wir nehmen keine Zentralbankdaten. Aber dies wäre für Zentralbanken und andere, die als Aufsichtsinstanzen fungieren, sicherlich sehr sinnvoll, weil wir mit Marktdaten arbeiten. Sind die Marktdaten korrekt? Natürlich nicht. Aber der Markt gibt Hinweise. Zweitens ist es wirklich preisgünstig, weil man diese Daten jeden Tag bekommt. Man könnte diese Sache also jeden einzelnen Tag laufen lassen und aktualisieren. Bilanzdaten kommen, wenn überhaupt, oft sehr verspätet. Das Gleiche gilt für Positionsdaten. Und dann muss man sich da durcharbeiten. Es geht also nicht um einen Ersatz, sondern um ein ergänzendes Instrument. Wie ich bereits erwähnte, setzen wir starke Hoffnung darauf, dass wir das irgendwann weiter verfeinern können und in der Lage sein werden, eine Menge Informationen darüber zu gewinnen, wie wir mit Hilfe dieses Tools tatsächlich Politik betreiben können. Ich bin mir über eines im Klaren: Es stellt gute Fragen. Sie kennen Stresstests, nicht wahr? Man nimmt 100 Szenarien, die sich jemand ausdenkt. Wie viele Szenarien hat man nicht getestet - unendlich minus 100. Das hier ist ein intelligentes Szenario. Aber es ist kein intelligentes Szenario, das man sich ausdenken - kann man aber immer noch tun. Es informiert darüber, dass diese Beziehungen und diese Orte im Markt anders sind, sich dynamisch verändert haben. Man schaut sich das an und wenn man nicht die richtigen Antworten erhält, ist das aussagekräftig. Vielleicht haben wir hier einen Stresstest, weil es das ist, was der Markt zu sagen scheint. Es ist preisgünstig, schnell in der Umsetzung und gibt Ihnen Hinweise, die man nicht aus Bilanz- oder Positionsdaten bekommt – egal wie viele man davon hat. Vielen Dank. Und noch einen schönen Vormittag. Applaus.

Robert C. Merton (2014)

Measuring the Connectedness of the Financial System: Implications for Systemic Risk Measurement and Management

Robert C. Merton (2014)

Measuring the Connectedness of the Financial System: Implications for Systemic Risk Measurement and Management

Abstract

Macrofinancial systemic risk is an enormous issue for both governments and large asset pools. The increasing globalization of the financial system, while surely a positive for economic development and growth, does increase the potential impact of systemic risk propagation across geopolitical borders, making its control and repairing the damage caused a more complex and longer process. As we have seen, the impact of the realization of systemic risk can be devastating for entire economies. The Financial Crisis of 2008-2009 and the subsequent European Debt Crisis were centered around credit risk, particularly credit risk of financial institutions and sovereigns, and the interplay of the two. The propagation of credit risk among financial institutions and sovereigns is related to the degree of “connectedness” among them. The effective measurement of potential systemic risk exposures from credit risk may allow the realization of that risk to be avoided through policy actions. Even if it is not feasible to avoid the systemic effects, the impact of those effects on the economy may be reduced by dissemination of that information and subsequent actions to protect against those effects and to subsequently repair the damage more rapidly. This paper applies the structural credit models of finance to develop a model of systemic risk propagation among financial institutions and sovereigns. Tools for applying the model for measuring connectedness and its dynamic changes are presented using network theory and econometric techniques. Unlike other methods that require accounting or institutional positions data as inputs for determining connectedness, the approach taken here develops a reduced-form model applying only capital market data to implement it. Thus, this model can be refreshed almost continuously with “forward-looking” data at low cost and therefore, may be more effective in identifying dynamic changes in connectedness more rapidly than the traditional models. This new research is still in progress. The basic approach and the empirical findings are encouraging and it would seem that at a minimum, this approach will provide “good “questions, if not always their answers, so that overseers and policy makers know better where to look and devote resources to discovery among the myriad of places within the global financial system. In particular, it holds promise for creating endogenously specified stress test formulations. The talk closes with some discussion of the importance of a more integrated approach to monetary, fiscal and stability policies so as to better recognize the unintended consequences of policy actions in one of these on the others.

Background reading:

Merton, R.C., 1977, “An Analytical Derivation of the Cost of Deposit Insurance and Loan Guarantees,” Journal of Banking and Finance, vol. 1 (June); pp. 3-11.

Gray, D. F., Merton R. C. and Z. Bodie, 2007, “Contingent Claims Approach to Measuring and Managing Sovereign Credit Risk”, Journal of Investment Management, Vol. 5, No. 4, pp. 5-28.

Content User Level

Beginner  Intermediate  Advanced 

Cite


Specify width: px

Share

COPYRIGHT

Content User Level

Beginner  Intermediate  Advanced 

Cite


Specify width: px

Share

COPYRIGHT


Related Content