TENET 모형을 이용한 금융회사 간 위험전이와 시스템적 위험에 관한 연구 = A Study on Risk Transfer and Systemic Risk among Financial Institutions using TENET

다국어 초록 (Multilingual Abstract)

This study examines whether TENET(Tail-Event driven NETwork risk) can identify systemically important financial institutions by combining the tail risk and the market capitalization of individual financial institutions. A total of 31 financial institutions are analyzed and the sample period is from March 26, 2006 to March 25, 2018. As a result of the empirical analysis, it was found that the total connectivity of 31 financial companies had a sharp upward trend in three phases. The global financial crisis, the European fiscal crisis, and the US stock market and the European stock market, triggered by the Argentine default. In the analysis that divides connectivity into inflows and outflows, the highest level of estimates was derived from securities firms. However, in the case of combining the connectedness between financial institutions and the total market capitalization of individual financial institutions, it was confirmed that most of the systemically important financial institutions were banks.

국문 초록 (Abstract)

본 연구에서는 금융회사 간 꼬리위험의 연결성과 개별 금융회사의 시가총액을 조합해 시스템적으로 중요한 금융회사를 선별할 수 있는지를 TENET(Tail-Event driven NETwork risk) 모형으로 검증하였다. 유가증권시장의 분류에 따라 은행업, 보험업, 증권업으로 구분하고, 총 31개의 금융회사를 분석대상으로 선정하였다. 표본기간은 2006년 3월 26일부터 2018년 3월 25일까지이며, 금융회사 고유의 특성을 반영하기 위해 재무상태표에서 입수가능한 4개의 지표(레버리지, 만기불일치, 시장 대 장부가 비율, 규모)를 포함하였다. 그리고 거시경제 상황을 반영하기 위한 7개 변수들도 추가하여 시스템적 위험을 추정하였다. 실증분석 결과를 통해 31개의 금융회사로 구성된 총 연결성이 3개의 국면에서 급격한 상승추세를 가진 것으로 파악되었는데, 세계 금융시장이 불안정한 모습을 보인 글로벌 금융위기 및 유럽재정위기와 함께 아르헨티나의 디폴트(채무불이행) 사태로 미국과 유럽증시가 하락했던 시기인 것으로 나타났다. 연결성을 유입과 유출로 구분한 분석에서는 공통적으로 증권업이 가장 높은 수준의 추정값이 도출되었으나 최종적으로 금융회사 간 연결성과 개별 금융회사의 시가총액을 결합한 분석에서 시스템적으로 중요한 금융회사는 대부분 은행인 것으로 확인되었다. 그리고 이러한 결과는 금융위원회가 은행 및 은행지주회사를 대상으로 평가지표에 의해 선정하는 “시스템적 중요 은행”의 결과와도 대체로 일치하였다.

참고문헌 (Reference)

• 1 문호성, "위험연계행렬을 이용한 우리나라 금융시스템의 연계성 평가" 한국산업경제학회 24 (24): 1205-1216, 2011
• 2 Fan, J., "Variable selection via nonconcave penalized likelihood and its oracle propetries" 96 (96): 1348-1360, 2001
• 3 Zou, H., "The adaptive LASSO and its oracle properties" 101 (101): 1418-1429, 2006
• 4 Rodriguez-Moreno, M., "Systemic risk measures : The simpler the better?" 37 (37): 1817-1831, 2013
• 5 Boss, M., "System risk monitor : A model for systemic risk analysis and stress testing of banking systems" 11 : 83-95, 2006
• 6 Carroll, R. J., "Symmetrized nearest neighbor regression estimates" 7 (7): 315-318, 1989
• 7 Diebold, F. X., "On the network topology of variance decompositions: Measuring the connectedness of financial firms" 182 : 119-134, 2014
• 8 Härdle, W. K., "Nonparametric and Semipametric Models" Springer 2004
• 9 Belloni, A., "L1-penalized quantile regression in high dimensional sparse models" 39 (39): 82-130, 2004
• 10 Chao, S. K., "Handbook of Financial econometrics and Statistics" 1467-1489, 2015
• 11 Hautsch, N., "Financial network systemic risk contributions" 19 (19): 685-738, 2015
• 12 Gertler, M., "Financial intermediation and credit policy in business cycle analysis" 3 (3): 547-599, 2010
• 13 Borisov, I., "Exponential inequalities for the distributions of canonical u-and v-statistics of dependent observations" 19 (19): 1-12, 2009
• 14 Berkowitz, J., "Evaluating value-at-risk models with desk-level data" 57 (57): 2213-2227, 2011
• 15 Billio, M., "Econometric measures of connectedness and systemic risk in the finance and insurance sectors" 104 (104): 535-559, 2012
• 16 Adrian, T., "CoVaR" Federal Reserve Bank of New York 2011
• 17 Acharya, V., "Capital shortfall : A new approach to ranking and regulating systemic risks" 102 (102): 59-64, 2012