MétaCan
Menu
Retour à la cohorte
Enregistrement W2549152299 · doi:10.34989/sdp-2016-18

Using Speed and Credit Limits to Address the Procyclicality of Initial Margin at Central Counterparties

2021· preprint· en· W2549152299 sur OpenAlexaff
Nikil Chande, Nicholas Labelle

Notice bibliographique

RevueEconstor (Econstor) · 2021
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Risk and Volatility Modeling
Établissements canadiensBank of Canada
Organismes subventionnairesnon disponible
Mots-clésMargin (machine learning)Volatility (finance)BusinessMonetary economicsEconomicsFinanceComputer science

Résumé

récupéré en direct d'OpenAlex

This paper proposes a practical approach to address the procyclicality of initial margin at central counterparties (CCPs) that can work even in periods of extreme stress. The approach allows CCPs to limit the speed of margin increases resulting from spikes in market volatility. To maintain the desired level of risk protection, the model covers, through loss-sharing arrangements, a chosen number of the largest shares of the margin increases that are deemed procyclical. To facilitate adoption of this approach, we allow loss sharing to be capped through the allocation of bilateral credit limits. We undertake an empirical exercise to demonstrate that, even with conservative assumptions, the proposed approach can generate significant margin relief without generating losses that cannot be absorbed by clearing members.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,105
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,085
Tête enseignante GPT0,296
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetFinancial Risk and Volatility ModelingTravaux en français237 207