How much liquidity would a liquidity-saving mechanism save if a liquidity-saving mechanism could save liquidity? A simulation approach for Canada's large-value payment system Shaun Byck
Notice bibliographique
Résumé
Canadas Large Value Transfer System (LVTS) is in the process of being replaced by a real-time gross settlement (RTGS) system. A pure RTGS system typically requires participants to hold large amounts of intraday liquidity in order to settle their payment obligations. Implementing one or more liquidity-saving mechanisms (LSMs) can reduce the amount of liquidity participants need to hold. This paper investigates how much liquidity requirements can be reduced with the implementation of different LSMs in the Financial Network Analytics simulation engine using LVTS transaction data from 2018. These LSMs include: 1) Bilateral offsetting, 2) FIFO-Bypass, 3) Multilateral offsetting, and 4) a combination of all LSMs. We simulate two different scenarios. In the first scenario, all payments from Tranche 1, which are considered time-critical, are settled in a pure RTGS payment stream, while less time-critical Tranche 2 payments are settled in a payment stream with LSMs. In the second scenario, we settle all payments (Tranches 1 and 2) in the LSM stream. Our results show that when there is ample liquidity available in the system, there is minimal benefit from LSMs as payments are settled without much delay†the effectiveness of LSMs increases as the amount of intraday liquidity decreases. A combination of LSMs shows a reduction in liquidity requirements that is larger than any one individual LSM.Â
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».