Optimal Dynamic Clearing for Interbank Payments
Notice bibliographique
Résumé
We investigate the optimal clearing policy for a financial payment system composed of a number of member banks and a central bank in a dynamic setting, when new payment obligations or debts between member banks are generated over time. The central bank clears the debts among members in the system in order to minimize the costs, including the setup cost of each clearing, the variable cost of clearing the net debts, and the liquidity cost of uncleared debts. We formulate the problem using dynamic programming via state space reduction that provides a tractable framework to analyze and compute the optimal policy. We characterize the structure of the optimal policy and show that it is optimal for the central bank either to clear all the debts in the system or not to clear at all in each period under mild conditions. This structure leads to efficient computation of the optimal clearing policy. We further characterize the optimal clearing frequency based upon the deterministic approximation for the debt process. We conduct a comprehensive case study based on the data acquired from our industry partner, Payments Canada, to demonstrate the performance of the policy and its feasibility in industrial-size problems. This paper was accepted by Chung Piaw Teo, optimization. Funding: S. Chen’s research was supported by the National Natural Science Foundation of China [Grants 72101273, 72188101, 72101258, and 71991463], the Humanities and Social Science General Foundation of the Ministry of Education of China [Grant 21YJC630008], and the Hunan Provincial Natural Science Foundation of China [Grant 2022JJ40643]. Support for O. Baron’s research on this paper was provided by a grant from the Natural Science and Engineering Research Council of Canada (NSERC). N. Chen’s research was supported by the NSERC [Discovery Grant RGPIN-2020-04038]. Supplemental Material: The online appendix and data files are available at https://doi.org/10.1287/mnsc.2023.00380 .
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».