NETTING AND NOVATION IN REPO NETWORKS
Notice bibliographique
Résumé
We propose an agent-based computational model for a financial system consisting of a network of banks with interconnected balance sheets comprising fixed assets (e.g. loans to agents outside the network), liquid assets (e.g. cash or central bank reserves), general collateral (e.g. government debt), unsecured interbank loans and reverse-repos to other banks as assets, as well as deposits, unsecured interbank loans and repos from other banks as liabilities. Importantly, we allow banks to use reverse-repo assets as collateral for obtaining repo loans from other banks, that is to say, rehypothecation. Banks need to satisfy liquidity, collateral, and solvency constraints. If the first two constraints are violated because of internal or external shocks, solvent banks attempt to restore them by rebalancing their assets, which might lead to the propagation of the shock because of fire-sale effects (if fixed assets are sold) or liquidity hoarding (if secured or unsecured loans are recalled). Insolvent banks, as well as banks that failed to restore the liquidity and collateral constraints after rebalancing, are removed from the network using a resolution algorithm that includes a netting step (i.e. removal of closed cycles of liabilities) and a novation step (i.e. redistribution of repo assets and liabilities to remaining banks). We show analytically that this proposed resolution algorithm has several desirable properties, most importantly the order-independence of the novation step, and we investigate the stability properties of the network through a series of numerical experiments.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».