Measuring systemic risk in time-frequency domain

Abstract

Tato práce přináší analýzu systémového rizika v bankovním sektoru USA. Za použití podmíněné hodnoty v riziku (∆CoVaR), mezní očekávané ztráty (MES) a kvantilogramu (CQ) měříme závislost na chvostech rozdělení denních výnosů institucí a celého systému. Pomocí multirozkladu odvozeného z vlnkové trans- formace můžeme v rámci výnosových řad izolovat cykly trvající v rozmezí 2-8 dní, 8-32 dní a 32-64 a zkoumat riziko na jednotlivých škálách. Empir- ické výsledky poukazují na skutečnost, že očištění dat od vysokofrekvenčního hluku dává vzniknout riskometru, který má vyšší předpovídající schopnost než ∆CoVaR odhadnutá na surových datech. Závěr práce je věnován hledání spoji- tostí mezi statistickými měřiči a bankovními charakteristikami jednotlivých in- stitucí. Závěrečná panelová regrese ukazuje, že velikost instituce (měřená jako logaritmická transformace celkové bilanční sumy) je nejlépe schopna vysvětlit vývoj ∆CoVaR, jak v čase, tak napříč institucemi.

This thesis provides an analysis of systemic risk in the US banking sector. We use conditional value at risk (∆CoVaR), marginal expected shortfall (MES) and cross-quantilogram (CQ) to statistically measure tail-dependence in return series of individual institutions and the system as a whole. Wavelet multireso- lution analysis is used to study systemic risk in the time-frequency domain. De- composition of returns on different scales allows us to isolate cycles of 2-8 days, 8-32 days and 32-64 days and analyze co-movement patterns which would oth- erwise stay hidden. Empirical results demonstrate that filtering out short-term noise from the return series improves the forecast power of ∆CoVaR. Eventu- ally, we investigate the connection between statistical measures of systemic risk and fundamental characteristics of institutions (size, leverage, market to book ratio) and conclude that size is the most robust determinant of systemic risk.