| عنوان مقاله به انگلیسی | Modeling Systemic Risk: A Time-Varying Nonparametric Causal Inference Framework |
| عنوان مقاله به فارسی | مدل سازی ریسک سیستمیک: یک چارچوب استنباط علیت غیر پارامتری متغیر زمان |
| نویسندگان | Jalal Etesami, Ali Habibnia, Negar Kiyavash |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | We propose a nonparametric and time-varying directed information graph (TV-DIG) framework to estimate the evolving causal structure in time series networks, thereby addressing the limitations of traditional econometric models in capturing high-dimensional, nonlinear, and time-varying interconnections among series. This framework employs an information-theoretic measure rooted in a generalized version of Granger-causality, which is applicable to both linear and nonlinear dynamics. Our framework offers advancements in measuring systemic risk and establishes meaningful connections with established econometric models, including vector autoregression and switching models. We evaluate the efficacy of our proposed model through simulation experiments and empirical analysis, reporting promising results in recovering simulated time-varying networks with nonlinear and multivariate structures. We apply this framework to identify and monitor the evolution of interconnectedness and systemic risk among major assets and industrial sectors within the financial network. We focus on cryptocurrencies’ potential systemic risks to financial stability, including spillover effects on other sectors during crises like the COVID-19 pandemic and the Federal Reserve’s 2020 emergency response. Our findings reveals significant, previously underrecognized pre-2020 influences of cryptocurrencies on certain financial sectors, highlighting their potential systemic risks and offering a systematic approach in tracking evolving cross-sector interactions within financial networks. |
| تعداد صفحات | 50 |
| چکیده به فارسی (ترجمه ماشینی) | ما یک چارچوب نمودار اطلاعاتی غیر پارامتری و متغیر کارگردانی (TV-DIG) را برای برآورد ساختار علی در حال تحول در شبکه های سری زمانی پیشنهاد می کنیم ، و از این طریق محدودیت های مدلهای اقتصاد سنجی سنتی را در ضبط ارتباطات بالا ، غیرخطی و متناقض در بین ارتباطات می پردازیم.سلسله.این چارچوب از یک اندازه گیری اطلاعاتی-نظری ریشه در یک نسخه کلی از Granger-Guave ، که برای پویایی خطی و غیرخطی کاربرد دارد ، استفاده می کند.چارچوب ما پیشرفت هایی را در اندازه گیری ریسک سیستمیک ارائه می دهد و با مدلهای اقتصاد سنجی ایجاد شده ، از جمله اتو و رگ بردار و مدلهای سوئیچینگ ، ارتباط معنی داری برقرار می کند.ما اثربخشی مدل پیشنهادی خود را از طریق آزمایش های شبیه سازی و تجزیه و تحلیل تجربی ارزیابی می کنیم ، و نتایج امیدوارکننده ای را برای بازیابی شبکه های متغیر شبیه سازی شده با ساختارهای غیرخطی و چند متغیره گزارش می دهیم.ما از این چارچوب برای شناسایی و نظارت بر تکامل ارتباطات و ریسک سیستمیک در بین دارایی های اصلی و بخش های صنعتی در شبکه مالی استفاده می کنیم.ما روی خطرات سیستمیک بالقوه Cryptocurrencies در برابر ثبات مالی ، از جمله اثرات سرریز بر سایر بخش ها در هنگام بحران مانند همه گیر Covid-19 و واکنش اضطراری 2020 فدرال رزرو تمرکز می کنیم.یافته های ما نشان می دهد که تأثیرات قابل توجه و قبلاً به رسمیت شناخته شده قبل از سال 2020 از ارزهای رمزنگاری شده بر بخشهای مالی خاص ، برجسته کردن خطرات سیستمیک بالقوه آنها و ارائه یک رویکرد سیستماتیک در ردیابی تعامل در حال تکامل متقابل در شبکه های مالی است. |
| دسته بندی موضوعات | Econometrics,Artificial Intelligence,Information Theory,Applications,اقتصاد سنج ، هوش مصنوعی ، تئوری اطلاعات ، برنامه ها ، |
| توضیحات | Submitted 27 December, 2023; originally announced December 2023. |
| توضیحات به فارسی | ارسال شده در 27 دسامبر 2023 ؛در ابتدا دسامبر 2023 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|