Integrating granular data into a multilayer network: an interbank model of the euro area for systemic risk assessment

Resumo Técnico: Integração de Dados Granulares em Redes Multicamada para Avaliação de Risco Sistêmico na Zona do Euro

1. O Problema

A literatura sobre modelos microestruturais de contágio e risco sistêmico enfatiza que a propagação de choques é inerentemente multicanal, ocorrendo através de diversas vias: exposições contraparte de longo prazo, risco de renovação (roll-over) em financiamentos de curto prazo, participações cruzadas em títulos e spillovers de vendas de ativos comuns (fire-sales).

No entanto, a implementação empírica desses modelos enfrenta desafios significativos:

• Fragmentação de Dados: As exposições bilaterais reais estão dispersas em diversas coleções de dados (supervisionais e estatísticas), com definições, frequências e identificadores heterogêneos.
• Simplificação Excessiva: A maioria dos estudos empíricos recorre a redes estilizadas, simuladas ou foca em uma única dimensão de exposição, falhando em capturar a complexidade real das interconexões.
• Perda de Estrutura: A agregação de diferentes canais de transmissão em uma única rede "achatada" (flattened) pode mascarar estruturas economicamente relevantes e levar à identificação incorreta de instituições sistemicamente importantes em mercados específicos.

O objetivo deste trabalho é preencher essa lacuna, construindo uma rede multicamada empiricamente fundamentada para os grupos bancários significativos da Zona do Euro.

2. Metodologia

2.1. Fontes de Dados e Integração
Os autores integraram múltiplos conjuntos de dados granulares supervisionais e estatísticos da Zona do Euro, harmonizando identificadores e regras de consolidação (utilizando o regime de consolidação prudencial). As principais fontes incluem:

• RIAD: Para identificação de entidades e estrutura de grupos bancários.
• ROSSI: Lista de instituições significativas supervisionadas pelo Mecanismo Único de Supervisão (MUS).
• AnaCredit: Informações detalhadas empréstimo a empréstimo (exposições de crédito).
• CSDB e SHSG: Dados sobre emissão e titularidade de títulos (ações e dívida).
• SFTDS: Dados de transações de financiamento de títulos (repurchase agreements, buy-sell back).
• FINREP/COREP: Informações financeiras e de capital (balanços patriciais) para calibração.

2.2. Construção da Rede Multicamada
A rede é definida como um conjunto de camadas ($l$) compartilhando o mesmo conjunto de nós ($N$), onde cada nó representa um grupo bancário significativo. As camadas representam canais de transmissão distintos:

1. Crédito de Longo Prazo: Exposições com maturidade > 3 meses (depósitos, linhas de crédito).
2. Crédito de Curto Prazo: Exposições com maturidade < 3 meses (incluindo acordos de recompra reversa).
3. Títulos Cruzados (Cross-securities): Participações em ações e títulos emitidos por outros grupos bancários.
4. Financiamento de Curto Prazo: Transações de financiamento garantido (SFT/Repo).
5. Títulos Externos (Overlapping Portfolios): Uma representação projetada (grafo não direcionado) que captura a sobreposição de portfólios de ativos externos entre bancos, modelando o risco de fire-sale.
6. Rede Achatada (Flattened): Uma camada agregada artificial, soma de todas as outras, usada como benchmark.

2.3. Calibração e Enriquecimento
Os nós foram enriquecidos com dados de balanço patrimonial (Ativos Totais e Capital Tier 1) para suportar a calibração de modelos de risco. A rede foi construída com base em uma snapshot estática de junho de 2021.

2.4. Modelos Analíticos Aplicados
Dois frameworks foram implementados sobre a rede real:

• Medida de Importância Sistêmica Baseada em Propagação (DebtRank): Adaptado para calcular o impacto de choques de crédito (perda de contraparte) e de liquidez (falta de renovação de financiamento).
• Modelo de Agentes Baseado em Microestrutura: Um framework que simula dinâmicas de contágio acopladas, onde choques no mercado de longo prazo afetam o curto prazo (hoarding de liquidez) e geram espirais de venda de ativos (fire-sales) no mercado externo.

3. Resultados Principais

3.1. Heterogeneidade Topológica

• Distribuição de Graus: As distribuições de grau (conectividade) variam drasticamente entre as camadas. Camadas de crédito e financiamento exibem caudas pesadas (heterogeneidade tipo scale-free), enquanto a camada de títulos cruzados é mais plana e a de títulos externos apresenta uma estrutura assimétrica à esquerda.
• Mascaramento na Rede Achatada: A rede agregada ("flattened") tende a ser dominada pela camada de títulos cruzados, ocultando a estrutura específica das camadas de crédito e financiamento. Isso implica que a importância sistêmica de um banco pode ser sub ou superestimada se apenas a rede agregada for analisada.

3.2. Importância Sistêmica e Sensibilidade

• Identificação Específica por Canal: A identidade dos bancos mais sistemicamente importantes muda dependendo do canal de transmissão analisado. Um banco marginal no mercado de crédito de longo prazo pode ser central no mercado de financiamento de curto prazo.
• Sensibilidade à Liquidez: Os resultados do DebtRank mostram que o impacto sistêmico no mercado de financiamento (Repo) é ordens de magnitude maior do que no crédito de curto prazo, especialmente sob cenários de estresse de liquidez (maior scaler $\beta$). A relação é não-linear: condições de liquidez mais apertadas amplificam drasticamente o risco de contágio.
• Efeitos de Agregação: A agregação simples de camadas tende a superestimar o impacto sistêmico em comparação com a computação direta em camadas combinadas, sugerindo que os efeitos de interação não são puramente aditivos, mas a proximidade dos resultados indica que, neste cenário, a agregação linear captura a maior parte da dinâmica, exceto para nós altamente sistêmicos.

3.3. Simulações de Agentes (Contágio)

• Cascadas de Falência: O modelo de agentes revelou que, embora a maioria dos bancos não gere contágio, um pequeno subconjunto pode desencadear cascatas significativas (até 43 falências adicionais em um caso extremo).
• Papel do Tamanho vs. Posição: O tamanho do balanço patrimonial não é o único determinante do impacto sistêmico. A posição na rede e a conectividade específica do mercado são cruciais. Instituições menores podem ser altamente contagiosas dependendo de sua posição estrutural.
• Clustering Nacional: As instituições que geram contágio tendem a originar-se de poucos países, sugerindo efeitos de clustering nacional.
• Não Linearidade da Liquidez: Aumentar o parâmetro de estresse de liquidez ($\beta$) de 0,05 para 0,2 resulta em um aumento exponencial no número de falências e no capital perdido, destacando a fragilidade do sistema sob condições de hoarding de liquidez.

4. Contribuições Chave

1. Medição Empírica: Construção da primeira rede multicamada integrada para grupos bancários significativos da Zona do Euro, reconciliando dados heterogêneos (AnaCredit, EMIR, SFTDS, etc.) em uma representação consistente.
2. Evidência Estrutural: Demonstração empírica de que a heterogeneidade entre camadas é pronunciada e que a agregação simples distorce a compreensão da importância sistêmica.
3. Aplicação Analítica: Implementação bem-sucedida de modelos de risco sistêmico (DebtRank e Agentes) sobre dados reais granulares, validando a utilidade da abordagem multicamada para testes de estresse.

5. Significado e Implicações

Este trabalho fornece uma base empírica sólida para a avaliação de risco sistêmico e testes de estresse que consideram a natureza multicamada das interconexões bancárias.

• Para Supervisores: A abordagem "consciente de camadas" (layer-aware) permite identificar vulnerabilidades específicas de mercado que seriam invisíveis em análises agregadas.
• Política Regulatória: Os resultados sugerem que instrumentos macro e microprudenciais devem ser desenhados considerando a sensibilidade não-linear dos mercados de curto prazo e financiamento a choques de liquidez.
• Resiliência do Sistema: A análise reforça que a resiliência do sistema bancário depende não apenas da solidez individual dos balanços, mas da estrutura de conectividade em diferentes canais de transmissão de choques.

Em suma, o artigo demonstra que a integração de dados granulares em redes multicamada é essencial para uma compreensão realista dos mecanismos de propagação de crises financeiras na Zona do Euro.