29 juni 2015
M. van der Leij 2014/2015
Scriptie Econometrie Semester 2
Wessel Schouten 10363300
Financiële besmetting van banken via het netwerk van onderlinge bankleningen
1 Inleiding
In 2007 ontstond er een kredietcrisis op de financiële markten. Deze bereikte in september 2008 haar hoogtepunt; diverse grote banken kwamen in problemen. De banken durfden geen geld meer aan elkaar uit te lenen, omdat er een groot risico was dat ze dit niet meer terug zouden krijgen. Banken als Freddie Mac en Fannie Mae werden overgenomen door de Amerikaanse regering. De grote effectenbank Lehman Brothers ging zelfs failliet, wat veel gevolgen heeft gehad op de rest van het financiële systeem.
In het algemeen lenen banken geld aan elkaar uit. Dit doen zij om hun liquiditeit constant te houden. Er zijn banken die op korte termijn geld moeten hebben voor hun klanten en banken waar dit niet het geval is. Deze banken lenen dan geld aan elkaar om voor een constante liquiditeit te zorgen (Allen & Gale, 2000). Door deze interbancaire markt zijn de banken aan elkaar gekoppeld en ontstaat er een netwerk. Hier gaan we in deze scriptie verder op in.
Banken hebben een link met elkaar, wat zich uit in de balans (Haldane, 2011). Het geleende bedrag van een bank staat op de passiva kant van een bank, terwijl het bedrag dat is uitgeleend op de activa kant staat van de andere bank. Wanneer er een grote bank failliet gaat, zoals Lehman Brothers, is het mogelijk dat het geleende bedrag niet wordt terugbetaald. Vervolgens kan de gelinkte bank dan ook failliet gaan en ontstaat er een domino-effect. Dit is het systemisch risico voor het financiële systeem. Haldane (2009) concludeert dat de schok
van Lehman Brothers vergeleken kan worden met de uitbraak van SARS (Severe Acute Respiratory Syndrome) in China. Beide schokken hebben tot grote schade geleid. Dit komt doordat elke bank afzonderlijk zich niet richt op het risico voor het gehele systeem, aldus Haldane.
Het systemisch risico van het financiële netwerk wordt de laatste jaren steeds meer onderzocht. Zo heeft Nier et al. (2007) onderzoek gedaan naar de stabiliteit van het financiële systeem. Er worden willekeurige banken aan elkaar gelinkt om netwerken te krijgen.
Vervolgens gaat er één bank failliet en wordt er gekeken hoe het netwerk hierop reageert. Wanneer de schok groter is dan het eigen vermogen van de bank, wordt het resterende bedrag uit de interbancaire leningen gehaald. Dit betekent dat de gelinkte bank een deel van het uitgeleende geld niet terugkrijgt. Als dit bedrag groter is dan het eigen vermogen van de gelinkte bank, gaat deze ook failliet. Zo heeft de schok invloed op het hele financiële netwerk.
In tegenstelling tot Nier et al. (2009) gaan Battiston et al. (2012) ervan uit dat banken het risico van terugbetaling meenemen in hun balans. Wanneer het eigen vermogen van een bank afneemt, wordt het geleende bedrag aan deze bank op de balans van een andere bank proportioneel afgeschreven. Dit zorgt ervoor dat banken in een eerder stadium zien dat ze de lening mogelijk niet terug krijgen en zo wordt het risico van het financiële netwerk beperkt. Dit model heet “Debtrank” en is bedacht na de crisis door Battiston et al. Het is een veilig model om het risico van het financiële systeem te beperken, misschien wel té veilig. Dit wordt verder in dit hoofdstuk besproken.
In het onderzoek van Fink et al. (2014) wordt er een model geanalyseerd die een toename van verwachte kredietverliezen meeneemt als gevolg van besmetting van de interbancaire
leningen. Dit model is realistischer dan het model in het onderzoek van Battiston et al. (2012).
Dit leidt tot de onderzoeksvraag: wat is het effect van het kredietrisico van een interbancaire lening op de balansen van banken binnen een financieel netwerk? Om een antwoord op deze vraag te krijgen wordt er een simulatie opgezet. In deze simulatie wordt zowel het model van Nier et al. als dat van Battiston et al. gebruikt. Aangezien beide modellen uitersten zijn van de afschrijving voor het risico van de interbancaire lening, wordt er gezocht naar een goede middenweg.
Er wordt een schok gesimuleerd en er wordt bekeken wat dit voor gevolg heeft voor de banken binnen dit systeem. Deze schok leidt in eerste instantie tot een faillissement van één bank en door het netwerk mogelijk ook tot faillissementen van gelinkte banken. De schok
zorgt voor een afname van het eigen vermogen binnen de bank. Doordat er bij andere banken afschrijvingen plaatsvinden op de interbancaire leningen, gaan deze mogelijk failliet. Omdat er banken failliet zullen gaan door deze afschrijvingen, terwijl er nog een goede kans is dat ze de lening terug zullen krijgen wordt er gezocht naar een goede inschatting van dit risico. Dit wordt verkregen door verschillende parameters te veranderen. Parameters die worden
gevarieerd zijn het aantal banken, de grootte van het eigen vermogen, de grootte van de schok en de hoogte van afschrijving van de interbancaire lening. Het aantal banken dat in het
financiële netwerk actief is wordt veranderd, om te kijken of de structuur van het netwerk invloed heeft op het risico. De grootte van het eigen vermogen heeft invloed op de stabiliteit van een bank. Een grotere schok moet door meerdere banken worden opgevangen, de kans is dan groot dat een groter deel van het financiële systeem failliet gaat. Dit moet in de risico inschatting mee worden genomen. Vervolgens wordt er gezocht naar de beste manier om deze risico’s mee te nemen in de afschrijving van de interbancaire leningen.
In hoofdstuk 2 wordt hier dieper op ingegaan door middel van een theoretisch en empirisch onderzoek over netwerken en interbancaire leningen. In hoofdstuk 3 wordt het model beschreven en wordt duidelijk hoe het kredietrisico meegenomen wordt. In hoofdstuk 4 worden de resultaten van de simulatie besproken, daarna volgt de conclusie.
2 Literatuur onderzoek
“Too big to fail” is een term die vaak genoemd wordt en betrekking heeft op ons financiële systeem. Hiermee wordt bedoelt dat het financiële systeem te groot is, als deze omvalt dan heeft dit desastreuse gevolgen voor onze economie. Hierdoor moeten ze gesteund worden door de staat. Uit onderzoek van Allen & Gale (2000) blijkt echter dat grotere netwerken juist stabieler zijn. Zij onderzochten schokken in verschillende netwerkstructuren. Zo concluderen zij dat een schok minder schade aanricht in grotere netwerken, omdat meer banken deze schok dan opvangen. De eigen vermogens van de banken zijn dan hoger dan de schade die de schok aanricht.
2.1 Empirisch onderzoek
Er is weinig data beschikbaar over de connecties tussen verschillende banken, omdat interbancaire leningen vertrouwelijke informatie bevatten. Toch zijn er verschillende
onderzoeken gedaan naar ontwikkelingen in de interbancaire markt als gevolg van een schok. Zo onderzocht Mistrulli et al. (2011) dit aan de hand van een Italiaanse dataset. Zij zien dat de effecten van besmetting in het werkelijke financiële netwerk overeenkomen met gesimuleerde netwerken die vaak worden gebruikt in de literaturen.
Van Lelyveld en In ’t Veld (2014) onderzochten de netwerkstructuur van het Nederlands financiële systeem. Zij concluderen dat ook deze een groot netwerk hebben, met een aantal grote banken als kern die veel connecties hebben met de kleinere banken.
Naar aanleiding van een rechtszaak aangespannen in 2010 door Bloomberg heeft ook de US Federal Reserve Bank (FED) haar informatie openbaar moeten maken. Het
gerechtshof vond dat de burgers moesten weten wat er gebeurde met hun belasting geld. Dit ging vaak naar banken als staatssteun, als gevolg van de kredietcrisis. Battiston et al. (2012) hebben deze data geanalyseerd en concluderen dat ook deze banken in een groot netwerk sterk met elkaar verbonden zijn. Verder gebruiken Battiston et al. (2012) “DebtRank”; een model dat rekening houdt met het kredietrisico van een interbancaire lening, dit wordt in deze scriptie ook gebruikt.
Fink et al. (2014) gebruikt data van de Duitse bank om onderzoek te doen naar het effect van het kredietrisico binnen een financieel netwerk. Zij concluderen ook dat banken met elkaar verbonden zijn. Ook Fink et al. onderzoeken een model waarin rekening wordt gehouden met kredietrisico van een interbancaire lening, deze houdt echter rekening met de relatie tussen de kapitaal ratio en de kans op wanbetaling. Ook neemt dit model herinfectie mee. Dit maakt het model realistischer dan het model van Battiston et al. (2012).
2.2 Theoretisch onderzoek
Bankensystemen kunnen op verschillende manieren besmet raken. Zo onderzocht Jobst (2012) het bankensysteem met een focus op de liquiditeit. Hij combineert opties met marktinformatie om een goede maat van frequentie en ernst te krijgen voor de liquiditeit binnen het systeem. Upper (2010) bestudeerde diverse simulatiemodellen om verschillende soorten besmetting binnen het financiële systeem te analyseren. Mijn onderzoek in deze scriptie gaat in op de invloed van een slechte kredietpositie van een bank op de stabiliteit van het financiële netwerk.
In het onderzoek naar het risico van het financiële systeem, kan er onderscheid gemaakt worden tussen twee verschillende manieren van risico-overdracht (Fink, 2014). Dit is het cascade model en de centrality measures. De eerste is gebaseerd op het model van Eisenberg en Noe (2001). Wanneer de schok of het verlies groter is dan het eigen vermogen van de bank, wordt het resterende bedrag gehaald uit de interbancaire lening. Vaak wordt dit nog uitgebreid met faillissementskosten, zoals in het onderzoek van Rogers en Veraart (2012). Bij centrality measures wordt er gezocht naar de meeste centrale punten binnen een netwerk, die een connectie hebben met meer banken. Een schok bij deze banken richt dus meer schade aan binnen het netwerk, dan een schok bij de kleinere banken met minder connecties. Om een goed beeld te krijgen van het netwerk moeten deze banken zwaarder meewegen in de risico-overdracht. Een goed voorbeeld hiervan is Pagerank van Brin & Page (1999) dat Google gebruikt. Een nadeel van deze methode is dat de kern van het netwerk moeilijk te vinden is, vaak leidt de simulatie tot oneindige cirkels.
In het model van Battiston et al. (2012) mag het pad tussen twee connecties maar één keer gelopen worden, hierdoor is het probleem van oneindige cirkels verholpen. Modellen als Nier et al. (2008) en Battiston et al. (2012) gebruiken beide de interbancaire leningen als risico-overdracht. In het model van Nier wordt de theorie van Eisenberg en Noe (2001) gebruikt. In Nier wordt een willekeurig netwerk gecreëerd dat grote en kleine banken heeft. De kans dat er connecties met de grote banken gemaakt worden is groter dan de kans met kleinere banken. Het model van Battiston gebruikt deze methode ook, maar in dit model wordt een kans toegevoegd die een beeld geeft of de lening wel terug wordt betaald. Deze kans ligt tussen 0 en 1. Hierin is een ratio verwerkt tussen de interbancaire lening en het eigen vermogen. Als de interbancaire lening tussen twee banken hoog is en het eigen vermogen
laag, ligt deze kans dichtbij 1. Wanneer er een schok optreedt bij bank A, wordt de uitstaande lening op de balans van bank B volledig afgeschreven. Zo heeft een kleine schok grote gevolgen voor het hele netwerk. Een voordeel van Battiston et al. ten opzichte van Nier et al. is dat de banken rekening houden met het feit dat de lening mogelijk niet wordt terugbetaald. Hierdoor wordt het netwerk stabieler.
In mijn onderzoek wordt er gezocht naar een goede manier van de inschatting van het kredietrisico. Er wordt dus een middenweg tussen Battiston et al. (2012) en Nier et al. (2008) genomen. Banken schrijven de leningen dan minder af, als er nog een goede kans aanwezig is dat ze deze terug krijgen.
3 Onderzoeksopzet
In dit onderzoek wordt het model van Nier et al. (2008) gecombineerd met het model van Battiston et al. (2012), om zo een goede manier te vinden voor het inschatten van het kredietrisico. Hierbij wordt gebruikgemaakt van simulaties, waarbij verschillende schokken worden gebruikt om banken failliet te laten gaan.
3.1 Het financiële systeem
In deze paragraaf wordt het financiële systeem uitgelegd en wordt de simulatie hiervan beschreven. In de eerste sub paragraaf worden de balansen van de banken uitgelegd. Op welke manier deze balans is gesimuleerd wordt in de tweede sub paragraaf uitgelegd.
3.1.1 Algemene beschrijving van de balans
De balans van een bank bestaat uit een activa en een passiva-kant, welk totaal gelijk aan elkaar zijn. Op de activa kant staan de nog te ontvangen bedragen. Op de passiva-kant staan de schulden en het eigen vermogen. De totale activa’s hier aangegeven met de letter a zijn gelijk aan externe activa e plus de leningen aan andere banken i. a = e + i. De totale passiva wordt aangegeven met de letter l. Deze zijn gelijk aan het eigen vermogen c, de deposito’s d en leningen van andere banken b. l = c + d + b. Voor de verbindingen tussen de banken zijn de parameters i en b erg belangrijk. In de figuur hieronder zijn de balansen en connecties tussen de banken te zien.
3.1.2 De simulatie van het financiële systeem
In het model wordt een netwerk gecreëerd van N banken. Dit model maakt gebruik van het script van Van Houdt (2012), dat gebaseerd is op het model van Nier et al. (2008). Hier is onderscheid gemaakt tussen banken die in de kern zitten en banken die hier niet in zitten. De kans dat een bank uit de kern geld leent aan een andere bank in de kern wordt pcc genoemd.
De kans dat een bank uit de kern geld leent aan een bank in de periferie wordt pcp genoemd.
De waarden van deze kansen worden in dit onderzoek veranderd om te analyseren wat het effect hiervan is op het kredietrisico. Verder wordt er van uitgegaan dat de leningen aan andere banken één tiende zijn van de totale activa zijde. i = 1
10 * a. Hier moet nog wel de
afschrijving vanaf die in de volgende paragraaf beschreven wordt.
3.2 De besmetting in het financiële systeem
In deze paragraaf wordt er uitgelegd wat er gebeurt met het financiële systeem wanneer er een schok optreedt op de balans van één van de banken. In de eerste sub paragraaf wordt het besmettingsmechanisme uitgelegd. In de tweede sub paragraaf wordt de simulatie van dit besmettingsmechanisme toegelicht.
3.2.1 Algemene beschrijving van het besmettingsmechanisme
In deze sub paragraaf wordt er uitgelegd wat er gebeurt met het financiële systeem als er een schok optreedt. Er wordt verondersteld dat de leningen aan de consumenten belangrijker zijn dan de leningen aan andere banken. Wanneer er een schok plaatsvindt daalt het eigen
vermogen. De banken die geld hebben uitgeleend aan deze willekeurige bank gaan dan hun lening afschrijven. Hierdoor wordt hun activa-kant kleiner en daalt hun eigen vermogen dus ook. Als de schok of de afschrijving groter is dan het eigen vermogen gaat de bank failliet (S > c). De schok wordt verdeeld over alle banken die een connectie hebben met deze willekeurige bank, hier wordt met de afschrijving rekening mee gehouden.
De schok die uiteindelijk de bank raakt die geld heeft geleend aan deze willekeurige bank aangegeven als Wcc, Wcp, Wpc, Wpp maal de factor van faillissement, aangegeven met
s. Deze is 1 voor een bank die failliet gaat en 0 voor een bank waar de schok geen invloed op heeft. In de simulatie wordt de factor s één als de schok groter is dan het eigen vermogen plus de interbancaire lening (c + b). Het restant (S – c – b) van de schok wordt uit de deposito’s gehaald. Wanneer de schok groter is dan het eigen vermogen wordt de factor s berekend door het verschil tussen de schok en het eigen vermogen als percentage van de interbancaire lening ((S – c) / b). Dit is het gedeelte van de interbancaire lening, wat niet terug betaald kan worden door de bank die de initiële schok krijgt. De interbancaire lening neemt dan af met het
verschil tussen de schok en het eigen vermogen. Als de schok kleiner is dan het eigen vermogen, dan wordt in Nier et al. de factor s op nul gezet. Er vindt dan geen afschrijving plaats. Bij Battiston et al. (2012) vindt er wel een afschrijving plaats. Het uitgeleende bedrag (I) neemt met hetzelfde percentage af als de afname van het eigen vermogen van de banken waar dit geld aan is uitgeleend. In de figuur hieronder is een voorbeeld van een besmetting van het financiële systeem weergegeven, hierbij wordt zowel Nier et al. (2008) als Battiston et al. (2012) gebruikt. Bank 1 krijgt een schok, waardoor bank 2 een gedeelte van haar lening niet terug krijgt. Deze besmetting is volgens de methode van Nier et al. (2008). Vervolgens kan bank 2 deze schok opvangen en schrijft bank 3 haar lening af volgens de methode van Battiston et al. (2012).
3.2.2 De simulatie van het besmettingsmechanisme
In de simulatie vindt er net als bij Battiston et al. (2012) een afschrijving plaats en de factor s wordt berekend door de schok te delen door een gedeelte van het eigen vermogen (t * S / c). De interbancaire lening neemt af met s * W, waarbij W afhangt of de bank in de kern zit of in de periferie. De factor t is variabel en deze veranderd in dit onderzoek. Zo kan er worden geanalyseerd wat de invloed is van deze factor.
De nadruk in dit onderzoek ligt dus op het goed inschatten van de parameter s. De factor s wordt gelijk gesteld aan de schok als percentage van het eigen vermogen, als de schok kleiner is dan het eigen vermogen. s = 𝑆𝑆
𝑐𝑐. Daarna wordt er geanalyseerd naar de invloeden van
de verandering van parameter t. Parameter t varieert van 0 tot 1. Wanneer deze nul is lijkt het model sterk op dat van Nier et al. (2008), hier vindt dan namelijk geen afschrijving plaats. Als t richting 1 gaat lijkt het model op dat van Battiston et al. (2012), de afschrijving is dan gelijk aan de percentuele afname van het eigen vermogen van de bank waar het geld aan uit is geleend. Een vergelijk van de besmettingsmethode in deze scriptie ten opzichte van de besmettingsmechanismes in Nier et al. (2008) en Battiston et al. (2012) is in de onderstaande figuur te vinden. In mijn besmettingsmechanisme zie je een discontinue functie. Er wordt namelijk afgeschreven tot het eigen vermogen nul is. Daarna wordt het restant van de schok doorgegeven aan de volgende bank. Hierdoor schrijft een bank bij voorbaat al af en kan deze het gedeelte van de schok dat daadwerkelijk wordt doorgegeven beter opvangen. Wanneer het doorgegeven gedeelte van de schok minder is dan de afschrijving heeft de bank dus een “meevaller”.
4 Resultaten van simulatie
In dit hoofdstuk worden de resultaten van de simulatie besproken. Voor verschillende combinaties van de parameters worden 10 simulaties uitgevoerd. In iedere simulatie wordt één willekeurige bank gekozen die failliet gaat. Het aantal faillissementen in de grafieken, die in de volgende paragrafen worden gesproken, is het gemiddelde van de honderd simulaties. In de grafieken zijn drie lijnen afgebeeld. Tussen de twee blauwe lijnen ligt het 95%
betrouwbaarheidsinterval.
Tijdens de simulatie wordt geanalyseerd wat de invloed is van de afschrijving op het aantal faillissementen. Hierbij worden de volgende parameters gevarieerd: het aantal banken (banken in de kern en banken in de periferie), de grootte van het eigen vermogen, de grootte van de schok. Vervolgens wordt er een grafiek van de faillissementen en afschrijving weergegeven.
De standaard parameters zijn:
Parameters Beschrijving Standaard waarde Gevarieerde waarde
N Aantal banken 25 35
M Aantal banken in kern 4 8
Gamma Percentage van de totale activa, dit is het eigen vermogen
0.01 0.1
Q Schok als percentage van het eigen vermogen
0.3 0.1 en 0.001
4.1 Invloed van verandering parameters
Hieronder staat de grafiek van de standaard simulatie. Als parameter t stijgt neemt de afschrijving af. (afschrijving is t * S / c). Uit de grafiek blijkt dat bij een toename van de afschrijving het aantal faillissementen toeneemt. Dit bevestigt de theorie dat de DebtRank teveel afschrijft en dat hierdoor veel banken failliet gaan terwijl er nog een goede kans is dat deze de interbancaire lening terugkrijgen.
Wanneer het eigen vermogen toeneemt, kan de bank de schok beter opvangen en neemt de afschrijving af. Zoals hieronder te zien, leidt een verhoging van het eigen vermogen tot veel stabiliteit binnen het financiële netwerk. Er gaat zelfs maar één bank failliet.
Om te analyseren wat het effect is van de grootte van de schok is de parameter q veranderd. Hieronder staan de grafiek voor verschillende waardes van q. In de eerste figuur is de waarde 0.3, in de tweede figuur 0.1 en in de laatste figuur 0.001. Je ziet tussen de eerste 2 figuren relatief weinig verschil, de tweede grafiek loopt iets vlakker. Dit komt doordat de schok kleiner is en dus afschrijving afneemt. In de laatste figuur heeft de afschrijving veel invloed op het aantal faillissementen. Er gaan minder banken failliet door de lagere schok. De banken gaan in deze situatie dus voornamelijk afschrijven. Een toename in afschrijving heeft dan veel invloed op het financiële systeem.
Om de invloed van de netwerkstructuur te bekijken wordt het aantal banken veranderd. Vervolgens wordt het aantal banken in de kern veranderd. Zoals te zien is in het eerste figuur hieronder, heeft het aantal banken in het systeem invloed op het totaal aantal faillissementen binnen het systeem. Uit figuur twee blijkt dat het aantal faillissementen bij een kleine afschrijving afneemt, wanneer er meer grote banken zijn. Grote banken hebben een groter eigen vermogen. Meer banken kunnen de schok dan beter opvangen en schrijven alleen de leningen af. De factor t heeft dan meer invloed op het financiële systeem, omdat de banken voornamelijk afschrijven. Aan de andere kant wordt de afschrijving kleiner, omdat het eigen
vermogen toeneemt. Dit resulteert in een sterker stijgende grafiek, waar het totaal aantal faillissementen bij een hoge afschrijving niet hoger ligt.
5 Conclusie
Nu de resultaten zijn behandeld en geanalyseerd, kan er een antwoord op de hoofdvraag: “wat is het effect van het kredietrisico van een interbancaire lening op de balansen van banken binnen een financieel netwerk?” worden gegeven.
Uit de resultaten blijkt dat het eigen vermogen een belangrijke rol speelt in de stabiliteit van het financiële systeem. Banken kunnen bij een hoger eigen vermogen beter schokken
opvangen en gaan dan minder snel failliet. Wanneer er een afschrijving wordt toegevoegd aan de banken die in verbinding staan met de bank waar de initiële schok plaatsvindt, wordt het eigen vermogen nog belangrijker. Als een bank namelijk niet failliet gaat, maar haar eigen vermogen krimpt, dan wordt de interbancaire lening aan deze bank afgeschreven. Dit wordt gedaan als percentage van het eigen vermogen. Bij een hoger eigen vermogen wordt er minder afgeschreven. Ook blijkt er uit de resultaten dat de grootte van de schok invloed heeft op de afschrijving. Bij een kleinere schok heeft de afschrijving meer invloed op het financiële systeem. Verder is het netwerk stabieler wanneer er meer grotere banken zijn. Deze hebben een groter eigen vermogen en de afschrijvingen nemen hierdoor af.
In deze scriptie is er onderzoek gedaan naar de invloed van deze afschrijvingen op de stabiliteit van het financiële systeem. Er kan geconcludeerd worden dat door grote
afschrijvingen meer banken failliet gaan. De DebtRank heeft een grote afschrijving, hierdoor gaan veel banken failliet. Wanneer de afschrijving kleiner wordt heeft het minder invloed op het systeem. Dit is de bedoeling, banken kunnen dan eerder zien of ze een uitstaande lening terugkrijgen, maar gaan hierdoor niet onnodig failliet.
Bibliografie
Allen, F. & Gale, D. (2000). Financial contagion. Journal of Political Economy, 108(1), 1-33. Battiston, S., Puliga, M., Kaushik, R., Tasca, P. & Caldarelli, G. (2012). DebtRank: too connected to fail? Financial networks, the FED and systemic risks. Sci. Rep. 2, 541
Eisenberg, L. & Noe, T.H. (2001). Systemic risk in financial systems. Management Science, 47(2), 236-249.
Fink, K., Krüger, U., Meller, B., Wong, L. H., (2014). BSLoss – a comprehensive measure for interconnectedness. c-ebs.org.
Haldane A. G., (2009). Rethinking the Financial Network, Speech delivered at the Financial Student Association Conference in Amsterdam on April 28.
Haldane, A. & May, R.M. (2011). Systemic risk in banking ecosystems. Nature, 469, 351-355.
Jobst, (2012). Measuring systemic risk-adjusted liquidity (srl) - a model approach. IMF Working Paper, 12/209.
Mistrulli, (2011). Assessing financial contagion in the interbank market: Maximum entropy versus observed interbank lending patterns. Working Paper Banca d’ Italia.
Nier, E., Yang, J., Yorulmazer, T., en Alentorn, A., Alentorn, (2007). Network models and financial stability, Journal of Economic Dynamics and Controls, Vol 31(6), 2033-2060. Page, Brin, Motwani, Winograd, (1999). The PageRank citation ranking: Bringing order to the web. http://ilpubs.stanford.edu:8090/422/1/1999-66.pdf
Rogers, L.C.G. & Veraart, L.A.M. (2012). Failure and rescue in an interbank network. Management Science, 59.
Upper, C., Worms, A., (2004). Estimation Bilateral Exposures in the German Interbank Market: Is there a Danger of Contagion? European Economic Review 48 (4), 827-849.
Van Houdt, M. (2012), Stabiliteit van financiële netwerken (Bachelorscriptie, Universiteit van Amsterdam). Via http://dare.uva.nl/cgi/arno/show.cgi?fid=484816
Van Lelyveld, I. & In ’t Veld, D. (2012). Finding the core: Network structure in interbank markets. (Universiteit van Amsterdam). http://dare.uva.nl/document/2/114253
