Modeling the default correlation risk in the financial network based on the reduced model

Subject Areas : Journal of Investment Knowledge

naser  haghi seyfedin ¹ (Ph.D. Candidate. department of accounting . bonab branch. islamic azad university.bonab . iran)
Rasoul  ABDI ² (Assistant Professor. Department of Accounting, Bonab Branch, Islamic Azad University, Bonab, Iran)
nader  rezaei ³ (Accounting and Management, Islamic Azad University, Maragheh, Iran)
yagob  aghdam mazrea ⁴ (assistant professor.department of accounting.sofyan branch.islamic azad university .sofyan.iran)

Received: 2020-10-08 Accepted : 2020-12-29 Published : 2024-03-20

Keywords: reduced model, intervention policies, Default correlation risk, financial network,

Abstract :

The purpose of this study is to model the default risk correlation in the financial network based on the reduced model. In this study, we focus on the spread of default in the financial network and examine the effect of financial system heterogeneity on the stability of the financial system, and finally, by implementing intervention policies, we offer suggestions to reduce risks and rebuild the network. This research is among the applied researches. The statistical sample of the studied information is 407 companies listed on the Tehran Stock Exchange in the period of 1393-1398. In order to test the relationship between variables and the significance of the model, regression analysis and MATLAB software was used for modeling. Research findings show that the companies that have the most contact with network members will have the greatest impact on network instability. The results showed that the increase in the dispersion of interdependencies of receivables and liabilities, to the depth of 5 relationships in companies, has a negative effect on the stability of the financial system and the high variance of positions and the degree of financial epidemic by increasing both epidemic range and probability

References:

1. پویان فر، احمد، فلاح پور، سعید، عزیزی، محمدرضا، 1392، رویکرد حداقل مربعات ماشین بردار بر الگوریتم ژنتیک جهت تخمین رتبه اعتباری مشتریان بانک ها، مهندسی مالی و مدیریت اوراق بهادار، شماره 17، 158-133.


2. خدائی وله زاقرد، محمد، قلمی باویل علیایی، سمیرا، 1392، بررسی عوامل کلیدی موثر بر ریسک نکول بانک های پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه بورس اوراق بهادار، شماره 21، سال ششم، 113-93.


3. داداشی، حسن، نورعلی دخت، سمیرا، 1395، محاسبه احتمال سرایت نکول در شبکه های مالی، چهارمین همایش ریاضیات و علوم انسانی.


4. دستخوان، حسین و شمس قارنه، ناصر، (1396)، مقایسه شاخص‌های ارزیابی ریسک سیستمی در شبکه‌های مالی: شناسایی شرکت‌های مهم از نظر سیستمی در بازار بورس تهران. فصلنامه مدلسازی ریسک و مهندسی مالی، 2(1)، 1 -21.


5. فلاح پور، سعید، طادی، مسعود، 1395، پیش بینی ریسک نکول با استفاده از مدل ساختاری توسعه یافته در بورس اوراق بهادار تهران، مهندسی مالی و مدیریت اوراق بهادار، دوره 7، شماره 28، ص 1-21.


6. فلاح شمس، میرفیض، احمدودند، میثم، خواجه زاده دزفولی، هادی، 1396، اندازه گیری ریسک نکول با استفاده از مدل بلک- شولز- مرتون و آزمون رابطه آن با عوامل حاکمیت شرکتی، مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، دوره 8، شماره 30، ص 147-168.


7. نوروزی پور، کریم، داداشی، حسن، محمدی، مهدی، 1391، تخمین و شبیه سازی همبستگی ریسک نکول شرکت ها با استفاده از مدل های شدت، دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، دوره 5، شماره 13، ص 35-47.


8. افشار، منیژه، 1386، کاربرد کی ام وی در پیش بینی ورشکستگی بانک ها و شرکتها اعتباری، پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران.


9. Anagnostou, I., Sourabh, S., & Kandhai, D. (2018). Incorporating contagion in portfolio credit risk models using network theory. Complexity, 2018.


10. Basel Committee on Banking Supervision (2001), The New Basel Capital Accord, January.


11. Benbachir, S., El Haddad, M., & Benbachir, Y. (2018). Modeling Contagion Financial Risk using Entropy Algorithm and Round by Round Model. International Journal of Applied Engineering Research, 13(13), 11140-11150.


12. Cheng, X., & Zhao, H. (2019). Modeling, analysis and mitigation of contagion in financial systems. Economic Modelling, 76, 281-292.


13. Chong, C., & Kluppelberg, C. (2018). Contagion in financial systems: A Bayesian network approach. SIAM Journal on Financial Mathematics, 9(1), 28-53.


14. Crosbie, P. & Bohn, J., (2003). MODELING DEFAULT RISK, ModelingMethodology, Moody`sKMV Company.


15. De Marco, G., Donnini, C., Gioia, F., & Perla, F. (2018). On the measure of contagion in fuzzy financial networks. Applied Soft Computing, 67, 584-595.


16. Cnr and University of Bergamo.


17. Jarrow R. (2001), Default Parameter Estimation Using Market Prices, Financial Analysts Journal, 57(5), 75-92.


18. Jarrow R. and Protter P. (2004), Structural versus Reduced Form Models: A New Information Based Perspective, Journal of Investment Management 2, 1-10.


19. Jarrow R. and S. Turnbull (1992), Credit Risk: Drawing the Analogy, Risk Magazine 5(9), 63-70.


20. Lando D. (1998), Cox Processes and Credit-Risky Securities, Review of Derivatives Research 2, 99-120.


21. Leventides, J., Loukaki, K., & Papavassiliou, V. G. (2019). Simulating financial contagion dynamics in random interbank networks. Journal of Economic Behavior & Organization, 158, 500-525.


22. McKinney, A. P., Carlson, K. D. (2002, April).Incremental contribution of trait goal orientation in explaining performance variability. Paper presented at the annual meeting.


23. Saunders, A., & Millon Cornett, (2009). Financial Markets and Institutions. McGraw-Hill Irwin.


24. Yu, F. (2002). Correlated defaults in reduced-form models. Journal of Investment Management, 3(4), 33-42.