Deuxième de deux postes
Lorsqu'une entreprise financière subit des pertes suffisamment élevées, elle peut faire défaut à ses contreparties, qui peuvent à leur tour devenir incapables de payer leurs propres créanciers, etc. Cet effet «domino» ou «cascade» peut se propager rapidement à travers le système financier, créant des retombées indésirables et des défauts inutiles. Dans cet article, nous utilisons le cadre dont nous avons discuté dans «Évaluer le risque de contagion dans un réseau financier», la première partie de cette série en deux parties, pour répondre à la question: dans quelle mesure le système financier américain est-il vulnérable aux retombées par défaut?
Des données réseau détaillées sont difficiles à obtenir
Le principal défi dans l'estimation de la valeur attendue des retombées par défaut est qu'il nécessite la connaissance de toutes les revendications bilatérales entre chaque paire de nœuds. Cette granularité des données n'est pas accessible au public. De plus, pour certaines entreprises financières situées dans des parties moins réglementées du système financier, ces données peuvent même ne pas exister, sauf sous forme fragmentée au sein des entreprises elles-mêmes.
Un moyen de sortir de cette limitation est de combler les lacunes de données avec des données artificielles simulées à partir d'un modèle. Une autre façon consiste à construire des mesures descendantes de l'interconnectivité qui s'appuient sur des données plus facilement disponibles, telles que les rendements boursiers, au lieu de données spécifiques au réseau. Cependant, cela nécessite également un modèle pour lier les données non spécifiques au réseau aux retombées par défaut que nous essayons de mesurer. Une troisième stratégie consiste à restreindre suffisamment le réseau d'intérêt, par exemple à un seul actif ou à un sous-secteur étroit, afin que toutes les expositions bilatérales puissent être obtenues.
Une limite supérieure sur les retombées par défaut du réseau
Notre objectif est d'estimer les retombées par défaut attendues pour l'ensemble du réseau financier américain, à travers toutes les institutions et classes d'actifs, avec le moins d'hypothèses possibles. Pour ce faire, nous utilisons une nouvelle façon de traiter le problème de manque de données proposé par Glasserman et Young. Ils montrent que pour une très large classe de modèles, même si les pertes réelles attendues ne peuvent être calculées sans connaître toutes les expositions bilatérales, une limite supérieure à ces retombées peut être estimée en utilisant uniquement des informations spécifiques au nœud (c'est-à-dire sans ventilation des contreparties des nœuds ou de l'ampleur des obligations envers eux). En particulier, la limite supérieure est basée sur la probabilité de défaut de chaque nœud, son total des actifs extérieurs et son rapport des passifs intérieurs au total des passifs. Ainsi, au prix d'une estimation de la limite supérieure des retombées au lieu de leurs valeurs réelles, les besoins en données sont considérablement réduits.
La limite supérieure montre à quel point les pertes attendues dans le réseau connecté sont plus importantes, par rapport aux pertes attendues dans un réseau déconnecté analogue avec ses interconnexions supprimées (voir la partie 1 de cette série pour plus de détails). L'estimation de la borne supérieure de cette manière nous permet de quantifier les effets de la structure du réseau, sans avoir besoin d'hypothèses supplémentaires sur les chocs initiaux sur les actifs extérieurs de chaque nœud.
Avoir une limite supérieure est très utile, surtout si elle se révèle faible. En effet, si nous savons que les retombées par défaut maximales attendues sont négligeables, il y a peu de gain à estimer la quantité réelle.
Estimation empirique
Avec cette exigence de données moins stricte, dans un rapport du personnel de la Fed de New York, nous étudions un réseau qui capture environ 85% de tous les actifs du système financier américain, comme indiqué dans les comptes financiers des États-Unis. Nous utilisons des données accessibles au public ainsi que des données disponibles dans le commerce de Moody’s. Le graphique ci-dessous montre la limite supérieure des pertes attendues dues aux retombées par défaut du réseau en pourcentage des pertes attendues dans le réseau déconnecté analogue. En d'autres termes, la ligne du graphique montre une limite supérieure des pertes qui peuvent être attribuées aux retombées par défaut en tant que fraction des pertes directes initiales qui ne découlent pas des effets de réseau.
Le graphique montre qu'entre 2002 et 2007, la limite supérieure des retombées par défaut est plutôt petite, ce qui signifie que le réseau financier est résistant à la contagion résultant du risque de contrepartie. Cependant, entre 2008 et 2011, la limite supérieure des retombées est nettement supérieure à zéro. Nos résultats suggèrent que le réseau financier est le plus fragile au premier trimestre 2009, lorsque nous estimons que les retombées par défaut du réseau peuvent amplifier les pertes initiales jusqu'à 40%. Après ce trimestre, la limite supérieure des retombées par défaut commence à baisser et revient aux niveaux d'avant la crise d'ici 2015.
Comportement des nœuds individuels
Pour comprendre comment les entreprises individuelles sont influencées et affectent les retombées du réseau, nous définissons la «connectivité financière» d’une entreprise comme étant le rapport de fraction des passifs internes d’une entreprise sur le total des passifs. Un «indice de contagion» spécifique à l’entreprise peut alors être calculé en multipliant la connectivité financière de l’entreprise, sa valeur nette et l’effet de levier de ses actifs extérieurs (calculé en divisant les actifs extérieurs par la valeur nette). L'indice de contagion donne le manque à gagner dans le pire des cas qu'une entreprise puisse transmettre à d'autres nœuds du réseau. Le tableau ci-dessous présente les entreprises ayant l'indice de contagion le plus élevé pour le dernier trimestre de 2016 ainsi que leur connectivité financière, leurs actifs extérieurs et leur valeur nette.
La première caractéristique notable du tableau est qu'il est presque exclusivement peuplé de sociétés de portefeuille bancaires, même si notre échantillon comprend des compagnies d'assurance, des gestionnaires d'actifs et de nombreux autres types d'institutions financières. De plus, les banques sont assez différentes quant à la raison pour laquelle leur indice de contagion est élevé. Par exemple, le nœud avec la plus grande connectivité est celui nommé «Top 10 des concessionnaires», qui est un nœud unique qui regroupe les dix plus grands courtiers (nous ne montrons pas les résultats individuels des courtiers pour des raisons de confidentialité). Comparé aux quatre nœuds avec l'indice de contagion le plus élevé, le nœud des 10 meilleurs concessionnaires a une connectivité plus élevée mais des actifs extérieurs inférieurs.
Creuser plus profond
L'estimation d'une limite supérieure sur les retombées est plus utile lorsque sa valeur s'avère faible, car nous pouvons alors être plus confiants que les retombées réelles devraient être faibles. Lorsque la limite supérieure est élevée, comme en 2008-2009, les retombées réelles attendues peuvent être aussi élevées que la limite ou aussi faibles que zéro. Une façon d'obtenir des informations supplémentaires sur les situations dans lesquelles la limite supérieure estimée est relativement élevée et non informative consiste à examiner toutes les topologies de réseau possibles qui sont cohérentes avec les données observées.
Dans l'illustration ci-dessous, nous montrons, pour le troisième trimestre 2008, deux configurations de réseau possibles pour un sous-ensemble de nœuds. La taille des nœuds représente leur valeur nette et l'épaisseur des connexions représente la taille des obligations entre deux nœuds. Le réseau de gauche a été construit en examinant l'ensemble de toutes les positions bilatérales possibles entre les nœuds qui produisent les mêmes nombres spécifiques aux nœuds que nous observons dans les données, puis en sélectionnant les positions bilatérales qui produisent les débordements par défaut attendus les plus importants. Le réseau de droite a été trouvé de manière analogue en minimisant, plutôt qu'en maximisant, les retombées par défaut. La configuration la plus bénigne a des retombées qui sont d'un ordre de grandeur inférieurs à celles du réseau du «pire des cas», soulignant l'importance de la topologie du réseau.
Les réseaux du pire et du meilleur des cas montrent que les grandes sociétés de portefeuille bancaires, les courtiers et AIG sont fortement interconnectés. Cependant, le réseau du pire des cas a plus de connexions, avec AIG, JPMorgan Chase, et en particulier Lehman Brothers, ayant une forte exposition à Citibank. Les deux réseaux montrent ainsi comment la défaillance d'une seule entreprise comme Lehman Brothers pourrait avoir des retombées par défaut très différentes selon les entreprises avec lesquelles elle est connectée.
Fernando M. Duarte est économiste au sein du groupe de recherche et de statistiques de la Federal Reserve Bank de New York.
Collin Jones est un ancien analyste principal de recherche au sein du Groupe de recherche et de statistiques de la Banque et titulaire d'un doctorat. étudiant en économie à l'Université de Californie, Berkeley.
Francisco Ruela est analyste principal de recherche au sein du Groupe de recherche et de statistiques de la Banque.
Comment citer ce post:
Fernando M. Duarte, Collin Jones et Francisco Ruela, «Quelle est l'ampleur des retombées par défaut dans le système financier américain?», Federal Reserve Bank of New York Liberty Street Economics, 26 juin 2019, https://libertystreeteconomics.newyorkfed.org/2019/06/assessing-contagion-risk-in-a-financial-network.html.
Avertissement
Les opinions exprimées dans ce billet sont celles des auteurs et ne reflètent pas nécessairement la position de la Federal Reserve Bank de New York ou du Federal Reserve System. Toute erreur ou omission relève de la responsabilité des auteurs.
