Maximum likely impact of 1% change in interest rate (PV01 × 100)
Hedging
1768.23
23
−355.54
26
96.41
25
Trading
929.43
19
789.73
21
535.41
19
Minimum likely impact of 1% change in interest rate (PV01 × 100)
Hedging
2089.17
23
−778.79
26
−572.16
25
Trading
328.25
19
85.54
21
87.08
19
巴塞尔关于银行使用衍生品的建议基于两个主要主题。第一个主题是披露有关衍生工具风险的有意义的资讯摘要2及风险。在定性和定量的形式,并说明这些活动如何影响他们的收入状况。第二个主题涉及内部风险防范所产生的信息披露。和衍生产品风险管理制度[1]2。巴塞尔协议建议利率风险管理的三步流程。首先是全面风险政策的批准和首席投资委员会的批准。机构董事会管理利率风险的原则。其次,高级管理人员必须制定政策、程序和工具来监测、测量和限制实习生。利率风险。最后一步是与该机构所有执行单位的成功实施有关。捕获和量化利率风险适当,巴塞尔委员会银行监管机构将利率风险分为四个部分[2]、第4部分:再定价风险、收益率曲线风险、基础风险、选择风险。
重新定价风险是指资产、负债和表外头寸在到期日模式上存在差异的风险。差距分析和持续时间分析可以用来量化再定价风险。易Eld曲线风险是形状变化的风险。以及屈服曲线的斜率。它的管理与在不同收益率曲线情景下对银行资产负债表的重新估值联系在一起。基础风险是由于实习生之间的密切相关所致。T利率是资产负债和利率的支付,即由于与资产相关的收益率曲线与银行负债之间的不完全相关。它的管理与dis有关。相对于它们所链接的屈服曲线计算不同的产品。由于与银行产品相关的嵌入期权,期权风险产生。例如:在储蓄银行A的情况下算上,存款人可以随时从他的帐户取钱。
本文试图通过检验利率风险因素作为影响利率衍生品在银行套期保值和交易中使用的可能决定因素。第一和第二分析的方法是从原始数据处理利率风险因素的前牵引问题。这将使用两因子回归分析和模拟分析。第三部分使用这两种方法。ST利率风险因素和变量代表银行的特点,作为决定银行利率衍生品使用的可能因素。研究结果表明,利率风险因素是影响利率风险的主要因素。对银行使用利率衍生品产生了重大影响。
论文的其余部分按以下方式排列。第二节回顾了Lite-ral,包括假设,第3节描述了本研究中使用的数据、变量和数据来源。第四章介绍了计量经济学的方法和实证结果,并讨论了本研究的主要结果。第五章提出结论。
2.文献综述
Flannery&James[3]调查利率变化对67家活跃交易的商业银行和股票储蓄贷款协会的普通股回报率和到期日构成的影响(标准普尔)在1976至1981年期间,发现利率波动对公司名义资产净资产持有的期限构成有重大影响。Booth&军官[4]检查脉冲加速器T预期利率(3个月和6个月国库券利率)的敏感度,对66家银行的股本回报率和持有公司股票66股相对于非金融企业围并得出短期利率随机变化对银行类股和银行控股公司类股的影响。Choi,Elyasiani&Kopecky[5]同时考虑利率(3个月T-票据月平均日收益)和汇率(美元对一篮子货币的贸易加权多边外汇价值)r采用多因素指数模型,研究ISK因素及其对美国48家银行机构1975年1月至1987年12月期间股票收益率的影响。去除多色菌Rity,Choi,Elyasiani&Kopecky[5]采用标准正交化方法。结果表明,交易所的负面影响显著。利率(创新)对银行股票收益率在1979年10月之前的一段时间内有显著的正面影响。Shanker[6]实证研究了使用Interi的影响利率衍生工具对商业银行在一九八六至一九九三年期间的每周股票回报率及股票市场回报的利率风险的影响,发现银行使用衍生工具的情况如下:显着地降低银行的利率风险。帕特奈克和沙阿[7]提出了一个两步程序来研究印度各大银行的利率风险,从2000年4月1日至2000年4月。2002年3月31日发现,印度银行对利率变化非常敏感,既使用会计数据,也利用市场数据。第一步包括估计影响f银行股本利率冲击(320基点)。第二步是要明确银行股价对利率变化的敏感性。结果表明:银行(42家银行中有33家)由于收益率曲线上320个基点的移动,可以获得或损失约25%的资本。Carter,Simpson和Tandon[8]调查了管理激励对使用美国279家银行控股公司在1996-2000年期间的利率嘲讽,并发现管理激励的重要性(这与银行盈利能力直接相关)。(银行)利率衍生品的使用。Purnanandam[9]调查银行特征和宏观经济冲击对商业银行利率风险管理行为的影响NKS通过使用8000家银行在1980-2003年期间的数据面板,并发现银行特性对衍生品使用量的显著影响。Nachane&Ghosh[10]印度银行业资产负债表外活动统计,利用1996至2004年期间90家银行的数据,得出以下结论:银行特有的因素、监管因素和总体宏观经济指标。经济条件显著影响资产负债项目。Saha,Subramanian,巴苏和MI SHRA [ 11 ]提出了一种模拟通过45个不同利益的每周数据基于驱动程序的驱动方法11家印度银行的利率序列和利率敏感缺口数据,估计2002年至2004年期间利率波动对印度银行净值的影响,并发现由于期限错配,银行账簿中的最优惠利率风险。
在本研究中,我们正在寻找两个额外的因素(利率风险因素),影响利率衍生品使用印度银行在全球金融危机期间和之后。我们有本文提出了提取这两个利率风险因素的方法,并分析了它们对衍生品使用的影响。
3.数据和数据源
本研究样本使用39家印度商业银行的数据,7列于Dian证券交易所(国家证券交易所(NSE)和孟买股票交易所(BSE))。该数据集分为三类:第一类是利率衍生品敞口da。Ta和银行特征数据,第二类是用于模拟分析的会计数据,第三类是指所有上市公司的市场数据(股票价格和债券价格数据)。埃德银行正在研究中。
第一类数据包括关于利率衍生品使用情况的信息,这些数据是从所有正在研究的银行2008、2009和2010年年度报告中获得的。数据是在套期保值、套期保值和交易等衍生词的使用基础上进行的,没有使用。关于银行特征的年度数据8已从WINWess(CMIE数据库)获取,期间为20。08至2010年。CMIE数据库也称为印度经济监测中心,它提供与商业信息、经济、金融市场、商业企业和金融有关的数据。个别公司的表现。第二类的数据包括关于利息收入、已支付利息、对利息敏感的资产和对利息敏感的资产的季度资料9 f或者是九月的一段时间。2000年至2010年3月。有关到期桶的数据取自WINWESS(CMIE数据库)和2010年银行年度报告。第三类的数据包括月份。对2005年3月至2010年3月期间各银行股票价格、标准普尔CNXNifty指数值、银行Nifty指数值和T-票据指数值的LY信息进行了60次观察。d有关个别银行股价的ATA已从WINWess(CMIE资料库)取得,而ont-Billindex10、S&P CNX NIF-ty Index11及Bank Nifty指数则已从NSE网站取得(www.nseindia.com)。
4.方法和结果
我们在这项研究中采用了三步方法。在第一、第二阶段,我们将介绍利率风险因素的提取方法。第三步涉及提取的Intere的使用。ST利率风险因素和银行特征观察利率风险因素是否影响利率衍生品的使用。
4.1利率敏感性(Beta)因子的估计
在第一步中,我们估计利率敏感因子作为利率风险的一个代理。表3列出了分析的变量定义。
每项证券的每月申报表计算如下:
R |
| Pi ,t |
|
= ln |
| ||
P | |||
i ,t |
|
| |
|
| i ,t−1 |
|
其中pi,t代表股票i在时间t的价格,pi,t-1表示
8规模、流动性、信用风险、资本充足率、盈利能力与资产结构、市场人均化。
9利息敏感资产包括贷款和预付款、投资、与其他银行的余额、与印度储备银行的余额以及利息敏感负债包括存款、借款和应计利息。
10利率代理。
11市场前景。
表3市场模型的变量定义
| Variable | Definition | Data Source | ||||||
|
|
|
| ||||||
| Ri,t | ith bank stock returns at time t | PROWESS | ||||||
| Rm,t | Market index returns (CNX Nifty index) at time t | |||||||
| Rb,t | Interest rate returns at time t | |||||||
| Rbn,t | Bank nifty index returns at time t | |||||||
| Re,t | Equally weighted returns of all banks at time t12 | Maximum likely impact of 1% change in interest rate (PV01 × 100) |
|
|
|
|
|
|
Hedging | 1768.23 | 23 | −355.54 | 26 | 96.41 | 25 | |||
Trading | 929.43 | 19 | 789.73 | 21 | 535.41 | 19 | |||
Minimum likely impact of 1% change in interest rate (PV01 × 100) |
|
|
|
|
|
| |||
Hedging | 2089.17 | 23 | −778.79 | 26 | −572.16 | 25 | |||
Trading | 328.25 | 19 | 85.54 | 21 | 87.08 | 19 |
巴塞尔关于银行使用衍生品的建议基于两个主要主题。第一个主题是披露有关衍生工具风险的有意义的资讯摘要2及风险。在定性和定量的形式,并说明这些活动如何影响他们的收入状况。第二个主题涉及内部风险防范所产生的信息披露。和衍生产品风险管理制度[1]2。巴塞尔协议建议利率风险管理的三步流程。首先是全面风险政策的批准和首席投资委员会的批准。机构董事会管理利率风险的原则。其次,高级管理人员必须制定政策、程序和工具来监测、测量和限制实习生。利率风险。最后一步是与该机构所有执行单位的成功实施有关。捕获和量化利率风险适当,巴塞尔委员会银行监管机构将利率风险分为四个部分[2]、第4部分:再定价风险、收益率曲线风险、基础风险、选择风险。
重新定价风险是指资产、负债和表外头寸在到期日模式上存在差异的风险。差距分析和持续时间分析可以用来量化再定价风险。易Eld曲线风险是形状变化的风险。以及屈服曲线的斜率。它的管理与在不同收益率曲线情景下对银行资产负债表的重新估值联系在一起。基础风险是由于实习生之间的密切相关所致。T利率是资产负债和利率的支付,即由于与资产相关的收益率曲线与银行负债之间的不完全相关。它的管理与dis有关。相对于它们所链接的屈服曲线计算不同的产品。由于与银行产品相关的嵌入期权,期权风险产生。例如:在储蓄银行A的情况下算上,存款人可以随时从他的帐户取钱。
本文试图通过检验利率风险因素作为影响利率衍生品在银行套期保值和交易中使用的可能决定因素。第一和第二分析的方法是从原始数据处理利率风险因素的前牵引问题。这将使用两因子回归分析和模拟分析。第三部分使用这两种方法。ST利率风险因素和变量代表银行的特点,作为决定银行利率衍生品使用的可能因素。研究结果表明,利率风险因素是影响利率风险的主要因素。对银行使用利率衍生品产生了重大影响。
论文的其余部分按以下方式排列。第二节回顾了Lite-ral,包括假设,第3节描述了本研究中使用的数据、变量和数据来源。第四章介绍了计量经济学的方法和实证结果,并讨论了本研究的主要结果。第五章提出结论。
2.文献综述
Flannery&James[3]调查利率变化对67家活跃交易的商业银行和股票储蓄贷款协会的普通股回报率和到期日构成的影响(标准普尔)在1976至1981年期间,发现利率波动对公司名义资产净资产持有的期限构成有重大影响。Booth&军官[4]检查脉冲加速器T预期利率(3个月和6个月国库券利率)的敏感度,对66家银行的股本回报率和持有公司股票66股相对于非金融企业围并得出短期利率随机变化对银行类股和银行控股公司类股的影响。Choi,Elyasiani&Kopecky[5]同时考虑利率(3个月T-票据月平均日收益)和汇率(美元对一篮子货币的贸易加权多边外汇价值)r采用多因素指数模型,研究ISK因素及其对美国48家银行机构1975年1月至1987年12月期间股票收益率的影响。去除多色菌Rity,Choi,Elyasiani&Kopecky[5]采用标准正交化方法。结果表明,交易所的负面影响显著。利率(创新)对银行股票收益率在1979年10月之前的一段时间内有显著的正面影响。Shanker[6]实证研究了使用Interi的影响利率衍生工具对商业银行在一九八六至一九九三年期间的每周股票回报率及股票市场回报的利率风险的影响,发现银行使用衍生工具的情况如下:显着地降低银行的利率风险。帕特奈克和沙阿[7]提出了一个两步程序来研究印度各大银行的利率风险,从2000年4月1日至2000年4月。2002年3月31日发现,印度银行对利率变化非常敏感,既使用会计数据,也利用市场数据。第一步包括估计影响f银行股本利率冲击(320基点)。第二步是要明确银行股价对利率变化的敏感性。结果表明:银行(42家银行中有33家)由于收益率曲线上320个基点的移动,可以获得或损失约25%的资本。Carter,Simpson和Tandon[8]调查了管理激励对使用美国279家银行控股公司在1996-2000年期间的利率嘲讽,并发现管理激励的重要性(这与银行盈利能力直接相关)。(银行)利率衍生品的使用。Purnanandam[9]调查银行特征和宏观经济冲击对商业银行利率风险管理行为的影响NKS通过使用8000家银行在1980-2003年期间的数据面板,并发现银行特性对衍生品使用量的显著影响。Nachane&Ghosh[10]印度银行业资产负债表外活动统计,利用1996至2004年期间90家银行的数据,得出以下结论:银行特有的因素、监管因素和总体宏观经济指标。经济条件显著影响资产负债项目。Saha,Subramanian,巴苏和MI SHRA [ 11 ]提出了一种模拟通过45个不同利益的每周数据基于驱动程序的驱动方法11家印度银行的利率序列和利率敏感缺口数据,估计2002年至2004年期间利率波动对印度银行净值的影响,并发现由于期限错配,银行账簿中的最优惠利率风险。
在本研究中,我们正在寻找两个额外的因素(利率风险因素),影响利率衍生品使用印度银行在全球金融危机期间和之后。我们有本文提出了提取这两个利率风险因素的方法,并分析了它们对衍生品使用的影响。
3.数据和数据源
本研究样本使用39家印度商业银行的数据,7列于Dian证券交易所(国家证券交易所(NSE)和孟买股票交易所(BSE))。该数据集分为三类:第一类是利率衍生品敞口da。Ta和银行特征数据,第二类是用于模拟分析的会计数据,第三类是指所有上市公司的市场数据(股票价格和债券价格数据)。埃德银行正在研究中。
第一类数据包括关于利率衍生品使用情况的信息,这些数据是从所有正在研究的银行2008、2009和2010年年度报告中获得的。数据是在套期保值、套期保值和交易等衍生词的使用基础上进行的,没有使用。关于银行特征的年度数据8已从WINWess(CMIE数据库)获取,期间为20。08至2010年。CMIE数据库也称为印度经济监测中心,它提供与商业信息、经济、金融市场、商业企业和金融有关的数据。个别公司的表现。第二类的数据包括关于利息收入、已支付利息、对利息敏感的资产和对利息敏感的资产的季度资料9 f或者是九月的一段时间。2000年至2010年3月。有关到期桶的数据取自WINWESS(CMIE数据库)和2010年银行年度报告。第三类的数据包括月份。对2005年3月至2010年3月期间各银行股票价格、标准普尔CNXNifty指数值、银行Nifty指数值和T-票据指数值的LY信息进行了60次观察。d有关个别银行股价的ATA已从WINWess(CMIE资料库)取得,而ont-Billindex10、S&P CNX NIF-ty Index11及Bank Nifty指数则已从NSE网站取得(www.nseindia.com)。
4.方法和结果
我们在这项研究中采用了三步方法。在第一、第二阶段,我们将介绍利率风险因素的提取方法。第三步涉及提取的Intere的使用。ST利率风险因素和银行特征观察利率风险因素是否影响利率衍生品的使用。
4.1利率敏感性(Beta)因子的估计
在第一步中,我们估计利率敏感因子作为利率风险的一个代理。表3列出了分析的变量定义。
每项证券的每月申报表计算如下:
R |
| Pi ,t |
|
= ln |
| ||
P | |||
i ,t |
|
| |
|
| i ,t−1 |
|
其中pi,t代表股票i在时间t的价格,pi,t-1表示
8规模、流动性、信用风险、资本充足率、盈利能力与资产结构、市场人均化。
9利息敏感资产包括贷款和预付款、投资、与其他银行的余额、与印度储备银行的余额以及利息敏感负债包括存款、借款和应计利息。
10利率代理。
11市场前景。
表3市场模型的变量定义
| Variable | Definition | Data Source |
|
|
|
|
| Ri,t | ith bank stock returns at time t | PROWESS |
| Rm,t | Market index returns (CNX Nifty index) at time t | |
| Rb,t | Interest rate returns at time t | |
| Rbn,t | Bank nifty index returns at time t | |
| Re,t | Equally weighted returns of all banks at time t12 | Based on equally weighted calculation |
在时间t-1的股票。同时,还得到了市场指数(RM,t)和利率指数(RB,t)的收益率。
标准市场模型可以捕捉股票收益对市场指数收益波动的敏感性,该模型由以下方法提供:
Ri ,t = α i + β m Rm ,t + εit | (1) |
哪里,在哪里
αi=常数。
βm=市场指数敏感因子,εit=误差项。
为了研究利率收益对股票收益的影响,可以通过增加利率收益率作为一个附加因素来修正(1)中的模型。该模型给出如下内容:
Ri ,t = α i + β mi Rm ,t + β bi Rb ,t + εit
哪里,在哪里
αi=第一银行的常数。
βMI=第i次股票回报相对于市场回报的敏感性参数。βBI=第i个股票收益的敏感度参数,相对于利率为-
Dex返回13。
εit=时间t结束时第一支股票的剩余数。
为了检验整个银行业对利率变化的反应,我们分析了利率变化对银行的利好指数回报和所有银行的同等加权回报率的影响。呃学习。相应的回归方程如下:
Rbn ,t = α + β m Rmt + βb Rbt + t
Re ,t = α + β m Rmt + βb Rbt + t
表4列出了市场利率敏感性分析的结果。结果表明不使用利率衍生品的银行受到利率收益率变化的正向和显着性影响。使用利率衍生工具的银行也不能幸免于利率的变化与表现出正向和不显著的关系。银行指数由12家银行组成,其中11家银行正在使用衍生品来缓解内部矛盾。最高利率风险。我们的结果表明,银行优秀指数回报率与利率变化之间没有显著的关系。但整个银行业正显示出一个信号。与利率变化之间的显著正相关。
表4.市场和利率敏感性的经验估计(对于T-票据)。
| Equally Weighted Return Analysis on the basis of Derivatives Usage | ||||
Characteristics |
|
|
|
|
|
Equally weighted | Bank Nifty Index | Hedging | Hedging & | No Use | |
| |||||
| returns | Trading | |||
|
|
|
| ||
|
|
|
|
|
|
αi | −0.044** | −0.027 | −0.043* | −0.035* | −0.056** |
| −(2.397) | −(1.389) | −(1.898) | −(1.963) | −(2.479) |
βm | 1.266*** | 1.236*** | 1.180*** | 1.272*** | 1.316*** |
| (16.138) | (14.965) | (11.963) | (16.329) | (13.454) |
βb | 6.667** | 4.408 | 6.886* | 5.498* | 8.292* |
| (2.157) | (1.354) | (1.772) | (1.791) | (2.151) |
R-Square | 0.820 | 0.797 | 0.715 | 0.824 | 0.761 |
N | 39 Banks |
| 8 Banks | 19 Banks | 12 Banks |
4.2利率冲击对银行股本影响的估计
模拟背后的想法是利用会计数据生成不同的情景-Rios,以发现利率变化对银行股本的影响。不同的基金收益率及资金成本是利用历史会计数据产生的。表5显示了模拟分析中使用的变量。最坏的情况16和200 bp的冲击结果与2010年6月可能的结果。
我们利用基金收益来贴现资产侧,用资金成本贴现银行到期桶的负债方。
模拟过程包括计算基金收益率的变化率(Δry)和资金成本变化率(Δrc),以找出可能性。LE下一个周期利率变化。然后,我们通过对各个贴现率的敞口进行贴现来计算到期时段中资产和负债的净现值。我们首先发现资产和lia的NPV比利-2010年3月31日打成平手,这次我们以为是0.
表5.模拟分析的变量定义
NPV of Assets (0) | N |
|
|
|
| Ai | |
= ∑ = |
|
|
|
|
| ||
(1 |
| t | |||||
| i | 1 | + ry ) i | ||||
NPV of Liability (0) = ∑ | N |
|
|
| Li | ||
= | (1 | t | |||||
|
| i | 1 | + rc ) i |
其中,RY和RC是当前基金的收益率和资金成本。AI和Li是资产和负债方面的敞口,在不同的期限内到期。
资产与负债之间的不匹配被计算为缺口。时间0(2010年3月31日)的差距是由:
资产净现值
我们现在计算净现值为下一季度的资产和负债的利用36个场景的成熟度桶为资产和负债方的利率变化率。
N |
|
|
|
| Ai | |
NPV of Assets (∆ ) = ∑ = |
|
|
|
|
| |
(1 |
| t | ||||
i | 1 | + ∆ry + ry ) i | ||||
NPV of Liability (∆ ) = ∑ | N |
|
| Li | ||
= | (1 | t | ||||
| i | 1 | + ∆rc + rc ) i |
其中RY和RC是基金收益率和基金成本的利率可能变化率。资产与到期负债之间的不匹配下一季度的水桶计量如下:
GAP (∆ ) = NPV of Assets (∆ ) − NPV of Liability (∆)
间隙(0)是银行意识到的不匹配,但银行对下一个季度的差距(δ)是不确定的。我们已将差距(δ)作为第5百分位数最坏情况的模拟分析结果。因此对银行的Eq-Len资本可能产生的最严重影响如下:
∆E = GAP (∆ ) − GAP (0)
给出了200 bp的冲击,给出了基金收益率和资金成本,以找出这类冲击对银行股本的影响。表6报告结果通过仿真分析得到。结果表明,不使用衍生工具的银行可能比使用利率衍生品进行对冲和交易的银行损失更多的资本。平均来说,银行根据最坏的历史情景,200 bp的冲击可能导致高达10%的股本损失,而损失约3%英镑。为对冲目的而使用利率去暴利的银行可能会损失资产。在他们12%的股本中,有12%英镑受到了200英镑的冲击,第五%的最坏情况下,这一比例约为3.85%。使用利率衍生工具进行对冲和交易的银行将损失较少。AV-平均。但不使用任何利率衍生工具的银行,在英国石油公司对利率的冲击中,平均会损失约15.5%的股本,而最坏的情况则是第五%。里约损失约4%。模拟分析报告了银行账簿中存在资产负债不匹配的情况。
表6仿真分析结果
|
|
|
|
|
|
|
|
|
|
| D. Kumar | |
|
|
|
|
|
|
|
|
|
|
| ||
|
|
|
|
|
|
|
|
|
|
| ||
|
|
|
|
|
|
|
|
| ||||
|
|
| Characteristic | All Banks | Hedging | Hedging & Trading | No use | |||||
|
| Ratios |
|
|
|
|
|
|
|
|
| |
|
| (+2%) | 5th | (+2%) | 5th |
| 5th |
| 5th | |||
|
| s | (+2%) Shock | (+2%) Shock | ||||||||
|
|
|
| Shock | Percentile | Shock | Percentile | Percentile | Percentile | |||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| Mean | −11.82% | −3.64% | −12.99% | −4.12% | −8.49% | −2.94% | −16.32% | −4.44% | |
|
| ΔE/BVE | Median | −7.90% | −3.13% | −11.55% | −3.41% | −5.86% | −2.59% | −10.17% | −4.13% | |
|
| Q1 | −20.21% | −4.69% | −30.67% | −5.97% | −10.85% | −3.20% | −27.04% | −5.06% | ||
|
|
| ||||||||||
|
|
| Q3 | −4.34% | −2.46% | −1.07% | −2.83% | −4.48% | −2.22% | −5.34% | −3.17% | |
|
|
| Mean | −10.71% | −3.07% | −12.03% | −3.85% | −7.14% | −2.14% | −15.475% | −4.03% | |
|
| ΔE/MVE | Median | −5.76% | −2.54% | −12.34% | −3.25% | −3.80% | −1.80% | −8.292% | −3.08% | |
|
| Q1 | −18.32% | −3.92% | −24.21% | −5.17% | −8.44% | −2.25% | −20.657% | −4.22% | ||
|
|
| ||||||||||
|
|
| Q3 | −1.90% | −1.77% | −0.51% | −2.52% | −1.68% | −0.97% | −5.309% | −2.68% | |
|
|
| Mean | −0.61% | −0.19% | −0.54% | −0.18% | −0.51% | −0.18% | −0.81% | −0.22% | |
|
| ΔE/A | Median | −0.56% | −0.18% | −0.57% | −0.17% | −0.44% | −0.18% | −0.65% | −0.22% | |
|
| Q1 | −1.14% | −0.23% | −1.22% | −0.21% | −0.74% | −0.22% | −1.40% | −0.27% | ||
|
|
| ||||||||||
|
|
| Q3 | −0.27% | −0.14% | −0.05% | −0.16% | −0.30% | −0.14% | −0.30% | −0.17% | |
|
| Number |
|
| 39 |
| 8 | 19 |
| 12 |
|
|
|
| of Banks |
|
|
|
|
|
| ||||
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
4.3衍生产品使用的决定因素
表7列出了用于FI分析的定义和数据源的变量列表.。我们使用了固定效应Tobit回归模型18作为衍生品使用的动力。成为删失回归模型,Tobit模型可用于因变量部分观察的情况。样本中的一些银行没有使用任何衍生品,因此Tobit回归模型是一个我们分析的好选择。
一般Tobit模型的结构如下:
yi* = xi′β + σεi
在席′作为解释变量中的每一列代表一个变量矩阵。β是待估计参数的向量。σ是尺度参数。尺度参数σ是ID在截尾回归模型中进行了改进,并与β一起进行了估计。
在Tobit模型中,所观察到的数据由以下方面提供:
|
|
| * |
|
0 |
| if | ≤ 0 | |
| yi | |||
yi = |
| if | y* > 0 | |
y * | ||||
| i |
| i |
|
表8.利率衍生工具使用者(套期保值及交易)与非用户的统计摘要
| Hedging | Hedging & Trading | No use | |||
|
|
|
|
|
|
|
| Mean | Median | Mean | Median | Mean | Median |
|
|
|
|
|
|
|
SIZE | 11.331 | 11.414 | 11.388 | 11.704 | 10.245 | 10.550 |
LIQUID | 0.083 | 0.083 | 0.093 | 0.093 | 0.104 | 0.103 |
CREDIT_RISK | 0.009 | 0.009 | 0.010 | 0.006 | 0.009 | 0.009 |
CAR | 12.214 | 12.145 | 14.055 | 13.080 | 12.399 | 12.355 |
PROFITABILITY | 2.569 | 2.283 | 2.394 | 2.288 | 2.767 | 2.495 |
ASSET_STRUCT_1 | 18.923 | 14.710 | 9.336 | 7.517 | 13.804 | 12.543 |
ASSET_STRUCT_2 | 27.602 | 22.605 | 12.710 | 10.389 | 20.212 | 17.321 |
MARKET_CAP | 0.044 | 0.039 | 0.136 | 0.080 | 0.055 | 0.050 |
INT_RISK_1 | 5.466 | 4.635 | 5.118 | 6.295 | 8.531 | 7.192 |
INT_RISK_2 | −187.820 | −118.760 | −306.578 | −260.020 | −110.853 | -73.840 |
Number of Banks |
| 8 |
| 19 |
| 12 |
|
|
|
|
|
|
|
因此,数据被保持在0的审查范围内。利用极大似然估计方法对β参数进行估计。
我们使用以下一般模型来检验可能的因素,以推动名义利率衍生工具的暴露:
IRD = f(control variables19, interest rate risk variables)
表8列出了所有控制变量和利率风险变量的汇总统计数据。为了捕捉时间效应,我们在2008年(D_2008)和2009年(D_2009)使用了两次虚拟人。WE对套期保值和总利率衍生品使用三种不同的模型说明。
为了激励利率衍生工具用于套期保值,所有模型的待定变量都是IRD_HEDGE。在模型1中,IRD_HEDGE被重新用于控制变量捕获银行。风险变量(INT_Risk_1)。在模型2中,我们尝试捕捉第二个利率风险变量int_Risk_2的影响,而不是int_Risk_1。在模型3中,梳本文研究了利率风险变量(INT_RECRY_1和INT_Risk_2)对INED的影响。
121型规范由以下机构提供:
IRD_HEDGE i ,t = β 0 + β1 D_2008t + β 2 D_2009 t + β 3SIZE i ,t + β4 LIQUIDi ,t
+ β 5 CREDIT_RISKi ,t + β 6 CARi ,t + β7PROFITABILITYi ,t (1) + β 8 ASSET_STRUCT_1i ,t + β9ASSET_STRUCT_2i ,t
+ β10MARKET_CAPi + β11INT_RISK_1i + εi ,t
模式2的规格如下:
IRD_HEDGE i ,t = β 0 + β1 D_2008t + β 2 D_2009 t + β 3SIZE i ,t + β4 LIQUIDi ,t
+ β 5 CREDIT_RISK i ,t + β 6 CAR i ,t + β7PROFITABILITYi ,t
+ β 8 ASSET_STRUCT_1i ,t + β9ASSET_STRUCT_2i ,t
+ β10MARKET_CAPi + β12INT_RISK_2i + εi ,t
模式3的规格如下:
IRD_HEDGEi ,t = β 0 + β1 D_2008t + β 2 D_2009t + β 3SIZEi ,t + β4 LIQUIDi ,t
+ β 5 CREDIT_RISKi ,t + β 6 CARi ,t + β7 PROFITABILITYi ,t
+ β 8 ASSET_STRUCT_1i ,t + β9ASSET_STRUCT_2i ,t
+ β10MARKET_CAPi + β11INT_RISK_1i
+ β12INT_RISK_2i + εi ,t
同样,对于利率衍生品使用总量的动机,所有模型的待定变量都是IRD_COUNT。同样的解释变量[22]用于总衍生品回归(Ana)。<生>(细胞)溶解.
模式1的规格如下:
IRD_TOTAL i ,t = β 0 + β1 D_2008t + β 2 D_2009 t + β 3SIZE i ,t + β4 LIQUIDi ,t
+ β 5 CREDIT_RISK i ,t + β 6 CAR i ,t + β7PROFITABILITYi ,t
+ β 8 ASSET_STRUCT_1i ,t + β9ASSET_STRUCT_2i ,t
+ β10MARKET_CAPi + β11INT_RISK_1i + εi ,t
模式2的规格如下:
IRD_TOTAL i ,t = β 0 + β1 D_2008t + β 2 D_2009 t + β 3SIZE i ,t + β4 LIQUIDi ,t
+ β 5 CREDIT_RISK i ,t + β 6 CAR i ,t + β7PROFITABILITYi ,t
+ β 8 ASSET_STRUCT_1i ,t + β9ASSET_STRUCT_2i ,t
+ β10MARKET_CAPi + β12INT_RISK_2i + εi ,t
模式3的规格如下:
IRD_TOTALi ,t = β 0 + β1 D_2008t + β 2 D_2009t + β 3SIZEi ,t + β4 LIQUIDi ,t
+ β 5 CREDIT_RISKi ,t + β 6 CARi ,t + β7 PROFITABILITYi ,t
+ β 8 ASSET_STRUCT_1i ,t + β9ASSET_STRUCT_2i ,t
+ β10MARKET_CAPi + β11INT_RISK_1i
+ β12INT_RISK_2i + εi ,t
表9报告了银行特征和利率风险对银行参与利率对冲工具的影响的固定效应Tobit分析结果。以及不同型号规格的套期保值和交易。卡方统计报告了模型的拟合优度.。Shanker[6]、Mian[12]、Colquit和Hoyt[13]、Sinkey和C的再搜索Arter[14],Cummins等人。[15]Shiu和Moles[16]报告了银行规模与利率衍生品使用之间的正相关关系。变量显着正系数所有模型的规模都支持这样一个事实,即利率衍生品的使用主要由大银行主导,特别是在交易方面目的。我们发现,对于利率衍生品,套期保值和交易的使用受到可变流动性的显著影响。对于套期保值衍生工具而言,液体是不显眼的和重要的关系使用。这一结果弱支持与银行减少财务困境的能力相关的论点,从而导致它们的预期成本。信用风险也是利率的一个重要因素。e衍生产品23。我们发现信用利差24与用于对冲和交易的利率衍生品之间存在中度的负显着关系。
表9.利率衍生品使用决定因素的实证估计(名义价值):使用Tobit固定效应回归模型
|
| Hedging |
|
| Hedging and Trading |
|
|
|
|
|
|
|
|
| Model 1 | Model 2 | Model 3 | Model 1 | Model 2 | Model 3 |
|
|
|
|
|
|
|
Constant | −0.165*** | −0.245*** | −0.236*** | −1.585*** | −2.754*** | −2.774*** |
| −(5.020) | −(5.571) | −(5.596) | −(3.137) | −(4.201) | −(4.213) |
2008_DUM | 0.013** | 0.016*** | 0.016*** | 0.357*** | 0.404*** | 0.409*** |
| (2.282) | (2.709) | (2.832) | (3.800) | (4.288) | (4.357) |
2009_DUM | 0.014** | 0.019*** | 0.019*** | 0.398*** | 0.468*** | 0.471*** |
| (2.317) | (2.887) | (3.020) | (3.864) | (4.486) | (4.524) |
SIZE | 0.014*** | 0.022*** | 0.023*** | 0.165*** | 0.291*** | 0.301*** |
| (6.137) | (5.632) | (5.821) | (4.289) | (4.703) | (4.772) |
LIQUID | 0.069 | 0.070 | 0.050 | −5.892*** | −6.189*** | −6.268*** |
| (0.610) | (0.601) | (0.441) | −(2.972) | −(3.142) | −(3.180) |
CREDIT_RISK | −0.079 | 0.077 | 0.072 | −15.682* | −13.160* | −12.842 |
| −(0.165) | (0.158) | (0.150) | −(1.955) | −(1.663) | −(1.606) |
CAR | 0.000 | 0.000 | 0.000 | 0.026 | 0.023 | 0.020 |
| (0.140) | (0.116) | −(0.191) | (1.317) | (1.170) | (1.027) |
PROFITABILITY | −0.889 | −1.445* | −1.223 | −34.131** | −40.514*** | −38.874*** |
| −(1.057) | −(1.656) | −(1.456) | −(2.544) | −(3.049) | −(2.899) |
ASSET_STRUCT_1 | 0.001 | 0.001 | 0.001 | −0.020 | −0.025 | −0.026 |
| (0.618) | (0.440) | (0.397) | −(0.678) | −(0.875) | −(0.916) |
ASSET_STRUCT_2 | −0.001 | −0.001 | −0.001 | 0.010 | 0.011 | 0.011 |
| −(0.771) | −(0.752) | −(0.723) | (0.552) | (0.579) | (0.624) |
MARKET_CAP | 0.075*** | 0.074*** | 0.076*** | 4.182*** | 4.149*** | 4.163*** |
| (3.137) | (3.045) | (3.210) | (10.506) | (10.678) | (10.704) |
INT_RISK_1 | −0.001*** | − | −0.001*** | −0.008 | − | −0.010* |
| −(2.667) | − | −(2.988) | −(1.452) | − | −(1.777) |
INT_RISK_2 | − | 3.63 × 10−5** | 3.97 × 10−5*** | − | 0.001** | 0.001*** |
| − | (2.494) | (2.827) | − | (2.661) | (2.854) |
Chi-Square statistics | 69.720*** | 66.113*** | 75.822*** | 222.106*** | 234.231*** | 238.915*** |
Observation | 117 | 117 | 117 | 117 | 117 | 117 |
摆姿势。除了模型1之外,信用风险与衍生品的使用没有任何显著的关系。这一结果反驳了高信用风险与较高的u概率相关的论点。唱衍生词。资本充足率(CAR)与衍生品的使用关系不明显。但是李致远25支持这样一个事实,即更高的汽车价格意味着银行的上限更大。约束和承担较高的或有风险。由于汽车高,银行有动机拥有更高的经济资本来抵消偶发事件。盈利能力出现负增长。与利用衍生工具进行套期保值和交易有显著关系。资产结构1代表银行资产负债表中的杠杆。杠杆与int之间没有任何显著的关系。最低利率衍生品的使用。同样,资产结构2也没有显示出与衍生品使用有任何显著的关系。市场利率与利率呈显著的正相关关系。衍生物使用对冲和套期保值交易情况。研究结果支持了股本资本市场价值较高的事实,鼓励银行使用衍生品。
INT_Risk_2代表资产负债失配风险,并与所有模型规范的衍生品使用情况呈显著正相关。另一方面,int_Risk_1是与市场相关的利率风险与衍生品的使用呈负相关关系.。这一发现支持了银行利用利率衍生品来缓解资产的观点。市场吸收了这些信息,进而对市场相关利率风险因素及其对衍生品使用的影响产生了负面影响。2008年和2009年a对于所有的模型细节,都显示出与衍生品使用的显著正相关关系。常数代表2010年的时间效应。捕捉…的影响控制变量和利率风险变量对1%的利率变动对套期保值利率衍生品和总利率衍生品的可能影响。使用类似的模型。用IRD_PV_HARCH和IRD_PV_TOTAL 26取代IRD_HARCH和IRD_COUNT。
表10报告了1%的利率变动对衍生品使用的可能影响的结果,以及使用固定效应与银行特性和利率风险变量之间的关系。托拜特模特。卡方统计报告了模型的拟合优度.。1%的利率变动对衍生产品的影响也是显著的,而且与规模和规模有关。信用风险和与资产的轻微负相关关系_STRUCT_2作为衍生工具,用于对冲目的。但是,对于使用导数的情况,这些变量没有任何关系。R套期保值和交易目的。资本ade-quacy比率(CAR)与对冲目的的衍生工具的PV01没有显示和显著的关系。但对于套期保值和交易目的,PV01INT_Risk_2对PV 01的使用没有任何影响。但int_Risk_1在PV01上表现出边缘的负相关性.
表10.利率变化对衍生品使用影响的实证估计:Tobit固定效应回归模型
|
| Hedging |
|
| Hedging and Trading |
|
|
|
|
|
|
|
|
| Model 1 | Model 2 | Model 3 | Model 1 | Model 2 | Model 3 |
|
|
|
|
|
|
|
Constant | −0.00166*** | −0.00232*** | −0.00223*** | −0.00247* | −0.00293* | −0.00266 |
| −(3.332) | −(3.593) | −(3.475) | −(1.924) | −(1.741) | −(1.597) |
2008_DUM | 0.00006 | 0.00008 | 0.00008 | −0.00013 | −0.00011 | −0.00013 |
| (0.593) | (0.842) | (0.814) | −(0.534) | −(0.450) | −(0.498) |
2009_DUM | 0.00016 | 0.00020* | 0.00019* | −0.00015 | −0.00012 | −0.00014 |
| (1.501) | (1.843) | (1.804) | −(0.562) | −(0.429) | −(0.501) |
SIZE | 0.00016*** | 0.00023*** | 0.00022*** | 0.00013 | 0.00016 | 0.00015 |
| (4.512) | (3.918) | (3.877) | (1.424) | (1.090) | (1.012) |
LIQUID | −0.00007 | −0.00011 | −0.00002 | −0.00057 | −0.00081 | −0.00055 |
| −(0.040) | −(0.062) | −(0.013) | −(0.121) | −(0.169) | −(0.117) |
CREDIT_RISK | 0.02651*** | 0.02757*** | 0.02878*** | −0.00884 | −0.01151 | −0.00807 |
| (3.503) | (3.559) | (3.747) | −(0.453) | −(0.570) | −(0.404) |
CAR | −0.00001 | −0.00002 | −0.00002 | 0.00014*** | 0.00014*** | 0.00014*** |
| −(0.693) | −(0.782) | −(0.888) | (2.778) | (2.793) | (2.725) |
PROFITABILITY | 0.01964 | 0.01513 | 0.01871 | −0.00180 | −0.01226 | −0.00212 |
| (1.535) | (1.192) | (1.473) | −(0.055) | −(0.370) | −(0.064) |
ASSET_STRUCT_1 | 0.00003 | 0.00003 | 0.00003 | 0.00005 | 0.00005 | 0.00005 |
| (1.079) | (1.006) | (1.032) | (0.715) | (0.682) | (0.707) |
ASSET_STRUCT_2 | −0.00003* | −0.00003* | −0.00003* | −0.00004 | −0.00004 | −0.00004 |
| −(1.688) | −(1.704) | −(1.727) | −(0.871) | −(0.860) | −(0.875) |
MARKET_CAP | −0.00006 | −0.00007 | −0.00009 | 0.00026 | 0.00031 | 0.00025 |
| −(0.152) | −(0.157) | −(0.206) | (0.240) | (0.280) | (0.233) |
INT_RISK_1 | −0.00001* | − | −0.00001* | −0.00003* | − | −0.00003* |
| −(1.663) | − | −(1.733) | −(1.879) | − | −(1.886) |
INT_RISK_2 | − | 3.37 × 10−7 | 3.55 × 10−7 | − | 6.92 × 10−8 | 1.20 × 10−7 |
| − | (1.307) | (1.394) | − | (0.103) | (0.182) |
Chi-Square statistics | 63.881*** | 62.283*** | 66.884*** | 29.199** | 24.927* | 29.240** |
Observation | 117 | 117 | 117 | 117 | 117 | 117 |
5. 结论
在本研究中,我们运用模拟与市场利率敏感性分析,考察了印度所有商业上市银行利率衍生工具使用的决定因素。我们的结果除了银行特有的特点外,利率风险还会影响银行衍生品的使用。结果表明,银行规模、市场规模和资产负债不匹配(整数风险)与银行使用衍生产品呈正相关。但流动性、银行信用风险、盈利能力和市场敏感利率风险与衍生品使用呈负相关。进一步研究可以通过包含宏观经济变量来检验利率衍生品使用的决定因素。
参考文献
[1]Basel Committee on Banking Supervision (1999) Recommendation for Public Dis-closure of Trading and Derivatives Activities of Banks and Securities Firms. Bank for International Settlements.
[2]Basel Committee on Banking Supervision (2001) Principles for the Management and Supervision of Interest Rate Risk. Bank for International Settlements.
[3]Flannery, M.J. and James, C.M. (1984) The Effect of Interest Rate Changes on the Common Stock Returns of Financial Institutions. The Journal of Finance, 39, 1141-1153. https://doi.org/10.1111/j.1540-6261.1984.tb03898.x
[4]Booth, J.R. and Officer, D.T. (1985) Expectations, Interest Rates, and Commercial Bank Stocks. The Journal of Financial Research, 8, 51-58. https://doi.org/10.1111/j.1475-6803.1985.tb00425.x
[5]Choi, J.J, Elyasiani, E. and Kopecky, K.J. (1992) The Sensitivity of Bank Stock Re-turns to Market, Interest and Exchange Rate Risks. Journal of Banking and Finance, 16, 983-1004.
[6]Shanker, L. (1996) Derivatives Usage and Interest Rate Risk of Large Banking Firms.
The Journal of Futures Markets, 16, 459-474. https://doi.org/10.1002/(SICI)1096-9934(199606)16:4<459::AID-FUT6>3.0.CO;2-H
[7]Patnaik, I. and Shah, A. (2003) Interest-Rate Risk in the Indian Banking System. ICRIER Working Paper No. 92, Indian Council for Research on International Eco-nomic Relations, New Delhi.
[8]Carter, D., Simpson, W. and Tandon, A. (April 2005) Managerial Ownership and Compensation and the Use of Interest-Rate Derivatives by US Banks. Working Pa-per, FMA Conference 2006, Salt Lake City.
[9]Purnanandam, A. (2007) Interest Rate Derivatives At Commercial Banks: An Em-pirical Investigation. Journal of Monetary Economics, 54, 1769-1808.
[10]Nachane, D.M. and Ghosh, S. (2007) An Empirical Analysis of the Off-Balance Sheet Activities of Indian Banks. Journal of Emerging Market Finance, 6, 39-59. https://doi.org/10.1177/097265270700600102
[11]Saha, A., Subramanian, V., Basu, S. and Mishra, A.K. (2007) Networth Exposure of Interest Rate Risk: An Empirical Analysis of Indian Commercial Banks. European Journal of Operational Research, 193, 581-590.
[12]Mian, S.L. (1996) Evidence on Corporate Hedging Policy. Journal of Financial and quantitative Analysis, 31, 419-439. https://doi.org/10.2307/2331399
[13]Colquitt, L.L. and Hoyt, R.E. (1997) Determinants of Corporate Hedging Behavior: Evidence from the Life Insurance Industry. Journal of Risk and Insurance, 64, 649-671. https://doi.org/10.2307/253890
[14]Sinkey, J.F. and Carter, D.A. (2001) Evidence on the Financial Characteristics of Banks That Do and Do Not Use Derivatives. The Quarterly Review of Economics and Finance, 40, 431-449.
[15]Cummins, J.D., Phillips, R.D. and Smith, S.D. (2001) Derivatives and Corporate Risk Management: Participation and Volume Decisions in the Insurance Industry.
Journal of Risk and Insurance, 68, 51-91. https://doi.org/10.2307/2678132
[16]Shiu, Y.M. and Moles, P. (2010) What Motivates Banks to Use Derivatives: Evidence from Taiwan. The Journal of Derivatives, 17, 67-78. https://doi.org/10.3905/jod.2010.17.4.067
,影响印度商业银行利率衍生工具使用的因素
摘 要
本文考察了利率风险因素对印度商业银行利率衍生工具(IRD)使用的影响。我们将重点放在2008-2010年期间的分析上。我们有e这一时期着重指出,在全球金融危机期间和之后,影响印度商业银行使用利率衍生品的主要因素是什么。我们用过模拟分析和回归分析确定利率风险因素。使用Tobit固定效应分析,我们能够提供利率风险驱动印度商业银行使用的衍生品。结果表明,资产规模、利率冲击对股本的影响与利用衍生工具进行套期保值有着密切的关系。l作为交易和利率敏感因素,与衍生品的套期保值和交易有关。新一代私人银行对衍生工具的敞口相对较大。或者交易目的。
关键字:利率风险,银行,利率衍生工具,风险因素,托比固定效应模型
1. 介绍
利率风险是银行账面上的核心风险之一,银行必须从这些风险中获取利润。在信用风险之后,利率风险是一种重要的风险,它要求信用风险。注意和缓解措施。利率突然而显著的冲击会造成银行账面上资产负债的严重错配,并会蚕食银行大部分的资产负债。优质资本反过来又会把银行推向破产的边缘。
资产负债表法和利率衍生工具使用法是银行用来缓解利率波动影响的两种主要方法。前者与r到期日资料的电子定价最优惠利率敏感资产和银行资产负债表负债。后者与利用利率衍生工具对冲利率风险有关。银行一般经营衍生产品。ES用于资产负债表管理和市场做空,银行为客户提供衍生品服务,以对冲风险。根据印度商业银行的指导方针,印度银行可以进行实习生交易。用于对冲固定利率、浮动利率或外币资产/负债的利率反洗钱工具。利率衍生工具包括利率掉期(IRS)、远期利率协议(FRAS)、国际利率协议(FRAS)。利率期货和外币利率互换。另一方面,印度银行也可以经营外汇衍生工具,包括远期外汇掉期外汇外汇等工具。GN货币-ru-peb互换,交叉货币期权,和外币卢比期权.。印度银行在对冲和对冲方面都有利率衍生品和货币衍生品的风险敞口。交易目的。表1给出了2010年3月印度银行用于对冲和交易的利率衍生品和货币衍生品的汇总统计数据。平均利息印度银行用于交易目的的利率衍生工具大约是用于对冲目的的利率衍生品的12倍。此外,利率的总风险敞口也是关于。3倍于货币衍生品的总敞口。均值和中值的比较清楚地表明,大型银行在衍生品领域有着巨大的风险敞口。表2显示t他总结了2008, 2009和2010年间印度商业银行使用的利率衍生产品的价值。利率衍生工具用于套期保值的趋势正在上升,但交易的CA从2008年到2009年,利率衍生品名义风险敞口首次下降约50%,2010增加约12%。此外,该交易案例的PV 01×100值也显示为INCRE。放松趋势可以被解释为银行正在出售更多的长期合约。
自1999年7月起,印度央行允许定期商业银行、主要交易商和金融机构使用利率互换(IRS)和远期利率协议(FRAS)来减轻I的影响。通过自己的资产负债管理(ALM)或为做市(即风险交易目的)对资产和负债流进行最优惠利率变动。印度有一个活跃的柜台。利率衍生品市场。大多数与利率无关的交易都是由外国银行、大型私营部门和公共部门银行完成的。衍生工具的交易E由财政部执行银行。银行财务处对各类实习生承担进行衍生产品交易及管理确认、结算、会计、风险监测和报告等职责。和管制指南1。对衍生品投资组合的风险监控是在银行日常工作的基础上进行的。银行通常使用每日风险价值(VaR)方法和相关的希腊期权来衡量。e并监测风险。
表1.银行用作对冲及交易用途的利率衍生工具及货币衍生工具的统计摘要
|
| Interest rate Derivatives |
| Currency derivatives |
| |||
|
|
|
|
|
|
|
|
|
| Mean | Median | Total | Number of Banks | Mean | Median | Total | Number of Banks |
|
|
|
|
|
|
|
|
|
Trading | 45,927.17 | 9599.36 | 872,616.20 | 19 | 14,032.81 | 3955.58 | 252,590.63 | 18 |
Hedging | 3832.61 | 500.00 | 88,149.97 | 23 | 3683.84 | 657.91 | 81,044.51 | 22 |
Trading/TA | 0.307 | 0.059 | 0.232 | 19 | 0.089 | 0.067 | 0.015 | 18 |
Hedging/TA | 0.014 | 0.008 | 0.019 | 23 | 0.048 | 0.012 | 0.048 | 22 |
表2.用于对冲和交易的利率衍生品的总价值