| Modeling and Analyzing Systemic Risk in European Banking Sector (Modélisation et analyse du risque systémique des établissements bancaires Européens ) Srour, Zainab - (2019-03-22) / Universite de Rennes 1, Université libanaise Modeling and Analyzing Systemic Risk in European Banking Sector
| |||
Langue : Anglais Directeur(s) de thèse: Viviani, Jean-Laurent; Zeinedine, Hassan Discipline : Finance Laboratoire : CREM Ecole Doctorale : Sciences économiques et sciences de gestion Classification : Economie Mots-clés : Risque systémique, Structure actionnariale, Création de liquidité, Intelligence artificielle
| |||
Résumé : Cette thèse examine le sujet du risque systémique dans trois cadres empiriques différents. A part de citer la liste des travaux existants liés au risque systémique dans le premier chapitre, nous examinons l'impact de deux facteurs de prise de risque sur le niveau de risque systémique des banques européennes. Le deuxième chapitre étudie l'impact de la structure de propriété sur la contribution du risque systémique de 79 banques dans 16 pays Européens sur la période 2004-2016. Les résultats montrent qu’une concentration plus élevée de la propriété est associée à une plus hausse contribution du risque systémique des banques. De plus, nous avons constaté que la contribution des banques au risque systémique était encore plus forte pour les banques où les investisseurs institutionnels et les États étaient les principaux actionnaires majoritaires. Nous allons plus loin et étudions l’effet des variables réglementaires sur la relation entre le risque systémique et la structure de propriété. Nous constatons que la concentration de la propriété accroît la contribution du risque systémique des banques dans les pays où la garantie des dépôts est élevée, où les fonds propres sont moins exigeants et où la diversification des actifs est plus grande. Le troisième chapitre explore l’effet d’une autre incitation à la prise de risque, la création de liquidités, sur l’exposition et la contribution des banques au risque systémique. Nous utilisons le même échantillon composé de 79 banques européennes au cours de la période 2004-2016. Les conclusions soulignent que, en temps normal, l'exposition au risque systémique des banques est aggravée par une forte création de liquidités. De plus, nous montrons que, en période de crise, une forte création de liquidité affecte négativement non seulement l’exposition des banques au risque systémique, mais également leur contribution. Le chapitre quatre examine une autre facette du risque systémique. En utilisant un échantillon de 134 banques dans 16 pays européens pendant la période 2002-2016, nous avons construit trois méthodes de prévision pour prédire la contribution et l’exposition des banques au risque systémique. Nous utilisons un réseau neurone artificiel, support vecteur machine et la spécification generalized autoregressive conditional heteroskedasticity. Nos résultats montrent que les réseaux de neurones artificiels à deux couches cachées surpassent les autres modèles en ce qui concerne la prévision du risque systémique. Abstract : This dissertation investigates the systemic risk subject in three different empirical frameworks. Besides listing the existing works related to the systemic risk in the first chapter, we examine the impact of two risk-taking factors in affecting the systemic risk level of European banks. The second chapter investigates the impact of the ownership structure on systemic risk contribution of 79 banks in 16 western European countries during the 2004-2016 period. The results show that higher ownership concentration is associated with greater banks’ systemic risk contribution. Moreover, we found that banks’ systemic risk contribution is even stronger for banks where institutional investors and States are the largest controlling owners. We go deeper and investigate the effect of regulatory variables on the relationship between systemic risk and ownership structure. We find that higher ownership concentration increased banks’ systemic risk contribution in countries with high deposit insurance, lower capital stringency and higher asset diversification. The third chapter explores the effect of another risk-taking incentive, the liquidity creation, on banks systemic risk contribution end exposure. We use the same sample consisting of 79 European banks during the 2004-2016 period. The findings emphasize that during normal time, systemic risk exposure of banks are exacerbated by high liquidity creation. Moreover we show that, during distress times, high liquidity creation affects negatively not only banks exposure to systemic risk but also their contribution. Chapter four investigates a different facet of the systemic risk. Using a sample of 134 banks in 16 European countries ranging from 2002 to 2016, we construct three forecasting methods to predict systemic risk contribution and exposure values. We use artificial neural network, support vector machine and generalised autoregressive conditional heteroskedasticity specification. Our results show that two hidden layers artificial neural networks outperform other models in effectively predicting systemic risk. | |||