Contagion in economic networks: a data-driven machine learning approach (2022)
- Authors:
- Autor USP: SILVA, MICHEL ALEXANDRE DA - ICMC
- Unidade: ICMC
- Sigla do Departamento: SME
- DOI: 10.11606/T.55.2022.tde-13072022-134420
- Subjects: REDES COMPLEXAS; SISTEMAS ECONÔMICOS; APRENDIZADO COMPUTACIONAL; TAXAS DE JUROS FUTUROS
- Keywords: Complex networks; Contágio; Contagion; Economia; Economic system; Risco sistêmico; Systemic risk
- Language: Inglês
- Abstract: A interconectividade é um traço onipresente em sistemas econômicos. Isso permite que diversas questões econômicas sejam analisadas por meio de ferramentas de redes complexas. A interconectividade pode ser benéfica aos agentes econômicos através, por exemplo, do compartilhamento de riscos em redes financeiras. No entanto, a turbulência financeira de 2008, cujo episódio principal foi o colapso do Lehman Brothers em setembro daquele ano, destacou a importância da interconectividade na propagação de choques ou seja, contágio através dos sistemas econômicos. Apesar de sua importância, ainda existem algumas questões em aberto relativas a contágio em redes econômicas, suas consequências e os processos que governam sua dinâmica. Nesta tese, nosso objetivo é lançar alguma luz sobre algumas dessas questões. Para realizar essa tarefa, contamos com ferramentas adequadas à análise de sistemas complexos redes complexas, aprendizado de máquina (machine learning ML) e modelagem baseada em agentes , além de diversas bases de dados brasileiras. Nossas contribuições abordam três grandes questões: i) a identificação de agentes econômicos sistemicamente relevantes (bancos, empresas e ativos), ii) a dinâmica da propagação dos choques de política monetária e sua interação com a topologia da rede financeira, e iii) o impacto de mecanismos heterogêneos de distribuição de perdas no risco sistêmico (RS). Nossas principais conclusões são as seguintes: i) choques nas taxas de juros afetam aestabilidade financeira de forma não linear e esse efeito é mais forte em períodos de aperto da política monetária, ii) técnicas de ML podem identificar com sucesso determinantes de RS entre variáveis financeiras e topológicas, iii ) a adoção de uma regra heterogênea de distribuição de perdas aumenta significativamente o RS, iv) características topológicas da rede de crédito banco-firma são significativamente afetadas por choques na taxa de juros, e v) a medida de centralidade recém-criada, a risk-dependent centrality, captura melhor a dinâmica do grau de risco externo do que outras medidas de centralidade.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2022
- Data da defesa: 27.05.2022
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
SILVA, Michel Alexandre da. Contagion in economic networks: a data-driven machine learning approach. 2022. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-13072022-134420/. Acesso em: 31 mar. 2026. -
APA
Silva, M. A. da. (2022). Contagion in economic networks: a data-driven machine learning approach (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://teses.usp.br/teses/disponiveis/55/55134/tde-13072022-134420/ -
NLM
Silva MA da. Contagion in economic networks: a data-driven machine learning approach [Internet]. 2022 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-13072022-134420/ -
Vancouver
Silva MA da. Contagion in economic networks: a data-driven machine learning approach [Internet]. 2022 ;[citado 2026 mar. 31 ] Available from: https://teses.usp.br/teses/disponiveis/55/55134/tde-13072022-134420/ - Livro de ofertas e dinâmica de preços: evidências a partir de dados da BOVESPA
- Macroeconomic impacts of trade credit: an agent-based modeling exploration
- Does the default pecking order impact systemic risk?: evidence from Brazilian data
- Efficiency-stability trade-off in financial systems: a multi-objective optimization approach
- The drivers of systemic risk in financial networks: a data-driven machine learning analysis
- Risk-dependent centrality in the Brazilian stock market
- The determinants of the individual nestedness contribution in financial systems
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
