اخبار ارز دیجیتال

بانک سیلیکون ولی نوک کوه یخ بانکی بود


به گزارش پایگاه خبری ارز دیجیتال موبو ارز،

پیش‌بینی‌های بانکی باید بیش از رفتارهای «چک باکس» برای رعایت مقررات باشد. باید به عنوان یک ابزار تصمیم گیری استراتژیک در نظر گرفته شود.

مؤسسات مالی سنتی از مشتریان سپرده می گیرند و از آنها برای اعطای وام استفاده می کنند. اما بانک‌ها وام‌های بسیار بیشتری نسبت به هر زمان معینی می‌دهند. این مفهومی است که به بانکداری کسری معروف است. از یک سو به تفاوت سود وام و سود پرداختی به سپرده گذاران، حاشیه سود خالص گفته می شود و سودآوری بانک را تعیین می کند. از سوی دیگر، تفاوت بین دارایی ها و بدهی ها که سرمایه صاحبان سهام نامیده می شود، میزان تاب آوری بانک را در برابر شوک های خارجی تعیین می کند.

قبل از آخرین سرکوب بانکی، SVB نه تنها یک مؤسسه بانکی سودآور بود، بلکه یک مؤسسه بانکی امن نیز محسوب می‌شد، زیرا دارایی‌های آن ۲۱۲ میلیارد دلار در مقابل نزدیک به ۲۰۰ میلیارد دلار بدهی بود. بنابراین یک بالشتک ۵.۶ درصدی در ۱۲ میلیارد دلار از سهام یا دارایی ها وجود داشت. این تقریباً نصف میانگین بانکی ۱۱.۴٪ است، اما بد نیست.

مشکل این است که اقدامات اخیر فدرال رزرو ایالات متحده ارزش بدهی بلندمدتی را که SVB به شدت در معرض آن از طریق اوراق بهادار با پشتوانه وام مسکن قرار داشت (حدود ۸۲ میلیارد دلار) کاهش داده است. هنگامی که SVB در ماه دسامبر به سهامداران گزارش داد که ۱۵ میلیارد دلار زیان تحقق نیافته دارد، بالشتک سهام بانک از بین رفت و سوالات زیادی مطرح شد.

مربوط: USDC unpegged اما پیش فرض نیست

در ۸ مارس، SVB اعلام کرد که ۲۱ میلیارد دلار دارایی نقدی خواهد فروخت و برای جبران زیان های خود، سرمایه جمع آوری خواهد کرد. اما اعلام آن مبنی بر اینکه نیاز به جمع آوری پول بیشتری دارد و همچنین در نظر دارد که بانک را بفروشد، سرمایه گذاران را نگران کرد و تلاش برای برداشت از بانک ها به حدود ۴۲ میلیارد دلار رسید. البته SVB نقدینگی کافی نداشت و شرکت بیمه سپرده فدرال در ۱۷ مارس مسئولیت را بر عهده گرفت.

در مورد این موقعیت ها در ادبیات مالی کلان مطالب زیادی نوشته شده است، اما خلاصه این است که پویایی های غیرخطی بسیار قابل انتظار است. نقدینگی). احتمال وقوع رکود بانکی بیشتر در زمان رکود است که می تواند تأثیر قابل توجهی بر کل فعالیت اقتصادی داشته باشد.

پیگیری راه حل های ساختاری

SVB مطمئنا تنها بانک پرریسک‌تر نیست که در معرض شرایط کلان اقتصادی مانند نرخ‌های بهره و تقاضای مصرف‌کننده قرار دارد، اما آنچه در هفته گذشته در اخبار منتشر شد، فقط نوک کوه یخ است. و ما قبلاً این را دیده‌ایم – اخیراً با فروپاشی واشنگتن متقابل در طول بحران مالی ۲۰۰۷-۲۰۰۸. پیامدهای آن منجر به افزایش مقررات مالی شد، در درجه اول در قانون داد-فرانک، که اختیارات فدرال رزرو را برای تنظیم فعالیت های مالی گسترش داد، و دستورالعمل های جدید حمایت از مصرف کننده، از جمله راه اندازی آژانس حمایت مالی از مصرف کننده، تصویب شد.

قابل ذکر است، DFA همچنین “قاعده ولکر” را وضع کرد، که بانک ها را از معاملات اختصاصی و سایر سرمایه گذاری های سفته بازانه محدود می کرد و بانک ها را از استفاده از سپرده های خود برای تجارت سهام، اوراق قرضه، ارز و غیره محدود می کرد که به طور قابل توجهی از عملکرد آن جلوگیری کرد.

ظهور مقررات مالی تقاضا برای کارگران علوم، فناوری، مهندسی و ریاضی (STEM) یا به اختصار «کوانت» را به طور اساسی تغییر داده است. خدمات مالی به ویژه نسبت به تغییرات نظارتی حساس هستند و مقررات بر هزینه‌های بدون بهره تأثیر می‌گذارد و بار سنگینی را بر دوش کارگران وارد می‌کند. بانک متوجه شد که افزایش اتوماسیون می تواند هزینه های انطباق را کاهش دهد و کارایی عملیاتی را بهبود بخشد.

بین سال‌های ۲۰۱۱ و ۲۰۱۷، سهم کارگران STEM در صنعت خدمات مالی ۳۰ درصد افزایش یافت که عمدتاً به دلیل افزایش مقررات است. با این حال، بانک‌های کوچک و متوسط ​​(SMB) در مواجهه با این مقررات کار سخت‌تری داشته‌اند. این حداقل تا حدی به دلیل هزینه های اتخاذ و ساخت مدل های پویا پیچیده برای پیش بینی شرایط اقتصاد کلان و ترازنامه است.

وضعیت فعلی هنر در پیش بینی اقتصاد کلان در مدل اقتصاد سنجی بسیار نادرست ۱۹۹۰ گیر کرده است. پیش‌بینی‌ها اغلب در آخرین لحظه تنظیم می‌شوند تا دقیق‌تر به نظر برسند، اما واقعیت این است که هیچ مدل یا رویکردی اجماع برای پیش‌بینی شرایط اقتصادی آینده وجود ندارد، برای مثال توسط فدرال رزرو آتلانتا رویکردهای هیجان‌انگیز و تجربی کنار گذاشته شده‌اند. ابزار GDPNow.

مربوط: قانونگذاران باید وکیل SEC در زمان جنگ را با قانون تأیید کنند

اما حتی این ابزارهای “اکنون” حجم عظیمی از داده‌های تفکیک‌شده را ترکیب نمی‌کنند، در معرض کلاس‌ها و مناطق دارایی خاصی قرار دارند و به خودی خود کمتر به وضعیت اقتصاد توجه دارند.پیش‌بینی برای SMB‌ها خیلی خوب نیست.

ما باید از پیش بینی به عنوان یک ابزار انطباق مقرراتی “چک باکس” به یک ابزار تصمیم گیری استراتژیک حرکت کنیم که باید جدی گرفته شود. اگر Nowcastها به طور قابل اعتماد اجرا نمی شوند، یا تولید آنها را متوقف کنید یا راهی برای مفید کردن آنها بیابید. جهان بسیار پویا است و ما در اختیار داریم هر ابزاری، از داده‌های تفکیک‌شده تا ابزارهای پیشرفته یادگیری ماشین، برای کمک به درک زمان، محتاطانه عمل کردن و اجتناب از بحران‌های احتمالی، در اختیار داریم.

آیا مدل‌سازی بهتر می‌تواند بانک‌های سیلیکون ولی را نجات دهد؟ شاید نه، اما مدل‌سازی بهتر می‌تواند منجر به شفافیت بیشتر، پرسیدن سؤالات درست و انجام اقدامات احتیاطی مناسب شود. فناوری یک ابزار حکمرانی خوب است، نه جایگزین.

پس از فروپاشی بانک سیلیکون ولی، انتقادات و احیای زیادی وجود داشت. مهمتر از آن، باید بپرسید: چرا اجراهای بانکی اتفاق افتاد و چه چیزی می توانیم بیاموزیم؟

کریستوس آ. ماکریدیس استاد و کارآفرین. او مدیر عامل و بنیانگذار Dynamic است، یک استارت آپ فناوری مالی که از هوش مصنوعی برای بهبود پیش بینی استفاده می کند، و از جمله در دانشگاه استنفورد و دانشگاه نیکوزیا، وابستگان تحقیقاتی دارد. او دارای مدرک دکترای اقتصاد و مدیریت علوم و مهندسی از دانشگاه استنفورد است.

این مقاله برای اهداف اطلاعات عمومی است و در نظر گرفته نشده است و نباید به عنوان مشاوره حقوقی یا سرمایه گذاری تلقی شود. دیدگاه‌ها، افکار و نظرات بیان شده در اینجا متعلق به نویسنده است و لزوماً منعکس‌کننده یا بیانگر دیدگاه‌ها یا نظرات Cointelegraph نیست.



نویسنده: Christos Makridis

به این مطلب چه امتیازی می‌دهید؟

میانگین امتیارها ۰ / ۵. مجموع آرا: ۰

دیدگاهتان را بنویسید

دکمه بازگشت به بالا