Silicon Valley Bank var toppen av ett bankisberg

Traditionella finansinstitut tar insättningar från kunder och använder dem för att göra lån. Men de lånar ut mycket mer än vad de har i beredskap vid en viss tidpunkt - ett koncept som kallas fraktionell bankverksamhet. Å ena sidan benämns skillnaden mellan räntan på lånen och den ränta som betalas till insättare som räntenettomarginalen och avgör en banks lönsamhet. Å andra sidan benämns skillnaden mellan tillgångarna och skulderna deras eget kapital och bestämmer bankens motståndskraft mot externa störningar.

Innan den senaste körningen på banken sågs SVB inte bara som en lönsam bankinstitution utan också en säker, eftersom den hade tillgångar på 212 miljarder dollar mot cirka 200 miljarder dollar i skulder. Det betyder att de hade en kudde på 12 miljarder dollar i eget kapital eller 5.6% av tillgångarna. Det är inte dåligt, även om det är ungefär hälften av genomsnittet på 11.4 % bland banker.

Problemet är att de senaste åtgärderna från USA:s federala reserv minskade värdet på långfristiga skulder, som SVB var starkt exponerad för genom sina inteckningssäkrade värdepapper (ungefär 82 miljarder dollar). När SVB i december flaggade för sina aktieägare att de hade 15 miljarder dollar i orealiserade förluster, vilket utplånade bankens aktiekudde, väckte många frågor.

Relaterat: USDC är avkopplad, men det kommer inte att bli standard

Den 8 mars meddelade SVB att de hade sålt 21 miljarder dollar i likvida tillgångar med förlust och uppgav att de skulle samla in pengar för att kompensera för förlusten. Men att det tillkännagav ett behov av att samla in mer pengar - och till och med övervägde att sälja banken - berörde investerare avsevärt, vilket ledde till cirka 42 miljarder dollar i försök till uttag från banken. Naturligtvis hade SVB inte tillräcklig likviditet och Federal Deposit Insurance Corporation tog över den 17 mars.

Den makroekonomiska litteraturen har mycket att säga om dessa situationer, men en bra sammanfattning är att förvänta sig en mycket icke-linjär dynamik - det vill säga små förändringar i insatsvaror (soliditetskvoten) kan ha betydande förändringar i produktionen ( likviditet). Bankkörningar kan vara mer benägna under lågkonjunkturer och ha stora effekter på den samlade ekonomiska aktiviteten.

Sträva efter strukturella lösningar

SVB är visserligen inte den enda banken som har en högre och riskfylld exponering mot makroekonomiska förhållanden, såsom räntor och konsumentefterfrågan, men det var bara toppen av isberget som slog upp nyheterna den senaste veckan. Och vi har sett detta förut - senast under finanskrisen 2007–2008 med kollapsen av Washington Mutual. Efterdyningarna ledde till en ökning av finansiell reglering, till stor del i Dodd–Frank Act, som utökade Federal Reserves myndigheter för att reglera finansiell verksamhet och godkände nya riktlinjer för konsumentskydd, inklusive lanseringen av Consumer Financial Protection Bureau.

Notera att DFA också antog "Volcker-regeln", som begränsar banker från egenhandel och andra spekulativa investeringar, vilket till stor del hindrar banker från att fungera som investeringsbanker som använder sina egna insättningar för att handla med aktier, obligationer, valutor och så vidare.

Ökningen av finansiell reglering ledde till en kraftig förändring i efterfrågan på vetenskaps-, teknik-, ingenjörs- och matematikarbetare (STEM), eller "kvanter" för kort. Finansiella tjänster är särskilt känsliga för förändringar i regelverket, där mycket av bördan faller på arbetskraften eftersom reglering påverkar deras kostnader som inte är ränterelaterade. Bankerna insåg att de kunde minska efterlevnadskostnaderna och öka den operativa effektiviteten genom att öka automatiseringen.

Och det var precis vad som hände: Andelen STEM-arbetare växte med 30 % mellan 2011 och 2017 inom finansiella tjänster, och mycket av detta tillskrevs den ökade regleringen. Små och medelstora banker (SMB) har dock haft en mer utmanande tid att hantera dessa regler – åtminstone delvis på grund av kostnaden för att hyra och bygga ut sofistikerade dynamiska modeller för att prognostisera makroekonomiska förhållanden och balansräkningar.

Den aktuella state-of-the-art inom makroekonomiska prognoser har fastnat i 1990 års ekonometriska modeller som är mycket inexakta. Även om prognoser ofta justeras i sista minuten för att verka mer korrekta, är verkligheten att det inte finns någon konsensusmodell för arbetshäst eller tillvägagångssätt för att förutsäga framtida ekonomiska förhållanden, utan några spännande och experimentella tillvägagångssätt från till exempel Atlanta Federal Reserve med sina GDPNow-verktyg.

Relaterat: Lagstiftare bör kontrollera SEC:s krigstida consigliere med lagstiftning

Men även dessa "nowcasting"-verktyg innehåller inte stora mängder disaggregerad data, vilket gör prognoserna mindre relevanta för små och medelstora företag som är exponerade för vissa tillgångsklasser eller regioner och mindre intresserade av ekonomins nationella tillstånd i sig.

Vi måste gå bort från prognoser som en "check-the-box"-åtgärd för att följa regelverket mot ett strategiskt beslutsfattande verktyg som tas på allvar. Om nowcasts inte fungerar tillförlitligt, antingen sluta producera dem eller hitta ett sätt att göra dem användbara. Världen är mycket dynamisk och vi måste använda alla verktyg som står till vårt förfogande, allt från disaggregerade data till sofistikerade verktyg för maskininlärning, för att hjälpa oss förstå den tid vi befinner oss i så att vi kan uppträda försiktigt och undvika potentiella kriser.

Skulle bättre modellering ha räddat Silicon Valley Bank? Kanske inte, men bättre modellering skulle ha ökat transparensen och sannolikheten att rätt frågor skulle ställas för att få rätt försiktighetsåtgärder. Teknik är ett verktyg – inte ett substitut – för god förvaltning.

I efterdyningarna av Silicon Valley Banks kollaps har det förekommit mycket fingerpekande och upprepningar av det förflutna. Ännu viktigare bör vi fråga: Varför inträffade bankkörningen och vad kan vi lära oss?

Christos A. Makridis är professor och entreprenör. Han fungerar som VD och grundare av Dainamic, en finansiell teknologistartup som använder artificiell intelligens för att förbättra prognoser, och fungerar som forskningsfilial vid Stanford University och University of Nicosia, bland annat. Han har doktorsexamen i ekonomi och management science och engineering från Stanford University.

Den här artikeln är avsedd för allmänna informationssyften och är inte avsedd att vara och ska inte ses som juridisk rådgivning eller investeringsrådgivning. De åsikter, tankar och åsikter som uttrycks här är författarens ensamma och återspeglar eller representerar inte nödvändigtvis Cointelegraphs åsikter och åsikter.

Källa: https://cointelegraph.com/news/silicon-valley-bank-was-the-tip-of-a-banking-iceberg