بانک سیلیکون ولی نوک کوه یخ بانکی بود


برآورد بانک باید بیش از یک حرکت “تیک روی جعبه” برای انطباق با مقررات باشد. باید به عنوان یک ابزار تصمیم گیری استراتژیک در نظر گرفته شود.

موسسات مالی سنتی از مشتریان سپرده می گیرند و از آنها برای صدور وام استفاده می کنند. با این حال، آنها بسیار بیشتر از آنچه در انبارهایشان در یک زمان مشخص است وام می دهند – مفهومی که به عنوان بانکداری کسری شناخته می شود. 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. تفاوت بین دارایی ها و بدهی ها را حقوق صاحبان سهام می گویند و میزان مقاومت بانک را در برابر شوک های خارجی تعیین می کند.

قبل از حمله اخیر به بانک، SVB نه تنها به عنوان یک مؤسسه بانکی سودآور، بلکه به عنوان یک مؤسسه امن نیز در نظر گرفته می شد، زیرا دارایی های آن 212 میلیارد دلار در مقابل حدود 200 میلیارد دلار بدهی بود. این بدان معناست که آنها دارای 12 میلیارد دلار بافر یا 5.6 ​​درصد از دارایی ها هستند. این بد نیست، اگرچه تقریباً نیمی از میانگین 11.4٪ در بین بانک ها است.

مشکل این است که اقدامات اخیر ذخایر فدرال ایالات متحده ارزش بدهی بلندمدتی را که SVB به شدت در معرض آن از طریق اوراق بهادار با پشتوانه وام مسکن خود قرار دارد (تقریباً 82 میلیارد دلار) کاهش داده است. زمانی که SVB در ماه دسامبر ضررهای 15 میلیارد دلاری به سهامداران را گزارش کرد، سهام بانک را از بین برد و سوالات زیادی را ایجاد کرد.

مرتبط با: USDC حذف شد اما پیش فرض نخواهد بود

در 8 مارس، SVB اعلام کرد که 21 میلیارد دلار دارایی نقدی خود را با ضرر فروخته است و اعلام کرد که برای جبران زیان پول جمع آوری خواهد کرد. اما اعلام نیاز به جمع آوری وجوه بیشتر – و حتی در نظر گرفتن فروش بانک – سرمایه گذاران را به شدت نگران کرده و تلاش برای برداشت نزدیک به 42 میلیارد دلار از بانک را برانگیخته است. البته SVB نقدینگی کافی نداشت و شرکت بیمه سپرده فدرال در 17 مارس مسئولیت را بر عهده گرفت.

ادبیات مالی کلان در مورد این موقعیت‌ها حرف‌های زیادی برای گفتن دارد، اما یک خلاصه خوب این است که انتظار پویایی بسیار غیرخطی را داشته باشیم – یعنی تغییرات کوچک در ورودی‌ها (نسبت ارزش ویژه به دارایی) می‌تواند باعث تغییرات قابل‌توجهی در خروجی (نقدینگی) شود. رکود بانکی می تواند در طول رکود بیشتر مستعد باشد و می تواند تأثیرات زیادی بر کل فعالیت های اقتصادی داشته باشد.

در پی یافتن راه حل های ساختاری

البته SVB تنها بانکی نیست که در معرض شرایط کلان اقتصادی مانند نرخ بهره و تقاضای مصرف کننده بیشتر و پرریسک است، اما این تنها نوک کوه یخ بود که در هفته گذشته خبرها را منتشر کرد. و ما قبلاً آن را دیده‌ایم – اخیراً، در طول بحران مالی 2007-2008 با فروپاشی واشنگتن متقابل. متعاقباً منجر به افزایش مقررات مالی شد، عمدتاً از طریق قانون داد-فرانک، که اختیارات فدرال رزرو را برای تنظیم فعالیت های مالی و تصویب دستورالعمل های جدید حمایت از مصرف کننده، از جمله راه اندازی دفتر حمایت مالی از مصرف کننده، گسترش داد.

DFA همچنین به بانک‌ها اجازه می‌دهد تا با استفاده از سپرده‌های خود بانک‌ها، سهام، اوراق قرضه، ارز و غیره را با محدود کردن آنها از تجارت خصوصی و سایر سرمایه‌گذاری‌های سفته‌بازانه معامله کنند.

افزایش مقررات مالی منجر به تغییر شدید تقاضا برای کارگران علوم، فناوری، مهندسی و ریاضیات (STEM) یا به اختصار «کوانت» شده است. خدمات مالی به ویژه نسبت به تغییرات نظارتی حساس هستند و از آنجایی که مقررات بر هزینه‌های بدون بهره تأثیر می‌گذارد، بیشتر بار بر دوش نیروی کار می‌افتد. بانک ها متوجه شدند که با افزایش اتوماسیون، می توانند هزینه های انطباق را کاهش دهند و کارایی عملیاتی را افزایش دهند.

و دقیقاً این اتفاق افتاد: بین سال‌های 2011 و 2017، نسبت کارکنان STEM در خدمات مالی 30 درصد افزایش یافت و بیشتر آن به افزایش مقررات نسبت داده شد. با این حال، بانک‌های کوچک و متوسط ​​(SMEs) حداقل تا حدی به دلیل هزینه‌های استخدام و ساخت مدل‌های پویا پیچیده برای پیش‌بینی شرایط اقتصاد کلان و ترازنامه، مشکلات بیشتری برای مقابله با این مقررات داشته‌اند.

پیش‌بینی‌های جدید اقتصاد کلان در مدل‌های اقتصادسنجی سال 1990 که عمیقاً ناقص هستند، گیر کرده است. اگرچه پیش‌بینی‌ها اغلب در آخرین لحظه تنظیم می‌شوند تا دقیق‌تر به نظر برسند، واقعیت این است که هیچ مدل یا رویکرد اجماع قوی برای پیش‌بینی شرایط اقتصادی آینده وجود ندارد، به‌عنوان مثال، برخی از رویکردهای هیجان‌انگیز و تجربی از سوی فدرال رزرو آتلانتا کنار گذاشته می‌شود. ابزار GDPNow.

مرتبط با: قانونگذاران باید مشاور SEC در زمان جنگ را با قانون کنترل کنند

اما حتی این ابزارهای “حدس بزن” حجم عظیمی از داده های تفکیک شده را پوشش نمی دهند. این باعث می شود که برآوردها کمتر مربوط به SMEهایی هستند که در معرض طبقات یا مناطق دارایی خاص قرار دارند و کمتر به وضعیت ملی اقتصاد توجه دارند.

ما باید از پیش‌بینی به‌عنوان یک معیار انطباق مقرراتی «تیک جعبه» به یک ابزار تصمیم‌گیری استراتژیک که جدی گرفته می‌شود، حرکت کنیم. اگر پیش بینی ها به طور قابل اعتماد کار نمی کنند، یا تولید آنها را متوقف کنید یا راهی برای مفید کردن آنها بیابید. جهان بسیار پویا است و ما باید از همه ابزارهای در اختیارمان، از داده های تفکیک شده گرفته تا ابزارهای پیشرفته یادگیری ماشین، استفاده کنیم تا به ما در درک زمانی که در آن زندگی می کنیم کمک کنیم تا بتوانیم محتاطانه عمل کنیم و از بحران های احتمالی اجتناب کنیم.

آیا مدل سازی بهتر می توانست بانک سیلیکون ولی را نجات دهد؟ شاید نه، اما مدل سازی بهتر باعث افزایش شفافیت و احتمال پرسیدن سؤالات درست برای انجام اقدام درست می شود. فناوری ابزاری است – بدون جایگزینی – برای حکمرانی خوب.

پس از فروپاشی بانک سیلیکون ولی، انگشت نگاری ها و بازاندیشی های زیادی در مورد گذشته صورت گرفته است. مهمتر از آن، باید بپرسیم: چه چیزی باعث فرار بانک شد و چه چیزی می توانیم یاد بگیریم؟

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

این مقاله فقط برای اهداف اطلاعاتی عمومی است و در نظر گرفته نشده است و نباید به عنوان مشاوره حقوقی یا سرمایه گذاری تلقی شود. دیدگاه‌ها، نظرات و دیدگاه‌های بیان‌شده در اینجا صرفاً متعلق به نویسنده است و نیازی به بازتاب یا ارائه دیدگاه‌ها و نظرات Cointelegraph نیست.




نویسنده: Christos Makridis

اشتراک گذاری و حمایت

تصویر امیر کرمی

امیر کرمی

کارشناس تولید محتوا و علاقه مند به ارز دیجیتال و دنیای فناوری 😉

دیدگاهتان را بنویسید