我的笔记

Armantier_2020_DiscountWindowStigma_Experiment

更新于 2026/7/5

Overcoming Discount Window Stigma: An Experimental Investigation

一句话总结

通过一个包含逆向选择的协调博弈实验室实验，发现降低 discount window (DW) 借款成本或降低检测概率均无法有效消除 DW stigma，但引入常规化的随机强制借款（random borrowing）可以成功帮助被试协调到无 stigma 均衡。

研究问题

Discount window stigma 是指银行即使出于正当流动性需求也不愿意向央行 DW 借款，因为担心被市场参与者发现后被推断为资不抵债。这一现象在 2007 年金融危机中尤为突出，严重削弱了美联储作为 lender of last resort (LoLR) 的功能。由于现实中 DW stigma 导致银行普遍回避 DW（无论政策环境如何），因此缺乏实证数据。本文通过实验室实验生成数据，系统评估三种被提出用于缓解 DW stigma 的政策：(1) 降低 DW 借款成本；(2) 降低 DW 借款被检测的概率；(3) 引入常规化的随机借款。

核心贡献

  1. 首次使用实验经济学方法研究 DW stigma 和紧急流动性提供问题
  2. 开发了一个结合逆向选择与内生社会规范的协调博弈模型，产生 stigma 和 no-stigma 两个纯策略均衡
  3. 在实验室中成功复制了 DW stigma 现象（此前仅在实际金融市场中观察到）
  4. 提供了关于不同反 stigma 政策有效性的因果证据：降低成本和降低检测概率无效，而随机借款有效
  5. 机制分析表明，随机借款的效果主要通过「经验」渠道（银行体验到 DW 借款的好处）和「资金」渠道（投资者更愿意资助被检测到的银行）起作用

维度1：实验设计分析

实验类型与总体结构

实验室实验（lab experiment），采用 between-subjects 设计。包含 4 个主处理条件（main treatments）和 5 个稳健性检验处理条件（robustness check treatments）。每个处理条件进行 6 个 session，每个 session 有 12 名被试（6 名扮演「银行」，6 名扮演「投资者」），进行 25 轮重复博弈。试点实验在 University of Virginia 进行，正式实验在 Toulouse School of Economics 进行。实验界面使用 Web-based Veconlab 平台。

参与者完整体验时间线

进入实验室阶段：

  • 被试到达实验室后，被随机分配为「银行」或「投资者」两种角色之一，角色在整个实验中固定不变
  • 被试阅读包含经济学情境的实验指导语，使用「银行」「投资者」「资不抵债」「流动性不足」等术语，但未使用「discount window」一词，而是说「从央行（lender of last resort）借款」
  • 被试获知总共进行 25 轮，每轮随机匹配一对银行-投资者

每轮博弈的完整流程（strategy method）：

实验采用「策略法」（strategy method），即被试在了解自己的类型之前，就为所有可能的情境做出决策。具体而言：

银行的决策屏幕：

  1. 银行被告知自己可能是三种类型之一：solvent-liquid（概率 $P_{SL}=1/2$）、solvent-illiquid（概率 $P_{S\bar{L}}=1/6$）、insolvent-illiquid（概率 $P_{\bar{S}\bar{L}}=1/3$）
  2. 银行需要做出两个条件决策：
    • 如果自己是 solvent-illiquid：选择在 DW 借款（成本 $dw=20$）还是从替代来源借款（成本 $c=40$）
    • 如果自己是 insolvent-illiquid：同样选择在 DW 借款还是从替代来源借款
  3. 银行知道：如果是 liquid 类型则无需做任何借款决策
  4. 银行知道所有关键参数：每期经营收入 $k=50$，DW 借款可能被检测到，检测概率 $\ heta(n)$ 随 DW 借款人数 $n$ 递减（$\ heta(1)=0.75$, $\ heta(2)=0.50$, $\ heta(n\geq3)=0.25$）

投资者的决策屏幕：

  1. 投资者被告知自己将与一家银行配对
  2. 投资者需要做出两个条件决策：
    • 如果配对银行被检测到在 DW 借款：选择是否资助该银行
    • 如果配对银行未被检测到在 DW 借款：选择是否资助该银行
  3. 投资者知道：如果资助一家 solvent 银行，获得 $V=100$；如果资助一家 insolvent 银行，获得 0；如果不资助，获得外部选项 $v=50$
  4. 投资者知道银行类型的先验分布和检测概率函数

每轮结算阶段：

  1. 所有决策完成后，系统根据概率分布确定每家银行的实际类型
  2. 对于 illiquid 银行，根据其策略决定是否在 DW 借款
  3. 系统根据 DW 借款人数 $n$ 计算检测概率 $\ heta(n)$，随机确定哪些银行被检测到
  4. 银行与投资者随机匹配
  5. 根据投资者的条件决策和银行的实际检测状态，确定投资者是否资助
  6. 计算并显示该轮收益：
    • 银行：经营收入 $k=50$ + 期末收入（如被资助则为 $k=50$，否则为 0） - 借款成本（如 illiquid）
    • 投资者：如资助 solvent 银行得 $V=100$，如资助 insolvent 银行得 0，如不资助得 $v=50$

轮间反馈信息：
每轮结束后，被试收到以下反馈：

  • 银行看到：自己的实际类型、是否被检测到、投资者是否资助了自己
  • 投资者看到：配对银行是否被检测到、自己是否资助了银行、银行的实际偿债能力（solvent/insolvent）
  • 所有被试看到的汇总统计：solvent-illiquid 和 insolvent-illiquid 银行中选择 DW 借款的比例、投资者在银行被检测到和未被检测到时选择资助的比例

四个主处理条件的参数设置

参数 Control Low DW cost Low detection Random borrowing
$\ heta(1)$ 0.75 0.75 0.50 0.50
$\ heta(2)$ 0.50 0.50 0.25 0.50
$\ heta(n\geq3)$ 0.25 0.25 0.25 0.25
DW cost $dw$ 20 10 20 20
Random borrowing prob. $\alpha$ 0 0 0 1/6

Control 处理：基准条件，使用上述标准参数，两个均衡（St 和 NoSt）均可能出现。

Low DW cost 处理：DW 成本从 20 降至 10（减半），其余参数不变。理论上这降低了临界检测概率阈值 $\ heta_0$ 从 0.4 到 0.6，使协调到 NoSt 更容易。

Low detection 处理：检测概率全面降低（$\ heta(1)=0.50$, $\ heta(2)=0.25$, $\ heta(n\geq3)=0.25$），DW 成本不变。与 random borrowing 处理的自愿借款者面临相同的检测概率。

Random borrowing 处理：每轮随机选择 6 家银行中的 1 家强制在 DW 借款（无论类型如何），成本同样为 $dw=20$。自愿借款者和非自愿借款者不可区分，面临相同的检测概率。理论上 St 均衡不再存在，NoSt 是唯一均衡。

五个稳健性检验处理

  1. Very Low DW cost：DW 成本进一步降至 5（从 20 到 10 再到 5）
  2. Very Low detection：检测概率固定为 $\ heta(n)=0.25$（对所有 $n$），使得 NoSt 是唯一均衡
  3. Low random borrowing：随机借款概率从 1/6 降至 1/12，且每家银行独立面临被选中的概率（非固定选一家）
  4. Automaton investors + temporary random borrowing：30 轮实验，投资者由自动机扮演（遵循均衡策略——只资助未被检测到的银行），前 20 轮有随机借款，后 10 轮移��随机借款
  5. Real-time and delayed detection：在随机借款基础上增加延迟检测——投资者在做资助决策前被告知配对银行上一轮是否在 DW 借款

样本与支付

  • 每个处理条件 6 个 session，每 session 12 人，共 72 人/处理条件
  • 4 个主处理 + 5 个稳健性检验 = 9 个处理条件，合计约 648 名被试
  • 每个 session 约 90 分钟
  • 平均收入约 17 欧元（最低 11.5 欧元，最高 27.4 欧元），另加 5 欧元参加费

识别策略

Between-subjects 处理间比较。各处理条件仅在特定参数上有所不同（DW 成本、检测概率、或随机借款概率），其余参数完全一致。处理效应通过比较各处理条件最后 10 轮的 session 平均值来评估，使用 two-tail permutation test（非参数精确检验，Good 2000）比较中位数差异。

维度2：理论模型

博弈结构

两个等规模群体：$N$ 家银行和 $N$ 个投资者。每轮一家银行与一个投资者随机匹配。银行先行动（第 1 期），投资者后行动（第 2 期）。

第 1 期（银行决策）：

  • 银行获得经营收入 $k$，并私下获知自己的类型：solvent-liquid（$P_{SL}$）、solvent-illiquid（$P_{S\bar{L}}$）、insolvent-illiquid（$P_{\bar{S}\bar{L}}$）
  • Illiquid 银行必须借 1 单位流动性：在 DW 借（成本 $dw$）或从替代来源借（成本 $c > dw$）
  • DW 借款以概率 $\ heta(n)$ 被检测到（$n$ 为 DW 借款人数），$\ heta'(n)<0$——「人多势众」效应

第 2 期（投资者决策）：

  • 投资者观察到配对银行是否被检测到在 DW 借款
  • 选择是否资助银行：资助 solvent 银行得 $V$，资助 insolvent 银行得 0，不资助得外部选项 $v$

参数约束：

  • $A1$：$0 < dw < c < k \leq v < V$（DW 借款非严格劣势，继续经营有利，资助 insolvent 银行社会无效率）
  • $A2$：$\underline{P} < \frac{v}{V} < p$，其中 $\underline{P}=\frac{P_{\bar{S}\bar{L}}}{P_{\bar{S}\bar{L}}+P_{S\bar{L}}}$，$p=1-P_{\bar{S}\bar{L}}$（DW 检测有信息价值，但无条件资助有利）

均衡分析

Proposition 1（固定检测概率）： 存在临界值 $\ heta_0 = \frac{c-dw}{k}$。当 $\ heta > \ heta_0$ 时，唯一均衡为 St（stigma）；当 $\ heta < \ heta_0$ 时，唯一均衡为 NoSt（no stigma）。

Corollary 1（内生检测概率）： 当 $1 < n_0 < N_{\bar{L}}$ 时，St 和 NoSt 两个均衡共存——这是一个协调博弈。

Proposition 2： NoSt 下总社会剩余高于 St。

Proposition 3（随机借款扩展）： 引入随机借款概率 $\alpha > 0$ 后，St 不再是均衡。当 $\alpha < \alpha_0$ 时均衡为 NoSt，当 $\alpha > \alpha_0$ 时均衡为 NoSt'（投资者资助所有银行，包括被检测到的）。

比较静态预测

  • 降低 $dw$ 使 $\ heta_0$ 升高，理论上使 NoSt 协调更容易（但不能消除 stigma 均衡）
  • 降低 $\ heta(n)$ 使协调到 NoSt 更容易
  • 引入随机借款直接消除 stigma 均衡

维度3：核心发现

主要结果

Control 处理（基准）：

  • 投资者行为迅速收敛到均衡：第 1 轮 81% 资助未检测到的银行，最后 10 轮 86% 资助未检测到的银行；第 1 轮 53% 资助被检测到的银行，到第 10 轮降至 17%，最后 10 轮仅 4%
  • 银行行为收敛到 stigma 均衡：第 1 轮约 60% 选择 DW 借款，但最后 10 轮仅约 20% 选择 DW 借款
  • 所有 6 个 session 均出现 stigma 协调
  • 成功在实验室复制了 DW stigma 现象

Low DW cost 处理：

  • 投资者行为与 control 无统计显著差异
  • 银行 DW 借款率最后 10 轮为 32%（高于 control 的 20%，但不显著）
  • 剔除一个成功协调到 NoSt 的 session 5 后，DW 借款率降至 22%
  • 结论：降低 DW 成本 50% 未能有效消除 stigma（与美联储 2007 年 8 月将 DW penalty spread 从 100bp 降至 50bp 的实际经验一致）

Low detection 处理：

  • 银行和投资者行为与 control 无显著差异
  • 最后 10 轮 DW 借款率约 27%，依然是 stigma 均衡
  • 即使进一步将检测概率降至固定 $\ heta=0.25$（NoSt 成为唯一均衡），DW 借款率仍仅约 50%
  • 结论：使 DW 更不透明并不能解决 stigma 问题

Random borrowing 处理（核心发现）：

  • 投资者对未检测到银行的资助行为不变（与其他处理无显著差异）
  • 投资者对被检测到银行的资助行为显著不同（5% 水平），资助率有上升趋势（最后 10 轮约 25%）
  • 银行 DW 借款率在最后 10 轮达到 71%（solvent-illiquid）和 76%（insolvent-illiquid），显著高于其他所有处理（1% 水平）
  • 所有 6 个 session 均系统性地协调到 no-stigma 均衡
  • 非流动银行平均利润显著更高（14.12 vs. control 的 1.66，p<0.05）
  • 总社会剩余最高（86.94 vs. control 的 85.06）

协调渠道分析

随机借款的效果可通过三个渠道解释：

  1. Detection 渠道（排除）：low detection 处理具有相同的自愿借款者检测概率，但未能消除 stigma，因此 detection 渠道不是关键
  2. Experience 渠道（确认）：银行被随机选中在 DW 借款且未被检测到后，下一轮自愿回到 DW 的概率增加 35%
  3. Funding 渠道（确认）：上一轮投资者资助被检测银行的数量越多，银行本轮越愿意在 DW 借款

稳健性检验

  • Low random borrowing（$\alpha=1/12$）：收敛更慢但最终仍达到 no-stigma 均衡，证明低概率随机借款也有效
  • Automaton investors + temporary random borrowing：前 20 轮有随机借款时银行协调到 NoSt；第 20 轮移除后出现短暂「restart effect」，但银行迅速恢复到 no-stigma 行为（最后 5 轮 DW 借款率 84-85%），证明随机借款只需作为临时措施
  • Delayed detection：增加延迟检测不影响随机借款的有效性，银行仍协调到 NoSt

效应量

处理 最后10轮 DW 借款率 Illiquid bank profit Total surplus
Control ~20% 1.66 85.06
Low DW cost ~32% (n.s.) 6.38 84.72
Low detection ~27% (n.s.) 2.68 82.56
Random borrowing ~71% (**) 14.12** 86.94

维度4：变量概览

自变量（处理变量）

  • DW 借款成本 $dw$（20 vs. 10 vs. 5）
  • 检测概率函数 $\ heta(n)$（标准 vs. 低 vs. 固定低）
  • 随机借款概率 $\alpha$（0 vs. 1/6 vs. 1/12）
  • 投资者类型（真人 vs. automaton）
  • 检测时间（实时 vs. 实时+延迟）

因变量

  • 银行的 DW 借款率（分 solvent-illiquid 和 insolvent-illiquid）
  • 投资者的资助率（分被检测到和未被检测到）
  • 平均利润（illiquid bank, liquid bank, investor）
  • 总社会剩余

维度5：局限性

  1. 外部效度：实验使用学生被试模拟银行决策，虽然已有证据表明处理效应在学生和专业人士之间具有一致性（Frechette 2016; Snowberg and Yariv 2018），但银行家面临的实际环境远比实验室复杂
  2. 模型简化：模型仅包含两个参与者群体和单一贷方，未纳入银行间市场、多重贷方、动态声誉效应等现实特征
  3. 实施可行性：随机借款政策在实践中面临挑战——目前 DW 是自愿性质的，要求银行在随机时间借款需要对政策进行重大修改（类似 2003 年 DW 改革的规模）
  4. 策略法 vs. 直接反应法：使用策略法可能影响被试的决策过程，虽然博弈论上等价，但心理上可能有差异
  5. 经济情境的使用：指导语使用了金融术语（bank, investor, insolvent），可能引入了 framing effects
  6. 参数���择的局限：实验参数并非模拟现实，而是选择最有利于处理效应出现的简单环境

维度6：与其他文献的关系

DW Stigma 实证文献

  • Armantier_2015_DiscountWindowStigma (Armantier et al. 2015)：使用 2007 金融危机数据记录 DW stigma 的存在
  • Anbil (2018)：大萧条时期的 DW stigma 证据
  • Vossmeyer (2019) / Anbil_2019_QualityBanksStigma：stigmatized lending facilities 中银行质量的分析
  • Furfine (2001) / Peristiani (1998)：2003 年前 DW 制度下的 stigma 证据

Stigma 理论模型

  • Ennis and Weinberg (2013)：逆向选择 + OTC 贷款 + 银行间市场 stigma 模型
  • Ennis (2019)：逆向选择市场中的干预与 DW stigma
  • Che, Choe, and Rhee (2018)：bailout stigma 模型
  • Gorton and Ordonez (2019)：政府干预中的隐蔽性要求
  • Benabou and Tirole (2006)：「honor-stigma」模型，内生社会规范——本文模型的重要理论基础

实验经济学与银行业

  • Dufwenberg (2015)：实验方法在银行危机研究中的角色
  • Davis et al. (2019)：银行间贷款市场的实验研究
  • Duffy, Karadimitropoulo, and Parravano (2019)：实验室中的金融传染
  • Brown and Zehnder (2010)：信贷市场信息共享实验
  • Falk and Heckman (2009)：实验室实验作为社会科学知识的重要来源

Stigma 的社会科学文献

  • Goffman (1963)：stigma 概念的奠基性著作
  • Moffitt (1983)：福利 stigma 的经济模型
  • Thorton (2008)：HIV stigma 的测量
  • Bhargava and Manoli (2015)：社会福利 stigma 的田野实验

维度7：可拓展的研究方向

  1. 田野实验验证：在小规模真实银行环境中测试随机借款政策的有效性
  2. 更丰富的模型环境：引入银行间市场、多期动态交互、声誉积累等因素
  3. 其他形式的 stigma：将随机借款策略推广到 IMF stigma、bailout stigma、福利 stigma 等场景
  4. 替代常规化政策：测试其他使 DW 使用常规化的方法，如对常规 DW 用户提供优惠条件
  5. 动态 stigma 演化：研究 stigma 如何在不同市场条件下（正常期 vs. 危机期）动态变化
  6. 专业人士被试：使用金融从业者重复核心处理条件以评估外部效度
  7. Standing repo facility 的 stigma：评估 Andolfatto and Ihrig (2019) 提出的 standing repo facility 是否能避免 stigma

关键结论

本文的核心发现是：DW stigma 的根源不在于借款成本过高或检测概率过大，而在于银行之间的协调失败。降低成本或增加不透明性无法打破这一协调困境，因为银行的回避行为本身就强化了 stigma——只要没有足够多的银行使用 DW，每个银行都有理由不使用。相反，随机借款通过让无关银行也参与 DW 借款，使 DW 使用变得「平常且无信息量」（unremarkable and uninformative），从而破坏了 stigma 均衡的基础。更重要的是，随机借款只需作为临时过渡措施——一旦银行形成使用 DW 的「习惯」，即使取消随机借款，no-stigma 均衡也能维持。这一发现为 Winters (2012) 向 Bank of England 提出的常规化 DW 使用建议提供了实验证据支持。

🔗 链接到这篇笔记