Интересная новая работа о банковских паниках с ~4 тыс. случаев в качестве данных. Настоятельно рекомендую всем, кто работает в индустрии стейблкоинов, поскольку паники в основном происходили в эпоху до вмешательства правительства (например, страхование FDIC), поэтому поведение вкладчиков до 1934 года кажется актуальным для эмитентов стейблкоинов. Во-первых, в работе говорится, что паники гораздо более вероятны, когда у банка «слабые наблюдаемые фундаментальные показатели». Слово «наблюдаемые» выполняет большую работу, хотя глубже в работе вы понимаете, что банки с сильными фундаментальными показателями вообще не терпят неудач во время паники. Но если вы слабый, скрывать это кажется важным? Во-вторых, банки в наборе данных были на 38% более вероятны к банкротству после паники по сравнению с базовой ставкой банкротства менее 1%. Хотя у меня нет цифр, это кажется отличающимся от опыта паники стейблкоинов, где они, по сути, кажутся уходящими в ноль. А те, кто не уходит, продолжают существовать как зомби (например, sUSD), а не восстанавливаются до полного здоровья. Мне интересно, является ли это функцией размера — USDC и DAI оба восстановились в 2023 году, но оба были миллиардными по размеру, и также было очевидно в реальном времени, что держатели USDC смогут все вывести по номиналу из-за некоторых идосинкратических факторов, которые слишком детализированы для обсуждения здесь. Интересно, что при рассмотрении ответов банков на панику, те, кто полностью приостановил вывод средств, были гораздо более вероятны к банкротству, чем те, кто удовлетворял все запросы на вывод. Я уверен, что в этом есть много предвзятости выживания, но данные очень однобокие, поэтому кажется разумным задаться вопросом, действительно ли предвзятость одна объясняет разницу. Один из типичных советов, которые давались исторически, заключался в том, чтобы временно приостановить вывод средств. Работа также рассматривает местные эффекты паник и банкротств, но как человек, работающий со стейблкоинами, я не нашел там ничего лично интересного. Обратите внимание, что этот набор данных был собран с помощью LLM для чтения газет и других записей, поэтому также существует вероятность, что что-то пошло систематически не так в выполнении запроса. Работа от @EmilVerner, Sergio Correia, Stephen Luck. Ссылка в следующем твите.