Modellrisiko und Ratingdynamik bei Ausfallwahrscheinlichkeiten

Zusammenfassung

Das Dokument stellt zwei Ansätze zur Schätzung von Ratingübergängen und Ausfallwahrscheinlichkeiten vor. Der erste schätzt eine Markov-Kette in kontinuierlicher Zeit anhand diskreter, möglicherweise unvollständiger Beobachtungen. Ein vereinfachter Ausdruck für die Fisher-Information senkt den Rechenaufwand für Wald-Konfidenzintervalle. Anschließend wird beschrieben, wie sich Unsicherheit des Übergangsgenerators auf Migrations- und Ausfallwahrscheinlichkeiten übertragen lässt.

Der zweite Ansatz verwendet kontinuierliche Beobachtungen in einem selbsterregenden markierten Punktprozess, um Ratingdynamik als nichtmarkovschen Effekt abzubilden. Im Vergleich zum Markov-Modell liefert er höhere Ausfallwahrscheinlichkeiten für Ratings mit Investment-Grade und niedrigere Wahrscheinlichkeiten für einige spekulative Ratings. Die Autoren zufolge stimmt dies mit empirischen Beobachtungen überein. Die Methoden werden anhand unternehmenseigener Unternehmensratingdaten von Moody’s veranschaulicht. Der Auszug enthält weder Angaben zur Stichprobe noch Leistungskennzahlen. Die proprietären Daten könnten eine unabhängige Replikation erschweren.

Kernaussagen

• Eine Markov-Kette in kontinuierlicher Zeit kann Ratingübergänge anhand diskreter und unvollständiger Daten schätzen.
• Eine vereinfachte Berechnung der Fisher-Information verringert den Aufwand für Wald-Konfidenzintervalle.
• Die Unsicherheit des Übergangsgenerators kann auf Schätzungen von Migrations- und Ausfallwahrscheinlichkeiten übertragen werden.
• Ein selbsterregender markierter Punktprozess bildet Ratingdynamik ab, wenn kontinuierliche Daten verfügbar sind.
• Das nichtmarkovsche Modell verändert die geschätzten Ausfallwahrscheinlichkeiten bei Investment-Grade- und spekulativen Ratings unterschiedlich.

Schlagwörter

# Capturing Model Risk and Rating Momentum in the Estimation of Probabilities of Default and Credit Rating Migrations


# Capturing Model Risk and Rating Momentum in the Estimation of Probabilities of Default and Credit Rating Migrations









We present two methodologies on the estimation of rating transition probabilities within Markov and non-Markov frameworks. We first estimate a continuous-time Markov chain using discrete (missing) data and derive a simpler expression for the Fisher information matrix, reducing the computational time needed for the Wald confidence interval by a factor of a half. We provide an efficient procedure for transferring such uncertainties from the generator matrix of the Markov chain to the corresponding rating migration probabilities and, crucially, default probabilities. For our second contribution, we assume access to the full (continuous) data set and propose a tractable and parsimonious self-exciting marked point processes model able to capture the non-Markovian effect of rating momentum. Compared to the Markov model, the non-Markov model yields higher probabilities of default in the investment grades, but also lower default probabilities in some speculative grades. Both findings agree with empirical observations and have clear practical implications. We illustrate all methods using data from Moody's proprietary corporate credit ratings data set. Implementations are available in the R package ctmcd.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.