Prognose von Unternehmensausfällen mit Particle MCMC

Zusammenfassung

Diese Studie prognostiziert Unternehmensausfälle mithilfe eines Reduced-Form-Modells, in dem die Ausfallintensitäten von Unternehmen von einem unbeobachteten Frailty-Faktor abhängen. Sie verbindet bayessche Schätzung mit Particle Markov Chain Monte Carlo und bezieht Expertenurteile über subjektive A-priori-Verteilungen ein. Die Analyse verwendet börsennotierte nichtfinanzielle Unternehmen aus den USA, die von Januar 1980 bis Juni 2019 beobachtet wurden.

Die berichteten Ergebnisse bringen eine höhere Volatilität und stärkere mittlere Rückkehr des verborgenen Faktors mit höheren Ausfallintensitäten der Unternehmen in Verbindung. Einjahresprognosen werden bei verschiedenen A-priori-Auswahlen als vergleichsweise gut beschrieben. Über mehrere Prognosehorizonte unterscheiden sich die Verhältnisse der Prognosegenauigkeit von Modellen mit nichtinformativen und subjektiven A-priori-Verteilungen jedoch nicht signifikant. Die Zusammenfassung enthält keine konkreten Genauigkeitsmaße und keine Details zur Erhebung der Expertenurteile. Daher zeigt sie weder, wie das Modell im Vergleich zu alternativen Prognoseansätzen abschneidet, noch wie gut es sich auf andere Unternehmen und Zeiträume übertragen lässt.

Kernaussagen

• Das Modell bildet die Abhängigkeit zwischen den Ausfallintensitäten von Unternehmen durch einen verborgenen Frailty-Faktor ab.
• Bayessche Schätzung und Particle MCMC dienen der Prognose korrelierter Ausfälle.
• Expertenurteile fließen über subjektive A-priori-Verteilungen ein.
• Die Studie stellt einen positiven Zusammenhang zwischen Volatilität und mittlerer Rückkehr des verborgenen Faktors und den Ausfallintensitäten fest.
• Die berichteten Einjahresprognosen sind vergleichsweise gut; über die getesteten Horizonte unterscheiden sich die Genauigkeitsverhältnisse bei den verschiedenen A-priori-Auswahlen nicht signifikant.

Schlagwörter

# Particle MCMC in forecasting frailty correlated default models with expert opinion


# Particle MCMC in forecasting frailty correlated default models with expert opinion









Predicting corporate default risk has long been a crucial topic in the finance field, as bankruptcies impose enormous costs on market participants as well as the economy as a whole. This paper aims to forecast frailty correlated default models with subjective judgements on a sample of U.S. public non-financial firms spanning January 1980-June 2019. We consider a reduced-form model and adopt a Bayesian approach coupled with the Particle Markov Chain Monte Carlo (Particle MCMC) algorithm to scrutinize this problem. The findings show that the volatility and the mean reversion of the hidden factor, which determine the dependence of the unobserved default intensities on the latent variable, have a highly economically and statistically significant positive impact on the default intensities of the firms. The results also indicate that the 1-year prediction for frailty correlated default models with different prior distributions is relatively good, whereas the prediction accuracy ratios for frailty-correlated default models with non-informative and subjective prior distributions over various prediction horizons are not significantly different.

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.