Riesgo de modelo y momentum de calificación en impagos y migraciones

Resumen

El documento presenta dos métodos para estimar transiciones de calificación crediticia y probabilidades de impago. El primero estima una cadena de Markov en tiempo continuo a partir de observaciones discretas que pueden estar incompletas. Deriva una expresión más sencilla de la información de Fisher para reducir el cálculo de intervalos de confianza de Wald y luego describe cómo propagar la incertidumbre del generador de transiciones a las probabilidades de migración e impago.

El segundo método utiliza observaciones continuas en un proceso puntual marcado autoexcitado para captar el momentum de las calificaciones, un efecto no markoviano. Frente al modelo de Markov, produce probabilidades de impago más altas para calificaciones de grado de inversión y más bajas para algunas calificaciones especulativas, lo que los autores afirman que concuerda con observaciones empíricas. Los métodos se ilustran con datos propietarios de calificaciones corporativas de Moody’s. El fragmento no aporta detalles de la muestra ni medidas de rendimiento, y el carácter propietario de los datos puede limitar la replicación independiente.

Ideas clave

• Una cadena de Markov en tiempo continuo puede estimar transiciones de calificación a partir de datos discretos e incompletos.
• Un cálculo simplificado de la información de Fisher reduce el coste de obtener intervalos de confianza de Wald.
• La incertidumbre del generador de transiciones puede trasladarse a las estimaciones de probabilidades de migración e impago.
• Un proceso puntual marcado autoexcitado capta el momentum de las calificaciones cuando hay datos continuos disponibles.
• El modelo no markoviano modifica de forma distinta las probabilidades de impago estimadas según se trate de calificaciones de grado de inversión o especulativas.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.