Pronóstico con partículas MCMC de impagos corporativos impulsados por fragilidad

Resumen

Este estudio pronostica impagos corporativos mediante un modelo de forma reducida en el que las intensidades de impago de las empresas dependen de un factor de fragilidad no observado. Combina estimación bayesiana con Monte Carlo por cadenas de Markov con partículas e incorpora el juicio de expertos mediante distribuciones previas subjetivas. El análisis utiliza empresas no financieras cotizadas en Estados Unidos, observadas desde enero de 1980 hasta junio de 2019.

Los resultados comunicados relacionan una mayor volatilidad y reversión a la media del factor oculto con mayores intensidades de impago empresarial. Los pronósticos a un año se describen como relativamente buenos con distintas elecciones de distribuciones previas. Sin embargo, en varios horizontes de pronóstico, los cocientes de precisión predictiva de los modelos con distribuciones previas no informativas y subjetivas no son significativamente distintos. El resumen no proporciona medidas concretas de precisión ni detalles del proceso de consulta a expertos, por lo que no permite establecer cómo se compara el modelo con otros métodos de pronóstico ni hasta qué punto se generaliza más allá de las empresas y el periodo analizados.

Ideas clave

• El modelo representa la dependencia entre las intensidades de impago de las empresas mediante un factor de fragilidad oculto.
• Se utilizan estimación bayesiana y Particle MCMC para pronosticar impagos correlacionados.
• El juicio de expertos se incorpora mediante distribuciones previas subjetivas.
• El estudio relaciona positivamente la volatilidad y la reversión a la media del factor oculto con las intensidades de impago.
• Los pronósticos comunicados a un año son relativamente buenos, mientras que la elección de la distribución previa no distingue significativamente los cocientes de precisión en los horizontes evaluados.

Etiquetas

# 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.

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.