پیش‌بینی با MCMC نکول شرکت‌ها بر اثر عامل نهفته شکنندگی
خلاصه
این پژوهش نکول شرکت‌ها را با استفاده از مدلی تقلیل‌یافته پیش‌بینی می‌کند که در آن شدت نکول شرکت‌ها به عامل شکنندگی مشاهده‌نشده‌ای وابسته است. برآورد بیزی را با مونت‌کارلوی زنجیره مارکوف ذره‌ای ترکیب می‌کند و قضاوت کارشناسان را از راه توزیع‌های پیشین ذهنی وارد مدل می‌کند. تحلیل بر شرکت‌های غیرمالی پذیرفته‌شده در بورس آمریکا تکیه دارد که از ژانویه 1980 تا ژوئن 2019 مشاهده شده‌اند.
نتایج گزارش‌شده، نوسان بیشتر و بازگشت‌به‌میانگین در عامل پنهان را با شدت نکول بالاتر شرکت‌ها مرتبط می‌دانند. پیش‌بینی‌های یک‌ساله با انتخاب‌های گوناگون توزیع پیشین نسبتاً خوب توصیف شده‌اند. بااین‌حال، در چند افق پیش‌بینی، نسبت‌های دقت پیش‌بینی مدل‌های دارای توزیع پیشین غیر‌اطلاع‌رسان و ذهنی تفاوت معناداری ندارند. این خلاصه سنجه‌های مشخص دقت یا جزئیات فرایند گردآوری نظر کارشناسان را ارائه نمی‌کند؛ بنابراین روشن نمی‌سازد مدل در مقایسه با رویکردهای جایگزین پیش‌بینی چگونه عمل می‌کند یا تا چه حد فراتر از شرکت‌ها و دوره نمونه تعمیم می‌یابد.
ایده‌های کلیدی
- مدل، وابستگی میان شدت نکول شرکت‌ها را با عامل شکنندگی پنهان بازنمایی می‌کند.
- برای پیش‌بینی نکول‌های همبسته از برآورد بیزی و MCMC استفاده می‌شود.
- قضاوت کارشناسان از راه توزیع‌های پیشین ذهنی وارد می‌شود.
- پژوهش نوسان عامل پنهان و بازگشت‌به‌میانگین آن را با شدت نکول بیشتر مرتبط می‌داند.
- پیش‌بینی‌های یک‌ساله گزارش‌شده نسبتاً خوب‌اند، اما انتخاب توزیع پیشین نسبت‌های دقت را در افق‌های آزموده‌شده به‌طور معنادار از هم متمایز نمی‌کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.