Risque de modèle et momentum des notations dans les probabilités de défaut

Résumé

Le document présente deux approches pour estimer les transitions de notation de crédit et les probabilités de défaut. La première estime une chaîne de Markov en temps continu à partir d’observations discrètes, potentiellement incomplètes. Elle établit une expression simplifiée de l’information de Fisher afin de réduire le calcul des intervalles de confiance de Wald, puis explique comment propager l’incertitude du générateur de transition aux probabilités de migration et de défaut.

La seconde approche utilise des observations continues dans un processus ponctuel marqué auto-excitant pour saisir le momentum des notations, un effet non markovien. Comparée au modèle de Markov, elle produit des probabilités de défaut plus élevées pour les notations de qualité investissement et plus faibles pour certaines catégories spéculatives, ce que les auteurs disent conforme aux observations empiriques. Les méthodes sont illustrées avec les données exclusives de notation d’entreprises de Moody’s. L’extrait ne fournit ni détails sur l’échantillon ni mesures de performance, et le caractère exclusif des données peut limiter la réplication indépendante.

Idées clés

• Une chaîne de Markov en temps continu peut estimer les transitions de notation à partir de données discrètes et incomplètes.
• Un calcul simplifié de l’information de Fisher réduit les opérations nécessaires aux intervalles de confiance de Wald.
• L’incertitude du générateur de transition peut être propagée aux estimations des probabilités de migration et de défaut.
• Un processus ponctuel marqué auto-excitant saisit le momentum des notations lorsque des données continues sont disponibles.
• Le modèle non markovien modifie différemment les probabilités de défaut estimées selon les catégories investissement et spéculatives.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.