Prévision des défauts d’entreprise liés à la fragilité par méthode particulaire MCMC

Résumé

Cette étude prévoit les défauts d’entreprise à l’aide d’un modèle de forme réduite où les intensités de défaut des entreprises dépendent d’un facteur de fragilité non observé. Elle combine estimation bayésienne et méthode de Monte-Carlo par chaînes de Markov particulaires, et intègre les avis d’experts au moyen de distributions a priori subjectives. L’analyse porte sur des entreprises non financières cotées en bourse aux États-Unis, observées de janvier 1980 à juin 2019.

Les résultats rapportés associent une volatilité et un retour à la moyenne plus importants du facteur caché à des intensités de défaut plus élevées pour les entreprises. Les prévisions à un an sont décrites comme relativement bonnes avec différents choix de distributions a priori. Cependant, sur plusieurs horizons de prévision, les ratios de précision prédictive des modèles utilisant des distributions a priori non informatives et subjectives ne sont pas significativement différents. Le résumé ne fournit aucune mesure précise de la qualité ni de détail sur la sollicitation des experts ; il ne permet donc pas d’établir comment le modèle se compare à d’autres approches de prévision ni dans quelle mesure il s’applique en dehors des entreprises et de la période échantillonnées.

Idées clés

• Le modèle représente la dépendance entre les intensités de défaut des entreprises au moyen d’un facteur de fragilité caché.
• L’estimation bayésienne et la méthode particulaire MCMC servent à prévoir les défauts corrélés.
• Les avis d’experts sont intégrés par des distributions a priori subjectives.
• L’étude établit un lien positif entre la volatilité et le retour à la moyenne du facteur caché, d’une part, et les intensités de défaut, d’autre part.
• Les prévisions à un an rapportées sont relativement bonnes, tandis que le choix de la distribution a priori ne différencie pas significativement les ratios de précision sur les horizons testés.

Étiquettes

# 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.

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.