Risco de modelo e momentum de ratings nas probabilidades de inadimplência

Resumo

O documento apresenta duas abordagens para estimar transições de ratings de crédito e probabilidades de inadimplência. A primeira estima uma cadeia de Markov em tempo contínuo a partir de observações discretas e possivelmente incompletas. Ela deriva uma expressão mais simples para a informação de Fisher a fim de reduzir o cálculo de intervalos de confiança de Wald e, em seguida, descreve como propagar a incerteza do gerador de transições para as probabilidades de migração e inadimplência.

A segunda abordagem usa observações contínuas em um processo pontual marcado autoexcitável para captar o momentum dos ratings, um efeito não markoviano. Em comparação com o modelo de Markov, ela produz probabilidades de inadimplência mais altas para ratings de grau de investimento e mais baixas para alguns ratings especulativos, o que, segundo os autores, está de acordo com observações empíricas. Os métodos são ilustrados com dados proprietários de ratings corporativos da Moody’s. O trecho não apresenta detalhes da amostra nem medidas de desempenho, e os dados proprietários podem limitar a replicação independente.

Ideias principais

• Uma cadeia de Markov em tempo contínuo pode estimar transições de ratings com dados discretos e incompletos.
• Um cálculo simplificado da informação de Fisher reduz o esforço computacional necessário para intervalos de confiança de Wald.
• A incerteza do gerador de transições pode ser propagada para as estimativas de probabilidades de migração e inadimplência.
• Um processo pontual marcado autoexcitável capta o momentum dos ratings quando há dados contínuos.
• O modelo não markoviano altera as probabilidades estimadas de inadimplência de forma diferente entre ratings de grau de investimento e especulativos.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.