Previsão de inadimplência corporativa por fragilidade com Particle MCMC

Resumo

Este estudo prevê defaults corporativos usando um modelo de forma reduzida no qual as intensidades de default das empresas dependem de um fator de fragilidade não observado. Ele combina estimação bayesiana com Monte Carlo por Cadeias de Markov com partículas e incorpora avaliações de especialistas por meio de distribuições a priori subjetivas. A análise usa empresas não financeiras de capital aberto dos EUA observadas de janeiro de 1980 a junho de 2019.

Os resultados relatados associam maior volatilidade e reversão à média no fator oculto a maiores intensidades de default das empresas. As previsões para um ano são descritas como relativamente boas com diferentes escolhas de distribuições a priori. Porém, em vários horizontes de previsão, as razões de precisão preditiva dos modelos com distribuições a priori não informativas e subjetivas não diferem significativamente. O resumo não fornece medidas específicas de precisão nem detalhes sobre o processo de consulta aos especialistas; portanto, não demonstra como o modelo se compara a outras abordagens de previsão nem como se aplica além das empresas e do período da amostra.

Ideias principais

• O modelo representa a dependência entre as intensidades de default das empresas por meio de um fator de fragilidade oculto.
• Estimação bayesiana e Monte Carlo com partículas MCMC são usados para prever defaults correlacionados.
• As avaliações de especialistas são incorporadas por meio de distribuições a priori subjetivas.
• O estudo associa positivamente a volatilidade e a reversão à média do fator oculto às intensidades de default.
• As previsões relatadas para um ano são relativamente boas, enquanto a escolha da distribuição a priori não diferencia significativamente as razões de precisão nos horizontes avaliados.

Tags

# 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.

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.