Прогнозирование корпоративных дефолтов с помощью Particle MCMC

Сводка

В исследовании прогнозируются корпоративные дефолты с помощью редуцированной модели, в которой интенсивности дефолта компаний зависят от общего ненаблюдаемого фактора уязвимости. Модель сочетает байесовскую оценку с методом Монте-Карло по цепям Маркова с частицами и учитывает экспертные суждения через субъективные априорные распределения. Анализ охватывает публичные нефинансовые компании США за период с января 1980 по июнь 2019.

Согласно результатам, более высокая волатильность и возврат к среднему скрытого фактора связаны с более высокими интенсивностями дефолта компаний. Однолетние прогнозы характеризуются как относительно хорошие при разных вариантах априорных распределений. Однако на нескольких горизонтах прогнозирования коэффициенты точности моделей с неинформативными и субъективными априорными распределениями статистически значимо не различаются. В описании нет конкретных показателей точности или сведений о сборе экспертных оценок, поэтому оно не позволяет установить, как модель сопоставляется с альтернативными методами прогнозирования и насколько хорошо переносится за пределы изученных компаний и периода.

Ключевые идеи

• Модель учитывает зависимость интенсивностей дефолта компаний через скрытый фактор уязвимости.
• Для прогноза коррелированных дефолтов используются байесовская оценка и Particle MCMC.
• Экспертные суждения учитываются через субъективные априорные распределения.
• В исследовании более высокая волатильность и возврат к среднему скрытого фактора связаны с более высокой интенсивностью дефолта.
• Однолетние прогнозы описаны как относительно хорошие, но выбор априорного распределения не приводит к статистически значимым различиям коэффициентов точности на изученных горизонтах.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.