ڈیفالٹ اور مائیگریشن امکانات میں ماڈل رسک اور ریٹنگ مومینٹم

خلاصہ

یہ دستاویز کریڈٹ ریٹنگ کی منتقلی اور ڈیفالٹ کے امکانات کا تخمینہ لگانے کے دو طریقے پیش کرتی ہے۔ پہلا طریقہ ممکنہ طور پر نامکمل، غیر مسلسل مشاہدات سے مسلسل وقت کی مارکوف چین کا تخمینہ لگاتا ہے۔ یہ والڈ اعتماد کے وقفوں کے حسابات کم کرنے کے لیے فشر معلومات کا ایک آسان اظہار اخذ کرتا ہے، پھر بتاتا ہے کہ منتقلی کے جنریٹر میں غیر یقینی کو مائیگریشن اور ڈیفالٹ کے امکانات تک کیسے منتقل کیا جائے۔

دوسرا طریقہ مسلسل مشاہدات کے ساتھ خود محرک مارکڈ پوائنٹ پراسیس استعمال کرتا ہے تاکہ ریٹنگ مومینٹم، یعنی نان مارکوف اثر، کو پکڑا جا سکے۔ مارکوف ماڈل کے مقابلے میں، یہ سرمایہ کاری گریڈ ریٹنگز کے لیے زیادہ اور بعض قیاسی گریڈز کے لیے کم ڈیفالٹ امکانات دیتا ہے؛ مصنفین کے مطابق یہ تجرباتی مشاہدات سے مطابقت رکھتا ہے۔ طریقوں کی مثال موڈیز کے ملکیتی کارپوریٹ ریٹنگ ڈیٹا سے دی گئی ہے۔ اقتباس نمونے کی تفصیلات یا کارکردگی کے پیمانے نہیں دیتا، اور ملکیتی ڈیٹا آزادانہ طور پر نتائج دہرانے کی صلاحیت محدود کر سکتا ہے۔

اہم خیالات

• مسلسل وقت کی مارکوف چین غیر مسلسل اور نامکمل ڈیٹا سے ریٹنگ کی منتقلی کا تخمینہ لگا سکتی ہے۔
• فشر معلومات کا آسان حساب والڈ اعتماد کے وقفوں کے لیے درکار حساب کم کرتا ہے۔
• منتقلی کے جنریٹر میں غیر یقینی کو مائیگریشن اور ڈیفالٹ کے امکانات کے تخمینوں تک منتقل کیا جا سکتا ہے۔
• مسلسل ڈیٹا دستیاب ہو تو خود محرک مارکڈ پوائنٹ پراسیس ریٹنگ مومینٹم کو پکڑتا ہے۔
• نان مارکوف ماڈل سرمایہ کاری اور قیاسی گریڈز کے ڈیفالٹ امکانات کو مختلف انداز میں بدلتا ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔