Dự báo bằng Particle MCMC cho vỡ nợ doanh nghiệp do nhân tố dễ tổn thương

Tóm tắt

Nghiên cứu này dự báo vỡ nợ doanh nghiệp bằng mô hình dạng rút gọn, trong đó cường độ vỡ nợ của các công ty cùng phụ thuộc vào một nhân tố tiềm ẩn chung. Nghiên cứu kết hợp ước lượng Bayes với Particle Markov Chain Monte Carlo và đưa nhận định chuyên gia vào thông qua các phân phối tiên nghiệm chủ quan. Phân tích sử dụng dữ liệu các công ty phi tài chính niêm yết công khai tại Mỹ, được quan sát từ tháng Một 1980 đến tháng Sáu 2019.

Các kết quả được báo cáo liên hệ mức biến động và hồi quy về trung bình lớn hơn của nhân tố tiềm ẩn với cường độ vỡ nợ doanh nghiệp cao hơn. Dự báo một năm được mô tả là tương đối tốt với các lựa chọn tiên nghiệm khác nhau. Tuy nhiên, qua một số chân trời dự báo, tỷ lệ độ chính xác dự báo của các mô hình dùng tiên nghiệm không thông tin và tiên nghiệm chủ quan không khác biệt đáng kể. Phần tóm tắt không đưa ra thước đo độ chính xác cụ thể hay chi tiết về quy trình thu thập ý kiến chuyên gia, nên không xác lập được mức độ so sánh của mô hình với các cách dự báo thay thế hoặc khả năng áp dụng ngoài các công ty và giai đoạn lấy mẫu.

Ý chính

• Mô hình biểu diễn mối phụ thuộc giữa cường độ vỡ nợ của các công ty thông qua một nhân tố tiềm ẩn chung.
• Ước lượng Bayes và Particle MCMC được dùng để dự báo các vụ vỡ nợ có tương quan.
• Nhận định chuyên gia được đưa vào thông qua các phân phối tiên nghiệm chủ quan.
• Nghiên cứu liên hệ tích cực biến động và hồi quy về trung bình của nhân tố tiềm ẩn với cường độ vỡ nợ.
• Dự báo một năm được báo cáo là tương đối tốt, trong khi lựa chọn tiên nghiệm không tạo khác biệt đáng kể về tỷ lệ độ chính xác qua các chân trời được kiểm định.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.