[논문 리뷰] A traffic lights approach to PD validation

Dirk Tasche|arXiv (Cornell University)|2003. 05. 02.

Credit Risk and Financial Regulations참고 문헌 3인용 수 15

한 줄 요약

이 논문은 베를사 II 일인자 가우시안 코퓰라 모델 기반으로, 고도의 상관관계를 고려한 확률적 디폴트(PD) 예측 검증을 위한 트래픽 라이트 방법을 제안한다. 두 가지 근사 방법—granularity adjustment와 moment matching—을 사용하여, 특히 높은 신뢰수준에서 상관관계를 忽시할 경우 요구되는 디폴트 임계값이 과소평가됨을 보여준다. 주요 기여는 상관관계를 고려한 PD 검증을 위한 실용적이고 계산 가능성이 있는 방법을 제공하는 것이다.

ABSTRACT

As a consequence of the dependence experienced in loan portfolios, the standard binomial test which is based on the assumption of independence does not appear appropriate for validating probabilities of default (PDs). The model underlying the new rules for minimum capital requirements (Basle II) is taken as a point of departure for deriving two parametric test procedures that incorporate dependence effects. The first one makes use of the so-called granularity adjustment approach while the the second one is based on moment matching.

연구 동기 및 목표

• 대출 포트폴리오에서 디폴트 상관관계로 인해 표준 이항검정이 부적절해지는 문제를 해결하기 위해.
• 의존성 효과를 고려한 PD 검증의 임계값에 대한 계산 가능하고 실용적인 근사 방법을 개발하기 위해.
• 통계적 유의성의 수준(예: 95% 및 99.9%)을 반영한 신뢰수준 기반 트래픽 라이트 기반 PD 검증의 실용적 프레임워크를 제공하기 위해.
• 다양한 포트폴리오 규모와 상관수준에서 두 근사 기법—granularity adjustment와 moment matching—의 성능을 비교하기 위해.
• 디폴트 상관관계를 忽시할 경우, 특히 높은 신뢰수준에서 PD 검증의 임계값이 잘못 낮게 평가됨을 입증하기 위해.

제안 방법

• 디폴트 의존성의 기초 확률적 프레임워크로 바지체크의 일인자 모델을 사용하며, 디폴트 지표는 공통 요인과 특이 충격에 의해 영향을 받는다.
• granularity adjustment 방법을 통해 제2차 테일러 전개를 적용하여, 극한의 디폴트 비율을 기준으로 하여 디폴트 비율 분포의 분위수를 근사한다.
• 실제 디폴트 비율 분포의 1차 및 2차 모멘트에 맞추어 베타 분포를 피팅함으로써 디폴트 비율 분포를 근사하기 위해 모멘트 매칭을 활용한다.
• 디폴트 비율의 1차 및 2차 모멘트를 이변량 정규 누적분포함수 Φ₂를 사용하여 유도하며, 계산 가능성을 확보하기 위해 Φ₂(t,t,ρ)에 대한 해석적 근사식을 사용한다.
• 표준 소프트웨어에서 Φ₂ 기능을 제공하지 않을 경우, Φ₂(t,t,ρ) ≈ Φ(t)² + (e^(-t²)/(2π))(ρ + ½ρ²t²)의 근사를 사용하여 디폴트 비율의 분산을 계산한다.
• D_n의 근사 분포를 사용하여, α = 95% 및 99.9%일 때 각각 P(D_n ≥ c) ≤ 1−α를 만족하는 최소 정수 c_low 및 c_high를 임계값으로 계산한다.

실험 결과

연구 질문

• RQ1 디폴트 상관관계는 PD 검증에 사용되는 임계값에 어떤 영향을 미치며, 왜 의존성이 존재할 경우 표준 이항검정이 부적절한가?
• RQ2 granularity adjustment와 moment matching 기법이 상관관계가 있는 포트폴리오에서 이항검정에 비해 임계값 추정의 정확도를 얼마나 향상시키는가?
• RQ3 다양한 포트폴리오 규모와 상관수준에서 두 근사 방법의 임계값은 어떻게 비교되는가?
• RQ4 높은 신뢰수준(예: 99.9%)이 이항검정과 제안된 상관관계 고려 기반 방법 간의 괴리에 어떤 영향을 미치는가?
• RQ5 granularity adjustment와 moment matching 중 어느 기법이 분포 꼬리 부분에서 더 신뢰할 수 있는 임계값을 제공하는가?

주요 결과

• 95% 신뢰수준에서, PD=0.01, 포트폴리오 규모가 50, 250, 1000일 경우 이항검정은 각각 2, 5, 15의 임계값을 산출하며, 이는 상관관계와 무관하다.
• 높은 상관관계(ρ=0.2) 하에서 granularity adjustment는 n=1000일 때 95% 임계값을 39로 높여 이항검정 결과보다 2배 이상 증가시킨다.
• 99.9% 신뢰수준에서, 이항검정은 n=1000일 때 21건의 디폴트를 산출하지만, granularity adjustment는 148건, moment matching는 118건을 산출하여 상관관계로 인해 극적으로 증가함을 보여준다.
• 고신뢰수준에서 moment matching 방법은 granularity adjustment보다 略적으로 높은 임계값을 산출하지만, 꼬리 부분 근사에 특화된 점을 고려할 때 granularity adjustment가 더 신뢰할 만하다.
• Φ₂(t,t,ρ) 공식의 근사 정확도는 ρ ≥ 0.2 이며 α가 1에 가까워질 경우 떨어지며, 극단적 분위수 추정의 정확도를 제한한다.
• 중간 수준의 상관관계(ρ=0.05)에서는 두 근사 방법이 유사한 결과를 보이지만, 포트폴리오 규모와 상관관계가 증가함에 따라 괴리가 커지며, 특히 높은 신뢰수준에서 두드러진다.