[论文解读] LGD credit risk model: estimation of capital with parameter uncertainty using MCMC

Xiaolin Luo, Pavel V. Shevchenko|arXiv (Cornell University)|Nov 12, 2010

Credit Risk and Financial Regulations参考文献 18被引用 4

一句话总结

本文提出一种贝叶斯MCMC方法，用于量化扩展LGD模型中的参数不确定性，表明其对监管资本估算具有显著影响。通过建模系统性违约-回收率依赖关系并使用完整的后验分布，研究发现参数不确定性可显著提高所需资本，尤其在分散效应有限的有限组合中更为明显。

ABSTRACT

This paper investigates the impact of parameter uncertainty on capital estimate in the well-known extended Loss Given Default (LGD) model with systematic dependence between default and recovery. We demonstrate how the uncertainty can be quantified using the full posterior distribution of model parameters obtained from Bayesian inference via Markov chain Monte Carlo (MCMC). Results show that the parameter uncertainty and its impact on capital can be very significant. We have also quantified the effect of diversification for a finite number of borrowers in comparison with the infinitely granular portfolio.

研究动机与目标

• 评估在存在系统性违约-回收率依赖关系的扩展损失给定违约（LGD）模型中，参数不确定性对资本估算的影响。
• 开发一种基于马尔可夫链蒙特卡洛（MCMC）的贝叶斯框架，以实现模型参数的完整后验推断。
• 量化参数不确定性对监管资本要求的影响，超越点估计的范围。
• 比较考虑分散化效应的有限组合与无限细化组合下的资本要求。
• 通过在LGD建模中纳入模型参数不确定性，提供更稳健和全面的风险评估。

提出的方法

• 采用贝叶斯推断，估计扩展LGD模型中参数的完整后验分布，以考虑违约率与回收率之间的系统性依赖关系。
• 使用马尔可夫链蒙特卡洛（MCMC）抽样从后验分布中抽样，实现对模型参数的完整不确定性量化。
• 采用二元或基于Copula的框架建模违约与回收率之间的联合依赖结构，以反映系统性风险因素。
• 将资本估算值定义为损失分布的99.9百分位数，条件于参数的完整后验分布，以反映不确定性。
• 比较在有限组合（分散化有限）与无限细化情况下的资本要求，以量化分散化收益。
• 使用MCMC对模型进行校准，以确保后验估计反映实证数据。

实验结果

研究问题

• RQ1 扩展LGD模型中的参数不确定性如何影响估算的监管资本要求？
• RQ2 与点估计相比，通过MCMC使用完整后验分布在资本估算方面有多大改进？
• RQ3 参数不确定性如何与组合规模相互作用，特别是在分散化有限的有限组合中？
• RQ4 在参数不确定性下，与无限细化情况相比，有限组合中的分散化影响有何量化差异？
• RQ5 违约与回收率之间的系统性依赖如何影响资本估算中不确定性的程度？

主要发现

• 参数不确定性显著提高了估算的监管资本，表明点估计可能严重低估所需资本缓冲。
• 通过MCMC使用完整后验分布表明，模型参数的不确定性导致资本估算高于最大似然或点估计所得结果。
• 在有限组合中，由于分散化有限，参数不确定性对资本的影响更为显著，凸显了在现实银行组合中量化不确定性的必要性。
• 本研究量化了有限组合与无限细化组合之间资本要求的显著差距，当纳入参数不确定性时，前者所需资本明显更高。
• 违约与回收率之间的系统性依赖放大了参数不确定性对资本的影响，表明忽略此类依赖关系将导致风险低估。
• 贝叶斯MCMC框架提供了一种一致且稳健的不确定性量化方法，可实现更准确和保守的信用风险模型资本拨备。