[论文解读] Modelling time and vintage variability in retail credit portfolios: the decomposition approach

Jonathan J. Forster, Agus Sudjianto|arXiv (Cornell University)|May 13, 2013

Insurance, Mortality, Demography, Risk Management参考文献 10被引用 4

一句话总结

本文提出了一种EMV（外生-期限-年份）分解模型，通过将时间序列的变异性分解为三个可解释的组成部分——宏观经济（外生）影响、期限（自发放以来的时间）和年份（发放年份）影响——来分析和预测零售信贷组合的表现。该方法采用非参数和随机效应建模，实现了稳健的预测，结果显示年份效应存在显著的序列相关性，且通过随机效应实现的有效收缩显著提高了预测的稳定性。

ABSTRACT

In this paper, we consider the problem of modelling historical data on retail credit portfolio performance, with a view to forecasting future performance, and facilitating strategic decision making. We consider a situation, common in practice, where accounts with common origination date (typically month) are aggregated into a single vintage for analysis, and the data for analysis consists of a time series of a univariate portfolio performance variable (for example, the proportion of defaulting accounts) for each vintage over successive time periods since origination. An invaluable management tool for understanding portfolio behaviour can be obtained by decomposing the data series nonparametrically into components of exogenous variability (E), maturity (time since origination; M) and vintage (V), referred to as an EMV model. For example, identification of a good macroeconomic model is the key to effective forecasting, particularly in applications such as stress testing, and identification of this can be facilitated by investigation of the macroeconomic component of an EMV decomposition. We show that care needs to be taken with such a decomposition, drawing parallels with the Age-Period-Cohort approach, common in demography, epidemiology and sociology. We develop a practical decomposition strategy, and illustrate our approach using data extracted from a credit card portfolio.

研究动机与目标

• 开发一种结构化、可解释的框架，用于随时间建模和预测零售信贷组合的表现。
• 解决在违约动态中分离外生经济影响、期限效应和年份特定行为的挑战。
• 提供一种实用的分解策略，以支持信贷风险管理中的战略决策和压力测试。
• 通过后处理和随机效应建模，确保非参数EMV模型的可识别性和稳健性。
• 探索对期限效应进行平滑处理以及将加法EMV结构扩展至基本年份交互作用之外的潜力。

提出的方法

• EMV模型将组合表现（如违约率）分解为三个组成部分：外生（日历时间）、期限（自发放以来的年龄）和年份（发放期间）效应。
• 采用非参数平滑方法估计期限和年份效应，并通过实质性约束（如限制期限曲线的行为）确保可识别性。
• 使用随机效应模型处理年份效应，假设其服从独立正态分布或AR(1)时间序列结构，以捕捉序列依赖性。
• 使用标准软件估计模型，并对年份效应应用收缩，以提高预测精度，特别是对数据较少的年份。
• 对于半参数扩展，引入宏观经济协变量以解释日历时间的变化，从而减少可识别性问题。
• 使用真实信用卡数据对模型进行验证，比较固定效应、独立随机效应和AR(1)随机效应设定下的表现。

实验结果

研究问题

• RQ1 如何对组合违约行为进行有意义的分解，以分离出外生、期限和年份效应，从而提升预测能力和压力测试效果？
• RQ2 在非参数EMV模型中，可识别性约束有何影响？如何通过后处理等手段加以解决，以确保有意义的解释？
• RQ3 年份效应在多大程度上表现出序列相关性？如何通过时间序列随机效应模型有效建模？
• RQ4 在EMV分解中，引入宏观经济协变量如何影响模型的稳定性和可识别性？
• RQ5 能否对期限效应进行有意义的平滑处理，或将其参数化为风险函数，以提升模型的可解释性和性能？

主要发现

• 年份效应的AR(1)随机效应模型得出自回归系数ρ = 0.822，表明各年份之间存在强烈的序列依赖性。
• 随机效应估计使年份效应估计值向总体均值收缩，尤其在观测值较少的后期年份中效果显著。
• 独立随机效应模型的收缩程度低于AR(1)模型，证实年份效应中存在显著的序列相关性，应显式建模。
• 非参数EMV分解对可识别性约束敏感，后处理对于确保实质性可解释性至关重要。
• 在半参数EMV模型中引入宏观经济协变量可减少可识别性问题，并增强模型稳健性。
• 该模型框架通过隔离宏观经济分量，支持预测和压力测试，对系统性风险分析至关重要。