[论文解读] Estimating discriminatory power and PD curves when the number of defaults is small

Dirk Tasche|arXiv (Cornell University)|May 24, 2009

Advanced Statistical Methods and Models参考文献 7被引用 15

一句话总结

本文提出一种两阶段方法，用于估计低违约组合中的违约概率（PD）曲线，首先通过AUC/AR评估区分能力，然后校准至目标无条件PD。研究评估了参数化PD曲线估计器，特别是van der Burgt的一参数指数CAP模型，发现其对区分能力误估高度敏感，性能在不同得分分布方差下差异显著。

ABSTRACT

The intention with this paper is to provide all the estimation concepts and techniques that are needed to implement a two-phases approach to the parametric estimation of probability of default (PD) curves. In the first phase of this approach, a raw PD curve is estimated based on parameters that reflect discriminatory power. In the second phase of the approach, the raw PD curve is calibrated to fit a target unconditional PD. The concepts and techniques presented include a discussion of different definitions of area under the curve (AUC) and accuracy ratio (AR), a simulation study on the performance of confidence interval estimators for AUC, a discussion of the one-parametric approach to the estimation of PD curves by van der Burgt (2008) and alternative approaches, as well as a simulation study on the performance of the presented PD curve estimators. The topics are treated in depth in order to provide the full rationale behind them and to produce results that can be implemented immediately.

研究动机与目标

• 解决低违约组合中的估计挑战，其中违约次数较少（例如，每年少于20起），这在批发信用风险环境中很常见。
• 通过AUC和准确率比率（AR）明确并标准化区分能力的定义，确保模型评估的一致性。
• 评估小样本情况下AUC的置信区间估计器，特别是违约者样本量为10或以下的情况。
• 评估van der Burgt的一参数指数CAP曲线估计器在低违约情景下相对于logit基线方法的性能。
• 证明参数化PD曲线估计对准确的区分能力设定具有高度依赖性，尤其是在违约者与非违约者得分分布方差不相等时。

提出的方法

• 提出两阶段框架：首先使用改进的ROC和CAP曲线估计区分能力（AUC/AR）；其次将原始PD曲线校准至目标无条件PD。
• 采用基于违约者与非违约者得分条件分布的随机模型，形式化估计与校准过程。
• 通过模拟研究评估AUC的置信区间估计器，比较渐近正态性、自助法与精确方法（基于Mann-Whitney检验）。
• 应用van der Burgt的一参数指数CAP曲线模型，通过微分推导PD曲线，并与基于logit的参数化替代方法进行比较。
• 引入加权最小二乘法与稳健logit估计器作为van der Burgt方法的替代方案，评估其在不同得分分布方差下的性能。
• 使用Spearman等级相关系数评估在不同情景下AUC估计误差与PD曲线估计误差之间的关系。

实验结果

研究问题

• RQ1 在小样本设置下，哪种AUC与AR的定义能确保信用风险模型的一致性与可靠性？
• RQ2 当违约者样本量≤10时，不同AUC置信区间估计器的准确性如何？
• RQ3 在低违约组合中，van der Burgt的一参数指数CAP曲线估计器相对于基于logit的替代方法表现如何？
• RQ4 违约者与非违约者得分分布方差不等对PD曲线估计精度有何影响？
• RQ5 参数化PD曲线估计对底层区分能力（AUC/AR）估计误差的敏感程度如何？

主要发现

• AUC的渐近正态性置信区间估计器最为可靠，但当违约者样本量≤10时仍表现欠佳。
• 当非违约者得分方差显著大于违约者得分方差时，van der Burgt的估计器适应性最佳，在此类情况下优于其他方法。
• 当非违约者得分方差显著小于违约者得分方差时，稳健logit估计器表现最佳，但无法建模非单调的PD曲线。
• 无单一估计器在所有情景下均全面优于其他方法，表明性能存在情境依赖的权衡。
• 当得分分布方差相近时，AUC估计误差与PD曲线估计误差之间存在强相关性，但当方差不相等时，该关系减弱。
• 参数化PD曲线估计对区分能力误设高度敏感，即使在中等程度误设下也可能导致巨大估计误差。