Exponenta Banner

transprobgrouptotals

Совокупная информация о кредитных рейтингах в меньшее количество категорий оценки

свернуть все на странице

Синтаксис

totalsGrouped = transprobgrouptotals(totals,groupingEdges)

Описание

пример

totalsGrouped = transprobgrouptotals(totals,groupingEdges) агрегировал информацию кредитных рейтингов, хранившую в totals введите в меньшее количество категорий оценок, которые заданы groupingEdges аргумент.

Примеры

свернуть все

Скрипт Open Live Script

Используйте исторические входные данные кредитного рейтинга от Data_TransProb.mat. Загрузите входные данные из файла Data_TransProb.mat.

load Data_TransProb
  
% Call TRANSPROB with two output arguments
[transMat, sampleTotals] = transprob(data);
transMat
transMat = 8×8

   93.1170    5.8428    0.8232    0.1763    0.0376    0.0012    0.0001    0.0017
    1.6166   93.1518    4.3632    0.6602    0.1626    0.0055    0.0004    0.0396
    0.1237    2.9003   92.2197    4.0756    0.5365    0.0661    0.0028    0.0753
    0.0236    0.2312    5.0059   90.1846    3.7979    0.4733    0.0642    0.2193
    0.0216    0.1134    0.6357    5.7960   88.9866    3.4497    0.2919    0.7050
    0.0010    0.0062    0.1081    0.8697    7.3366   86.7215    2.5169    2.4399
    0.0002    0.0011    0.0120    0.2582    1.4294    4.2898   81.2927   12.7167
         0         0         0         0         0         0         0  100.0000

Группа в инвестиционный класс (оценки 1-4) и спекулятивный класс (оценки 5-7); отметьте, значением по умолчанию является последняя оценка (номер 8). 

edges = [4 7 8];
sampleTotalsGrp = transprobgrouptotals(sampleTotals,edges);

% Transition matrix at investment grade / speculative grade level
transMatIGSG = transprobbytotals(sampleTotalsGrp)
transMatIGSG = 3×3

   98.5336    1.3608    0.1056
    3.9155   92.9692    3.1153
         0         0  100.0000

Получите 1 год, 2-летние, 3-летние, 4-летние, и 5-летние вероятности по умолчанию в инвестиционном классе и спекулятивном году обучения. 

DefProb = zeros(2,5);
for t = 1:5
transMatTemp = transprobbytotals(sampleTotalsGrp,'transInterval',t);
DefProb(:,t) = transMatTemp(1:2,3);
end
DefProb
DefProb = 2×5

    0.1056    0.2521    0.4359    0.6537    0.9027
    3.1153    6.0157    8.7179   11.2373   13.5881

Входные параметры

свернуть все

Общие переходы, наблюдаемые, заданные как структура или массив структур длины nTotals, с полями:

  • totalsVec — Разреженный вектор размера 1- nRatings1.

  • totalsMat — Разреженная матрица размера nRatings1- nRatings2 с nRatings1 ≤ nRatings2.

  • algorithm — Вектор символов со значениями 'duration' или 'cohort'.

Для 'duration' алгоритм, totalsMat(i, j), содержит общие переходы, наблюдаемые из оценки i в оценку j (все диагональные элементы 0). Общее время, проведенное при оценке i, хранится в totalsVeci. Например, у вас есть три категории оценки, Инвестиционный класс (IG), спекулятивный класс (SG), и Значение по умолчанию (D), и следующая информация:

Total time spent    IG       SG       D
in rating:       4859.09  1503.36  1162.05
 
Transitions             IG   SG    D
out of (row)       IG    0   89    7
into (column):     SG  202    0   32
                    D    0    0    0
Затем:
totals.totalsVec = [4859.09  1503.36  1162.05]
totals.totalsMat = [  0   89    7
                    202    0   32
                      0    0    0]
totals.algorithm = 'duration'

Для 'cohort' алгоритм, totalsMat(i, j), содержит общие переходы, наблюдаемые от оценки i к оценке j и totalsVec(i) является начальным количеством в оценке i. Например, учитывая следующую информацию:

Initial count       IG     SG     D
in rating:        4808   1572   1145
 
Transitions         IG     SG     D
from (row)    IG  4721     80      7
to (column):  SG   193   1347     32
               D     0      0   1145
Затем:

totals.totalsVec = [4808   1572   1145]
totals.totalsMat = [4721     80      7
                    193   1347     32
                      0      0   1145
totals.algorithm = 'cohort'

Общие общие структуры являются дополнительными выходными аргументами от transprob:

  • sampleTotals — Одна структура, обобщающая информацию об общих количествах для целого набора данных.

  • idTotals — Массив структур с информацией об общих количествах на уровне ID.

Типы данных: struct | structure

Индикатор для группировки кредитных рейтингов в категории, заданные как числовой массив.

Эта таблица иллюстрирует, как сгруппировать список целых оценок в инвестиционный класс (IG) и спекулятивный класс (SGкатегории. Восемь оценок находятся в исходном списке. Оценки 1 к 4 IG, оценки 5 к 7 SG, и оценка 8 собственная категория. В этом примере массивом группирующихся ребер является [4 7 8].

Original ratings: 'AAA' 'AA'  'A'   'BBB' | 'BB'  'B'   'CCC' | 'D'
                                          |                   |    
Relative ordering: (1)   (2)   (3)   (4)  |  (5)  (6)    (7)  | (8)
                                          |                   |    
Grouped ratings:           'IG'           |      'SG'         | 'D'
                                          |                   |    
Grouping edges:                      (4)  |              (7)  | (8)

В общем случае, если groupingEdges имеет элементы K edge1 <edge2 < ... <edgeK, оценки 1 к edge1 (включительно) сгруппированы в первой категории, оценки edge1+1 к edge2 во второй категории, и т.д.

Относительно последнего элемента, edgeK:

  • Если n Ratings1 равняется n Ratings2, затем edgeK должен равняться n Ratings1. Это приводит к группам K и n RatingsGrouped1 = n RatingsGrouped2 = K.

  • Если n Ratings1 <n Ratings2, затем также:

    • edgeK равняется n Ratings1, в этом случае оценки edgeK +1..., nRatings2 обработаны как собственные категории. Это приводит к K + (nRatings2- edgeK) группы, с nRatingsGrouped1 = K и nRatingsGrouped2 = K + (nRatings2 – edgeK; или

    • edgeK равняется nRatings2, в этом случае должен быть j th граничный элемент, edgej, такой, что edgej равняется nRatings1. Это приводит к группам K и nRatingsGrouped1 = j и nRatingsGrouped2 = K.

Типы данных: double

Выходные аргументы

свернуть все

Агрегированная информация категориями, возвращенными как структура или массив структур длины nTotals, с полями:

  • totalsVec — Вектор размера 1- nRatingsGrouped1.

  • totalsMat — Матрица A размера nRatingsGrouped1- nRatingsGrouped2.

  • algorithm — Вектор символов, 'duration' или 'cohort'.

nRatingsGrouped1 и nRatingsGrouped2 заданы в описании groupingEdges. Каждая структура содержит агрегированную информацию категориями, на основе информации, предоставленной в соответствующей структуре в totals, согласно группировке оценок, заданных groupingEdges и сопоставимый с algorithm выбор.

Следование примерам в описании totals введите, предположите IG и SG сгруппированы в один ND (Не - Принял значение по умолчанию), категория, с помощью edges[2 3]. Для 'cohort' алгоритм, выход:

totalsGrouped.totalsVec = [6380   1145]
totalsGrouped.totalsMat = [6341     39
                              0   1145]
totalsGrouped.algorithm = 'cohort'
и для 'duration' алгоритм:
totalsGrouped.totalsVec = [6362.45  1162.05]
totalsGrouped.totalsMat = [0  39
                           0   0]
totalsGrouped.algorithm = 'duration'

Больше о

свернуть все

Оценка когорты

cohort алгоритм оценивает вероятности перехода на основе последовательности снимков состояния кредитных рейтингов в расположенных с равными интервалами моментах времени.

Если кредитный рейтинг компании изменяется дважды между двумя датами снимка состояния, промежуточная оценка пропущена, и только начальные и итоговые оценки влияют на оценки. Для получения дополнительной информации смотрите раздел Algorithms transprob.

Оценка длительности

В отличие от cohort алгоритм, duration алгоритм оценивает вероятности перехода на основе полной истории кредитных рейтингов, смотря на точные даты, в которые происходят миграции кредитного рейтинга.

Нет никакой концепции снимков состояния в этом методе, и все миграции кредитного рейтинга влияют на оценки, даже когда оценка компании изменяется дважды в течение короткого времени. Для получения дополнительной информации смотрите раздел Algorithms transprob.

Ссылки

[1] Хэнсон, S., Т. Шюрманн. "Доверительные интервалы для Вероятностей Значения по умолчанию". Журнал Banking & Finance. Издание 30 (8), Elsevier, август 2006, стр 2281–2301.

[2] Löffler, G., П. Н. Пош. Credit Risk Modeling Using Excel и VBA. Западный Сассекс, Англия: финансы Вайли, 2007.

[3] Шюрманн, T. "Матрицы миграции кредита". в Э. Мелнике, Б. Эверитте (редакторы)., энциклопедия количественного анализа рисков и оценки. Вайли, 2008.

Смотрите также

|

Темы

Внешние веб-сайты

Представленный в R2011b

Документация Financial Toolbox
Поддержка