Exponenta Banner
exponenta event banner

transprobgrouptotals

Агрегирование информации о кредитных рейтингах в меньшее количество категорий рейтингов

свернуть все на странице

Синтаксис

totityGrouped = транспробгруппы (итоговые значения, groupingEdges)

Описание

пример

totalsGrouped = transprobgrouptotals(totals,groupingEdges) агрегирует информацию о кредитных рейтингах, хранящуюся в totals ввод в меньшее количество категорий оценок, которые определяются groupingEdges аргумент.

Примеры

свернуть все

Открыть сценарий в реальном времени

Использовать исторические входные данные кредитного рейтинга из Data_TransProb.mat. Загрузить 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

Группировать в инвестиционный класс (рейтинги 1-4) и спекулятивный класс (рейтинги 5-7); обратите внимание, что по умолчанию используется 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

Получение 1-летней, 2-летней, 3-летней, 4-летней и 5-летней вероятности дефолта на инвестиционном и спекулятивном уровне. 

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 аргументы

свернуть все

Всего наблюдаемых переходов, указанных как структура или массив структуры длиной nTotals, с полями:

  • totalsVec - Разреженный вектор размера 1около-nRatings1.

  • totalsMat - Разреженная матрица размера nRatings1около-nRatings2 с nRatings1 ≤ nRatings2.

  • algorithm - символьный вектор со значениями; 'duration' или 'cohort'.

Для 'duration' алгоритм, totalsMat(i, j) содержит суммарные переходы, наблюдаемые вне рейтинга i, в рейтинг j (все диагональные элементы равны 0). Общее время, затраченное на оценку i, хранится вtotalsVec(i). Например, у вас есть три категории рейтинга, инвестиционный класс (IG), Спекулятивный класс (SG) и по умолчанию (D) и следующую информацию:

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 рейтинга i к рейтингу j, иtotalsVeci) является первоначальным подсчетом в рейтинге I. Например, с учетом следующей информации:

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 итоговые структуры - это необязательные выходные аргументы из transprob:

  • sampleTotals - Единая структура, суммирующая итоговую информацию для всего набора данных.

  • idTotals - массив структуры с итоговой информацией на уровне идентификатора.

Типы данных: struct | structure

Индикатор для группировки кредитных рейтингов по категориям, указанным как числовой массив.

В этой таблице показано, как сгруппировать список целых рейтингов в инвестиционный класс (IG) и спекулятивный класс (SGКатегории. Восемь оценок находятся в первоначальном списке. Рейтинги 1 кому 4 являются IG, оценки 5 кому 7 являются SG, и рейтинг 8 является собственной категорией. В этом примере массив граней группировки [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 целом, если groupingEdges имеет K элементов edge1 < edge2 < ... <edgeК, оценки 1 кому edge1 (включительно) сгруппированы в первую категорию, оценки edge1+1 кому edge2 во второй категории и так далее.

Относительно последнего элемента, edgeК:

  • Если nRatings1 равно nRatings2, то edgeK должно быть равно nRatings1. Это приводит к K группам, и nRatingsGrouped1 = nRatingsGrouped2 = K.

  • Если nRatings1 < nRatings2, затем либо:

    • edgeK равно nRatings1, в этом случае оценки edgeK +1,...,nRatings2 рассматриваются как собственные категории. Это приводит к K + (nRatings2-edgeK) группы, с nRatingsGrouped1 = K и nRatingsGrouped2 = К + (nRatings2 – edgeК); или

    • edgeK равно nRatings2, в этом случае должен быть j-й краевой элемент, edgej, такой, что edgej равно nRatings1. Это приводит к K группам, и nRatingsGrouped1 = j и nRatingsGrouped2 = K.

Типы данных: double

Выходные аргументы

свернуть все

Агрегированная информация по категориям, возвращаемая в виде структуры или массива структуры длиной nTotals, с полями:

  • totalsVec - Вектор размера 1около-nRatingsGrouped1.

  • totalsMat - Матрица размера nRatingsGrouped1около-nRatingsGrouped2.

  • algorithm - символьный вектор, 'duration' или 'cohort'.

nRatingsGrouped1 и nRatingsGrouped2 определены в описании groupingEdges. Каждая структура содержит агрегированную информацию по категориям на основе информации, предоставленной в соответствующей структуре в totals, в соответствии с группировкой оценок, определенных groupingEdges и в соответствии с algorithm выбор.

Следуя примерам в описании totals ввод, предположим IG и SG сгруппированы в один ND Категория (не по умолчанию), использующая кромки[2 3]. Для 'cohort' алгоритм, выходной сигнал:

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'

Подробнее

свернуть все

Когортная оценка

cohort алгоритм оценивает вероятности перехода на основе последовательности снимков кредитных рейтингов в регулярно разнесенные моменты времени.

Если кредитный рейтинг компании изменяется дважды между двумя моментальными датами, промежуточный рейтинг игнорируется, и только первоначальный и окончательный рейтинги влияют на оценки. Дополнительные сведения см. в разделе Алгоритмы transprob.

Оценка продолжительности

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

В этом методе нет концепции снимков, и все миграции кредитного рейтинга влияют на оценки, даже когда рейтинг компании меняется дважды в течение короткого времени. Дополнительные сведения см. в разделе Алгоритмы transprob.

Ссылки

[1] Хэнсон, С., Т. Шуэрман. «Доверительные интервалы для вероятностей дефолта». Журнал банковских и финансовых операций. Том 30 (8), Elsevier, август 2006, стр. 2281-2301.

[2] Лёффлер, Г., П. Н. Пош. Моделирование кредитных рисков с использованием Excel и VBA. Западный Сассекс, Англия: Wiley Finance, 2007.

[3] Шуэрманн, Т. «Матрицы кредитной миграции». в Э. Мельник, Б. Эверитт (ред.), Энциклопедия количественного анализа и оценки рисков. Уайли, 2008.

См. также

|

Темы

Внешние веб-сайты

Представлен в R2011b

Документация по комплекту финансовых инструментов

Поддержка