Убыток при дефолте (LGD) - это доля кредита, которая теряется в случае дефолта. LGD является одним из основных параметров анализа кредитного риска. Хотя существуют различные подходы к оценке резервов кредитных потерь и кредитного капитала, общие методологии требуют оценки вероятностей дефолта (PD), убытков по данному дефолту (LGD) и подверженности риску дефолта (EAD). Резервы и потребности в капитале вычисляются с использованием формул или моделей, использующих эти параметры. Например, запасы потерь обычно оцениваются как ожидаемые потери (EL) по следующей формуле:
EL = PD * LGD * EAD
При повышенной доступности данных существует несколько различных типов моделей LGD. Toolbox™ управления рисками поддерживает:
Регрессионные модели - это линейные регрессионные модели, где отклик представляет собой преобразование данных LGD. Дополнительные сведения о поддерживаемых преобразованиях см. в разделе Regression.
Модели Тобита - это цензурированные регрессионные модели с явными ограничениями на значения ответа, чтобы зафиксировать тот факт, что LGD может принимать значения только между 0 и 1. Цензура на левой, правой или обеих сторонах поддерживается. Дополнительные сведения см. в разделе Tobit.
В примере Модель потери по умолчанию (Model Loss Given Default) показаны эти два типа моделей, а также другие модели, настроенные с использованием Toolbox™ статистики и машинного обучения. В частности, помимо регрессионных моделей и моделей Тобита, этот пример также включает непараметрический тип модели справочной таблицы; модель бета-регрессии; и «двухэтапную» модель, где классификационная модель (лечение - нет лечения) и регрессионная модель (предсказанная ЛГД, обусловленная отсутствием лечения) работают вместе, чтобы сделать прогнозы ЛГД.
Кроме того, можно использовать Regression и Tobit модели для разработки моделей LGD, которые включают макроэкономические предикторы для стресс-тестирования или для поддержки нормативных требований, таких как МСФО (IFRS) 9 и CECL. Дополнительные сведения см. в разделе Обзор пожизненной вероятности моделей по умолчанию.
Инструментарий управления рисками поддерживает моделирование и проверку моделей LGD с помощью семейства классов, поддерживающих:
Модельный фитинг с помощью fitLGDModel
Прогнозирование LGD с помощью predict функция
Метрики дискриминации модели с modelDiscrimination функция и визуализация с помощью modelDiscriminationPlot функция
Метрики точности модели с помощью modelAccuracy функция и визуализация с помощью modelAccuracyPlot функция
Поддерживаемые типы моделей: Regression и Tobit модели.
Типичный рабочий процесс моделирования для анализа LGD включает в себя:
Подготовка данных
Подготовка данных для моделирования LGD требует значительного объема работы на практике. Подготовка данных требует консолидации данных счетов, получения данных из нескольких источников данных, учета возмещений, прямых и косвенных затрат, определения ставок дисконтирования для определения наблюдаемых значений LGD. Также есть работа, касающаяся предикторных преобразований и скрининга. Существует широкий спектр инструментов для обработки отсутствующих данных (с использованием fillmissing), обрабатывать отклонения (с помощью filloutliers) и выполнять другие задачи по подготовке данных. Результатом подготовки данных является обучающий набор данных со столбцами предиктора и столбцом ответа, содержащим значения LGD.
Модельный фитинг
Используйте fitLGDModel для соответствия модели LGD. Необходимо использовать ранее подготовленные данные и выбрать тип модели. Дополнительные входные данные позволяют указать, какие переменные соответствуют переменным предиктора, или какое преобразование использовать для регрессионной модели, или сторону цензуры для Tobit модель. Можно указать описание модели, а также указать идентификатор модели или тег для целей отчетности во время проверки модели.
Проверка модели
В проверке модели участвует несколько задач, в том числе
Проверьте базовую статистическую модель, которая хранится в 'UnderlyingModel' имущества Regression или Tobit объект. Дополнительные сведения см. в разделе Проверка модели по умолчанию с учетом основных потерь.
Измерить дискриминацию модели по данным обучения или тестирования с помощью modelDiscrimination функция. Визуализации создаются с помощью modelDiscriminationPlot функция. Данные могут быть сегментированы для измерения дискриминации по различным сегментам.
Измерьте точность модели на обучающих или тестовых данных с помощью modelAccuracy функция. Визуализации создаются с помощью modelAccuracyPlot функция. Кроме того, можно визуализировать остатки.
Проверка модели по эталону (например, модель чемпиона). Дополнительные сведения см. в разделе Сравнение модели Tobit LGD с эталонной моделью.
Выполните анализ перекрестной проверки для сравнения альтернативных моделей. Дополнительные сведения см. в разделе Сравнение моделей потерь, заданных по умолчанию, с использованием перекрестной проверки.
Выполните качественную оценку условных прогнозов PD с использованием predict непосредственно с краевыми корпусами. Визуализация остатков с помощью modelAccuracyPlot функция. В примере Модель потерь по умолчанию (Model Loss Given Default) приведены примеры дополнительных визуализаций с использованием гистограмм и оконных графиков.
[1] Бэзенс, Барт, Даниэль Рош и Харальд Шиле. Анализ кредитных рисков: методы измерения, приложения и примеры в SAS. Уайли, 2016.
[2] Беллини, Тициано. МСФО (IFRS) 9 и CECL «Моделирование и валидация кредитных рисков: практическое руководство с примерами, работающими в R и SAS». Сан-Диего, Калифорния: Elsevier, 2019.
[3] Gupton, G. и Р Стайн. «Losscalc v2: динамическое прогнозирование методологии моделирования LGD». Moody's KMV Investor Services, 2005.
fitLGDModel | modelAccuracy | modelAccuracyPlot | modelDiscrimination | modelDiscriminationPlot | predict | Regression | Tobit