Документация

Потребительский кредитный риск

Consumer credit risk (также называемый retail credit risk) является риском убытка из-за дефолта клиента (невозврата) по потребительскому кредитному продукту. Эти продукты могут включать ипотеку, необеспеченный личный кредит, кредитную карту или овердрафт. Общим методом прогнозирования кредитного риска является кредитная карта результатов. Карта показателей является статистически обоснованной моделью для атрибуции счета клиенту, которая указывает предсказанную вероятность того, что клиент будет по умолчанию. Данные, используемые для вычисления счета, могут быть получены из таких источников, как формы заявок, кредитные ссылки агентства или продукты, которые клиент уже имеет у кредитора. Financial Toolbox™ предоставляет инструменты для создания карт результатов кредита и анализа кредитного портфеля с помощью карт результатов. Risk Management Toolbox включает приложение Binning Explorer для автоматического или ручного раскладывания для оптимизации фазы раскладывания при разработке карты результатов кредитования. Для получения дополнительной информации см. Обзор Binning Explorer.

Корпоративный кредитный риск

Corporate credit risk (также называемый wholesale credit risk) является риском невыполнения контрагентами своих финансовых обязательств.

На уровне отдельного контрагента одним из основных параметров кредитного риска является вероятность дефолта (PD). Risk Management Toolbox позволяет вам оценить вероятности дефолта с помощью следующих методологий:

На credit portfolio уровне, с другой стороны, чтобы оценить кредитный риск, оценить этот риск, главный вопрос, который нужно задать, Учитывая текущий кредитный портфель, сколько может быть потеряно в установленный период времени из-за дефолтов? В различных обстоятельствах ответ на этот вопрос может означать:

Математически все эти вопросы зависят от оценки распределения потерь для кредитного портфеля: Каковы различные суммы, которые вы можете потерять, и насколько вероятно, что вы потеряете каждую отдельную сумму.

Корпоративный кредитный риск принципиально отличается от рыночного риска, который представляет собой риск потери значениями из-за движений рынка. Самое главное различие заключается в том, что рынки постоянно перемещаются, но дефолты происходят нечасто. Поэтому размеры выборки для поддержки любых усилий по моделированию различаются. Задача состоит в том, чтобы калибровать распределение кредитных убытков, потому что размеры выборки малы. Для кредитного риска, даже для отдельной облигации, которая не является дефолтной, вы не можете собирать прямые данные о том, что происходит в случае дефолта, потому что это не является дефолтом. И как только эмитент действительно устанавливает значения по умолчанию, если вы не можете объединить информацию по умолчанию от аналогичных компаний, это единственная точка данных, которая у вас есть.

Для анализа корпоративного кредитного портфеля оценка кредитных корреляций для понимания преимуществ диверсификации также является сложной задачей. Две компании могут использовать по умолчанию только один раз в одном временном окне, поэтому вы не можете собирать данные о том, как часто они устанавливают по умолчанию вместе. Чтобы собрать больше данных, можно объединить данные от аналогичных компаний и при аналогичных экономических условиях.

Risk Management Toolbox предоставляет среду симуляции кредитного дефолта для кредитных портфелей с помощью creditDefaultCopula объект, где три основных элемента кредитного риска для одного инструмента:

Предполагается, что эти три количества являются фиксированными и известными для всех компаний в кредитном портфеле. С помощью этого предположения, единственная неопределенность заключается в том, устанавливает ли каждая компания по умолчанию, что происходит с i PD вероятности .

На уровне кредитного портфеля, однако, главный вопрос: «Каковы дефолтные корреляции между эмитентами?» Для примера, для двух облигаций с 10MM основной суммы каждый, риск отличается, если вы ожидаете, что компании объявят дефолт вместе. В этом сценарии можно было потерять 20MM минус восстановление, все сразу. Кроме того, если значения по умолчанию являются независимыми, вы можете потерять 10MM минус восстановления, если один параметр по умолчанию, но другая компания, вероятно, все еще жива. Поэтому корреляции по умолчанию являются важными параметрами для понимания риска на уровне портфеля. Эти параметры также важны для понимания характеристик диверсификации и концентрации портфеля. Подход в Risk Management Toolbox состоит в том, чтобы симулировать коррелированные переменные, которые могут быть эффективно моделированы и параметризованы, затем сопоставить моделируемые значения с состояниями по умолчанию или без ограничений для сохранения отдельных вероятностей по умолчанию. Этот подход называется copula. Когда используются нормальные переменные, этот подход называется Gaussian copula. Risk Management Toolbox также предоставляет среду симуляции миграции кредитов для кредитных портфелей с помощью creditMigrationCopula объект. Для получения дополнительной информации смотрите Кредитный рейтинг Миграционный риск.

Связанные с creditDefaultCopula и creditMigrationCopula объекты, Risk Management Toolbox предоставляет аналитическую модель, известную как Asymptotic Single Risk Factor (ASRF) модель. Модель ASRF полезна, потому что в документах Базеля II эта модель предложена в качестве стандарта для определенных типов потребностей в капитале. ASRF не является моделью Монте-Карло, поэтому можно быстро вычислить требования к капиталу для крупных кредитных портфелей. Можно использовать модель ASRF для быстрого анализа чувствительности и исследования сценариев «что-если» легче, чем повторение больших симуляций. Для получения дополнительной информации см. asrf.

Risk Management Toolbox также предоставляет инструменты для анализа концентрации портфеля, см. «Индексы концентрации».

Рыночный риск

Market risk - риск потерь в позициях, возникающих в результате изменения рыночных цен. Значение от риска является статистическим методом, который количественно определяет уровень риска, связанный с портфелем. VaR измеряет максимальную величину потерь за заданный временной горизонт, при заданном доверительном уровне. Например, если однодневный 95% VaR портфеля 10MM, то есть 95% вероятность того, что портфель потеряет меньше, чем 10MM на следующий день. Другими словами, только 5% времени (или примерно один раз в 20 дней) потери портфеля превышают 10MM.

VaR Backtesting, с другой стороны, измеряет, насколько точны вычисления VaR. Для многих портфелей, особенно торговых, VaR вычисляется ежедневно. На закрытие следующего дня известны фактические прибыли и убытки по портфелю, которые можно сравнить с оценкой VaR накануне. Можно использовать эти ежедневные данные для оценки эффективности моделей VaR, что является целью обратного тестирования VaR. Таким образом, backtesting является методом, который смотрит ретроспективно на данные и уточняет модели VaR. Было предложено много методологий обратной проверки VaR. В качестве наилучшей практики используйте более одного критерия для обратной проверки эффективности моделей VaR, потому что все тесты имеют сильные и слабые стороны.

Risk Management Toolbox предоставляет следующие тесты обратного тестирования индивидуума VaR:

Для получения информации о различных тестах смотрите Обзор обратного тестирования VaR.

Expected Shortfall (ES) Backtesting дает оценку потерь в те очень плохие дни, когда VaR нарушен. ES - ожидаемая потеря в дни, когда происходит отказ VaR. Если VaR составляет 10 миллионов, а ES - 12 миллионов, вы знаете, что ожидаемый убыток завтра, если это будет очень плохой день, примерно на 20% выше, чем VaR.

Risk Management Toolbox предоставляет следующие основанные на таблице тесты на ожидаемый дефицит на основе esbacktest объект:

Следующие инструменты поддерживают ожидаемые дефицитные основанные на симуляции тесты для esbacktestbysim объект:

Для получения информации о различных тестах см. «Обзор ожидаемого обратного тестирования дефицита».

Страховой риск

Возможность точно оценить неоплаченные требования важна для страховщиков. В отличие от компаний других секторов, страховщики могут не знать точную прибыль в течение периода финансовой отчетности до многих лет спустя. Страховые компании берут страховые взносы на регулярном базисный и выплачивают иски при наступлении событий. В порядок максимизации прибыли страховая компания должна точно оценить, сколько будет выплачено по существующим искам в будущем. Если смета по неоплаченным претензиям будет слишком низкой, страховая компания станет несостоятельной. И наоборот, если оценка слишком высока, то резервный капитал страховой компании может быть инвестирован в другое место или реинвестирован в бизнес

Risk Management Toolbox поддерживает четыре метода оценки претензий для актуариев, используемых с developmentTriangle для оценки невыплаченных требований:

Для получения информации о методах оценки смотрите Обзор методов оценки претензий для страхования, не связанного с жизнью.

Жизненные модели для вероятности дефолта

Нормативные среды, такая как МСФО (IFRS) 9 и CECL, требуют, чтобы учреждения оценивали резервы потерь на основе анализа на протяжении всей жизни, который зависит от макроэкономических сценариев. Более ранние модели часто были разработаны, чтобы предсказать один период вперед и часто без явной чувствительности к макроэкономическим сценариям. С учетом МСФО (IFRS) 9 и правил CECL модели должны предсказывать несколько периодов вперед, и модели должны иметь явную зависимость от макроэкономических переменных.

Основным выходом анализа кредитования в течение срока действия является ожидаемый кредитный убыток в течение срока действия (ECL). Пожизненный ECL состоит из резервов, которые банкам необходимо отложить на ожидаемые потери в течение всего срока действия кредита. Существуют различные подходы к оценке ECL в течение срока службы. Некоторые подходы используют относительно простые методы по данным о потерях с качественными корректировками. Другие подходы используют более совершенные методы timeseries или эконометрические модели для прогнозирования потерь с зависимостями от макро переменных. Другая методология использует модели вероятности дефолта (PD), модели потерь с учетом дефолта (LGD) и модели воздействия при дефолте (EAD) и объединяет их выходы для оценки ECL. Модели PD в течение срока службы в Risk Management Toolbox относятся к категории PD-LGD-EAD

Risk Management Toolbox предоставляет следующие модели PD в течение жизни:

Для получения информации о различных моделях смотрите Обзор пожизненной вероятности моделей по умолчанию.

Потеря с учетом моделей по умолчанию

Потеря по умолчанию (LGD) - это доля кредита, потерянная в случае дефолта. ЛГД 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 при дефолте (LGD) и риска при дефолте (EAD). Запасы и требования к капиталу вычисляются с помощью формул или симуляций, которые используют эти параметры. Для примера резервы потерь обычно оцениваются как ожидаемые потери (EL) по следующей формуле:

EL = PD * LGD * EAD

Risk Management Toolbox предоставляет следующие модели LGD:

Для получения информации о различных моделях смотрите Обзор потерь с учетом моделей по умолчанию.