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
При увеличении доступности данных существует несколько различных типов LGD- моделей. Risk Management Toolbox™ поддерживает:
Регрессионные модели - это линейные регрессионые модели, где реакция является преобразованием данных LGD. Для получения дополнительной информации о поддерживаемых преобразованиях смотрите Regression.
Модели Тобита - это цензурные регрессионые модели с явными пределами на значения отклика, чтобы захватить тот факт, что LGD может принимать значения только между 0 и 1. Поддерживается цензура на левой, правой или обеих сторонах. Для получения дополнительной информации смотрите Tobit.
Пример Model Loss Given Default показывает, что эти два типа моделей, а также другие модели подгоняются с использованием Statistics and Machine Learning Toolbox™. В частности, помимо моделей регрессии и Тобита, этот пример также включает непараметрический тип интерполяционной таблицы модели; модель бета-регрессии; и «двухэтапную» модель, где классификационная модель (лечение без лечения) и регрессионая модель (предсказанная LGD, обусловленная отсутствием лечения) работают вместе, чтобы сделать предсказания LGD.
В сложение можно использовать Regression и Tobit модели для разработки моделей ЛГД, которые включают макроэкономические предикторы стресс- проверка или для поддержки нормативных требований, таких как МСФО (IFRS) 9 и CECL. Для получения дополнительной информации смотрите Обзор Жизненной вероятности моделей по умолчанию.
Risk Management Toolbox поддерживает моделирование и валидацию моделей через семейство классов, поддерживающих:
Моделируйте аппроксимацию с fitLGDModel
Предсказание LGD с predict функция
Моделируйте метрики дискриминации с modelDiscrimination функции и визуализации с modelDiscriminationPlot функция
Моделируйте метрики точности с modelAccuracy функции и визуализации с modelAccuracyPlot функция
Поддерживаемые типы модели Regression и Tobit модели.
Типичный рабочий процесс моделирования для ЛГД-анализа включает:
Подготовка данных
Подготовка данных для моделирования ЛГД требует значительного объема работы на практике. Подготовка данных требует консолидации информации о счете, извлечения данных из нескольких источников данных, учета возмещений, прямых и косвенных затрат, определения ставок дисконтирования для определения наблюдаемых значений LGD. Существует также работа, касающаяся преобразований предикторов и скрининга. Существует широкая область значений инструментов, доступных для лечения недостающих данных (использование fillmissing), обрабатывать выбросы (используя filloutliers) и выполнять другие задачи по подготовке данных. Выход подготовки данных является обучающий набор данных с столбцами предиктора и столбец отклика, содержащий значения LGD.
Моделирование подбора кривой
Используйте fitLGDModel функция для соответствия LGD- модели. Необходимо использовать ранее подготовленные данные и выбрать тип модели. Дополнительные входы позволяют вам указать, какие переменные соответствуют переменным-предикторам, или какое преобразование использовать для регрессионой модели, или сторону цензуры для Tobit модель. Можно задать описание модели, а также идентификатор модели или тег в целях отчетности во время валидации модели.
Валидация модели
В валидации модели участвует несколько задач, включая
Смотрите базовую статистическую модель, которая хранится в 'UnderlyingModel' свойство Regression или Tobit объект. Для получения дополнительной информации см. «Основные потери при валидации модели по умолчанию».
Измерьте дискриминацию модели или на обучении, или на тестовых данных с modelDiscrimination функция. Визуализация генерируется с помощью modelDiscriminationPlot функция. Данные можно сегментировать для измерения дискриминации по различным сегментам.
Измерьте точность модели на обучении или тестовых данных с modelAccuracy функция. Визуализация генерируется с помощью modelAccuracyPlot функция. Кроме того, можно визуализировать невязки.
Проверьте модель на соответствие бенчмарку (для примера - модель-чемпион). Для получения дополнительной информации см. «Сравнение модели LGD с эталонной моделью».
Выполните перекрестный анализ валидации, чтобы сравнить альтернативные модели. Для получения дополнительной информации см. Сравнение моделей потерь по умолчанию с использованием перекрестной валидации.
Выполните качественную оценку условных предсказаний PD при помощи predict функция непосредственно с краевыми падежами. Визуализируйте невязки, используя modelAccuracyPlot функция. Существуют примеры дополнительных визуализаций с использованием гистограмм и прямоугольных графиков в примере Model Loss Given Default.
[1] Baesens, Bart, Daniel Roesch, and Harald Scheule. Аналитика 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, используемыми в R и SAS». Сан-Диего, Калифорния: Elsevier, 2019.
[3] Гуптон, Г. и Р Штейн. Losscalc v2: динамическое предсказание методологии ЛГД- Моделирования. Moody's KMV Investor Services, 2005.
fitLGDModel | modelAccuracy | modelAccuracyPlot | modelDiscrimination | modelDiscriminationPlot | predict | Regression | Tobit