Kreditní rating a jeho modelování pomocí markovských procesů. Dana Němcová

Transkript

1 Kreditní rating a jeho modelování pomocí markovských procesů Dana Němcová

2 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 2

3 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 3

4 Úvod Markovské řetězce Markovský řetězec s diskrétním časem: Nechť T = 0,1, a nechť X t, t T je náhodná posloupnost nezáporných celočíselných veličin s hodnotami v množině S N 0, kde S je taková, že i S t: P X t = i > 0. Řekneme, že X t, t T je markovský řetězec s diskrétním časem a množinou stavů S, jestliže pro každé t T a i, j, i t 1,, i 0 S taková, že platí: P X t = i, X t 1 = i t 1,, X 0 = i 0 > 0, P X t+1 = j X t = i, X t 1 = i t 1,, X 0 = i 0 = P X t+1 = j X t = i. Pravděpodobnosti přechodu: p ij n, m = P X m = j X n = i. Homogenní markovský řetězec: p ij n, m = p ij m n, p ij 1 = p ij = P X n+1 = j X n = i. Matice pravděpodobností přechodu: P = p ij i,j S. 4

5 Úvod Markovské řetězce Markovský řetězec se spojitým časem: Náhodný proces X(t), t 0 celočíselných nezáporných náhodných veličin s množinou stavů S N 0 se nazývá markovský řetězec se spojitým časem, jestliže pro všechna i, j, i 0,, i n S a 0 < t 0 < < t n < t < s platí P X s = j X t = i, X t n = i n,, X t 0 = i 0 = P X s = j X t = i. Pravděpodobnosti přechodu: p ij t, s = P X(s) = j X(t) = i. Homogenní markovský proces: p ij t, s = p ij s t. Matice pravděpodobností přechodu: P(h) = p ij (h) i,j S. Matice intenzit přechodu: Q = q ij i,j S. p ij h q ij = lim h 0+ h, i, j S, i j, p ii h 1 q ii = lim, i S. h 0+ h Celková intenzita: q i = j i q ij = q ii. 5

6 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 6

7 Metoda maximální věrohodnosti spojité pozorování Předpokládejme homogenní markovský proces se spojitým časem, X(t), t 0, s konečnou množinou stavů 1,, m a maticí intenzit přechodu Q. Pozorujeme spojitou trajektorii x(t), t 0, τ. m i 1, τ 1 i 2, τ 2 i 3, τ 3 i 4, τ t Základní charakteristiky pozorování: N ij τ, i, j = 1,, m, i j počet přeskoků ze stavu i do stavu j, R i τ, i = 1,, m celkový čas strávený ve stavu i. 7

8 Metoda maximální věrohodnosti spojité pozorování Metoda vybírá parametr, který je nejpravděpodobnější vzhledem k pozorovaným datům. Schéma spojité trajektorie: Doba setrvání τ k ~ Exp q ik. i 1 τ 1 i 2 τ 2 i n τ n. Pravděpodobnost přeskoku po čase τ k je q i k i k+1 q ik. Věrohodnostní funkce pro pozorovanou trajektorii na intervalu 0, τ při dané matici intenzit přechodu: L τ c Q = 8

9 Metoda maximální věrohodnosti spojité pozorování Metoda vybírá parametr, který je nejpravděpodobnější vzhledem k pozorovaným datům. Schéma spojité trajektorie: Doba setrvání τ k ~ Exp q ik. i 1 (τ 1 ) i 2 (τ 2 ) i n (τ n ) Pravděpodobnost přeskoku po čase τ k je q i k i k+1 q ik. Věrohodnostní funkce pro pozorovanou trajektorii na intervalu 0, τ při dané matici intenzit přechodu: L τ c Q = q i1 e τ 1q i 1 9

10 Metoda maximální věrohodnosti spojité pozorování Metoda vybírá parametr, který je nejpravděpodobnější vzhledem k pozorovaným datům. Schéma spojité trajektorie: Doba setrvání τ k ~ Exp q ik. i 1 (τ 1 ) i 2 (τ 2 ) i n (τ n ) Pravděpodobnost přeskoku po čase τ k je q i k i k+1 q ik. Věrohodnostní funkce pro pozorovanou trajektorii na intervalu 0, τ při dané matici intenzit přechodu: L τ c Q = q i1 e τ 1q i 1 q i1 i 2 q i1 10

11 Metoda maximální věrohodnosti spojité pozorování Metoda vybírá parametr, který je nejpravděpodobnější vzhledem k pozorovaným datům. Schéma spojité trajektorie: Doba setrvání τ k ~ Exp q ik. i 1 (τ 1 ) i 2 (τ 2 ) i n (τ n ) Pravděpodobnost přeskoku po čase τ k je q i k i k+1 q ik. Věrohodnostní funkce pro pozorovanou trajektorii na intervalu 0, τ při dané matici intenzit přechodu: L τ c Q = q i1 e τ 1q i 1 q i1 i 2 q i1 q i2 e τ 2q i 2 q i2 i 3 q i2 11

12 Metoda maximální věrohodnosti spojité pozorování Metoda vybírá parametr, který je nejpravděpodobnější vzhledem k pozorovaným datům. Schéma spojité trajektorie: Doba setrvání τ k ~ Exp q ik. i 1 (τ 1 ) i 2 (τ 2 ) i n (τ n ) Pravděpodobnost přeskoku po čase τ k je q i k i k+1 q ik. Věrohodnostní funkce pro pozorovanou trajektorii na intervalu 0, τ při dané matici intenzit přechodu: L τ c Q = q i1 e τ 1q i 1 q i1 i 2 q i1 q i2 e τ 2q i 2 q i2 i 3 q i2 q in 1 e τ n 1q i n 1 q in 1 i n q in 1 e τ nq i n 12

13 Metoda maximální věrohodnosti spojité pozorování Metoda vybírá parametr, který je nejpravděpodobnější vzhledem k pozorovaným datům. Schéma spojité trajektorie: Doba setrvání τ k ~ Exp q ik. i 1 (τ 1 ) i 2 (τ 2 ) i n (τ n ) Pravděpodobnost přeskoku po čase τ k je q i k i k+1 q ik. Věrohodnostní funkce pro pozorovanou trajektorii na intervalu 0, τ při dané matici intenzit přechodu: L τ c Q = q i1 e τ 1q i 1 m q i1 i 2 q i1 q i2 e τ 2q i 2 = q ij N ij τ e q ij R i τ. q i2 i 3 q i2 q in 1 e τ n 1q i n 1 q in 1 i n q in 1 e τ nq i n = i=1 j i 13

14 Metoda maximální věrohodnosti spojité pozorování Logaritmická věrohodnostní funkce: l τ c m c Q = log L τ Q = N ij τ log q ij q ij R i (τ). i=1 j i Odhad metodou maximální věrohodnosti: q ij ML = N ij(τ) R i (τ), i, j = 1,, m, i j. Odhad dostáváme pouze po taková i, pro která je R i τ > 0. Diagonální prvky dopočítáme podle definice matice intenzit přechodu. 14

15 Metoda maximální věrohodnosti diskrétní pozorování Stále pracujeme s homogenním Markovským řetězcem se spojitým časem, X(t), t 0, s konečnou množinou stavů 1,, m a maticí intenzit přechodu Q. Pozorujeme body x t1,, x tn na intervalu 0, τ, ekvidistantně vzdálené s krokem Δ. m x t3 = y x t1 = y 1 x t2 = y 2 0 Δ Δ Δ t Homogenní MŘ X(t), t 0, matice Q Homogenní MŘ Y n, n N, matice P Základní charakteristiky pozorování: K ij n, i, j = 1,, m počet přeskoků ze stavu i do stavu j. 15

16 Metoda maximální věrohodnosti diskrétní pozorování Schéma diskrétní trajektorie: y 1 y 2 y n Věrohodnostní funkce pro pozorované hodnoty na intervalu 0, τ : K L n P = p y1 y 2 p y1 y 2 p yn 1 y n = p ij n ij. m i,j=1 Logaritmická věrohodnostní funkce: m l n P = K ij (n) log p ij i,j=1. Odhad metodou maximální věrohodnosti: p ij = K ij(n), i, j = 1,, m. K ij (n) m j=1 Máme odhad matice pravděpodobností přechodu P. Jak získat odhad matice intenzit přechodu Q? 16

17 Metoda maximální věrohodnosti diskrétní pozorování Výpočet Q P: P = exp Q = k=0 k Q k k!, ( ) Výpočet P Q: Lze z diskrétně napozorovaných dat (jednoznačně) definovat markovský řetězec se spojitým časem? Jedná se o tzv. imbedding problem problém s vnořením. Kingman, J.F.C: The imbedding problem for finite Markov chains, Z. Wahrscheinlichketstheorie, 1:14-24, Označme P = exp Q ; Q Q, kde Q je množina všech matic, splňujících definici matice intenzit přechodu. Pokud P P, pak Q získáme jako řešení rovnice ( ) a navíc Q je maximálně věrohodný odhad. Pokud P P, pak řešení rovnice ( ) buď neexistuje, nebo vypočtená Q nesplňuje definici matice intenzit přechodu. 17

18 Metoda maximální věrohodnosti diskrétní pozorování Pokud existuje stav j dosažitelný ze stavu i, a zároveň p ij = 0, pak neexistuje matice intenzit řešící rovnici ( ). Israel, R.B., Rosenthal, J.S., Wei, J.Z.: Finding generators for Markov chains via empirical transition matrices with applications to credit ratings, 2001, Mathematical Finance 11, Moody s, matice jednoletých pravděpodobností přechodu, : Aaa Aa A Baa Ba B Caa Ca-C D Aaa Aa A Baa Ba B Caa Ca-C D Average One-Year Transition Rates, , 18

19 Metoda maximální věrohodnosti diskrétní pozorování Diagonální úprava záporné prvky mimo diagonálu nahradíme nulou, diagonální prvek v každém řádku dopočítáme podle definice matice intenzit přechodu. Aaa Aa A Baa Ba B Caa Ca-C D Aaa Aa A Baa Ba B Caa Ca-C D

20 Metoda maximální věrohodnosti diskrétní pozorování Diagonální úprava záporné prvky mimo diagonálu nahradíme nulou, diagonální prvek v každém řádku dopočítáme podle definice matice intenzit přechodu. Aaa Aa A Baa Ba B Caa Ca-C D Aaa Aa A Baa Ba B Caa Ca-C D

21 Metoda maximální věrohodnosti diskrétní pozorování Diagonální úprava záporné prvky mimo diagonálu nahradíme nulou, diagonální prvek v každém řádku dopočítáme podle definice matice intenzit přechodu. Aaa Aa A Baa Ba B Caa Ca-C D Aaa Aa A Baa Ba B Caa Ca-C : D

22 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 22

23 EM algoritmus - princip Expectation Maximization. Postupnými iteracemi zpřesňujeme maximálně věrohodný odhad. Dosud nejlepší odhad matice intenzit + pozorovaná data M: Maximalizace věrohodnostní funkce E: Konstrukce věrohodnostní funkce Historie 1977 detailní popis a pojmenování, 1983 analýza konvergence. 23

24 EM algoritmus E krok Q-funkce je střední hodnota logaritmické věrohodnostní funkce hledaného parametru podmíněná diskrétním pozorováním. MMV: E Q0 l τ c l τ c Q = log L τ c m m i=1 j i, Q = N ij τ log q ij q ij R i (τ) Q Y = y = log q ij E Q0 N ij τ Y = y i=1 j i m q ij E Q0 R i τ Y = y i=1 j i. ij i ij i ij f y1 y 2 ( ), M y1 y 2 ( ) f y2 y 3 ( ), M y2 y 3 ( ) i f yn 1 y n ( ), M yn 1 y n ( ) E Q0 N ij τ Y = y, E Q0 R i τ Y = y Pro vzdálenost mezi jednotlivými pozorováními můžeme vyjádřit: n 1 E Q0 N ij τ Y = y = E Q0 N ij Y 1 = y k, Y 2 = y k+1 k=1 n 1 E Q0 R i τ Y = y = E Q0 R i Y 1 = y k, Y 2 = y k+1 k=1 n 1 ij = f yk y k+1 ( ), k=1 n 1 i = M yk y k+1 ( ) k=1. 24

25 EM algoritmus E krok Obecně: Úpravou dostaneme: i M kl t = E Q0 R i t X t = l, X(0) = k, f ij kl t = E Q0 N ij t X t = l, X(0) = k. i M kl t = E Q0 R i t 1 (X t =l) X(0) = k = E Q0 R i t X t = l, X(0) = k i i P X t = l X 0 = k = M kl t p kl t = M kl t e T k exp tq e l, f ij kl t = E Q0 N ij t 1 (X t =l) X(0) = k = E Q0 N ij t X t = l, X(0) = k P X t = l X 0 = k = f ij kl t p kl t = f ij kl t e T k exp tq e l, 1 A identfikátor jevu A, e k k-tý jednotkový vektor. 25

26 EM algoritmus E krok Výpočet pomocí diferenciálních rovnic m d dt M i i kl t = M kh (t)q hl h=1 m d dt f ij kl t = f ij kh (t)q hl h=1 i + exp tq kl δ li, M kl 0 = 0, + q ij exp tq ki δ lj, f ij kl 0 = 0. Bladt, M., Sorensen, M.: Statistical inference for discretely observed Markov jump process, 2005, Journal of Royal Statistical Society, Series B (Statistical Methodology), Vol. 67, No. 3,

27 EM algoritmus E krok Výpočet pomocí uniformizační metody Definujeme parametr λ max q i, i = 1,, m a matici B = I + 1 Q. Použijeme λ aproximaci X t = z k, T k t T k+1, kde T 0 = 0, T 1, T 2, jsou časy událostí Poissonova procesu s parametrem λ > 0 a z 0, z 1, z 2, je markovský řetězec s diskrétním časem a pravděpodobností přechodu B z 0 z 1 z 2 z 3 0 = T 0 T 1 T 2 T

28 EM algoritmus E krok Hledané veličiny pak můžeme spočítat pomocí vzorců: i M kl t = e λt 1 λ n=0 (λt) n+1 n + 1! n h=0 B h ki (Bn h ) il, f ij kl t = q ij e λt 1 λ n=0 (λt) n+1 n + 1! n h=0 B h ki (Bn h ) il. Hobolt, A., Jensen, J. L.: Summary statistics for end-point conditioned continuous-time Markov chains, 2011, Journal of Applied Probability, Vol. 48, No. 4,

29 EM algoritmus M krok Maximalizace Q-funkce E Q0 l τ c Q Y = y vzhledem k matici intenzit Q: q ij ML = N ij(τ) R i (τ), i, j = 1,, m, i j, q EM ij = E Q 0 N ij τ Y = y E Q0 R i τ Y = y, i, j = 1,, m, i j. Diagonální prvky dopočítáme podle definice matice intenzit přechodu. 29

30 EM algoritmus diagram Diskrétně pozorovaná data Počáteční matice intenzit i M kl, f ij kl Odhady q ij EM Odhad Q EM Podmínky zastavení procesu: Na základě odhadnuté matice Q k+1 Q k < ε, k N 0. Na základě věrohodnostní funkce: L n Q k+1 L n (Q k ) < ε, k N 0. 30

31 EM algoritmus konvergence a rozptyl Monotonie věrohodnostní funkce: L n Q k+1 L n Q k. Každý nový odhad matice intenzit přechodu je tedy minimálně tak věrohodný jako ten poslední. Podmínky konvergence posloupnosti Q k lze nalézt v uvedeném článku. McLachlan, G. J., Krishnan, T.: The EM Algorithm and Extensions, 1997, New Yersey, Wiley Series on Probability and Statistics, Second Edition, 1-84, ISBN

32 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 32

33 MCMC algoritmus bayesovský přístup Bayesova věta: Nechť X je náhodný vektor s pravděpodobnostním rozdělením daným hustotou f x θ, kde θ je náhodný vektorový parametr. Rozdělení parametru θ je určeno hustotou g(θ). Pak pro podmíněnou hustotu h(θ x) parametru θ při daném X = x platí: h θ x = f x θ g(θ) f x θ g θ dθ, je-li jmenovatel různý od nuly. V opačném případě položíme tuto hustotu rovnu nule. 33

34 MCMC algoritmus bayesovský přístup g(θ) + pozorovaná data h θ x Apriorní hustota Aposteriorní hustota Bayesova věta: h θ x = f x θ g(θ) f x θ g θ dθ, tedy h θ x f x θ g θ, kde značí vztah rovno až na normující konstantu. 34

35 MCMC algoritmus postup Aplikace na model markovského řetězce se spojitým časem: Parametr Q s rozdělením g(q). Spojité pozorování x na 0, τ s podmíněným rozdělením L τ c (Q) h Q x = L c τ (Q)g(Q) L c τ (Q)g Q dq. Zvolíme systém apriorních hustot: m g Q q ij α ij 1 e q ij β i i=1 j i, kde α ij, β i > 0, i, j = 1,, m. Jedná se o sdružené rozdělení nezávislých q ij ~Γ(β i, α ij ). Bladt, M., Sorensen, M.: Statistical inference for discretely observed Markov jump process, 2005, Journal of Royal Statistical Society, Series B (Statistical Methodology), Vol. 67, No. 3,

36 MCMC algoritmus postup Apriorní hustota: m g Q q ij α ij 1 e q ij β i i=1 j i. Věrohodnostní funkce: L τ c m Q = q ij N ij τ e q ij R i τ i=1 j i. Aposteriorní hustota: h Q x L τ c m Q g Q q ij N ij τ +α ij 1 e q ij R i τ +β i i=1 j i. 36

37 MCMC algoritmus diagram Diskrétně pozorovaná data Výběr z apriorního rozdělení Simulace spojité trajektorie N ij τ, R i (τ) Odhad Q MC Výběr z aposteriorního rozdělení Získáme posloupnost odhadů Q k, X (k) k N, kde k značí pořadové číslo iterace. Dostatečný počet iterací (10 000). 37

38 MCMC algoritmus diagram Diskrétně pozorovaná data Výběr z apriorního rozdělení Simulace spojité trajektorie N ij τ, R i (τ) Odhad Q MC Výběr z aposteriorního rozdělení Získáme posloupnost odhadů Q k, X (k) k N, kde k značí pořadové číslo iterace. Celkový počet simulací musí být dostatečně velký, např

39 MCMC algoritmus zamítací simulační metoda Pomocí matice intenzit Q a diskrétních pozorovaných dat y 1,, y n potřebujeme simulovat spojitou trajektorii Markovského řetězce X(t), t 0, τ takovou, že X t i = y i, i = 1,, n. Použijeme zamítací metodu na každý z intervalů t i, t i+1, i = 1,, n

40 MCMC algoritmus zamítací simulační metoda Pomocí matice intenzit Q a diskrétních pozorovaných dat y 1,, y n potřebujeme simulovat spojitou trajektorii Markovského řetězce X(t), t 0, τ takovou, že X t i = y i, i = 1,, n. Použijeme zamítací metodu na každý z intervalů t i, t i+1, i = 1,, n

41 MCMC algoritmus zamítací simulační metoda Pomocí matice intenzit Q a diskrétních pozorovaných dat y 1,, y n potřebujeme simulovat spojitou trajektorii Markovského řetězce X(t), t 0, τ takovou, že X t i = y i, i = 1,, n. Použijeme zamítací metodu na každý z intervalů t i, t i+1, i = 1,, n

42 MCMC algoritmus odhad a konvergence Pro odstranění vlivu volby apriorního rozdělení vynecháme v posloupnost odhadů Q k, X (k) k N prvních K členů (tzv. burn-in period). Limitní rozdělení markovského procesu Q k, X (k) k N má hustotu h Q x f x y = L τ c Q g Q f x y. Posloupnost Q k, X (k) k>k je striktně stacionární a ergodická. Aposteriorní střední hodnotu můžeme aproximovat: E Q x 1 M K+M Q i i=k+1. Odhad matice intenzit: Q MC = 1 M K+M Q i i=k+1. 42

43 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 43

44 Přestávka 44

45 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 45

46 Úvěrový rating definice Úvěrový rating (credit rating) Pravděpodobnost, že půjčka (cenný papír) bude správně a včas splacena. Velký vliv na ochotu bank půjčovat (kupovat závazky), na stanovení podmínek půjčky (úrokové sazby, lhůty, pojištění rizik). Zveřejňován ratingovými agenturami komplexní rozbor známých rizik, odhad schopnosti dostát včas a v plné výši závazkům. Pro jednotlivé emise (cenné papíry). Pro emitenty (společnosti, státy). Krátkodobý rating (short-term) v rámci jednoho roku. Dlouhodobý rating (long-term) přes delší časový horizont. 46

47 Úvěrový rating ratingové agentury 19. století expanze do západních oblastí USA, zvětšování vzdáleností mezi investorem a dlužníkem finanční krize v USA, agentury hodnotící obchodníky a jejich schopnost dostát závazkům (Lewis Tappan, NYC, 1841) hodnocení obligací železničních společností od Johna Moodyho, 1913 John Moody hodnotí dluhopisy podniků veřejných služeb a průmyslových společností, poprvé je použit systém označení písmeny. Velká trojka 1914 Moody s Investor Service 1916 Poor s Publishing Company 1922 Standard Statistics Company 1924 Fitch Publishing Company 1941, Standard & Poor s 47

48 Úvěrový rating princip ratingu Hodnotící kritéria Kvantitativní kapitálová struktura, zisk, likvidita, hospodářský růst státu, inflace, míra zdanění. Kvalitativní řízení společnosti, vztahy s obchodními partnery, řízení rizik, strategie, konkurenční prostředí, politická stabilita, platební a rozpočtová kázeň. Agentury musí disponovat dostatečnou kapacitou pro analýzu a musí být nezávislé. Využívání neveřejných informací o společnostech. Označení písmeny (A-D, 1-3, +/-). Investiční / spekulativní (neinvestiční) stupně ratingu. Slovní popis situace objektu, odhad průměrného rizika nesplacení a další charakteristiky. Hodnocení má velký dopad na postavení subjektu na trhu. 48

49 Úvěrový rating investiční stupně Dlouhé období Moody's S&P Fitch Krátké období Dlouhé období Krátké období Dlouhé období Krátké období Stupeň Aaa AAA AAA Aa1 AA+ A-1+ AA+ Aa2 P-1 AA AA Aa3 AA- AA- A1 A+ A+ A-1 A2 A A A3 A- A- P-2 A-2 Baa1 BBB+ BBB+ Baa2 BBB BBB P-3 A-3 Baa3 BBB- BBB- F1+ F1 F2 F3 Investiční stupně

50 Úvěrový rating spekulativní stupně Moody's S&P Fitch Dlouhé období Krátké období Dlouhé období Krátké období Dlouhé období Krátké období Stupeň Ba1 BB+ BB+ Ba2 BB BB Ba3 BB- BB- B B1 B+ B+ B2 B B B3 B- B- Caa1 Not Prime Subprime CCC+ CCC+ Caa2 CCC C CCC Caa3 CCC- CCC- Ca CC CC B C Spekulativní stupně C C C CI D D D D 50

51 Úvěrový rating rating státu Míra rizika pro investování v dané zemi. Vyhledávaný potenciálními zahraničními investory. Zohledňuje politické, ekonomické riziko. Rating je strop pro hodnocení jednotlivých emitentů v rámci státu Moody's Ba1 Baa3 Baa2 Baa1 Baa1 Baa1 Baa1 Baa1 Baa1 Baa1 A1 A1 A1 A1 A1 A1 A1 A1 A1 A1 A1 A1 A1 A1 S&P BBB BBB+ A A A A- A- A- A- A- A- A- A- A- A A A A AA- AA- AA- AA- AA- Fitch A- A- BBB+ BBB+ BBB+ BBB+ BBB+ BBB+ A- A- A A A A+ A+ A+ A+ A+ A+ A+ A+ Foreign Currency Long-Term Sovereign Debt Ratings, , 51

52 Úvěrový rating rating státu 52

53 Úvěrový rating využití Investoři rozšíření množství investičních možností, nezávislé a snadno použitelné hodnocení relativního úvěrového rizika, roste efektivita trhu, snižují se náklady (např. pro analýzu emitentů). Emitenti nezávislé ověření jejich schopnosti dostát závazkům, úspěšná emise musí mít alespoň jedno ratingové hodnocení, zjednodušení přístupu na kapitálový trh. Investiční banky a makléři výpočet rizika svého portfolia, vlastní hodnocení porovnávají s hodnocení ratingových agentur. Regulatorní orgány kontrolují používání pouze vybraných ratingů. 53

54 Osnova Úvod Metoda maximální věrohodnosti EM algoritmus Monte Carlo Markov Chain Přestávka Úvěrový rating Aplikace 54

55 Aplikace postup Zadaná Q Odhady Q ML, Q EM, Q MC Simulace spojité trajektorie Výběr diskrétní trajektorie 55

56 Aplikace vstupní data Christensen, J., Hansen, E., Lando, D.: Confidence sets for continuous-time rating transition probabilities, 2004, Journal of Banking and Finance 28 (5), Aaa Aa A Baa Ba B Caa D Aaa Aa A Baa Ba B Caa D ratingových tříd (m). 56

57 Aplikace vstupní data Christensen, J., Hansen, E., Lando, D.: Confidence sets for continuous-time rating transition probabilities, 2004, Journal of Banking and Finance 28 (5), Aaa Aa A Baa Ba B Caa D Aaa Aa A Baa Ba B Caa D ratingových tříd (m). 57

58 Aplikace Porovnání odchylek prvků Inamura, Y.: Estimating Continuous Time Transition Matrices from Discretely Observed Data, 2006, Bank of Japan Working Paper Series, No. 06-E07. Trajektorie simulovány na délku 7 let (τ). Pro každý rating simulováno 100 trajektorií vycházejících z tohoto bodu. Odchylky (Q Q): ML Aaa Aa A Baa Ba B Caa D Aaa Aa A Baa Ba B Caa D EM Aaa Aa A Baa Ba B Caa D Aaa Aa A Baa Ba B Caa D MC Aaa Aa A Baa Ba B Caa D Aaa Aa A Baa Ba B Caa D

59 Aplikace Porovnání normy rozdílu matic Metoda Q Q ML EM MC Frobeniova norma matice: m m 2 A F = a ij. i=1 j=1 59

60 Aplikace Porovnání pravděpodobností selhání Matici pravděpodobností přechodu odvodíme z Q: P t = exp tq = t k Q k. k! Pro každý stav Aaa Caa odvodíme pravděpodobnost selhání po jednom roce: k=0 [%] P(Q) ML EM MC Aaa Aa A Baa Ba B Caa P(Q) značí pravděpodobnost selhání odvozenou ze zadané matice intenzit. 60

61 Aplikace Porovnání pravděpodobností selhání Odchylky pravděpodobností selhání odhadů od pravděpodobnosti selhání ze zadané matice vyjádřené v procentech: diff [%] ML EM MC Aaa 1718% 6% 27% Aa 1826% 10% 47% A 428% 21% 32% Baa 89% 13% 1% Ba 47% 5% 21% B 9% 22% 27% Caa 4% 1% 0% 50% 45% 40% 35% 30% 25% 20% 15% 10% 5% 0% Aaa Aa A Baa Ba B Caa EM MC 61

62 Aplikace Porovnání pravděpodobností selhání Aaa Aa A P(Q) ML EM MC P(Q) ML EM MC P(Q) ML EM MC Baa Ba B P(Q) ML EM MC P(Q) ML EM MC P(Q) ML EM MC Caa P(Q) ML EM MC 62

63 Aplikace Porovnání pravděpodobností selhání Aaa Aa A ML EM MC ML EM MC ML EM MC Baa Ba B ML EM MC ML EM MC ML EM MC Caa ML EM MC 63

64 Dotazy 64

65 Literatura Bladt, M., Sorensen, M.: Statistical inference for discretely observed Markov jump process, 2005, Journal of Royal Statistical Society, Series B (Statistical Methodology), Vol. 67, No. 3, Christensen, J., Hansen, E., Lando, D.: Confidence sets for continuous-time rating transition probabilities, 2004, Journal of Banking and Finance 28 (5), Hobolt, A., Jensen, J. L.: Summary statistics for end-point conditioned continuous-time Markov chains, 2011, Journal of Applied Probability, Vol. 48, No. 4, Inamura, Y.: Estimating Continuous Time Transition Matrices from Discretely Observed Data, 2006, Bank of Japan Working Paper Series, No. 06-E07. Israel, R.B., Rosenthal, J.S., Wei, J.Z.: Finding generators for Markov chains via empirical transition matrices with applications to credit ratings, 2001, Mathematical Finance 11, Kingman, J.F.C: The imbedding problem for finite Markov chains, Z. Wahrscheinlichketstheorie, 1:14-24, McLachlan, G. J., Krishnan, T.: The EM Algorithm and Extensions, 1997, New Yersey, Wiley Series on Probability and Statistics, Second Edition, 1-84, ISBN

66 Děkuji za pozornost