此示例探讨了如何使用多因素Copula模型模拟相关的交换对手默认值。
估计潜在的损失对于交易对手组合,鉴于违约,默认概率和丢失给定的默认信息,估计了交易对手的潜在损失。一种CreditDefaultCopula.
对象用于将每个债权人的信誉与潜在变量建模。潜在变量由一系列加权潜在的信用因子组成,以及每个债务人的特质信贷因素。基于默认概率,潜在变量映射到每个场景的债务人的默认值或非默认状态。投资组合风险措施,承担对方水平的风险贡献,并支持仿真融合信息金宝appCreditDefaultCopula.
目的。
这个例子还探讨了风险度量对联系符类型的敏感性(高斯联系符vsT.系动词使用)用于进行模拟。
投资组合包含100个交易对手及其相关的信用风险,默认(含铅
),默认的概率(PD.
)和违约损失率(LGD.
).用一个CreditDefaultCopula.
对象时,可以模拟某个固定时间段(例如,一年)的默认值和损失。这含铅
那PD.
, 和LGD.
输入必须针对特定的时间范围。
在本例中,每个交易对手都映射到两个基础信用因素,并具有一组权重。这Weights2F
变量是A.numcounterparties-by-3
矩阵,其中每行包含单个交易对手的权重。前两列是两个信用因子的权重,最后一列是每个交易对手的特殊权重。在此示例中还提供了两个潜在因子的相关矩阵(FactorCorr2F
).
负载CreditPortfolioData.mat谁是含铅PD.LGD.Weights2FFactorCorr2F
名称大小字节类属性EAD 100x1 800双因子CORR2F 2x2 32双LGD 100x1 800双PD 100x1 800双重重量级2F 100x3 2400双
初始化CreditDefaultCopula.
与该组合信息和所述因子相关性对象。
RNG('默认');CC = creditDefaultCopula(EAD,PD,LGD,Weights2F,'factorcorlation',FactorCorr2F);%变动风险值水平99%。cc.varlevel = 0.99;DISP(CC)
creditDefaultCopula with properties: Portfolio: [100x5 table] FactorCorrelation: [2x2 double] VaRLevel: 0.9900 UseParallel: 0 portfolioloss: []
: cc.Portfolio (1:5)
ans = 5 x5表ID EAD PD乐金显示器的重量 __ ______ _________ ____ ____________________ 1 21.627 0.0050092 0.35 0.35 0.65 - 2 0 3 0 3.2595 0.060185 0.35 0.45 - 0.55 20.391 0.11015 0.55 0.15 0.85 0 5 4 0 3.7534 0.0020125 0.35 0.25 0.75 5.7193 0.060185 0.35 0.35 0.65 0
使用模拟多因素模型模拟
函数。默认情况下,使用高斯系词。该函数在内部实现映射潜在变量为默认状态,并计算相应的损失。模拟后,CreditDefaultCopula.
对象填充PortfolioLosses
和对手桥
属性与仿真结果。
CC =模拟(CC,1E5);DISP(CC)
creditDefaultCopula与属性:组合:[100x5表] FactorCorrelation:[2×2双] VaRLevel:0.9900 UseParallel:0 PortfolioLosses:[1x100000双]
这portfolioRisk
函数返回总投资组合损失分布的风险度量,以及可选的,它们各自的置信区间。中设置的水平报告风险值(VaR)和条件风险值(CVaR)VaRLevel
属性为CreditDefaultCopula.
目的。
[公关,pr_ci] = portfolioRisk (cc);fprintf(“投资组合风险措施:\ n”);DISP(PR)FPRINTF('\ n \ nConfidence区间的风险的措施:\ n');DISP(PR_CI)
投资组合风险的措施:EL标准的VaR CVaR的______ ______ _____ ______ 24.876 23.778 102.4 121.28的风险的措施置信区间:EL标准的VaR CVaR的________________ ________________ ________________ ________________ 24.729 25.023 23.674 23.883 101.19 103.5 120.13 122.42
看看投资组合损失的分布。期望损失(EL)、VaR和CVaR用竖线表示。经济资本由VaR和EL之间的差值给出,用EL和VaR之间的阴影区域表示。
直方图(cc.PortfolioLosses)标题('投资组合损失');Xlabel('损失($)')ylabel('频率') 抓住在%在直方图上覆盖风险度量。xlim([0 1.1 * pr.cvar])plotline = @(x,color)plot([x x],ylim,“线宽”2,'颜色'、颜色);情节(公关。埃尔,'B');情节主线(pr.VaR,'r');cvarline =情节主线(pr.CVaR,'M');%遮挡预期损失和经济资本的领域。pltband = @(x,color) patch([x fliplr(x)],[0 0 repmat(max(ylim),1,2)],......颜色,'Facealpha', 0.15);elband = plotband([0 pr.EL],'蓝色');ulband = plotband([pr.el pr.var],'红色的');图例([Elband,Ulband,Cvarline],......{“预期损失”那“经济资本”那'CVaR的(99%)'},......'地点'那'北');
使用该产品中的投资组合中的集中风险riskContribution
函数。riskContribution
返回每个交易对手对投资组合EL和CVaR的贡献。这些附加贡献之和对应的总投资组合风险度量。
rc = riskContribution (cc);%的风险贡献报道EL和CVaR的。RC(1:5,:)
ANS = 5x5的表ID EL标准的VaR CVaR的__ ________ __________ _________ _________ 1 0.036031 0.022762 0.083828 0.13625 0.068357 2 0.039295 0.23373 0.24984 3 1.2228 0.60699 2.3184 2.3775 4 0.002877 0.00079014 0.0024248 0.0013137 5 0.12127 0.037144 0.18474 0.24622
根据CVaR贡献找出风险最大的交易对手。
[rc_sorted, idx] = sortrows (rc,'CVaR的'那“下”);: rc_sorted (1:5)
ANS = 5x5的表ID EL标准的VaR CVaR的__ _______ ______ ______ 89 2.2647 2.2063 8.2676 8.9997 96 1.3515 1.6514 6.6157 7.7062 66 0.90459 1.474 6.4168 7.5149 22 1.5745 1.8663 6.0121 7.3814 16 1.6352 1.5288 6.3404 7.3462
绘制交易对手风险敞口和CVaR贡献。CVaR贡献最高的交易对手用红色和橙色表示。
图;的pointsize = 50;colorVector = rc_sorted.CVaR;散射(cc.Portfolio(IDX,:)。EAD,rc_sorted.CVaR,......pointSize colorVector,'填充') colormap (“喷气机”) 标题(“CVaR的贡献与曝光”)Xlabel('暴露')ylabel(“CVaR的贡献”网格)在
使用confidenceBands
函数来研究仿真的收敛性。默认情况下,报告CVaR置信区间,但是使用可选参数支持所有风险度量的置信区间金宝appRiskMeasure
争论。
CB =信心带(CC);%置信带存储在表中。cb (1:5,:)
ans = 5x4 table numscenario Lower CVaR Upper ____________ ____________ ______ 1000 106.7 121.99 137.28 2000 109.18 117.28 125.38 3000 114.68 121.63 128.58 4000 114.02 120.06 126.11 5000 114.77 120.36 125.94
绘制置信带,看看估计收敛的速度有多快。
图;阴谋(......cb.NumScenarios,......CB {:,{“上”'CVaR的'“低”}},......“线宽”,2);标题('CVAR:95%的置信区间与情景##);Xlabel('情景#);ylabel('CVaR的+ 95%CI')传说('上部乐队'那'CVaR的'那“较低的乐队”);网格在
找到必要的场景,以实现置信带的特定宽度。
宽度=(cb.Upper - cb.Lower)./ cb.CVaR;图;情节(cb.NumScenarios,宽度* 100,“线宽”,2);标题(“CVaR: 95%置信区间宽度vs.场景#”);Xlabel('情景#);ylabel(' CI宽度为值的%ile '网格)在找到置信区间在该区间的1%(两侧)以内的点%cvar。THRESH = 0.02;scenIdx =查找(宽度<= THRESH,1,“第一”);scenValue = cb.NumScenarios(scenIdx);widthValue =宽度(scenIdx);抓住在plot(xlim,100 * [widthValue widthValue],......[scenValue scenValue],ylim,......“线宽”,2);标题(“宽度为2%的置信区间所需的场景”);
切换到T.系词增加交易对手的违约相关性。这导致的投资组合损失胖尾分布,并在强调场景更高的潜在损失。
使用。重新运行模拟T.copula并计算新的投资组合风险措施。默认自由度(DOF)T.连系动词是5。
cc_t =模拟(cc, 1 e5,连系动词的那'T');pr_t = portfolioRisk (cc_t);
看看投资组合风险是如何随着T.系词。
fprintf(“投资组合风险与高斯系词:\ n”);DISP(PR)FPRINTF('\ n \ n \ n \ n与t copula(dof = 5)的风险:\ n');DISP(pr_t)
组合风险与高斯连接函数:EL标准的VaR CVaR的______ ______ _____ ______ 24.876 23.778 102.4 121.28用叔系词组合风险(DOF = 5):EL标准的VaR CVaR的______ ______ ______ ______ 24.808 38.749 186.08 250.59
比较每个模型的尾部损失。
%绘制高斯豆类尾巴。图;subplot(2,1,1) p1 = histogram(cc.PortfolioLosses);抓住在情节主线(pr.VaR,[1 0.5 0.5]) plotline(pr.CVaR,[1 0 0]) xlim([0.8 * pr.VaR 1.2 * pr_t.CVaR]); ylim([0 1000]); grid在传奇(损失分布的那'var'那'CVaR的') 标题('与高斯Copula的投资组合损失');Xlabel('损失($)');ylabel('频率');%画出吨系动词尾巴。子图(2,1,2)P2 =直方图(CC_T.Portfolosites);抓住在情节主线(pr_t.VaR,[1 0.5 0.5])的plotline(pr_t.CVaR,[1 0 0])XLIM([0.8 * pr.VaR 1.2 * pr_t.CVaR]);ylim (1000 [0]);网格在传奇(损失分布的那'var'那'CVaR的');标题('与T copula(DOF = 5)'的投资组合损失);Xlabel('损失($)');ylabel('频率');
尾部风险度量VaR和CVaR显著高于使用T.有五个自由度的Copula。默认的相关性较高T.copula,因此有更多的情况,多个对手违约。自由度的数目起着重要的作用。对于非常高的自由度,结果是T.Copula与高斯谱系的结果类似。五是一种非常少的自由度,并且因此,结果显示出惊人的差异。此外,这些结果突出显示极端损失的潜力对Copula的选择和自由度的次数非常敏感。
confidenceBands
|CreditDefaultCopula.
|GetScenarios.
|portfolioRisk
|riskContribution
|模拟