给定违约损失(LGD)是指在违约事件中信用损失的比例。LGD是信用风险分析的主要参数之一。尽管有不同的方法来估计信贷损失准备金和信贷资本,但常用的方法都需要估计违约概率(PD)、给定违约损失(LGD)和违约风险(EAD)。准备金和资本要求是通过使用这些参数的公式或模拟来计算的。例如,损失准备金通常被估计为预期损失(EL),其公式如下:
埃尔=PD*乐金显示器*含铅
随着数据可用性的增加,出现了几种不同类型的LGD模型。风险管理工具箱™支持:金宝app
的缺省模型损失示例显示这两种类型的模型,以及其他模型,使用统计和机器学习工具箱™拟合。具体来说,除了回归模型和Tobit模型,这个例子还包括一个非参数的、查找表类型的模型;Beta回归模型;还有一个“两阶段”模型,其中分类模型(治愈-无治愈)和回归模型(预测无治愈条件下的LGD)一起工作来做出LGD预测。
此外,您还可以使用回归
而且托比特书
模型开发LGD模型,其中包括用于压力测试或支持IFRS 9和CECL等监管要求的宏观经济预测因素。金宝app有关更多信息,请参见默认模型的生命周期概率概述.
风险管理工具箱通过一系列类支持LGD模型的建模和金宝app验证:
模型拟合fitLGDModel
对LGD的预测预测
函数
模型歧视度量与modelDiscrimination
的功能和可视化modelDiscriminationPlot
函数
对精度度量进行建模modelAccuracy
的功能和可视化modelAccuracyPlot
函数
LGD分析的典型建模工作流包括:
数据准备
在实践中,LGD建模的数据准备需要大量的工作。数据准备需要合并账户信息、从多个数据源提取数据、计算回收、直接和间接成本、确定贴现率以确定观测到的LGD值。还有关于预测器转换和筛选的工作。有许多可用的工具来处理缺失的数据(使用fillmissing
),处理异常值(使用filloutliers
),并执行其他资料准备工作。数据准备的输出是一个具有预测器列和包含LGD值的响应列的训练数据集。
模型拟合
使用fitLGDModel
函数来拟合LGD模型。您必须使用之前准备好的数据并选择模型类型。可选输入允许您指示哪些变量对应于预测变量,或用于回归模型的哪个转换,或用于a的审查方托比特书
模型。您可以指定模型描述,也可以指定模型ID或标记,以便在模型验证期间进行报告。
模型验证
模型验证涉及多个任务,包括
对象中存储的底层统计模型“UnderlyingModel”
的属性回归
或托比特书
对象。有关更多信息,请参见给出默认模型验证的基本损失.
测量模型对训练数据或测试数据的区分度modelDiscrimination
函数。控件生成可视化modelDiscriminationPlot
函数。数据可以分段,以衡量不同部分的歧视。
在训练数据或测试数据上测量模型的准确性modelAccuracy
函数。控件生成可视化modelAccuracyPlot
函数。你也可以看到残差。
根据基准(例如,冠军模型)验证模型。有关更多信息,请参见比较Tobit LGD模型和Benchmark模型.
执行交叉验证分析以比较可选模型。有关更多信息,请参见使用交叉验证比较给定默认模型的损失.
对条件PD预测进行定性评估预测
函数直接与边缘情况。可视化残差使用modelAccuracyPlot
函数。中有使用直方图和箱形图的其他可视化示例缺省模型损失的例子。
[1] Baesens, Bart, Daniel Roesch和Harald Scheule。信用风险分析:SAS中的测量技术、应用和示例。威利,2016年。
贝利尼,蒂齐亚诺。IFRS 9和CECL信用风险建模和验证:R和SAS中实例的实用指南。加州圣地亚哥:爱思唯尔,2019年。
[3]古普顿,G.和R .斯坦。Losscalc v2: LGD建模方法的动态预测。穆迪KMV投资者服务公司,2005年。
fitLGDModel
|预测
|modelDiscrimination
|modelDiscriminationPlot
|modelAccuracy
|modelAccuracyPlot
|回归
|托比特书