Vergleich von KreditRisk+ und KreditMetrics II
Vergleich von KreditRisk+ und KreditMetrics II
Vergleich von KreditRisk+ und KreditMetrics II
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Vergleich</strong> <strong>von</strong> <strong>KreditRisk+</strong> <strong>und</strong> <strong>KreditMetrics</strong> <strong>II</strong><br />
Seminar Portfoliokreditrisiko<br />
Jan Jescow Stoehr
Gliederung<br />
1. Einführung / Gr<strong>und</strong>lagen<br />
1.1 Ziel<br />
1.2 CreditRisk+ <strong>und</strong> CreditMetrics<br />
2. Kreditportfolio<br />
3. Simulation<br />
2.1 Konstruktion des Kreditportfolios<br />
2.2 Kalibrierung des Kreditportfolios<br />
3.1 Methoden<br />
3.2 Simulationsergebnisse<br />
4. Robustheit der Ergebnisse<br />
5. Modifiziertes CreditRisk+ Modell<br />
6. Fazit<br />
2
1.1 Ziel<br />
• Bestimmung der Verlustverteilung für beide Modelle<br />
• Empirischer Test des Modellverhalten<br />
– Ähnlichkeit der Modelle<br />
– Sensitivität bzgl. der zugr<strong>und</strong>e liegenden Parameter<br />
– Intuition für Verhalten der Modelle in der Praxis entwickeln<br />
• Notwendig: Synthetische Portfolios, um die Modelle unter<br />
vergleichbaren Bedingungen zu testen<br />
3
1.2 CreditRisk+ <strong>und</strong> CreditMetrics<br />
• CreditRisk+: Default Probability Model<br />
– Individuelle Ausfallwahrscheinlichkeiten abhängig vom systematischen<br />
Risikofaktor<br />
– Verlustverteilung über wahrscheinlichkeitserzeugende Funktion bestimmt<br />
Bernoulli Verteilung Poisson Approximation<br />
• CreditMetrics: Ordered Probit Model<br />
– Kreditereignisse verursacht durch Veränderungen in latenten Variablen<br />
– Ausfallkorrelationen zwischen den Kreditereignissen<br />
– Bestimmt durch Monte Carlo Simulation<br />
• CM2S<br />
– Reduziertes CreditMetrics Modell<br />
– Nur zwei Zustände:<br />
• Kreditausfall<br />
• Kein Kreditausfall<br />
– Gr<strong>und</strong>: <strong>Vergleich</strong>barkeit der Modelle<br />
4
Gliederung<br />
1. Einführung / Gr<strong>und</strong>lagen<br />
1.1 Ziel<br />
1.2 CreditRisk+ <strong>und</strong> CreditMetrics<br />
2. Kreditportfolio<br />
3. Simulation<br />
2.1 Konstruktion des Kreditportfolios<br />
2.2 Kalibrierung des Kreditportfolios<br />
3.1 Methoden<br />
3.2 Simulationsergebnisse<br />
4. Robustheit der Ergebnisse<br />
5. Modifiziertes CreditRisk+ Modell<br />
6. Fazit<br />
5
2.1 Konstruktion des Kreditportfolios<br />
• Ziel ist es ein reales Bankportfolio zu konstruieren<br />
• Datenherkunft:<br />
– Federal Reserve Board surveys of large banking organizations<br />
• Low, average <strong>und</strong> high<br />
• Very low: sehr schwaches Bankportfolio in der Rezession. Mindestens<br />
50% speculative grade.<br />
– Society of Actuaries (SoA)<br />
• Portfoliokonzentration<br />
• Portfolio aus mittelgroßen <strong>und</strong> großen privat platzierten Krediten<br />
6
2.1 Konstruktion des Kreditportfolios<br />
• Portfoliokonstruktion<br />
– Kreditqualität<br />
• Berücksichtigung durch unterschiedliche Verteilungen der einzelnen<br />
Kreditqualitäten (very low, low, average <strong>und</strong> high)<br />
25%<br />
83%<br />
7
2.1 Konstruktion des Kreditportfolios<br />
– Anzahl der Schuldner<br />
• Standardmäßig auf n = 5000 gesetzt.<br />
• Variation zur Überprüfung der Robustheit<br />
– Konzentration des Portfolios<br />
• Kalibrierung gemäß des SoA Datensatzes<br />
• Zwei Schritte zur Bestimmung der Konzentration<br />
1. Aufteilung aller Schuldner über die Ratinggrade<br />
2. Bestimmung der Verteilung der Exposures innerhalb der Ratingklassen<br />
8
!<br />
!<br />
!<br />
!<br />
2.1 Konstruktion des Portfolios<br />
q " = n " v "<br />
q " :<br />
n " :<br />
v " :<br />
n "<br />
# ng vg g<br />
Prozentualer Anteil des Exposures im Ratinggrad<br />
Durchschnittliche Anzahl der Schuldner im Ratinggrad<br />
Durchschnittlicher Buchwert in den SoA Daten in Ratinggrad<br />
!<br />
• soll entsprechend der Exposureanteile in den SoA Daten verteilt werden<br />
Lösbares LGS<br />
• Die q "<br />
werden über die n "<br />
innerhalb eines Ratinggrades verteilt<br />
• Bildung einer kummulativen Verteilung der Kreditgrößen<br />
• Normierung der n "<br />
Kreditgrößen mit dem Gesamtexposure<br />
Verteilung der Kreditgrößen unabhängig <strong>von</strong> Veränderungen <strong>von</strong> n "<br />
• Zum Test der Robustheit wird ein Portfolio mit gleich großen Krediten konstruiert<br />
!<br />
!<br />
!<br />
!<br />
"<br />
"<br />
!<br />
"<br />
9
2.1 Konstruktion des Kreditportfolios<br />
• Weitere Anpassungen des Portfolios<br />
– LGD ist konstant <strong>und</strong> beträgt λ = 0,3<br />
CM2S: Der Verlust ist eine fixe Größe des Exposures<br />
– Im CreditRisk+ Modell muss die Verteilung der Exposures diskretioniert<br />
werden.<br />
Durch Wahl der Basiseinheit des Exposures: λ * 5tes Perzentil der<br />
Kreditgrößenverteilung<br />
10
!<br />
2.2 Kalibrierung des Kreditportfolios<br />
• Innerhalb der Ratingklassen sind die Schuldner statistisch identisch<br />
<br />
p : unbedingte Ausfallwahrscheinlichkeit<br />
"<br />
p<br />
: langfristige durchschnittliche jährliche Ausfallwahrscheinlichkeit<br />
w : Risikogewicht (Faktorladungen der Modelle)<br />
"<br />
sind in einer Ratingklasse gleich.<br />
• Die Risikofaktoren (Faktorladungen) werden modellabhängig bestimmt<br />
Bestimmen sich aus den historischen Ausfallvolatilitäten<br />
Zur Bestimmung sind zwei Schritte notwendig<br />
12
!<br />
!<br />
2.2 Kalibrierung des Kreditportfolios<br />
1. Schritt:<br />
• Bestimmung der Volatilitäten der historischen Ausfallraten<br />
Historische Ausfallrate:<br />
ˆ<br />
p "t =<br />
ˆ<br />
d "t<br />
ˆ<br />
n "t<br />
Anzahl der Ausfälle innerhalb einer Ratingklasse zur Anzahl<br />
der Schuldner<br />
Varianz der bedingten Ausfallraten:<br />
V [ p " (x) ] =<br />
$<br />
V [ p ˆ " ] # E 1<br />
'<br />
% & n ˆ " ( ) ˆ p " (1# p ˆ " )<br />
1# E 1 $ '<br />
% & n ˆ " ( )<br />
13
!<br />
!<br />
2.2 Kalibrierung des Kreditportfolios<br />
• Herleitung der bedingten Varianz:<br />
V [ p ˆ " ] = E[ V [ p ˆ " x, n ˆ ] ] " + V E p ˆ " x, ˆ<br />
[ n " ]<br />
#<br />
V d ˆ<br />
" x, ˆ<br />
E[ V [ p ˆ " x, n ˆ " ] ] = E% 2 % n ˆ " $<br />
!<br />
!<br />
!<br />
&<br />
(<br />
(<br />
'<br />
[ [ n ] ] "<br />
= E p $<br />
" (x)(1# p " (x)) '<br />
&<br />
2 )<br />
% n ˆ " (<br />
= E 1 # &<br />
$ % n ˆ " ' ( (E p " (x) [ ] ) (V [ p " (x) ] + E p " (x)<br />
= E 1 # &<br />
$ % n ˆ " ' ( ( p " (1) p " ) )V [ p " (x) ])<br />
[ ] 2<br />
))<br />
14
2.2 Kalibrierung des Kreditportfolios<br />
• Ergebnis ist problematisch:<br />
In den Ratingklassen AAA <strong>und</strong> AA keine Ausfälle<br />
Berechnung der Volatilität nicht möglich.<br />
• Lösung:<br />
Anpassung der Werte, so dass sie plausibel sind<br />
Bedingte normierte Standardabweichung der Ausfallwahrscheinlichkeit<br />
15
!<br />
!<br />
2.2 Kalibrierung des Kreditportfolios<br />
2. Schritt: Dieser Schritt ist modellabhängig<br />
!<br />
CreditMetrics:<br />
– Die Varianz ist durch eine bivariate Normalverteilung gegeben<br />
2 2<br />
V " # Var[ p " (x) ] = $(C " ,C " ,w " ) % p"<br />
C "<br />
– ist der Schwellenwert des Kreditausfalls<br />
– Die Risikogewichte werden durch die obige Formel eindeutig bestimmt <strong>und</strong> lassen<br />
sich aus der Formel herleiten.<br />
CreditRisk+:<br />
– Zwei Risikofaktoren: systematischer <strong>und</strong> idiosynkratischer Risikofaktor<br />
– Idiosynkratischer Risikofaktor, da diversifizierbar, hat eine Varianz = 1 <strong>und</strong> einen<br />
Erwartungswert = 1<br />
Der systematische Risikofaktor wird gleich dem gegebenen x gesetzt<br />
w "<br />
ist das Gewicht des systematischen Faktors<br />
σ ist die Standardabweichung des Risikofaktors<br />
16
!<br />
!<br />
2.2 Kalibrierung des Kreditportfolios<br />
• Varianz der Ausfallwahrscheinlichkeit:<br />
Gegeben folgt:<br />
!<br />
V " = Var [ (1# w " + w " x) ] = p " w "$<br />
"<br />
w " = V "<br />
p "#<br />
( ) 2<br />
• σ hat einen starken Einfluss auf die Verteilung der x.<br />
Dies liegt an der Gamma-Verteilung des Risikofaktors<br />
Portfolioverluste reagieren sehr sensibel auf Veränderungen <strong>von</strong> σ<br />
Kein Nachteil für CreditRisk+. CreditMetrics unterstellt einfach<br />
Normalverteilung<br />
• Empfehlung für CreditRisk+: Setze σ gleich Eins<br />
Entspricht Einsektorenkalibrierung<br />
17
2.2 Kalibrierung des Kreditportfolios<br />
18
Gliederung<br />
1. Einführung / Gr<strong>und</strong>lagen<br />
1.1 Ziel<br />
1.2 CreditRisk+ <strong>und</strong> CreditMetrics<br />
2. Kreditportfolio<br />
3. Simulation<br />
2.1 Konstruktion des Kreditportfolios<br />
2.2 Kalibrierung des Kreditportfolios<br />
3.1 Methoden<br />
3.2 Simulationsergebnisse<br />
4. Robustheit der Ergebnisse<br />
5. Modifiziertes CreditRisk+ Modell<br />
6. Fazit<br />
19
3. Simulation<br />
20
3.1 Methoden<br />
• Unterschiedliche Kalkulation der Ergebnisse<br />
– CreditRisk+: Analytische Ermittlung der Daten<br />
– CreditMetrics: Berechnung der Daten mittels einer Monte Carlo<br />
Verlustverteilung<br />
• In jedem Quadranten: Zusammengefasste Statistiken <strong>und</strong><br />
Perzentilwerte zu einer Portfoliokreditqualitätsklasse<br />
• Skewness <strong>und</strong> Kurtosis sind für eine Zufallsvariable y definiert.<br />
• Eine hohe Kurtosis impliziert hohe Portfolioverluste<br />
21
3.2 Simulationsergebnisse<br />
BBB-<br />
AAA<br />
22
Gliederung<br />
1. Einführung / Gr<strong>und</strong>lagen<br />
1.1 Ziel<br />
1.2 CreditRisk+ <strong>und</strong> CreditMetrics<br />
2. Kreditportfolio<br />
3. Simulation<br />
2.1 Konstruktion des Kreditportfolios<br />
2.2 Kalibrierung des Kreditportfolios<br />
3.1 Methoden<br />
3.2 Simulationsergebnisse<br />
4. Robustheit der Ergebnisse<br />
5. Modifiziertes CreditRisk+ Modell<br />
6. Fazit<br />
23
4. Robustheit der Ergebnisse<br />
• Anzahl der Schuldner:<br />
Keinen signifikanten Einfluss auf das Verlustrisiko<br />
• Verteilung der Kreditgrößen:<br />
– SoA Daten: unterschiedliche Größen<br />
– <strong>Vergleich</strong>sportfolio: alle gleich groß<br />
Kein signifikanter Einfluss<br />
• Standardisierte Volatilität:<br />
– Verdopplung der Volatilität<br />
– Risikogewichte erhöhen sich<br />
Extreme Perzentilwerte nehmen stark zu!<br />
• Diskretionierung:<br />
– Basiseinheit der Exposures: fache des 5ten Perzentils der Verteilung der<br />
Kreditgrößen<br />
Variation <strong>von</strong> verändert die Perzentilwerte nur minimal<br />
!<br />
!<br />
"<br />
"<br />
24
4. Robustheit der Ergebnisse<br />
25
4. Robustheit der Ergebnisse<br />
26
Gliederung<br />
1. Einführung / Gr<strong>und</strong>lagen<br />
1.1 Ziel<br />
1.2 CreditRisk+ <strong>und</strong> CreditMetrics<br />
2. Kreditportfolio<br />
3. Simulation<br />
2.1 Konstruktion des Kreditportfolios<br />
2.2 Kalibrierung des Kreditportfolios<br />
3.1 Methoden<br />
3.2 Simulationsergebnisse<br />
4. Robustheit der Ergebnisse<br />
5. Modifiziertes CreditRisk+ Modell<br />
6. Fazit<br />
27
5. Modifiziertes CreditRisk+ Modell<br />
• CreditRisk+ reagiert sensibel auf Änderungen <strong>von</strong> σ<br />
Gr<strong>und</strong>: Gamma-Verteilung der Risikofaktoren x<br />
Gamma-Verteilung hat 2 Effekte:<br />
• Direkter Effekt:<br />
– Wenn man σ variiert <strong>und</strong> w "# konstant hält<br />
!<br />
Veränderung der Randwahrscheinlichkeiten, Erwartungswert <strong>und</strong><br />
Standardabweichung konstant<br />
– Gr<strong>und</strong>: Kurtosis der Gamma-Verteilung<br />
<br />
!<br />
3(1+ 2" 2 )<br />
– Kurtosis <strong>von</strong> x gleich der Kurtosis <strong>von</strong><br />
Veränderung <strong>von</strong> führt direkt zu einer Vergrößerung der Ränder<br />
der Verlustverteilung<br />
!<br />
p i(x)<br />
!<br />
p i(x)<br />
28
5. Modifiziertes CreditRIsk+ Modell<br />
• Indirekter Effekt:<br />
– CreditRisk+ verwendet die Poisson Approximation um die PGF zu<br />
vereinfachen<br />
– Poisson Approximation induziert Fehler<br />
Wird durch steigende Kurtosis <strong>von</strong> vergrößert<br />
Um Effekt deutlich zu machen, wird der Fehler eleminiert<br />
!<br />
p i(x)<br />
— CreditMetrics: Monte Carlo Simulation nur ein Ausfall möglich<br />
— CreditRisk+: Poisson Approximation positive Wahrscheinlichkeit für<br />
mehrfachen Ausfall<br />
Ab einem bestimmten Punkt überschreiten die CreditRisk+ Perzentile<br />
die korrespondierende Werte <strong>von</strong> CreditMetrics<br />
29
5. Modifiziertes CreditRisk+ Modell<br />
Die Verteilung des systematischen Risikofaktors ist <strong>von</strong> entscheidender<br />
Bedeutung<br />
30
Gliederung<br />
1. Einführung / Gr<strong>und</strong>lagen<br />
1.1 Ziel<br />
1.2 CreditRisk+ <strong>und</strong> CreditMetrics<br />
2. Kreditportfolio<br />
3. Simulation<br />
2.1 Konstruktion des Kreditportfolios<br />
2.2 Kalibrierung des Kreditportfolios<br />
3.1 Methoden<br />
3.2 Simulationsergebnisse<br />
4. Robustheit der Ergebnisse<br />
5. Modifiziertes CreditRisk+ Modell<br />
6. Fazit<br />
31
6. Fazit<br />
• Solange σ klein ist, liefern die Modelle sehr ähnliche Ergebnisse<br />
• CR+ sensitiver bzgl. der Kreditqualität, aber CM ist restringiert<br />
• Sehr sensitiv reagieren beide Modelle auf:<br />
– Volatilität der Ausfallwahrscheinlichkeit bzw. der Ausfallkorrelation<br />
– Form der impliziten Verteilung der Risikofaktoren (Gamma-Verteilung)<br />
• Problem: Modelle induzieren Eigenkapitalentscheidungen<br />
– Diese sind stark abhängig <strong>von</strong> höheren Momenten der Verteilung der<br />
Risikofaktoren<br />
– Können nur ungenau geschätzt werden<br />
Modelle können nur Anhaltspunkte für das relative Risiko <strong>von</strong><br />
Portfolien untereinander liefern <strong>und</strong> keine Kapitalanforderungen!<br />
32