内生推导与终身违约概率的预测
Endogenous Derivation and Forecast of Lifetime PDs
AI总结：
本文提出了一种简单的技术方法，用于点-in-time违约概率（PD）预测的解析推导，数据要求极低。通过 obligors 的当前和未来通过周期 PD、其最后一次已知违约率以及 obligors 系统性依赖性的测量，利用经典资产基础信用投资组合模型进行预测，并假设系统性因素具有简单的（一阶/二阶）自回归过程。本文详细阐述了实施中的实际问题，特别是参数化替代方案。此外，展示了该方法如何通过贝叶斯方法自然扩展到低违约率且违约率波动大的投资组合。此外，尽管宏观经济状态的专家判断不是预测所必需的，但可通过贝叶斯技术嵌入模型中。所得的 PD 预测可用于根据新采用的会计标准 IFRS 9 要求推导预期终身信用损失。该方法是内生的，因为它不需要任何外生宏观经济预测，这些预测通常不可靠且主观。此外，也不需要 PD 与宏观经济变量之间的依赖建模，这通常证明是繁琐且不稳定的。
摘要：
本文提出了一种简单的技术方法，用于点-in-time违约概率（PD）预测的解析推导，数据要求极低。所需的输入包括 obligors 的当前和未来通过周期 PD、其最后一次已知违约率以及 obligors 系统性依赖性的测量。技术上，预测是在经典资产基础信用投资组合模型内部进行的，同时假设系统性因素具有简单的（一阶/二阶）自回归过程。本文详细阐述了实施中的实际问题，特别是参数化替代方案。我们还展示了该方法如何通过贝叶斯方法自然扩展到低违约率且违约率波动大的投资组合。此外，尽管宏观经济状态的专家判断不是预测所必需的，但可通过贝叶斯技术嵌入模型中。所得的 PD 预测可用于根据新采用的会计标准 IFRS 9 要求推导预期终身信用损失。在这样做时，所提出的做法是内生的，因为它不需要任何外生宏观经济预测，这些预测通常不可靠且主观。此外，也不需要 PD 与宏观经济变量之间的依赖建模，这通常证明是繁琐且不稳定的。
英文摘要：
This paper proposes a simple technical approach for the analytical derivation of Point-in-Time PD (probability of default) forecasts, with minimal data requirements. The inputs required are the current and future Through-the-Cycle PDs of the obligors, their last known default rates, and a measurement of the systematic dependence of the obligors. Technically, the forecasts are made from within a classical asset-based credit portfolio model, with the additional assumption of a simple (first/second order) autoregressive process for the systematic factor. This paper elaborates in detail on the practical issues of implementation, especially on the parametrization alternatives. We also show how the approach can be naturally extended to low-default portfolios with volatile default rates, using Bayesian methodology. Furthermore, expert judgments on the current macroeconomic state, although not necessary for the forecasts, can be embedded into the model using the Bayesian technique. The resulting PD forecasts can be used for the derivation of expected lifetime credit losses as required by the newly adopted accounting standard IFRS 9. In doing so, the presented approach is endogenous, as it does not require any exogenous macroeconomic forecasts, which are notoriously unreliable and often subjective. Also, it does not require any dependency modeling between PDs and macroeconomic variables, which often proves to be cumbersome and unstable.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
