主要内容

默认模型的暴露概述

违约风险敞口(EAD)是指当债务人拖欠贷款时，银行的损失风险敞口(违约时的余额)。

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，有几种不同类型的EAD模型。风险管理工具箱™支持:

  • 回归模型——这些是线性回归模型，其中响应是EAD数据的转换。有关受支持转换的更多信息，请参见回归．

  • Tobit模型——这是对响应值有明确限制的删除回归模型。支持左侧、右侧或两侧的审查。有关更多信息，请参见托比特书．

  • Beta模型——这些Beta回归模型对响应值有明确的限制。支持左侧、右侧或两侧的审查。有关更多信息，请参见β．

模型开发与验证

风险管理工具箱通过一系列类支持EAD模型的建模和验证:

受支持的模型类型为回归，托比特书,β模型。

EAD分析的典型建模工作流包括:

  1. 数据准备

    在实践中，EAD建模的数据准备工作需要大量的工作。数据准备需要整合账户信息、从多个数据源提取数据、考虑回收、直接和间接成本、确定贴现率以确定观察到的EAD值。也有关于预测器转换和筛选的工作。有很多工具可用于处理丢失的数据(使用fillmissing)，处理异常值(使用filloutliers)，并执行其他数据准备任务。数据准备的输出是一个训练数据集，其中包含预测器列和包含EAD值的响应列。

  2. 模型拟合

    使用fitEADModel函数来拟合EAD模型。您必须使用前面准备的数据并选择模型类型。可选输入允许您指明限制(LimitVar)和绘制(DrawnVar)的值回归，托比特书,或β模型。限额取决于贷款数额。如果是信用卡，限额就是信用限额，如果是抵押贷款限额就是初始贷款金额。一般来说,LimitVar是可以借到的最大金额。DrawnVar为违约前观察时账户上的余额，EAD为违约时的余额。此外，您可以指定模型描述，还可以指定模型ID或标记，以便在模型验证期间进行报告。

  3. 模型验证

    模型验证涉及多个任务，包括

    • 对象中存储的基础统计模型“UnderlyingModel”财产的回归，托比特书,或β对象。

    • 在训练数据或测试数据上测量模型识别率modelDiscrimination函数。控件生成可视化modelDiscriminationPlot函数。可以对数据进行分割，以衡量不同部门之间的差别。

    • 在训练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。你也可以将残差形象化。

  4. 一旦您开发并验证了EAD模型，您就可以将它用于生命周期ECL分析。的预期信用损失计算的例子,portfolioECL演示计算ECL的基本工作流程。

参考文献

[1]贝森斯，巴特，丹尼尔·罗施，哈拉尔德·舒勒。信用风险分析:SAS中的测量技术、应用和实例。威利,2016年。

[2]贝里尼,Tiziano。国际财务报告准则9和CECL信用风险建模和验证:R和SAS实例的实用指南。加州圣地亚哥:爱思唯尔，2019年。

[3]布朗,伊恩。利用SAS企业Miner和SAS/STAT建立信用风险模型:理论与应用。SAS研究所,2014年。

[4] Roesch, Daniel和Harald Scheule。深的信用风险。独立出版,2020年。

另请参阅

|||||||||

相关的例子

更多关于

Baidu
map