EBA欧洲银行-E.-Gaffney2C20R.-Kelly2C20F.-McCann-A-transitions-based-frameword-for-estimating-expected-credit-losses_29页_1mb

详细总结：基于状态转移的预期信用损失估计框架

核心内容

本文提出了一种基于状态转移的框架，用于估计住宅抵押贷款的预期信用损失（ECL）。该框架通过建模贷款在不同状态（如正常和违约）之间的转移概率，结合宏观经济变量和贷款层面的协变量，提供了对贷款违约和恢复概率的动态预测。该模型允许在不同时间范围内对现金流进行详细分析，并能够模拟贷款修改对回收率的影响。

主要观点

• 该框架使用Markov多状态模型，在连续时间下估计状态转移概率，从而能够更准确地捕捉违约和恢复的动态过程。
• **违约概率（PD）和恢复概率（PCure）**受到宏观经济变量（如失业率、房价、利率）和贷款层面协变量（如贷款年龄、贷款类型、银行、贷款对价值比（LTV））的影响。
• 时间在违约状态中的影响（Time Since Default, TSD）是模型的一个关键特征，即随着时间在违约状态中延长，贷款恢复的可能性降低，这体现了滞后效应（hysteresis effect）。
• 与传统的静态离散选择模型（如Logit）相比，该模型能够更准确地估计现金流，并避免对模型进行人为假设或叠加处理。

关键信息

1. 模型特点

• 状态转移模型：该模型不仅追踪贷款违约，还追踪贷款从违约状态恢复的过程。
• 协变量影响：模型中包含的协变量如失业率、LTV、利率、贷款类型（如Buy-to-Let）、银行、贷款发行时间（vintage）等，均对状态转移概率产生影响。
• 时间滞后效应：模型中明确考虑了“时间在违约状态中的影响”（TSD），即违约时间越长，恢复概率越低。例如，在爱尔兰，从3个月违约到1年违约，恢复概率从30%下降到12%。
• 现金流引擎：模型可以模拟贷款在不同时间点的现金流，包括违约和恢复的流动、本金偿还、损失发生等。
• 损失给违约（LGD）建模：结合贷款抵押品信息和宏观房价预测，模型能够在三年范围内计算损失。

2. 数据来源

• 爱尔兰：自2011年起，中央银行爱尔兰（CBI）接收参与“金融措施计划”（FMP）的银行提交的贷款级数据，覆盖了66%的爱尔兰抵押贷款市场。
• 英国：数据覆盖了2.01%的英国抵押贷款市场。
• 数据集构建方式：
  • 爱尔兰采用季度贷款级面板数据。
  • 英国采用月度房产级面板数据，因为2010年12月的数据仅在房产层面提交。

3. 场景设计

• 为进行贷款损失预测，需提供宏观经济情景输入，包括GDP增长率、房价通胀、失业率、债券收益率和利率。
• 基线情景：假设经济逐步改善，GDP年增长约2%，失业率降至11.4%，利率保持不变。
• 不利情景：与基线情景相比，GDP下降、失业率上升、房价下跌、债券收益率上升。
• 情景输入允许模型对不同经济环境下贷款的违约和恢复概率进行预测。

4. 模型应用

• 该模型适用于爱尔兰和英国的住宅抵押贷款，并能反映两国在金融危机后的不同市场状况。
• 模型的输出包括：正常贷款余额、违约贷款余额、违约和恢复流动、利息支付、生命周期恢复、预期损失等。
• 模型在R软件中实现，使用了MSM包进行PD估计，使用自定义GUI进行现金流计算。

5. 模型优势

• 准确性：模型能够直接从数据中估计TSD与恢复概率之间的关系，而无需依赖叠加假设。
• 动态性：模型能够追踪贷款在不同时间点的状态变化，从而更真实地反映现金流。
• 灵活性：模型允许对贷款和宏观经济变量进行细致的分析，提供更详细的预测结果。
• 会计适用性：模型能够明确预测预期损失的时间分布，便于财务报告。

6. 模型局限性

• 依赖贷款级数据，数据收集、清理和理解较为复杂。
• 模型计算过程计算量大，需要使用复杂的软件程序。

模型结构与公式

• 模型采用连续时间Markov多状态模型，其转移概率矩阵 $ Q $ 满足：
  $$
  Q = \left( \begin{array}{cc} - q_{01} & q_{01} \ q_{10} & - q_{10} \end{array} \right)
  $$
• 生成矩阵 $ \Lambda $ 与 $ Q $ 的关系为：
  $$
  Q(t) = \exp(\Lambda t)
  $$
• 模型中引入协变量的方式为：
  $$
  q_{rs}(z_{ij}) = q_{rs}^{(0)} \exp(\beta_{rs} z_{ij})
  $$

协变量列表

结论

该模型为信用风险评估提供了一种更动态、更精确的方法，特别适用于分析在金融危机后出现大量违约贷款的市场环境。通过建模TSD对恢复概率的影响，模型能够更真实地反映贷款在不同时间点的状态转移，从而为银行和监管机构提供更可靠的预期信用损失估计。