EBA欧洲银行-C1-Gaffney2C20Kelly2C20McCann-A-transitions-based-framework_13页_858kb

总结：基于转移的预期信用损失估算框架

核心内容

本文提出了一种基于转移的框架，用于估算预期信用损失（ECL），并强调了该框架相较于传统方法的改进之处。该框架使用Markov多状态模型（MSM），允许贷款在不同状态之间进行转移（如从“正常”到“违约”或从“违约”到“收回”），从而更精确地建模信用风险的变化过程。

主要观点

• 模型目的：该框架旨在通过建模贷款级别的状态转移，提供更准确的预期信用损失估算。
• 传统方法的局限性：传统的逻辑回归模型（logit model）无法有效建模贷款在不同状态之间的转移，因此需要一种新的方法。
• 转移模型的优势：多状态模型可以捕捉贷款在不同时间点的违约和回收行为，提供更细致的信用损失预测。
• 连续时间模型：Lando和Skodeberg（2002）提出的连续时间转移矩阵模型被采用，相较于离散时间或队列方法，能更好地处理罕见事件的估计问题。
• 转移概率计算：转移概率由生成矩阵（generator matrix）计算得出，其中的元素是最大似然估计，考虑了贷款在不同状态中停留的总时间（即“企业年数”）。
• 协变量的影响：模型中考虑了多种协变量，包括银行ID、购房类型、利率类型、贷款发行时间（Vintage）、当前利率、违约时间、当前贷款价值比（LTV）和失业率等，这些协变量对违约概率（PD）和回收概率（PCure）有显著影响。
• EAD（违约时敞口）的计算：EAD的计算考虑了贷款的偿还计划，包括利息率、贷款期限、固定利率期和利息-only期，同时用户可输入预付率。
• LGD（违约损失率）的计算：LGD不仅依赖于违约后的损失，还考虑了回收率（PCure）和清算损失（LGL）。LGL通过未来贷款本金余额和房价预测计算，同时纳入了火 sale 折扣和收回成本。
• 时间因素的重要性：违约后的时间对回收概率（PCure）有显著影响，因此模型需要考虑时间自违约以来的变化。此外，模型还允许对损失在时间范围内的精确分配，如三年内的损失分布。

关键信息

• 模型结构：使用连续时间转移矩阵模型，基于生成矩阵计算转移概率。
• 协变量：包括银行ID、购房类型、利率类型、Vintage、当前利率、违约时间、LTV和失业率等，这些因素对PD和PCure有影响。
• EAD模型：考虑贷款的偿付计划和预付率，允许动态或静态的资产负债表假设。
• LGD模型：基于回收率（PCure）和清算损失（LGL）计算，其中LGL通过未来LTV和房价预测得出。
• 模型特点：允许贷款在不同状态之间转移，提供更精确的损失预测；支持贷款级别的EAD、PD和LGD计算，比基于整个组合的模型更细致。

图表说明

• 图1：展示了一个假设的正常贷款在三年内的现金流变化，包括违约股票（DS）和回收（REPO）情况。
• 图2：显示了回收概率（PCure）随违约时间的变化情况，表明违约时间越长，回收概率越低。
• 图3：展示了住房权益（LTV）在违约概率（PD）和回收概率（PCure）中的作用，表明LTV越高，违约概率越低，回收概率越高。

结论

该基于转移的框架为估算预期信用损失提供了一种更精确、更动态的方法，能够捕捉贷款在不同状态之间的转移行为，同时考虑多种协变量的影响。它允许对损失在时间范围内的精确分配，并支持贷款级别的详细分析，从而提高了信用风险建模的准确性和实用性。