Dans cet article, nous avons couvert l’essentiel des étapes du développement d’un modèle de Shadow Rating pour les grandes entreprises. Après une analyse univariée du pouvoir prédictif de 20 variables financières (18 ratios, la taille et le secteur) sur un échantillon de 1101 notes de crédit émises par les quatre agences S&P, Moody’s, Fitch et DBRS, nous avons sélectionné un ratio par famille de risque pour estimer le modèle multifactoriel. Avec des taux de réplication à un cran près sur l’échantillon d’apprentissage de 89,5%,et sur l’échantillon de test de 87,3%,ce modèle semble largement capable d’expliquer et prédire la note des grandes entreprises à partir de leurs états financiers et de leurs secteurs. Les solutions que nous proposons viennent compléter la littérature en proposant un modèle de Shadow Rating conforme aux exigences actuelles de la CRR et à celles de Bâle III finalisé (BCBS, 2017) qui seront applicables à partir du 1er janvier 2023. Notre article est également un appel et une première pierre pour des dialogues plus transparents et des débats scientifiquement robustes entre agences de notation, banques et chercheurs en modèles de notation.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.