Credit Risk: Modeling, Valuation and Hedging

Bielecki, Tomasz R.; Rutkowski, Marek

doi:10.1007/978-3-662-04821-4

Cited by 655 publications

(921 citation statements)

References 19 publications

Supporting

Mentioning

909

Contrasting

Unclassified

Order By: Relevance

“…Three, behavioral finance has flourished and the literature has documented many investor characteristics, including downside loss aversion (see Kahneman and Tversky (1979)). Fourth, with the downturn in equity markets and the development of new tools to evaluate credit risk (see Bielecki and Rutkowski (2001)), fixed income portfolio management has become more conducive to quantitative analysis. Due to heavy left tails for bonds distributions, mean-variance (M-V) portfolio analysis is less useful in this context.…”

Section: Introductionmentioning

confidence: 99%

Downside Loss Aversion and Portfolio Management

Jarrow

Zhao

2005

SSRN Journal

View full text Add to dashboard Cite

Downside loss averse preferences have seen a resurgence in the portfolio management literature. This is due to the increasing usage of derivatives in managing equity portfolios, and the increased usage of quantitative techniques for bond portfolio management. We employ the lower partial moment as a risk measure for downside loss aversion, and compare mean-variance (M-V) and mean-lower partial moment (M-LPM) optimal portfolios under non-normal asset return distributions. When asset returns are nearly normally distributed, there is little difference between the optimal M-V and M-LPM portfolios. When asset returns are non-normal with large left tails, we document significant differences in M-V and M-LPM optimal portfolios. This observation is consistent with industry usage of M-V theory for equity portfolios, but not for fixed income portfolios.

show abstract

Section: Introductionmentioning

confidence: 99%

Downside Loss Aversion and Portfolio Management

Jarrow

Zhao

2005

SSRN Journal

View full text Add to dashboard Cite

show abstract

“…Ключовим завданням побудови математичної моделі кредитного ризику є оцінювання розподілу збитків усього агрегованого кредитного портфеля. Це так звані системи скорингу [4,5].…”

Section: вступunclassified

Estimation of credit risks using the data mining methods

Danylov¹,

Jirov²,

Bidyuk³

2017

SRIT

View full text Add to dashboard Cite

Анотація. Проаналізовано кредитні ризики фінансових організацій за допомо-гою методів інтелектуального аналізу даних. Фактичні статистичні дані, які характеризують позичальників кредитів, використано для побудови математич-них моделей у формі рівнянь типу логіт, дерев рішень і байєсівських мереж. Якість побудованих моделей проаналізовано за множиною належних статис-тичних критеріїв, які забезпечують основу для вибору кращої альтернативної моделі. Із використанням двох вибірок банківських даних виконано ряд обчис-лювальних експериментів і виявлено кращі моделі у формі рівнянь типу логіт і байєсівські мережі. Передбачається розширити множину методів побудови ма-тематичних моделей і реалізувати ідею комбінування оцінок, згенерованих за альтернативними методами. Обґрунтовано доцільність розроблення та реалі-зацію спеціалізованої системи підтримання прийняття рішень для виконання досліджень у галузі оцінювання та прогнозування фінансових ризиків.Ключові слова: кредитний ризик, статистичні дані, логіт-модель, байєсівські мережі, параметри якості моделей. ВСТУПДля того, щоб ефективно управляти кредитними ризиками, необхідно вміти точно вимірювати їх. Існує досить велика множина методів і моделей оці-нювання кредитного ризику. Для створення системи управління кредитним ризиком банки спираються на власний досвід та напрацювання.Натепер існує багато моделей оцінювання кредитоспроможності на під-ставі ринкових показників, а саме: моделі Блека-Шоулза-Мертона [1, 2]. Перевагами таких моделей є висока прогнозна спроможність, абсорбувальна інформація про позичальника, доступна всім інвесторам, присутнім на рин-ку. Недоліками є те, що інформація про позичальника є відповідною лише за умови ефективності ринку, потрібний великий масив даних. Ці методи реалізовані на практиці у вигляді програмного продукту CreditMonitor.Підходи до розроблення моделей для оцінювання кредитоспроможнос-ті на підставі фундаментальних показників ґрунтуються на макроекономіч-них показниках, фінансових показниках та на даних рейтингових агентств. Особливостями таких підходів є те, що вони враховують циклічність еконо-міки, дають змогу отримувати довгострокову оцінку, виконувати крос-

show abstract

“…Structural models originated with [2,3] and reduced form models originated with [4], and subsequently studied by [5,6] among others. These models are viewed as competing (see [7,8,9,10]), and there is a heated debate in the professional and academic literature as to which class of models is best [11].…”

Section: Introductionmentioning

confidence: 99%

Estimating Default Correlations Using Simulated Asset Values

Antwi¹

2015

SJAMS

View full text Add to dashboard Cite

Abstract:We outline the ingredients necessary to compute the Joint Default Probability from which we obtain Default Correlation, an important risk quantity in the determination of Internal Rating Based Approach in Basel II and III documents on banking supervision and regulations. We discuss Merton's structural approach of which one key drawback is the difficulty in tracking and calibrating asset value processes and the limitations of variant models which tend to be analytically too complex and computationally intensive. We address these issues by simulating all the possible asset value processes of a firm whose asset paths we assume to be Gaussian. By generating random values that simulate all the possible asset value processes, we are able to capture all the possible default horizons within a certain macroeconomic framework. Drawing standardised normally distributed assets values of obligors we obtain a range of values of Joint Default Probabilities at a specified asset correlation from which the corresponding range of default correlations are obtained. The results is a simplified approach to the determination of default correlation, easily implementable in Excel and less analytically complicated than existing procedures.

show abstract

Credit Risk: Modeling, Valuation and Hedging

Cited by 655 publications

References 19 publications

Downside Loss Aversion and Portfolio Management

Downside Loss Aversion and Portfolio Management

Estimation of credit risks using the data mining methods

Estimating Default Correlations Using Simulated Asset Values

Contact Info

Product

Resources

About