کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7356557 | 1478284 | 2018 | 41 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Exposure at default modeling - A theoretical and empirical assessment of estimation approaches and parameter choice
ترجمه فارسی عنوان
قرار گرفتن در معرض مدل سازی پیش فرض - ارزیابی نظری و تجربی از روش های برآورد و انتخاب پارامتر
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
ترجمه چکیده
برآورد ریسک اعتبار ریسک در معرض پیش فرض برای بانک ها از مدیریت ریسک داخلی و چشم انداز نظارتی مهم است. رویکردهای متعددی در ادبیات و در عمل معمول است. ما از لحاظ تئوری و تجربی آنرا تحلیل می کنیم که چگونه قرار گرفتن در معرض پیش فرض باید مدل سازی شود تا برآوردهای دقیق از ضرر انتظاری بدست آید. تجزیه و تحلیل تجربی ما بر اساس یک مجموعه داده های بزرگ و منحصر به فرد از نمونه کارها خرده فروشی یک بانک اروپایی است. ما نشان می دهیم که بعضی از روش ها می توانند برآوردهای قابل ملاحظه ای از برآوردهای احتمالی منجر شود و نشان دهندۀ این است که رویکرد کوهورت تعمیم یافته سودمند است. علاوه بر این، با استفاده از تجزیه و تحلیل های داخل و خارج از نمونه، ما تجربی نشان می دهد که با استفاده از ضریب تبدیل اعتباری، نسبت به عامل معادل وام، قرار گرفتن در معرض عامل پیش فرض و مواجه مستقیم با تخمین پیش فرض برای دستیابی به دقت برآورد بالا، ترجیح داده می شود.
موضوعات مرتبط
علوم انسانی و اجتماعی
اقتصاد، اقتصادسنجی و امور مالی
اقتصاد و اقتصادسنجی
چکیده انگلیسی
Estimating the credit risk parameter exposure at default is important for banks from an internal risk management and a regulatory perspective. Several approaches are common in the literature and in practice. We theoretically and empirically analyze how the exposure at default should be modeled to obtain accurate estimates of the expected loss. Our empirical analysis is based on a large and unique dataset from a retail portfolio of a European bank. We demonstrate that some approaches can lead to substantially biased estimates of the expected loss and show that the generalized cohort approach is advantageous. Moreover, using in- and out-of-sample analyses, we empirically demonstrate that using the credit conversion factor is preferable to the loan equivalent factor, exposure at default factor, and direct exposure at default estimation to achieve high estimation accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Banking & Finance - Volume 91, June 2018, Pages 176-188
Journal: Journal of Banking & Finance - Volume 91, June 2018, Pages 176-188
نویسندگان
Marc Gürtler, Martin Thomas Hibbeln, Piet Usselmann,