您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[IMF]:实时监控私有企业的违约风险 : 信号 - 知识迁移学习模型 - 发现报告
当前位置:首页/其他报告/报告详情/

实时监控私有企业的违约风险 : 信号 - 知识迁移学习模型

2024-06-07IMF苏***
实时监控私有企业的违约风险 : 信号 - 知识迁移学习模型

实时监控私营公司的违约风险 一种信号-知识迁移学习模型 JorgeA.Chan-Lau,若飞,LucaMungo,RitongQu,WeiningXin,ChengZhong WP/24/115 货币基金组织工作文件描述了作者正在进行的研究,并发表了这些论文,以引起评论并鼓励辩论。 基金组织工作文件中表达的观点是作者的观点,不一定代表基金组织、其执行董事会或基金组织管理层的观点。 2024 JUN ©2024国际货币基金组织WP/24/115 IMF工作文件 EUR 实时监控私有企业的违约风险:信号-知识迁移学习模型 由JorgeA.Chan-Lau,Hu若飞,LucaMungo,曲丽通,信威宁和程中编写* 由RachelNvanElkan授权分发 2024年6月 货币基金组织工作文件描述了作者正在进行的研究,并发表了这些论文,以引起评论并鼓励辩论。基金组织工作文件中表达的观点是作者的观点,不一定代表基金组织、其执行董事会或基金组织管理层的观点。 摘要:我们开发了一种混合频率,基于树的梯度提升模型,旨在实时评估私营企业的违约风险。该模型使用来自上市公司的数据来构建违约概率(PD)函数。该功能将高频,基于市场的总体遇险信号与低频,公司级财务比率和宏观经济指标集成在一起。当提供私人公司的财务比率时,我们将其命名为信号-知识转移学习模型(SKTL)的模型将从3.5万家公开交易的公司获得的见解转移到超过400万家私人持有的公司,并作为私人持有公司的违约风险的顺序度量。 JEL分类号: E43、E47、G33 关键字: 违约风险;公司部门;私营公司;梯度提升;迁移学习 作者的电子邮件地址: ChanLau,jchanlau@gmail.com和Jorg.Chan-Lau@amro-asia.org;Hu,hrfevan@gmail.com;Mungo,mungo@muts.ox.ac.uk;Qu,rqu@imf.org;Xin,WXin@imf.org;Zhong@imf.org *本文表达的观点是作者的观点,不一定反映AMRO,IMF,INET,其董事会或管理层的观点。作者要感谢AlexanderCopestake,BorjaGracia ,MarcoGross,SrobonaMitra和LauraValderrama的好评。所有错误和遗漏仅由作者负责。 工作文件 实时监控私营公司的违约风险 一种信号-知识迁移学习模型 由JorgeA.Chan-Lau,Hu若飞,LucaMungo,曲丽通,信威宁和程忠1 编写 1“本文表达的观点是作者的观点,不一定反映AMRO,IMF,INET,其董事会或管理层的观点。作者要感谢AlexanderCopestake,BorjaGracia,MarcoGross,SrobonaMitra和LauraValderrama的好评。所有错误和遗漏仅由作者负责。 1Introduction 对企业违约风险的可靠评估是信贷分析师、贷款人员、审计师和风险管理者的一项重要任务。评估确定贷款条款 ,筛选资不抵债和高风险借款人,并有助于充分管理信贷风险。当市场状况迅速恶化时,例如在危机事件和经济衰退期间,实时违约风险评估变得至关重要。即使在没有危机或衰退的情况下,金融状况也会迅速恶化。例如,在后COVID-19大流行期间,高通胀的威胁促使各国央行迅速加息,增加了融资和借贷成本。这种情况威胁到非金融企业部门的生存能力,由于借款人受益于2008年全球金融危机后的低利率环境,非金融企业部门的债务水平翻了一番。,2021)。 孤立地说,企业违约危机不会像银行危机那样严重地影响实体经济(Gieseckeetal.,2014)。然而,企业部门的广泛违约可能会困扰银行部门,并对金融稳定构成风险。因此,及时监测企业层面的违约风险应该是宏观金融监督的关键要素。 由于市场数据的丰富,评估交易所上市和公开交易公司的违约风险很容易。目前,一些商业公司使用他们的交易证券的市场价格和资产负债表信息从他们的公司报告为这些公司提供违约概率(PD)估计。相比之下,要获得私人持有的非上市公司的信用评级或信用风险评估是昂贵且困难的。此外,当评级和评估可用时,它们很少更新,并且有很大的延迟。这使得它们不适合实时监控风险。 这是一个不幸的情况,因为私营公司的重要性使上市公司相形见绌。超过99%的公司在欧洲和美国没有在股票市场上市,但占经济的重要部分(安德森,2009;Kalemli-Ozca等人。,2020)。还有证据表明,交易所上市公司对美国经济的重要性正在下降,对就业和GDP的贡献正在萎缩(Schligema和Stlz,2022),这一趋势可能出现在其他经济体中。在公司信用风险及其对宏观经济和金融稳定的影响的背景下,私营公司构成的风险与上市公司构成的风险相当。1 自然会出现两个问题。适合少数公开交易公司的市场信号和模型能否提供有关较大部分私人持有公司的违约风险的有见地的信息?如果是这种情况,这些模型是否适合实时风险监控? ThispaperaddressesbothquestionsbyintroducingtheSignals-KnowledgeTransferLearning(SKTL)Model.withinthismodel,“signals”referstothereal-timefinancialconditionofpublic 1在本文涵盖的20个经济体中,有13个经济体的私人持股公司的总资产超过了上市公司的总资产。 交易公司,用基于市场价格的违约概率来概括。“知识”表示将上市公司的特征映射到其PD的功能形式。“迁移学习” 是关于将这种方法应用于私营公司。因此,本文以两种重要的方式为估计私人持股公司的PD的文献做出了贡献。首先 ,该方法使用该行业内公司的基于市场的PD计算每个行业部门的“平均”违约概率。然后,该平均值用于预测私人持股公司的违约概率,从而增强了对其财务困境的实时评估。其次,它将功能映射从公开交易公司的特征转移到PD到私有公司的领域,从而允许在不需要其默认数据的情况下估算私有公司的PD。 SKTL模型建立在这样的前提下,尽管公开交易和私人持有公司之间存在差异,尽管公开交易和私人持有公司之间存在差异,但将公司特征与其默认概率联系起来的功能形式可能是相似的。这种相似性表明,财务状况指标的变化,如资产负债表变量,以可比的方式影响两种类型的企业的违约风险。例如,杠杆率的增加预示着上市公司和私人持股公司的财务困境正在加剧。因此,了解上市公司的PD功能将有助于我们了解私有公司的PD。这个概念与机器学习中的迁移学习相似,在机器学习中,从解决一个问题中获得的知识被重新用于解决一个不同的,尽管相关的问题(Weiss等人。,2016)。 SKTL模型作为协变量包括:宏观经济变量;“平均”,即公开交易公司的特定部门PDs(从现在开始,部门PDs);以及可用于公开和私有公司的特定公司特征。这些特定于公司的特征通常来自资产负债表数据和损益表,是预测公司违约的模型的标准。但是,它们通常会延迟报告,并且仅每年或每半年更新一次。通过包括高频宏观经济变量和总部门PD,该模型可以更及时地评估公司的违约风险。这是因为公司的财务健康状况受到更广泛的经济状况和整个行业的风险趋势的影响,因此及时更新对于准确的风险评估至关重要。包括部门PDs的重要性不能被夸大,因为年中观察有助于“owcast”私人持股公司财务比率的逐年变化。2不同的数据频率需要将PD模型设置为基于混合频率树的梯度提升模型。我们选择LightGBM模型(Ke等人,2017a),因为其在面板设置中的鲁棒性能(Barboza等人,2017)。 Arguably,thePDofprivateholdedfirmsgeneratedbythemodelmightbebiasedvis-a-vispublictradedfirmssincetheyhaverestrictedaccesstoequityfinancing.ThePD,however,canstillserveasanordinalmeasureoffirms,andallow 2行业或部门效应对于预测破产很重要-参见例如Chava和Jarrow(2004)。 跨公司和时期的财务困境。此外,如果数据中存在分布变化,则SKTL模型可能会受到不利影响-以公司的特征为条件,私有公司的PD的目标条件分布与公开交易的公司不同。3 为了评估分配转移是否是一个问题,我们构建了一个私人持股公司违约事件的数据集,涵盖11个发达经济体-法国,德国,香港,意大利,日本,韩国,荷兰,新加坡,西班牙,英国和美国-以及9个新兴市场经济体 -巴西,中国,印度,马来西亚,菲律宾,波兰,泰国,俄罗斯和越南。4好的 SKTL模型在此数据集上的性能使我们能够为超过300万家私有公司生成实时PD估计,而用于估计该模型的3 万家公开交易公司。 本文的其余部分组织如下。第二节回顾了相关的学术文献,为本文的贡献提供了背景。第3节介绍用于分析的数据。第4节通过研究基于市场的公开交易公司PD如何帮助预测私人交易公司的盈利能力,流动性和偿付能力的关键措施来激励部门PD作为预测因子。第5节描述了模型估计和评估。第6节显示了两个案例研究,并评估了模型的实时性能。第7节结束。 2文献综述 本文涉及到公司违约预测和风险估计的学术文献。现代建模方法可以分为两类:结构风险模型和简化形式模型 。5结构风险方法建立在默顿(1974)和布莱克和斯科尔斯(1973)首先指出的见解上,即公司资本结构的两个主要组成部分,债务和股权,是公司基础资产价值的衍生证券。结构性信用风险模型中得出的一个关键风险度量是距离违约(DD),这是一种波动性调整后的杠杆比率,可量化公司对债权人的欠款可用缓冲。6 简化形式或基于强度的方法将公司的违约率建模为特定公司和更广泛的经济变量的函数。这些模型的早期例子包括Jarrow和Turnbull(1995),Madan和Unal(1998),Lando(1998),Duffie和Singleton(1999) 。简化形式模型在数值上易于处理,因为它们与动态期限结构模型非常相似。 3SeeStorkey(2009)和Ben-David等人(2010)讨论了分布变化及其对模型性能的影响。 4违约事件的数量不足以估计专门针对私有公司的模型。 5Bakshi等人(2022)提供了对建模方法和估计方法的最新调查。 6DD被一些风险提供者广泛使用,例如穆迪分析(Crosbie和Boh,2002)和新加坡国立大学的信用研究计划(Da和Wag,1994)。由于企业的经济资产价值是一个潜在变量,因此提出了几种方法来使用股票价格和资产负债表数据来估计它,例如最大似然(Da,1994)和迭代方法(Vassalo和Xig,2004)。一旦估计了资产价值,就可以计算DD。 与结构模型相比,它们可以包含更多的协变量。然而,它们通常缺乏经济可解释性,因为根据设计,这些模型优先考虑统计拟合而不是理论接地。 关于公司失败预测的早期工作,例如Beaver(1966)和Altman(1968)的开创性论文,提出了依靠基于会计的财务比率来评估公司失败的似然性的模型。相比之下,现代的违约风险模型,无论是结构的还是降低的 ,都是使用基于会计的数据和公司发行的证券的市场价格来估计的。7在其他Hillegeist等人(2004年)、Bharath和Shumway(2008年)、Duffie等人(2007年)和Campbell等人(2008年)中,一些研究表明,使用市场和会计数据的模型优于仅使用后者的模型。 信用风险建模的进展主要集中在上市公司,要么是因为模型必须使用基于市场的数据进行校准,要么是因为目标是复制这些实体发行的证券的观察价格。对私有公司的违约风险进行建模的研究并没有以同样的速度进行。如果没有基于市场的信息,除非建模者采用一些