![[img]](https://epub.uni-regensburg.de/style/images/fileicons/application_pdf.png) | Lizenz: Veröffentlichungsvertrag für Publikationen ohne Print on Demand (15MB) |
- URN zum Zitieren dieses Dokuments:
- urn:nbn:de:bvb:355-epub-376000
- DOI zum Zitieren dieses Dokuments:
- 10.5283/epub.37600
| Dokumentenart: | Hochschulschrift der Universität Regensburg (Dissertation) | ||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Open Access Art: | Primärpublikation | ||||||||||||||
| Datum: | 16 August 2018 | ||||||||||||||
| Begutachter (Erstgutachter): | Prof. Dr. Daniel Rösch | ||||||||||||||
| Tag der Prüfung: | 11 Juli 2018 | ||||||||||||||
| Institutionen: | Wirtschaftswissenschaften > Institut für Betriebswirtschaftslehre Wirtschaftswissenschaften > Institut für Betriebswirtschaftslehre > Lehrstuhl für Statistik und Risikomanagement (Prof. Dr. Rösch) | ||||||||||||||
| Verwandte URLs: |
| ||||||||||||||
| Klassifikation: |
| ||||||||||||||
| Stichwörter / Keywords: | risk management; credit risk; bank loans; resolution bias; time to resolution; default resolution time; loss given default; systematic effects; random effects; latent factors | ||||||||||||||
| Dewey-Dezimal-Klassifikation: | 300 Sozialwissenschaften > 310 Statistik 300 Sozialwissenschaften > 330 Wirtschaft | ||||||||||||||
| Status: | Veröffentlicht | ||||||||||||||
| Begutachtet: | Ja, diese Version wurde begutachtet | ||||||||||||||
| An der Universität Regensburg entstanden: | Ja | ||||||||||||||
| Dokumenten-ID: | 37600 |
Zusammenfassung (Englisch)
This cumulative doctoral thesis contributes to the broad literature on credit risk management and regulation. Following Basel II / III, financial institutions are allowed to use own estimates of central credit risk parameters to calculate their capital needs. Besides the probability of default (PD) and the exposure at default (EAD), the loss given default (LGD) is in the focus of modeling efforts ...
Zusammenfassung (Englisch)
This cumulative doctoral thesis contributes to the broad literature on credit risk management and regulation. Following Basel II / III, financial institutions are allowed to use own estimates of central credit risk parameters to calculate their capital needs. Besides the probability of default (PD) and the exposure at default (EAD), the loss given default (LGD) is in the focus of modeling efforts in the advance Internal-Rating-Based (IRB) approach of Basel II / III. Most of the academic LGD literature applies market-based LGDs which are calculated based on market prices of defaulted debt instruments. Considering loan contracts, only workout LGDs are available in most of the cases. These are calculated based on actual recovery payments and differ considerably from market-based LGDs. First, workout LGDs are characterized by an even more extreme distributional form. Multi-modality seems to be more pronounced and bindings at no and total loss arise more commonly. Second, systematic effects among workout LGDs deviate stronger from the economic cycle. This entails a hampered identification of statistically significant / evident macroeconomic variables which is of high relevance in the light of the need for downturn estimates, i.e., estimates which reflect adverse economic surroundings. Third, workout LGDs are shaped by the resolution bias. Assuming positive dependencies of default resolution times (DRT) and LGDs, bad loan contracts are characterized by long DRTs and high LGDs. These loans are underrepresented at the end of the observation period as only LGDs of loans with short DRTs and, thus, low LGDs are observable. This might entail parameter distortions and, consequently, an underestimation of LGDs.
Thus, the consideration of DRTs is crucial in the context of workout LGDs. This thesis aims to shed light on modeling DRTs and, subsequently, workout LGDs. It consists of four independent research papers. The first two papers (What drives the time to resolution of defaulted bank loans? and Macroeconomic effects and frailties in the resolution of non-performing loans) focus on DRTs, whereas, the third paper (Systematic effects among LGDs and their implications on downturn estimation) presents a sophisticated modeling approach for LGDs which aims to provide adequate downturn predictions by considering common characteristics of workout LGDs. In the fourth paper (Time matters: How default resolution times impact final loss rates), a joint modeling approach for DRTs and LGDs is developed. Hereby, effects of the resolution bias are diminished. This approach succeeds to generate adequate LGD predictions for unresolved loans – so called LGDs-in-default – and outperforms pure (standard) LGD models on an out of sample perspective.
Übersetzung der Zusammenfassung (Deutsch)
Diese Doktorarbeit liefert einen Beitrag zur umfangreichen Literatur des Kreditrisikomanagements und der Kreditrisikoregulierung. Nach Basel II / III ist es Finanzinstitutionen gestattet ihre Eigenkapitalunterlegung basierend auf eigenen Schätzungen für die zentralen Kreditrisikoparameter zu kalkulieren. Neben der Ausfallwahrscheinlichkeit (probability of default, PD) und dem ausstehenden ...
Übersetzung der Zusammenfassung (Deutsch)
Diese Doktorarbeit liefert einen Beitrag zur umfangreichen Literatur des Kreditrisikomanagements und der Kreditrisikoregulierung. Nach Basel II / III ist es Finanzinstitutionen gestattet ihre Eigenkapitalunterlegung basierend auf eigenen Schätzungen für die zentralen Kreditrisikoparameter zu kalkulieren. Neben der Ausfallwahrscheinlichkeit (probability of default, PD) und dem ausstehenden Kreditbetrag (exposure at default, EAD) steht die Modellierung von Verlustquoten (loss given default, LGD) im Zentrum des fortgeschrittenen Internal-Rating-Based (IRB) Ansatzes nach Basel II / III. Ein Großteil der LGD Literatur verwendet market-based LGDs, die basierend auf Marktpreisen ausgefallener Schuldtitel berechnet werden. Im Falle von Kreditverträgen sind meist nur workout LGDs verfügbar, Diese werden auf Basis von tatsächlichen Rückzahlungen während des Abwicklungsprozesses berechnet und unterscheiden sich deutlich von market-based LGDs. Zum einen sind workout LGDs durch eine extremere Verteilung charakterisiert – Multi-Modalität scheint ausgeprägter zu sein und Bindungen bei einem Verlust von 0% und 100% sind geläufiger. Zum anderen unterscheiden sich systematische Effekte in workout LGDs stärker vom ökonomischen Zyklus. Dies zieht eine erschwerte Identifizierung von statistisch signifikanten / evidenten makroökonomischen Variablen nach sich. Vor dem Hintergrund der Forderung nach Downturnschätzungen, d.h., Schätzungen, die eine ungünstige Realisierung des ökonomischen Umfeldes wiederspiegeln, zeigt sich dessen Relevanz. Letztendlich sind workout LGDs durch den Resolution Bias geprägt. Unter der Annahme negativer Abhängigkeiten zwischen Abwicklungszeiten (default resolution times, DRTs) und LGDs sind schlechte Kredite durch lange DRTs und hohe LGDs charakterisiert. Diese Kredite sind gegen Ende der Beobachtungsperiode unterrepräsentiert, da nur LGDs von Krediten mit kurzen DRTs und dementsprechend geringen LGDs beobachtbar sind. Dies kann zu Parameterverzerrungen und folglich zu einer Unterschätzung von LGDs führen.
Grundsätzlich ist die Berücksichtigung von DRTs im Kontext von workout LGDs wesentlich. Diese Doktorarbeit beleuchtet die Modellierung von DRTs und nachfolgend workout LGDs. Sie besteht aus vier unabhängigen Forschungspapieren. Die ersten beiden Papiere (What drives the time to resolution of defaulted bank loans? und Macroeconomic effects and frailties in the resolution of non-performing loans) stellen die DRT in den Fokus. Das dritte Papier (Systematic effects among LGDs and their implications on downturn estimation) präsentiert einen fortschrittlichen Modellierungsansatz für LGDs, der adäquate Downturn Prognosen liefern soll. Hierbei werden die Besonderheiten von workout LGDs berücksichtigt. Im vierten Papier (Time matters: How default resolution times impact final loss rates) wird ein gemeinsamer Modellierungsansatz für DRTs und LGDs entwickelt. Hierdurch gelingt es Effekte des Resolution Bias zu vermindern und adäquate LGD Prognosen für noch in der Abwicklung befindliche Kredite zu generieren. Letztere werden auch als LGDs-in-default bezeichnet. Prognosen auf Basis des gemeinsamen Modellierungansatzes zeigen eine bessere out-of-sample Performance im Vergleich zu jenen basierend auf einem reinen (standardmäßigem) LGD Modell.
Metadaten zuletzt geändert: 26 Feb 2021 07:06
Nur für Besitzer und Autoren: Kontrollseite des Eintrags
Downloadstatistik