Professional Documents
Culture Documents
(Moody's) Credit Transition Model
(Moody's) Credit Transition Model
Chu kỳ của nền kinh tế có tác động đến kết quả của chỉ số xếp hạng.
Vấn đề đặt ra là tìm ra cách để điều chỉnh dự báo về việc thay đổi trong thứ tự xếp hạng
và dự báo rủi ro vỡ nợ sao cho có thể phản ánh được các dự báo về các điều kiện kinh tế
có thể xảy ra trong tương lai.
CTM cho phép người dùng có thể kết hợp các giả định khác nhau về nền kinh tế vào các
dự báo về việc thay đổi xếp hạng tín dụng trong tương lai cũng như dự báo về khả năng
vỡ nợ, mất thanh khoản.
Moody’s xây dựng 5 kịch bản để dự báo điều kiện kinh tế: 1 kịch bản cơ bản, 1 kịnh bản
tích cực, 3 kịch bản tiêu cực. Người dùng có thể tham khảo các tiêu chí định tính được
mô tả cho các kịch bản khác nhau và chọn một kịch bản cảm thấy phù hợp nhất để chạy
stress test cho danh mục cụ thể.
Người dùng cũng có thể tự nhập những dự báo của cá nhân về tình hình kinh tế hoặc lấy
dữ liệu dựa trên điều kiện kinh tế trong một hoàn cảnh lịch sử xác định.
Ngoài 2 điều kiện vĩ mô (unemployment rate forecast and high-yield spread forecast) mô
hình còn bao gồm các thông tin dự báo riêng biệt khác về một tổ chức phát hành cụ thể
như: xếp hạng hiện tại, tổ chức được nâng hạng hay hạ hạng lên xếp hạng hiện tại, thời
gian tổ chức duy trì xếp hạng hiện tại, trạng thái outlook và watch-list của tổ chức được
xếp hạng.
Phân chia 21 xếp hạng chuẩn (fine rating) thành 6 nhóm xếp hạng thô (coarse rating)
Do không đủ số liệu quan sát (số lượng công ty được moody’s xếp hạng), thay vì sử dụng
ma trận chuyển đổi chứa 441 (21^2) thông số không xác định, Moody’s sẽ tính xác suất
chuyển đổi xếp hạng theo 6 xếp hạng thô thay vì 21 xếp hạng chuẩn.
6 xếp hạng thô gồm (Aa, A, Baa, Ba, B, C)
2. Điều chỉnh mô hình từ Simple linear regression model sang Probit Order
model
(1) First, the dependent variable is rating, which is a categorical rather than
numerical variable. This means we cannot use a simple linear regression
model.
(2) In addition, there is a clear order in rating categories, with Aaa being the best,
and C being the worst, which motivates us to use a Probit Order model
(Mckelvey and Zavoina) as specified in Equations (2) and (3):
𝑌𝑖,𝑡+1 ∗ denotes the latent factor that drives dynamics in rating migration. The
model assumes when 𝑌𝑖,𝑡+1∗ exceeds/drops below a certain level 𝑐𝑗, which are
model coefficients to be estimated, the rating 𝑌 would migrate to the
corresponding coarse rating category, as seen in Equation (3). We also make the
additional assumption that 𝜀𝑖,𝑡+1 has i.i.d standard Gaussian distribution.
Once we estimate the coefficients in Equations (2) and (3), we can then calculate
the probability of 𝑌𝑖,𝑡+1 being a certain rating by using the formula in Equation
(4), where we use numerical values 1, 2,…, 6 to represent coarse rating C, B, …,
Aa
3. Xếp hạng hiện tại (cả XH thô và chuẩn) ảnh hưởng đến xác suất thay đổi
xếp hạng – Điều chỉnh mô hình
(1) The current rating 𝑌𝑖,𝑡 clearly affects the thresholds 𝑐j à estimating the
Ordered Probit model separately for observations with each one of the six
initial coarse ratings — six models in total.
(2) The initial fine rating should also have a large impact on migration between
coarse ratings. à Equation (2) introduces a set of additional explanatory dummy
variables I (Ri,t is the nth fine rating) , that indicate the starting, fine rating of
each observation. The dummy variables ‘effect allows the model to shift the
value of thresholds 𝑐𝑗, by a constant amount across 𝑗.
4. Xác định biến Z – Điều chỉnh mô hình
(1) Differentiate beta coefficients for Z across six coarse rating categories
(2) Differentiate beta coefficients for Z for financial versus non-financial
sectors
(3) Set the beta coefficients to be proportional to obligor’s squared root of RSQ,
which measures each obligor’s correlation with general systematic economic
shock in Moody’s GCorr™ model
Use this TTC (through the cycle) fine rating composition to approximate the transition
probability to each fine rating, given the transition probability to each coarse rating,
according to Equation (9)
Once we obtain the transition matrix (or vector) for a quarter, the fine rating transition
probability vector is calculated as the concatenated transition matrices, as represented in
Equation (11):
Output