Credit transition model (CTM)

Mục đích xây dựng CTM

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.

Phân loại CTM

Two basic types: issuer-based or aggregate time-series

1. Time-series models: exploit the correlation between default rates and the
macroeconomy by regressing the former on indicators of the latter. Since this
correlation is strong, and probably fairly stable, they often perform quite well for
the sample on which they are estimated. Indeed, the only objective of the model is
to “maximize fit” between the average default rate on the one hand and the state of
the economy on the other.
Disadvantage: portfolio-dependence and horizon-dependence

2. Issuer-based models: whether of Altman’s discriminant analysis type, or more

common Logit or Probit models, attempt to explain which issuers from a given set
are more likely to default over a given horizon.
Advantage: they may be used to provide a transition probability for any arbitrary
aggregation of issuers, and hence they avoid the portfolio-dependence inherent to
time-series models
But they do not avoid the horizon-dependence.

Moody’s new Credit Transition Model is an issuer-based model, but as an

application of the proportional hazards model, it is not horizon-dependent.
* Proportional hazards models are a class of survival models in statistics.
Survival models relate the time that passes, before some event occurs, to one or
more covariates that may be associated with that quantity of time. In a
proportional hazards model, the unique effect of a unit increase in a covariate is
multiplicative with respect to the hazard rate.
Moody’s new credit transition model

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.

Các bước xây dựng mô hình:

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)

Căn cứ hình thành mô hình:

EDF: Expected default frequency

PD: Probabilities of defaults
PIT: point in time
TTC: Through the cycle

1. Rating transitions can differ greatly from market-based, forward-looking

PD (e.g., EDF measures) transitions.
(1) Obligors with the same EDF level can potentially have very different Moody’s
ratings at a single point in time.
(2) Rating changes are not necessarily consistent with changes in PIT PD over
time
 Choose a regression-style model specification, where the rating dynamics are
driven by a set of variables, including the initial distance to default level and
asset return, as well as a systematic factor and an idiosyncratic factor:

o 𝑌𝑖,𝑡+1 denotes the rating of obligor 𝑖 at time 𝑡 + 1

o 𝑟𝑖,𝑡 denotes the asset return of obligor 𝑖 between time 𝑡 and 𝑡 + 1
o 𝐷𝐷𝑖,𝑡 denotes the distance to default of obligor 𝑖 at time t
 o 𝑍𝑡 denotes the systematic shock between time 𝑡, and 𝑡 + 1
o 𝜖𝑖,𝑡+1denotes the unexplained idiosyncratic shock

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

Example: Estimated Coefficients for U.S Observations

Xác định biến Z (phản ánh các điều kiện kinh tế vĩ mô)

1. Estimate the Z time series obtained using historical data

While all six Z’s are different values, they seem to follow a common trend over time.

2. Project the future Z under the corresponding scenario

Integrate the Z factor into the general GCorr Macro framework, first assuming Z and
all macroeconomic variable shocks have a Gaussian distribution, and then calibrate the
modeled correlation between Z and different macroeconomic variables to fit their
empirical correlation.

Tính xác suất thay đổi xếp hạng thô

Tính xác suất thay đổi xếp hạng chuẩn

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

1. Cumulative transition and default probabilities for up to 20 quarters for

Moody’s Analytics predefined scenarios and Fed Comprehensive Capital
Analysis and Review (CCAR) scenarios
2. Forecasts based on user-specified economic scenarios

3. Forecasts by rating class, industry and region

One Year Forecasted Global Transition Probabilities (Percent)
4. Forecasts for customized portfolios