Probabilidade de inadimplência - Probability of default

Regulamentação e padrões bancários
Banco de Pagamentos Internacionais Acordos da Basileia ( Basileia I , Basileia II , Basileia III , Basileia IV ) Conselho de Estabilidade Financeira
Fundo
Bancário ( Regulamento ) Política monetária Banco Central Risco Gerenciamento de riscos Capital regulatório Camada 1 Camada 2
Pilar 1: Capital regulatório
Risco de crédito Padronizado Abordagem IRB F-IRB A-IRB PD LGD CCF EAD Risco operacional Básico Padronizado AMA Risco de mercado Duração Valor em risco
Pilar 2: revisão de supervisão
Capital econômica Risco de liquidez Risco legal
Pilar 3: Divulgação do mercado
Divulgação
Portal de negócios e economia
v t e

Probabilidade de inadimplência ( PD ) é um termo financeiro que descreve a probabilidade de inadimplência em um determinado horizonte de tempo. Ele fornece uma estimativa da probabilidade de um mutuário ser incapaz de cumprir suas obrigações de dívida.

O PD é usado em uma variedade de análises de crédito e estruturas de gerenciamento de risco. De acordo com Basileia II , é um parâmetro-chave usado no cálculo do capital econômico ou capital regulatório de uma instituição bancária.

A PD está intimamente ligada à perda esperada , que é definida como o produto da PD, a perda dada o default (LGD) e a exposição no default (EAD).

Visão geral

PD é o risco de que o mutuário não consiga ou não queira pagar sua dívida integral ou dentro do prazo. O risco de inadimplência é derivado da análise da capacidade do devedor em pagar a dívida de acordo com os termos contratuais. A PD geralmente está associada a características financeiras, como fluxo de caixa inadequado para o serviço da dívida, queda nas receitas ou margens operacionais, alta alavancagem, queda ou liquidez marginal e a incapacidade de implementar com sucesso um plano de negócios. Além desses fatores quantificáveis, a disposição do mutuário em pagar também deve ser avaliada.

-  [Escritório do Controlador da Moeda]

A probabilidade de inadimplência é uma estimativa da probabilidade de ocorrência do evento de inadimplência. Aplica-se a um determinado horizonte de avaliação, geralmente um ano.

As pontuações de crédito , como FICO para consumidores ou classificações de títulos da S&P, Fitch ou Moodys para empresas ou governos, normalmente implicam em certa probabilidade de inadimplência.

Para grupos de devedores que compartilham características de risco de crédito semelhantes, como RMBS ou pool de empréstimos, uma PD pode ser derivada para um grupo de ativos que é representativo do devedor típico (médio) do grupo. Em comparação, um PD para um título ou empréstimo comercial, é normalmente determinado para uma única entidade.

De acordo com Basileia II , um evento de default em uma obrigação de dívida é dito ter ocorrido se

• é improvável que o devedor consiga pagar sua dívida com o banco sem desistir de qualquer garantia prometida
• o devedor está vencido há mais de 90 dias em uma obrigação de crédito relevante

PD estressado e não estressado

A PD de um devedor não depende apenas das características de risco desse devedor específico, mas também do ambiente econômico e do grau em que isso afeta o devedor . Assim, as informações disponíveis para estimar PD podem ser divididas em duas grandes categorias -

• Informações macroeconômicas, como índices de preços de casas, desemprego, taxas de crescimento do PIB, etc. - essas informações permanecem as mesmas para vários devedores .
• Informações específicas do devedor, como crescimento da receita (atacado), número de inadimplências nos últimos seis meses (varejo), etc. - essas informações são específicas para um único devedor e podem ser de natureza estática ou dinâmica. Exemplos de características estáticas são a indústria para empréstimos no atacado e a originação "relação entre empréstimo e valor" para empréstimos de varejo.

Uma PD não estressada é uma estimativa de que o devedor ficará inadimplente ao longo de um horizonte de tempo específico, considerando as informações macroeconômicas atuais, bem como informações específicas do devedor . Isso implica que, se as condições macroeconômicas se deteriorarem, a PD de um devedor tenderá a aumentar, ao passo que tenderá a diminuir se as condições econômicas melhorarem.

Uma PD estressada é uma estimativa de que o devedor ficará inadimplente ao longo de um determinado horizonte de tempo, considerando as informações específicas do devedor atual , mas considerando fatores macroeconômicos "estressados", independentemente do estado atual da economia. A PD estressada de um devedor muda ao longo do tempo, dependendo das características de risco do devedor , mas não é fortemente afetada por mudanças no ciclo econômico, uma vez que condições econômicas adversas já estão incluídas na estimativa.

Para uma explicação conceitual mais detalhada da DP estressada e não estressada, consulte.

Através do ciclo (TTC) e Ponto no Tempo (PIT)

Intimamente relacionado ao conceito de PDs estressados ​​e não estressados, os termos durante o ciclo (TTC) ou ponto no tempo (PIT) podem ser usados ​​tanto no contexto de PD quanto no sistema de classificação. No contexto de PD, o PD estressado definido acima geralmente denota o TTC PD de um devedor, enquanto o PD não estressado denota o PIT PD. No contexto dos sistemas de classificação, um sistema de classificação PIT atribui cada devedor a um segmento de forma que todos os devedores em um segmento compartilhem PDs não estressados ​​semelhantes, enquanto todos os devedores em um segmento de risco atribuído por um sistema de classificação TTC compartilham PDs estressados ​​semelhantes.

As probabilidades de inadimplência implícitas nos swaps de default de crédito (implícitas no CDS) são baseadas nos preços de mercado dos swaps de default de crédito. Assim como os preços das ações, seus preços contêm todas as informações disponíveis para o mercado como um todo. Assim, a probabilidade de inadimplência pode ser inferida pelo preço.

O CDS fornece probabilidades de inadimplência neutras ao risco, que podem superestimar a probabilidade de inadimplência no mundo real, a menos que os prêmios de risco sejam de alguma forma levados em consideração. Uma opção é usar os PDs implícitos do CDS em conjunto com as medidas de crédito EDF (Expected Default Frequency).

Derivando PDs point-in-time e através do ciclo

Existem abordagens alternativas para derivar e estimar PIT e TTC PDs. Uma dessas estruturas envolve a distinção entre PIT e TTC PDs por meio de flutuações previsíveis sistemáticas nas condições de crédito, ou seja, por meio de um “ciclo de crédito”. Esta estrutura, envolvendo o uso seletivo de PIT ou TTC PDs para diferentes fins, foi implementada com sucesso em grandes bancos do Reino Unido com o status BASEL II AIRB.

Como uma primeira etapa, esta estrutura faz uso da abordagem de Merton, na qual a alavancagem e a volatilidade (ou seus proxies) são usados ​​para criar um modelo de PD.

Como uma segunda etapa, esta estrutura assume a existência de fator (es) sistemático (s) semelhante (s) ao Modelo de Fator de Risco Assintótico (ASRF).

Em uma terceira etapa, esse arcabouço faz uso da previsibilidade dos ciclos de crédito. Isso significa que, se a taxa de inadimplência de um setor estiver perto do máximo histórico, seria de supor que caísse e, se a taxa de inadimplência de um setor estiver próxima do mínimo histórico, seria de supor que aumentaria. Em contraste com outras abordagens que assumem que o fator sistemático é completamente aleatório, esta estrutura quantifica o componente previsível do fator sistemático que resulta em uma previsão mais precisa das taxas de inadimplência.

De acordo com essa estrutura, o termo PIT se aplica a PDs que se movem ao longo do tempo em conjunto com as taxas de inadimplência (DRs) realizadas, aumentando conforme as condições gerais de crédito se deterioram e diminuindo conforme as condições melhoram. O termo TTC se aplica a PDs que não apresentam tais flutuações, permanecendo fixos em geral, mesmo quando as condições gerais de crédito aumentam e diminuem. Os TTC PDs de diferentes entidades mudarão, mas a média geral de todas as entidades não. A maior precisão dos PIT PDs os torna a escolha preferida em tais aplicações atuais de risco, como precificação ou gerenciamento de portfólio. A estabilidade geral dos TTC PDs os torna atraentes em aplicações como determinação de Basel II / II RWA.

A estrutura acima fornece um método para quantificar os ciclos de crédito, seus componentes sistemáticos e aleatórios e PIT e TTC PDs resultantes. Isso é realizado para crédito de atacado resumindo, para cada uma das várias indústrias ou regiões, MKMV EDFs, Kamakura Default Probabilities (KDPs) ou algum outro conjunto abrangente de PIT PDs ou DRs. Depois disso, transformamos esses fatores em unidades convenientes e os expressamos como desvios de seus respectivos valores médios de longo prazo. A transformação da unidade normalmente envolve a aplicação da função de distribuição normal inversa, convertendo, assim, medidas de PDs medianos ou médios em medidas de mediana ou “distância padrão” média (DD). Nesse ponto, tem-se um conjunto de índices medindo a distância entre a DD atual e a média de longo prazo em cada um de um conjunto selecionado de setores. Dependendo da disponibilidade de dados e dos requisitos de portfólio, esses índices podem ser criados para vários setores e regiões com mais de 20 anos cobrindo várias recessões.

Depois de desenvolver esses índices, pode-se calcular os PDs do PIT e do TTC para as contrapartes em cada um dos setores cobertos. Para obter PIT PDs, introduz-se os índices relevantes nos modelos padrão relevantes, recalibra os modelos para os padrões e aplica os modelos com mudanças atuais e projetadas nos índices como entradas. Se um modelo PD não fosse de outra forma PIT, a introdução dos índices o tornará PIT. A formulação do modelo específico depende das características importantes para cada classe distinta de contrapartes e das restrições de dados. Algumas abordagens comuns incluem:

• Modelo de Factor Ratio: Calibração de fatores financeiros / não financeiros e índices de ciclo de crédito para defaults. Essa abordagem funciona bem com um grande número de padrões, por exemplo, carteiras de PMEs ou carteiras de grandes empresas calibradas para amostras externas de inadimplência.
• Modelo de scorecard: calibração de índices de pontuação e ciclo de crédito calibrados para defaults internos ou externos observados. Essa abordagem funciona com um número menor de padrões onde não há dados suficientes para desenvolver um modelo de razão. Por exemplo, carteira de fundos
• Modelo da Agência Direta: Calibração das notas ECAI (enumeradas como distância padrão) e índices de crédito para as inadimplências ECAI e aplicá-lo à Agência e entidades co-avaliadas internas. Esta abordagem funciona bem onde há um grande conjunto de dados co-avaliado, mas não padrões internos suficientes, por exemplo, carteira de seguros
• Modelo de replicação de agência: Calibra fatores financeiros / não financeiros / pontuação do scorecard para PDs estimados a partir do modelo Agency Direct. Esta abordagem funciona bem onde há um grande conjunto de dados co-avaliado, mas uma pequena amostra de inadimplências internas - por exemplo, carteira de seguros
• Modelo de fornecedor externo: Uso de modelos como o modelo MKMV EDF com índices de ciclo de crédito.

Neste ponto, para determinar um TTC PD, segue-se três etapas:

• Convertendo o PIT PD em PIT DD
• Subtraindo o índice do ciclo de crédito do PIT DD, obtendo-se assim o TTC DD; e
• Convertendo o TTC DD em TTC PD.

Além dos modelos de PD, essa estrutura também pode ser usada para desenvolver variantes PIT e TTC de modelos LGD, EAD e de teste de tensão.

A maioria dos modelos de PD produz PDs que são de natureza híbrida: eles não são perfeitamente Point-In-Time (PIT) nem durante o ciclo (TTC). A média de longo prazo da frequência padrão observada ODF é frequentemente considerada como um TTC PD. Argumenta-se que, quando considerados por um longo período, os efeitos sistemáticos têm médias próximas de zero. No entanto, definir o período de referência apropriado para calcular essa média é muitas vezes desafiador, por exemplo, vários ciclos de negócios nos dados históricos podem superestimar ou subestimar a PD média, que é considerada uma estimativa enviesada. Além disso, a suposição de um TTC PD constante para uma carteira de devedores não é realista na prática. Na verdade, o risco idiossincrático de uma carteira pode variar com o tempo. Um exemplo clássico são as mudanças na distribuição da carteira devido aos fluxos de entrada e saída dos devedores, mas também devido a decisões tomadas pelo banco, como modificações nas condições ou políticas de empréstimo.

Estimativa

Existem muitas alternativas para estimar a probabilidade de inadimplência. As probabilidades de inadimplência podem ser estimadas a partir de um banco de dados histórico de inadimplências reais usando técnicas modernas como regressão logística . As probabilidades de inadimplência também podem ser estimadas a partir dos preços observáveis ​​de credit default swaps , títulos e opções sobre ações ordinárias. A abordagem mais simples, adotada por muitos bancos, é usar agências de classificação externas, como Standard and Poors , Fitch ou Moody's Investors Service para estimar PDs com base na experiência histórica de default. Para estimativa de probabilidade de inadimplência de pequenas empresas, a regressão logística é novamente a técnica mais comum para estimar os fatores de inadimplência de uma pequena empresa com base em um banco de dados histórico de inadimplências. Esses modelos são desenvolvidos internamente e fornecidos por terceiros. Uma abordagem semelhante é adotada para a inadimplência do varejo, usando o termo " pontuação de crédito " como um eufemismo para a probabilidade de inadimplência, que é o verdadeiro foco do credor.

Alguns dos métodos estatísticos populares que têm sido usados ​​para modelar a probabilidade de inadimplência estão listados abaixo.

• Regressão linear
• Análise discriminante
• Logit e Probit Models
• Modelos de painel
• Modelo de riscos proporcionais de Cox
• Redes neurais
• Árvores de classificação

Veja também

• Modelo Jarrow – Turnbull
• Modelo Merton

Referências

Lendo

• de Servigny, Arnaud e Olivier Renault (2004). Guia da Standard & Poor's para medição e gerenciamento de risco de crédito . McGraw-Hill. ISBN 978-0-07-141755-6.
• Duffie, Darrell e Kenneth J. Singleton (2003). Risco de crédito: determinação de preços, medição e gerenciamento . Princeton University Press. ISBN 978-0-691-09046-7.

links externos

• https://ssrn.com/abstract=1921419 Documento de metodologia de medidas de crédito EDF através do ciclo
• http://www.bis.org/publ/bcbsca.htm Basileia II: Estrutura revisada de capital internacional (BCBS)
• http://www.bis.org/publ/bcbs107.htm Basileia II: Convergência Internacional de Medição de Capital e Padrões de Capital: uma Estrutura Revisada (BCBS)
• http://www.bis.org/publ/bcbs118.htm Basileia II: Convergência Internacional de Medição de Capital e Padrões de Capital: uma Estrutura Revisada (BCBS) (Revisão de novembro de 2005)
• http://www.bis.org/publ/bcbs128.pdf Basileia II: Convergência Internacional de Medição de Capital e Padrões de Capital: uma Estrutura Revisada, Versão Abrangente (BCBS) (Revisão de Junho de 2006)