Empirical Credit Risk Ratings of Individual Corporate Bonds and Derivation of Term Structures of Default Probabilities
Notice bibliographique
Résumé
Undoubtedly, it is important to have an empirically effective credit risk rating method for decision-making in the financial industry, business, and even government. In our approach, for each corporate bond (CB) and its issuer, we first propose a credit risk rating (Crisk-rating) system with rating intervals for the standardized credit risk price spread (S-CRiPS) measure presented by Kariya et al. (2015), where credit information is based on the CRiPS measure, which is the difference between the CB price and its government bond (GB)-equivalent CB price. Second, for each Crisk-homogeneous class obtained through the Crisk-rating system, a term structure of default probability (TSDP) is derived via the CB-pricing model proposed in Kariya (2013), which transforms the Crisk level of each class into a default probability, showing the default likelihood over a future time horizon, in which 1545 Japanese CB prices, as of August 2010, are analyzed. To carry it out, the cross-sectional model of pricing government bonds with high empirical performance is required to get high-precision CRiPS and S-CRiPS measures. The effectiveness of our GB model and the S-CRiPS measure have been demonstrated with Japanese and United States GB prices in our papers and with an evaluation of the credit risk of the GBs of five countries in the EU and CBs issued by US energy firms in Kariya et al. (2016a, b). Our Crisk-rating system with rating intervals is tested with the distribution of the ratings of the 1545 CBs, a specific agency’s credit rating, and the ratings of groups obtained via a three-stage cluster analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».