EFFICIENT RISK MEASURES CALCULATIONS FOR GENERALIZED CREDITRISK+ MODELS
Notice bibliographique
Résumé
Numerical calculations of risk measures and risk contributions in credit risk models amount to the evaluation of various forms of quantiles, tail probabilities and tail expectations of the portfolio loss distribution. Though the moment generating function of the loss distribution in the [Formula: see text] model is available in analytic closed form, efficient, accurate and reliable computation of risk measures (Value-at-Risk and Expected Shortfall) and risk contributions for the [Formula: see text] model poses technical challenges. We propose various numerical algorithms for risk measures and risk contributions calculations of the enhanced [Formula: see text] model under the common background vector framework using the Johnson curve fitting method, saddlepoint approximation method, importance sampling in Monte Carlo simulation and check function formulation. Our numerical studies on stylized credit portfolios and benchmark industrial credit portfolios reveal that the Johnson curve fitting approach works very well for credit portfolios with a large number of obligors, demonstrating high level of numerical reliability and computational efficiency. Once we implement the systematic procedure of finding the saddlepoint within an approximate domain, the saddlepoint approximation schemes provide efficient calculation and accurate numerical results. The importance sampling in Monte Carlo simulation methods are easy to implement, but they compete less favorably in accuracy and efficiency with other numerical algorithms. The less commonly used check function formulation is limited to risk measures calculations. It competes favorably in accuracy and reliability, but an extra optimization algorithm is required.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».