Optimal Leverage of Commercial Real Estate Investments: A Trade Off Option Theoretic Approach
Notice bibliographique
Résumé
The determination of an optimal level of financial leverage for commercial real estate investment transactions is a central concern both for investors and financial institutions. Investors seek the maximization of the economic value of the investment firm while financial institutions need to adequately price the overall risk in accordance with the available regulatory capital budget. Excess leverage and large and/or unexpected shifts in the default risk of commercial real estate portfolios are a relevant potential threat to both objectives and need to be addressed from the perspective of macro prudential guidance. Traditional modelling of (commercial real estate) asset values as geometric Brownian motions may not be sufficient to capture tail events and risks relevant to investors and financial institutions for pricing and risk assessment purposes, since the distribution of returns of such properties does not seem to be normal. We examine the default, prepayment risk and optimal unitranche leverage level of single-borrower non- recourse mortgage loans, based on a trade-off option theoretic structural approach that captures asymmetry and kurtosis of asset values’ returns distributions through the shifted lognormal distribution as in De Luna et al (2025). Our framework includes distress costs expanding the firm value paradigm of Modigliani and Miller (1958, 1963) to model interior optimal leverage solutions. We conduct several numerical experiments to examine how the different parameters of the model but also the returns distribution and load of distress costs affect the pricing of the CRE mortgage loan and the level of optimal and prudent leverage.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».