Credit selection in collateralized loan obligation: Efficient approximation through linearization and clustering
Notice bibliographique
Résumé
• CLOs help channel funds to SMEs and strengthen real-economy financing • Securitization lowers SME funding costs for financial institutions • Loan selection is an NP-hard mixed-integer nonlinear optimization task • Large pool approximation, linearization, and clustering improve efficiency • Method outperforms derivative-free algorithms in speed and solution quality Despite its role in the global financial crisis, collateralized loan obligation (CLO) remains a powerful tool to direct funds towards the real economy. In particular, it enables development banks to increase credit supply to small and medium-sized enterprises (SMEs). Public financial institutions thus face the challenge of identifying a subset of credits to be pooled in a CLO for the sake of reaching a specific financial target. The resulting problem is a mixed-integer nonlinear program, (MINLP), which is NP-hard. In this paper, we propose an approximate optimization problem that combines a large pool (LP) approximation, linearization of ancillary variables, and clustering. This approximate optimization problem delivers a solution (i) that improves the value of the objective function under the exact criterion compared to the solution of a derivative-free mixed-integer algorithm solving the exact problem and (ii) in a much lower computation time. As illustration, we consider two realistic CLO objective functions. We rely on the celebrated one-factor Gaussian copula in the main examples, but make clear that this assumption is not a restriction and can be relaxed. Our results contribute to reduce the funding cost of SMEs and are of direct interest for securitization stakeholders such as public financial institutions, commercial banks and pension funds.
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 | 0,013 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».