Essays on structural credit risk modelling and financial econometrics
Notice bibliographique
Résumé
The third essay empirically studies a jump-diffusion model for stock price movements using high-frequency data. The stock price is assumed to follow a jump-diffusion process which may exhibit time-varying volatilities. An econometric technique is then developed for this model and applied to high-frequency time series of stock prices that are subject to microstructure noises. The estimation method is based on first devising a localized particle filter and then employing fixed-lag smoothing technique in the Monte Carlo EM algorithm to perform the maximum likelihood estimation and inference. Evidence based on the intra-day IBM stock prices in 2004 suggests that high-frequency data is crucial to disentangling frequent small jumps from infrequent large jumps. Furthermore, accounting for microstructure noises becomes important as the sampling frequency increases. The first essay studies whether credit rating downgrades feed back on the asset value of the downgraded companies and thus cause real losses. To investigate this issue, I construct a structural credit risk model incorporating rating changes and their associated feedback losses. A maximum likelihood estimation method based on time series of equity prices and credit ratings is then developed for the credit rating feedback model. Evidence from a sample of US public firms downgraded from investment grade to junk shows strong support for the existence of feedback losses. The estimated feedback losses are significant for a third of our sample, and the cross-sectional mean of the feedback loss is 7%. In the second essay, the transformed-data maximum likelihood estimation (MLE) method for structural credit risk models developed by Duan (1994) is extended to account for the fact that observed equity prices are likely contaminated by trading noises. With the presence of trading noises, the likelihood function based on the observed equity prices can only be evaluated via some nonlinear filtering scheme. A localized particle filtering algorithm is devised for the structural credit risk model of Merton (1974) to execute this task. Applying the estimation method to the Dow Jones 30 firms and 100 randomly selected US public firms, the findings suggest that ignoring trading noises can lead to significant over-estimation of the firm's asset volatility.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».