利用copula进行信用模拟
预测交易对手的信用损失取决于三个主要因素:
违约概率(
PD）默认敞口(
含铅)，即该工具在未来某个时间的价值默认损失(
乐金显示器)，定义为1−复苏
如果这些量在未来的时间是已知的t，则预期损失为Pd ×铅× LGD。在这种情况下，您可以使用二项分布对单个交易对手的预期损失进行建模。当您对这些交易对手的投资组合进行建模，并且希望用一些默认相关性来模拟它们时，困难就出现了。
为了模拟相关违约，copula模型将每个交易对手与一个称为“潜在”变量的随机变量关联起来。这些潜在变量是通过一些信用价值的代理来关联的，例如，它们的股票价格。然后将这些潜在变量映射到默认或非默认结果，从而使默认有可能发生PD。
该图总结了耦合仿真方法。
随机变量一个我与我交易对手以概率落在违约阴影区域PD我。如果模拟值落在该区域内，则将其解释为默认值。的j交易对手也遵循类似的模式。如果一个我和一个j随机变量是高度相关的，它们往往都有很高的值(没有默认值)，或者都有很低的值(落在默认区域)。因此，存在默认的相关性。
因素模型
为米发行人米（米−1)/2个相关参数。为米= 1000，这是大约50万个相关性。该方法的一个实际变体是单因素模型，它使所有潜在变量依赖于单一因素。这个因素Z代表经济中潜在的系统性信贷质量。该模型还包含一个随机的特殊误差。
这大大减少了输入数据的需求，因为现在您只需要米灵敏度，也就是权重w1、……w米。如果Z和ε我那么标准是正态变量吗一个我也是一个标准的常态。
单因素模型的扩展是多因素模型。
这个模型有几个因素，每个因素都与一些潜在的信贷驱动因素有关。例如，您可以为不同的地区或国家或不同的行业设置因子。现在，每个潜在变量都是几个随机变量加上特质误差(epsilon)的组合。
当潜在变量一个我都是正态分布，存在高斯联结。一种常见的替代方法是让潜变量跟随At分布，这导致了t连系动词。t尾波比高斯尾波产生更重的尾波。隐含信用相关性也大于t连系动词。在这两种关联方法之间切换可以提供关于模型风险的重要信息。
万博1manbetx支持模拟
风险管理工具箱™支持模拟交易对手信用违约和交易对手万博1manbetx信用评级迁移。
信用违约模拟
的creditDefaultCopula对象用于模拟和分析多因素信用违约模拟。这些模拟假设您自己计算了该模型的主要输入。该模型的主要输入是:
PD-违约概率含铅-默认曝光乐金显示器—默认情况下的损失(1−复苏）权重-因子和特殊权重FactorCorrelation-多因素模型的可选因素相关矩阵
的creditDefaultCopula对象使您能够使用多因素联结来模拟违约，并将结果作为投资组合和交易对手级别的损失分布返回。你也可以用creditDefaultCopula目的计算投资组合层面的几种风险度量和单个债务人的风险贡献。的输出creditDefaultCopula模型及其相关功能为:
投资组合损失在不同情况下的完全模拟分布，以及每个交易对手在不同情况下的损失。有关更多信息，请参见
creditDefaultCopula对象属性和模拟。风险措施(
VaR，CVaR，埃尔，性病)和置信区间。看到portfolioRisk。每个交易对手的风险分摊(为
埃尔和CVaR)。看到riskContribution。风险度量和相关的信任范围。看到
confidenceBands。交易对手情景详细说明每个交易对手的个人损失。看到
getScenarios。
信用评级迁移模拟
的creditMigrationCopula对象使您能够模拟每个交易对手的信用评级变化。
的creditMigrationCopula对象用于模拟交易对手信用迁移。这些模拟假设您自己计算了该模型的主要输入。该模型的主要输入是:
migrationValues-每个信用评级的交易对手头寸的价值。评级-每个交易对手的当前信用评级。转移矩阵-信用评级转移概率矩阵。乐金显示器—默认情况下的损失(1−复苏）权重-因子和特殊模型权重
你也可以用creditMigrationCopula目的计算投资组合层面的几种风险度量和单个债务人的风险贡献。的输出creditMigrationCopula模型及其相关功能为:
投资组合价值的完全模拟分布。有关更多信息，请参见
creditMigrationCopula对象属性和模拟。风险措施(
VaR，CVaR，埃尔，性病)和置信区间。看到portfolioRisk。每个交易对手的风险分摊(为
埃尔和CVaR)。看到riskContribution。风险度量和相关的信任范围。看到
confidenceBands。每个交易对手的交易对手场景细节。看到
getScenarios。
另请参阅
creditDefaultCopula|creditMigrationCopula|asrf
