用copula建模默认值
此示例探讨如何使用多因素系词模型来模拟相关对手默认值。
潜在的损失估计为交易对手的投资组合，由于其违约风险暴露，违约概率和违约损失率的信息。一种creditDefaultCopula对象用于每个债务人的信用与潜在变量模型。潜变量是由一系列的加权潜在信贷因素，以及每个债务人的信用特质因素。潜变量对应的是债务人的默认或非默认状态下，基于其违约概率每个场景。投资组合风险的措施，在交易对手风险水平的贡献，以及仿真收敛信息的支持万博1manbetxcreditDefaultCopula对象。
此示例还探讨了对Copula类型的风险措施的敏感性（高斯Copula与T.Copula)用于模拟。
加载和检查证券数据
该组合包含在默认的100方和它们相关的信贷风险（ead.)、违约概率(PD)，以及默认损失(LGD)．使用一个creditDefaultCopula对象，您可以在某些固定时间段内模拟默认值和损耗（例如，一年）。这ead.那PD,LGD输入必须特定于特定时间范围。
在此示例中，每个对手映射到具有一组权重的两个基础信用因子。这重量2F.变量是一个NumCounterparties乘3矩阵，其中每一行包含一个单一的对方的权重。前两列是两个信贷因素的权重和最后一列是每个对手的特质权重。对于两个基本因素的相关矩阵也在本示例中提供（factorcor2f.)．
加载CreditPortfolioData.mat谁是ead.PDLGD重量2F.factorcor2f.
名称大小字节类属性EAD 100X1 800双FactorCorr2F 2×2 32双LGD 100X1 800双PD 100X1 800双Weights2F 100x3 2400双
初始化creditDefaultCopula对象与投资组合信息和因素相关性。
rng (“默认”）;cc = creditDefaultCopula (EAD、PD、乐金显示器,Weights2F,'FactorCorrelation', FactorCorr2F);%将VaR级别修改为99%。cc.VaRLevel = 0.99;DISP（CC）
CreditDefaultCopula具有属性：投资组合：[100x5表]因子相关性：[2x2 double] varlevel：0.9900使用adplelial：0 portfolioloss：[]
cc.portfolio（1：5，:)
ANS = 5x5表ID EAD PD LGD重量_____________________________________ 21.627 0.0050092 0.35 0.35 0 0.65 2 3.2595 0.010180 0.35 0 0.45 0.55 3 20.391 0.11015 0.55 0.15 0 0.85 4.7534 0.0125 0.35 0.25 0 0.75 5.7193 0.060185 0.35 0.35 0 0.65
模拟模型并绘制潜在损失
用。模拟多因素模型模拟函数。默认情况下，使用高斯copula。这个函数在内部将实现的潜在变量映射到默认状态，并计算相应的损失。仿真结束后creditDefaultCopula对象填充了PortfolioLosses和CounterpartyLosses具有仿真结果的特性。
CC =模拟（CC，1E5）;DISP（CC）
creditDefaultCopula与属性：组合：[100x5表] FactorCorrelation：[2×2双] VaRLevel：0.9900 UseParallel：0 PortfolioLosses：[1x100000双]
这portfoliorisk.功能返回总投资组合损失分布的风险措施，以及可选择的各自置信区间。在集合中报告了价值 - 风险（VAR）和条件值 - 风险（CVAR）VaRLevel财产creditDefaultCopula对象。
[Pr，pr_ci] = portfoliorisk（cc）;fprintf中（'投资组合风险措施：\ n'）;DISP（PR）fprintf中（'\n\n风险度量的置信区间:\n'）;DISP（pr_ci）
投资组合风险措施:EL Std VaR CVaR ______ ______ _____ ______ 24.876 23.778 102.4 121.28置信区间风险措施:EL Std VaR CVaR ________________ ________________ ________________ ________________ 24.729 25.023 23.674 23.883 101.19 103.5 120.13 122.42
看看投资组合损失的分布。预期损失（EL），VAR和CVAR标记为垂直线。由Var和EL之间的差异给出的经济资本显示为EL和VAR之间的阴影区域。
直方图（CC.Portfolosites）标题（“投资组合损失”）;xlabel（的损失(美元)) ylabel (“频率”)举行在％覆盖直方图上的风险措施。XLIM（[0 1.1 * pr.CVaR]）的plotline = @（X，颜色）情节（[X X]，ylim，'行宽'2,“颜色”，颜色）;Plotline（Pr.el，'B'）;情节(公关。VaR,'r'）;cvarline =情节(公关。CVaR,“米”）;％的遮阳预期损失和经济资本的领域。plotband = @（x，color）补丁（[x pliplr（x）]，[0 0 Repmat（Max（ylim），1,2）]，......颜色，'FaceAlpha'，0.15）;elband = plotband（[0 pr.el]，“蓝”）;ulband = plotband（[pr.EL pr.VaR]'红色的'）;图例（[elband，ulband，cvarline]......{'预期损失'那“经济资本”那“CVaR(99%)”}，......“位置”那“北”）;
找出交易对手的集中度风险
您可以成为投资组合的集中度风险风险协调函数。风险协调返回每个交易对手对投资组合EL和CVAR的贡献。这些添加剂捐款总和到相应的总投资组合风险措施。
RC =风险协调（CC）;%报告了EL和CVaR的风险贡献。rc (1:5,:)
ANS = 5x5的表ID EL标准的VaR CVaR的__ ________ __________ _________ _________ 1 0.036031 0.022762 0.083828 0.13625 0.068357 2 0.039295 0.23373 0.24984 3 1.2228 0.60699 2.3184 2.3775 4 0.002877 0.00079014 0.0024248 0.0013137 5 0.12127 0.037144 0.18474 0.24622
通过他们的CVAR捐款找到最耐风险的交易对手。
[rc_sorted，idx] = sortrows（RC，“CVaR”那“下降”）;rc_sorted（1：5，:)
ANS = 5x5的表ID EL标准的VaR CVaR的__ _______ ______ ______ 89 2.2647 2.2063 8.2676 8.9997 96 1.3515 1.6514 6.6157 7.7062 66 0.90459 1.474 6.4168 7.5149 22 1.5745 1.8663 6.0121 7.3814 16 1.6352 1.5288 6.3404 7.3462
绘制交易对手暴露和CVAR贡献。具有最高CVAR贡献的交易对手被绘制在红色和橙色。
图;pointSize = 50;colorVector = rc_sorted.CVaR;散射(cc.Portfolio (idx:)。含铅,rc_sorted。CVaR,......指标，ColorVector，'填充'）Colormap（'喷射'） 标题（“CVaR贡献vs.暴露”)包含('暴露') ylabel (“CVaR贡献”） 网格在
用置信带调查仿真融合
使用confidenceBands函数来研究模拟的融合。默认情况下，报告了CVAR置信带，但使用可选支持所有风险措施的置信带万博1manbetx危险论点。
CB = confidenceBands（CC）;％的置信带都存储在表中。CB（1：5，:)
ANS = 5x4表NUMSCENARIOS较低的CVAR上___________________________ ______ ______1000 106.7 121.99 137.28 2000 109.18 117.28 125.38 3000 114.68 121.63 128.58 4000 114.02 120.06 126.11 5000 114.77 120.11 5000 114.77 120.36 125.94
绘制信心乐队，看看估算率如何融合。
图;阴谋（......cb。NumScenarios,......CB {：，{'上'“CVaR”'降低'}}，......'行宽'，2）;标题（“CVaR的：情景的95％置信区间对＃”）;xlabel（“场景＃”）;ylabel（“CVaR + 95% CI”） 传奇（“上乐队”那“CVaR”那“低乐队”）;网格在
查找的场景必要数量达到置信带的特定宽度。
宽度= (cb。/ cb.CVaR;图;情节(cb。NumScenarios,宽度* 100,'行宽'，2）;标题（'CVAR：95％置信区间宽度与＃的情景'）;xlabel（“场景＃”）;ylabel（'CI的宽度为值％'） 网格在击中乐队在1％（双面）范围内的％找到点％CVaR的。打= 0.02;scenIdx = find(width <= thresh,1，)'第一的'）;scenvalue = cb.numscenarios（scenidx）;widewvalue =宽度（scenidx）;抓住在绘图（XLIM，100 * [WideveValue WidtleValue]，......[scenValue scenValue], ylim,......'行宽'，2）;标题（'置信区间需要2％宽度的情况'）;
比较高斯和高斯和尾部风险T.Copula函数
切换到A.T.Copula增加了交易对手之间的违约相关性。这导致了投资组合损失的一个更肥的尾部分布，在压力情景下的潜在损失更高。
使用a重新运行模拟T.系词与计算新的投资组合风险的措施。为默认的自由度（DOF）的T.copula是五个。
CC_T =模拟（CC，1E5，'系词'那'T'）;pr_t = portfoliorisk（cc_t）;
了解投资组合风险如何变化T.系词。
fprintf中（高斯关联的投资组合风险:\n'）;DISP（PR）fprintf中（'\ n \ nPortfolio风险与叔系词（DOF = 5）：\ N'）;disp (pr_t)
组合风险与高斯连接函数：EL标准的VaR CVaR的______ ______ _____ ______ 24.876 23.778 102.4 121.28用叔系词组合风险（DOF = 5）：EL标准的VaR CVaR的______ ______ ______ ______ 24.808 38.749 186.08 250.59
比较每个模型的尾部损失。
％画出高斯系词尾巴。图;子图（2,1,1）P1 =直方图（CC.Portfolososes）;抓住在plotline（pr.var，[1 0.5 0.5]）plotline（pr.cvar，[1 0 0]）xlim（[0.8 * pr.var 1.2 * pr_t.cvar]）;ylim (1000 [0]);网格在传奇（“损失分配”那“风险价值”那“CVaR”） 标题（图集损失与高斯系词“）;xlabel（的损失(美元)）;ylabel（“频率”）;绘制t形连接尾。副区（2,1,2）P2 =直方图（cc_t.PortfolioLosses）;抓住在情节(pr_t。VaR,[1 0.5 0.5]) plotline(pr_t.CVaR,[1 0 0]) xlim([0.8 * pr.VaR 1.2 * pr_t.CVaR]); ylim([0 1000]); grid在传奇（“损失分配”那“风险价值”那“CVaR”）;标题（图集损失用叔系词（DOF = 5）'）;xlabel（的损失(美元)）;ylabel（“频率”）;
尾部风险措施var和cvar使用的使用显着更高T.Copula具有五度自由。默认相关性较高T.因此，COPULAS，多个交易对手默认有更多场景。自由度的数量起着重要作用。对于非常高的自由度，结果与T.Copula函数是类似于高斯系词的结果。五是自由度的一个非常低的数字，并且必然，结果显示显着的差异。此外，这些结果强调，对于极端损失的可能性是系词的选择自由度的数量非常敏感。
也可以看看
confidenceBands|creditDefaultCopula|getScenarios|portfoliorisk.|风险协调|模拟
相关的例子
更多关于
你也可以从以下列表中选择一个网站:
