Advanced

Modelling Probability of Default in the Nordics

Nordgren, Egil and Göransson, Carl (2018) FMS820 20181
Mathematical Statistics
Abstract
Credit risk is one of the greatest risks facing financial institutions, and it is therefore very important that models with good predictive power are used in order to etter capture this risk. This thesis proposes logistic regression models for modelling risk-drivers of the probability of default in a financial institution active in he Nordics. The thesis focuses on handling and analysing large amounts of data in an attempt to find significant risk-drivers for each of the countries in the Nordics, as well as for a pan-Nordic model. The conclusion is that a pan-Nordic model performs very poorly, while some individual countries can be modelled quite well.
Popular Abstract (Swedish)
Modellering av kreditrisk på ett nordiskt finansiellt institut
Kreditrisk är en av de största riskerna som finansiella institut ställs inför idag och det är
av yttersta vikt att man kan modellera och hantera denna risk korrekt. Inte minst för att
undvika en onödigt stor kapitalbindning – men även för att motverka uppkomsten av
finansiella kriser.
Logistisk regression
Den vanligaste modellen för att modellera
kreditrisk kallas logistisk regression. Enkelt
kan man säga att modellen predikterar ett
binärt svar baserat på en rad in-parametrar.
Inom finansvärlden används detta
framförallt för att uppskatta risken att en
kund hamnar i så kallad default – att inte
kunna betala tillbaka sina skulder.
Dessutom ger modellen ett svar på... (More)
Modellering av kreditrisk på ett nordiskt finansiellt institut
Kreditrisk är en av de största riskerna som finansiella institut ställs inför idag och det är
av yttersta vikt att man kan modellera och hantera denna risk korrekt. Inte minst för att
undvika en onödigt stor kapitalbindning – men även för att motverka uppkomsten av
finansiella kriser.
Logistisk regression
Den vanligaste modellen för att modellera
kreditrisk kallas logistisk regression. Enkelt
kan man säga att modellen predikterar ett
binärt svar baserat på en rad in-parametrar.
Inom finansvärlden används detta
framförallt för att uppskatta risken att en
kund hamnar i så kallad default – att inte
kunna betala tillbaka sina skulder.
Dessutom ger modellen ett svar på vilka in-
parametrar som faktiskt driver risken att
hamna i default (se exempelvis figur 1 för
signifikanta riskdrivare i Finland).
Basel-regelverket
Regleringsmässigt är det till och med så att
finansiella institut är tvungna att räkna ut
risken för default för sina kunder och i sin
tur använda denna risk som ett underlag till
hur mycket säkerhetskapital de måste hålla.
Dessa krav regleras i Basel-regelverket,
vilket är en global standard för hur
finansiella institut och banker måste sköta
sina affärer.
Modellering av finansiell data
Eftersom verklig data varierar i kvalitet och
oftast kommer i en extremt stor mängd är
det viktigt att man kan automatisera
sorteringen och urvalet av relevant data.
Med hjälp av statistikprogrammet SAS har
vi automatiserat processen för att dels välja
ut viktiga parametrar men även för att skapa
och jämföra olika modeller.
Resultat och analys
Det finansiella institutet där
undersökningen gjordes är verksamt i
samtliga länder i Norden och modeller togs
fram för att undersöka dessa individuellt,
men även som en stor nordisk marknad.
Resultaten visar att Sverige, Danmark, och
Norden är svåra att modellera tillförlitligt,
medan modellerna för Norge och Finland
har hög prediktionskraft. Anledningarna till
detta beror antagligen på skillnader i
marknadsstorlek, kundbas och
produktportfölj. Överlag kan man dra
slutsatsen att även om Norden verkar
enhetligt finns det markanta skillnader i
kundbeteende vilket troligtvis leder till de
stora skillnaderna i resultat. (Less)
Please use this url to cite or link to this publication:
author
Nordgren, Egil and Göransson, Carl
supervisor
organization
course
FMS820 20181
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Credit risk, Probability of default, Logistic regression, Risk-drivers
language
English
id
8947985
date added to LUP
2018-06-11 14:46:15
date last changed
2018-06-11 14:46:15
@misc{8947985,
  abstract     = {Credit risk is one of the greatest risks facing financial institutions, and it is therefore very important that models with good predictive power are used in order to etter capture this risk. This thesis proposes logistic regression models for modelling risk-drivers of the probability of default in a financial institution active in he Nordics. The thesis focuses on handling and analysing large amounts of data in an attempt to find significant risk-drivers for each of the countries in the Nordics, as well as for a pan-Nordic model. The conclusion is that a pan-Nordic model performs very poorly, while some individual countries can be modelled quite well.},
  author       = {Nordgren, Egil and Göransson, Carl},
  keyword      = {Credit risk,Probability of default,Logistic regression,Risk-drivers},
  language     = {eng},
  note         = {Student Paper},
  title        = {Modelling Probability of Default in the Nordics},
  year         = {2018},
}