A Non-Gaussian Panel Time Series Model for Estimating and Decomposing Default Risk
用于估计与分解违约风险的非高斯面板时间序列模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究企业违约的系统性信用风险，并使用按评级和年龄分类的企业面板，直接对应金融风险与面板数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于估计与分解违约风险的非高斯面板时间序列模型
- 研究问题
- 如何在企业违约频率面板中区分系统性风险与企业特有风险，同时处理共同暴露、非高斯分布、评级年龄变化和缺失观测？
- 方法与思路
- 作者提出多变量非高斯状态空间模型，刻画不可观测共同风险因子的动态，并用扩展至多变量情形的重要性抽样进行估计。
- 材料陈述的贡献
- 摘要称，多变量方法在模拟中改善重要性抽样表现；美国企业数据分析显示，各行业系统性信用风险的大小与发生时点可能明显不同。
- 阅读关注点
- 应核对风险分解的识别约束、潜在因子的动态设定、缺失观测处理，以及重要性抽样模拟的比较基准和行业差异的不确定性。
- 阅读边界
- 仅据所给出版社摘要，无法判断风险分解是否唯一、缺失机制要求或模拟改善幅度；行业差异也不能直接解释为因果效应。
原文摘要
We model 1981–2005 quarterly default frequencies for a panel of U.S. firms in different rating and age classes from the Standard and Poor database. The data are decomposed into systematic and firm-specific risk components, where the systematic component reflects the general economic conditions and the default climate. We need to cope with: the shared exposure of each age cohort, industry, and rating class to the same systematic risk factor; strongly non-Gaussian features of the individual time series; possible dynamics of an unobserved common risk factor; changing default probabilities over the age of the rating; and missing observations. We propose a non-Gaussian multivariate state-space model that deals with all of these issues simultaneously. The model is estimated using importance sampling techniques that have been modified to a multivariate setting. We show in a simulation study that such a multivariate approach improves the performance of the importance sampler. In our empirical work, we find that systematic credit risk may differ substantially in terms of magnitude and timing across industries.