Composite Likelihood for Stochastic Migration Model with Unobserved Factor
含不可观测因子的随机信用评级迁移模型：复合似然估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要涉及信用风险与资本需求、不可观测随机因子，以及有序 Probit 评级转移模型。
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…
含不可观测因子的随机信用评级迁移模型：复合似然估计
- 研究问题
- 研究企业信用评级迁移模型中，如何避免精确似然的高维积分近似影响迁移风险与资本需求估计，并建立可行的统计推断。
- 方法与思路
- 作者为随机因子有序 Probit 模型提出三种复杂度不同的条件最大复合似然估计量，分析个体数与时间长度共同增长时的性质。
- 材料陈述的贡献
- 摘要称，所提估计绕开高维积分近似问题，并研究一致性、渐近正态性及有限时间长度下的模拟表现，另提供实证应用。
- 阅读关注点
- 应核对条件化方式和复合似然的组成、不可观测因子的处理、个体与时间维度增长条件，以及风险和资本估计的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供正则条件、效率损失或资本估计结果，也未验证监管适用性。
原文摘要
We introduce the conditional Maximum Composite Likelihood (MCL) estimation method for the stochastic factor ordered Probit model of credit rating transitions of firms. This model is recommended for internal credit risk assessment procedures in banks and financial institutions under the Basel III regulations. Its exact likelihood function involves a high-dimensional integral, which can be approximated numerically before maximization. However, the estimated migration risk and required capital tend to be sensitive to the quality of this approximation, potentially leading to statistical regulatory arbitrage. The proposed conditional MCL estimator circumvents this problem and maximizes the composite log-likelihood of the factor ordered Probit model. We present three conditional MCL estimators of different complexity and examine their consistency and asymptotic normality when n and T tend to infinity. The performance of these estimators at finite T is examined and compared with a granularity-based approach in a simulation study. The use of the MCL estimator is also illustrated in an empirical application.