Default Estimation and Expert Information
违约率估计与专家信息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：摘要以稀有违约事件、违约率推断及相关违约为核心，并明确服务于银行风险管理，直接对应金融风险方向。
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
违约率估计与专家信息
- 研究问题
- 当贷款违约属于稀有事件、借款企业缺少评级时，如何借助专家信息推断违约率，并把潜在的违约相关性纳入风险分析？
- 方法与思路
- 作者提出贝叶斯方法，以行业专家评估的先验分布补充信息，扩展常用二项模型以允许违约相关，并用ε混合先验检查稳健性。
- 材料陈述的贡献
- 摘要展示了专家先验进入违约率推断的应用路径，并把相关违约与先验敏感性纳入分析；未报告估计精度改善的具体数值。
- 阅读关注点
- 核对专家先验的获取与校准过程、相关违约的概率结构，以及ε混合先验的构造和后验结果对先验扰动的敏感程度。
- 阅读边界
- 摘要未说明样本规模、专家先验的具体参数或违约相关结构；仅凭摘要无法判断先验可靠性及结论对其他信贷组合的适用性。
原文摘要
Default is a rare event, even in segments in the midrange of a bank’s portfolio. Inference about default rates is essential for risk management and for compliance with the requirements of Basel II. Most commercial loans are in the middle-risk categories and are to unrated companies. Expert information is crucial in inference about defaults. A Bayesian approach is proposed and illustrated using a prior distribution assessed from an industry expert. The binomial model, most common in applications, is extended to allow correlated defaults. A check of robustness is illustrated with an ε-mixture of priors.