User: Guest  Login
Document type:
Masterarbeit
Author(s):
Morgenstern, Amelie
Title:
Driving macroeconomic factors of individual recovery rates
Translated title:
Treibende makroökonomische Faktoren der individuellen Rückzahlungsraten
Abstract:
Modelling of the Recovery Rate is one of the key components of a bank’s risk management in order to estimate their capital requirement. This thesis aims to find the best modelling method for the Recovery Rate out of seven different models. Besides more classical methods like linear regression, finite mixture regression and regression trees we also use neural networks. If the balance property is satisfied by a model, its estimates are unbiased. As neural networks do not fulfil the balance property, we apply an additional bias regularization step to the neural network with linear regression to overcome this drawback. The technique of the bias regularization step is furthermore applied with beta regression and finite mixture regression in order to improve the model results. However, the bias regularization step with beta regression respectively with finite mixture regression will not lead to the balance property being fulfilled. The Loss Given Default (LGD) & Exposure at Default (EaD) platform provided by Global Credit Data (GCD) forms the base of our analysis which is the world largest bank loan credit default dataset. We concentrate on small- and medium-sized entities in the US and evaluate the data on borrower level. Aside from the variables of the dataset we included a Crisis Indicator respectively Crisis Probability and the Aggregated Recovery Rate as explanatory variables in our models.
Translated abstract:
Das Modellieren der Rückzahlungsraten ist eine der wichtigsten Komponenten des Risikomanagements von Banken. Diese Arbeit untersucht sieben unterschiedliche Mod- ellierungsmethoden im Hinblick darauf, welche die beste Vorhersage liefert. Neben eher klassischen Methoden wie Linearer Regression, Finite Mixture Regression und Regression Trees haben wir auch Neuronale Netze für die Modellierung verwendet. Wenn die Balance Property für ein Modell erfüllt ist, so sind dessen Schätzer erwartungstreu. Da Neuronale Netze die Balance Property nicht erfüllen, haben wir einen zusätzlichen Bias Regularization Schritt in Kombination mit Linearer Regression implementiert, um so sicherzustellen, dass die Balance Property gilt. Diesen Bias Regularization Schritt haben wir zudem mit Finite Mixture Regression und Beta Regression angewendet, in diesem Fall mit dem Ziel das Modellergebnis zu verbessern. Allerdings führt der Bias Regularization Schritt mit Beta Regression und Finite Mixture Regression nicht dazu, dass die Balance Property erfüllt ist. Die Loss Given Default (LGD) & Exposure at Default (EaD) Datenbank, welche uns für diese Arbeit von Global Credit Data (GCD) zur Verfügung gestellt wurde und die größte ihrer Art weltweit darstellt, diente als Grundlage für unsere Analysen. Wir haben unsere Auswertungen auf kleine bis mittelgroße Unternehmen in den USA beschränkt und die Daten auf Kreditnehmerebene ausgewertet. Neben den Variablen aus dem Datensatz haben wir unserer Analyse auch einen Krisenindikator bzw. eine Krisenwahrscheinlichkeit und die aggregierte Rückzahlungsrate als erklärende Variablen beigefügt.
Supervisor:
Prof. Dr. Rudi Zagst
Advisor:
Prof. Dr. Rudi Zagst & PD Dr Aleksey Min
Cooperation:
Global Credit Data
Year:
2020
University:
Technische Universität München
Faculty:
Fakultät für Mathematik
TUM Institution:
Lehrstuhl für Finanzmathematik
Commencing Date:
15.08.2020
 BibTeX