Modelling recovery rates is an essential tool for credit risk management. The aim of this thesis is to perform a comprehensive comparative analysis of various statistical models for predicting recovery rates of defaulted loans, of the real estate industry, in Europe. We use data from Global Credit Data, a non-profit association owned by 50+ member banks. The models under consideration range from traditional approaches to more advanced models. Specifically, these include linear regression, quantile regression, decision tree approaches with regression and neural networks, as well as, mixture regression models. Furthermore, we also build a predictive crisis indicator for Europe, using logistic regression, to include crisis information in these models. Our empirical findings indicate that models built on the entire datasets perform better than those built on separate subsets using decision trees. Notably, the best three performing models are linear regression, neural network and mixture regression model with three components. An in-depth analysis reveals that the mixture regression model exhibits superior predictive accuracy when compared to the latter two models.     «

Modelling recovery rates is an essential tool for credit risk management. The aim of this thesis is to perform a comprehensive comparative analysis of various statistical models for predicting recovery rates of defaulted loans, of the real estate industry, in Europe. We use data from Global Credit Data, a non-profit association owned by 50+ member banks. The models under consideration range from traditional approaches to more advanced models. Specifically, these include linear regression, quan...     »

Die Modellierung von Rückzahlungsraten ist ein wichtiges Instrument für das Kreditrisikomanagement. Ziel dieser Arbeit ist es, eine umfassende vergleichende Analyse verschiedener statistischer Modelle zur Vorhersage der Rückzahlungsraten von ausgefallenen Krediten in der Immobilienbranche in Europa durchzuführen. Wir verwenden Daten von Global Credit Data, einer gemeinnützigen Vereinigung im Besitz von 50+ Mitgliedsbanken. Die untersuchten Modelle reichen von traditionellen Ansätzen bis hin zu fortgeschritten Modellen. Diese sind lineare Regression, Quantilregression, Entscheidungsbaumansätze mit Regression und neuronalen Netzen sowie Mischregressionsmodelle. Darüber hinaus entwickeln wir einen prädiktiven Krisenindikator für Europa unter Verwendung logistischer Regression, um Kriseninformationen in diese Modelle einzubeziehen. Unsere empirischen Ergebnisse zeigen, dass Modelle, die sich auf den gesamten Datensätzen aufbauen, besser abschneiden als Modelle, die auf separaten Teilmengen unter Verwendung von Entscheidungsbäumen aufgebaut sind. Die drei besten Modelle sind die lineare Regression, das neuronale Netz und das gemischte Regressionsmodell mit drei Komponenten. Eine eingehende Analyse zeigt, dass das Mischregressionsmodell im Vergleich zu den letzteren beiden Modellen eine höhere Vorhersagegenauigkeit aufweist.     «

Die Modellierung von Rückzahlungsraten ist ein wichtiges Instrument für das Kreditrisikomanagement. Ziel dieser Arbeit ist es, eine umfassende vergleichende Analyse verschiedener statistischer Modelle zur Vorhersage der Rückzahlungsraten von ausgefallenen Krediten in der Immobilienbranche in Europa durchzuführen. Wir verwenden Daten von Global Credit Data, einer gemeinnützigen Vereinigung im Besitz von 50+ Mitgliedsbanken. Die untersuchten Modelle reichen von traditionellen Ansätzen bis hin zu f...     »