銀行信用データベースの統合化と会計制度及び商習慣を考慮した信用リスク評価

本年度は、昨年度までに作成したLGD推定モデルの検証結果を分析し、その分析結果を基に、さらなるモデル推定精度の向上を試みた。具体的には、①モデル構造の改良、②非線形モデルの導入を行った。①昨年までに完成させたモデルは、まずはじめに，正常復帰を考慮した分岐を行い，その次にLGD＝0とLGD>0の分岐を行い，さらにLGD>0の場合に，損失率の回帰を行う3段階LGD推定モデルだった。ただ、正常復帰確率の推定は困難である問題が合った。そこで、正常復帰を考慮した分岐を排除したLGD＝０とLGD＞０の分岐とLGD>0の場合の損失率回帰の2つのモデルで構成される2段階LGD推定モデルを構築した。このモデルはモデル構造がシンプルになる利点がある。新しく構築した2段階LGD推定モデルとこれまでの3段階LGD推定モデルの比較を行った。その結果、推定精度に著しい向上は見られないが、推定精度が低下しないことを確認した。②上記の2段階LGD推定モデルをベースに、非線形LGD推定モデルに関する研究を行った。昨年までに作成したLGD推定モデルは二項ロジットモデルとロジスティック回帰で構築されていた。それぞれのモデルでは線形予測子を用いており、広義には説明変数とLGDの線形関係しか分析することができていなかった。そこで、複雑な非線形関係を記述できるように、2段階モデルのそれぞれに非線形性を入れた。具体的には、LGD＝０とLGD＞０の分岐にはCARTベースのBoostingを用いることで、非線形性を取り入れた。一方、LGD>0の場合の損失率回帰はサポートベクターマシン回帰を用いることで非線形性を取り入れた。その結果、二項ロジットモデルとロジスティック回帰で構築したLGD推定モデルに比べて、推定精度が向上した。

本年度は、昨年度までに作成したLGD推定モデルの検証結果を分析し、その分析結果を基に、さらなるモデル推定精度の向上を試みた。具体的には、①モデル構造の改良、②非線形モデルの導入を行った。①昨年までに完成させたモデルは、まずはじめに，正常復帰を考慮した分岐を行い，その次にLGD＝0とLGD>0の分岐を行い，さらにLGD>0の場合に，損失率の回帰を行う3段階LGD推定モデルだった。ただ、正常復帰確率の推定は困難である問題が合った。そこで、正常復帰を考慮した分岐を排除したLGD＝０とLGD＞０の分岐とLGD>0の場合の損失率回帰の2つのモデルで構成される2段階LGD推定モデルを構築した。このモデルはモデル構造がシンプルになる利点がある。新しく構築した2段階LGD推定モデルとこれまでの3段階LGD推定モデルの比較を行った。その結果、推定精度に著しい向上は見られないが、推定精度が低下しないことを確認した。②上記の2段階LGD推定モデルをベースに、非線形LGD推定モデルに関する研究を行った。昨年までに作成したLGD推定モデルは二項ロジットモデルとロジスティック回帰で構築されていた。それぞれのモデルでは線形予測子を用いており、広義には説明変数とLGDの線形関係しか分析することができていなかった。そこで、複雑な非線形関係を記述できるように、2段階モデルのそれぞれに非線形性を入れた。具体的には、LGD＝０とLGD＞０の分岐にはCARTベースのBoostingを用いることで、非線形性を取り入れた。一方、LGD>0の場合の損失率回帰はサポートベクターマシン回帰を用いることで非線形性を取り入れた。その結果、二項ロジットモデルとロジスティック回帰で構築したLGD推定モデルに比べて、推定精度が向上した。