मुख्य निष्कर्ष
क्रेडिट जोखिम मॉडलिंग ने Merton (1974) के सुंदर विकल्प-सैद्धांतिक ढांचे से 1990 के दशक के व्यावहारिक रिड्यूस्ड-फॉर्म हैज़र्ड मॉडलों तक, और फिर सैकड़ों फीचर्स को संसाधित करने वाली आधुनिक मशीन लर्निंग पाइपलाइनों तक एक लंबी यात्रा तय की है। प्रत्येक पीढ़ी वास्तविक सुधार प्रदान करती है, लेकिन बदले में कुछ मूल्यवान भी खो देती है: संरचनात्मक मॉडल अनुभवजन्य फिट की कीमत पर आर्थिक अंतर्ज्ञान को बनाए रखते हैं; रिड्यूस्ड-फॉर्म मॉडल व्यावहारिकता प्राप्त करते हैं लेकिन फर्म की बैलेंस शीट को लंगर के रूप में खो देते हैं; मशीन लर्निंग भविष्यवाणी सटीकता प्राप्त करती है लेकिन व्याख्या क्षमता और, अक्सर, नियामक स्वीकृति का त्याग करती है। व्यवहारकर्ता शायद ही कभी एक ही प्रतिमान का चयन करते हैं; वे इन्हें मिलाकर उपयोग करते हैं, प्रत्येक को वहां लगाते हैं जहां यह सबसे कम नुकसान पहुंचाता है।
इक्विटी बाज़ार ने क्रेडिट जोखिम को पुनर्मूल्यांकित किया
निवेश-ग्रेड और उच्च-उपज कॉर्पोरेट ऋण पर क्रेडिट स्प्रेड 2025 और 2026 की शुरुआत में भू-राजनीतिक अनिश्चितता द्वारा वैश्विक जोखिम भूख को संकुचित करने के कारण तेज़ी से बढ़े हैं। इस बदलाव ने एक ऐसे प्रश्न की ओर नए सिरे से ध्यान आकर्षित किया है जिसका सामना एसेट मैनेजर, बैंक जोखिम डेस्क और बॉन्ड निवेशक लगातार करते हैं: आप किसी प्रतिपक्ष के डिफ़ॉल्ट होने की संभावना का अनुमान कैसे लगाते हैं, और उस जोखिम को वहन करने के लिए आपको कितने मुआवज़े की आवश्यकता होती है?
उत्तर इस बात पर काफ़ी निर्भर करता है कि आप कौन सा मॉडलिंग ढांचा चुनते हैं, और प्रत्येक ढांचे की सत्तर वर्षों की शोध वंशावली यह निर्धारित करती है कि वह क्या देख सकता है और क्या नहीं।
Merton (1974): फर्म परिसंपत्तियों पर कॉल ऑप्शन के रूप में इक्विटी
Merton (1974) की मूलभूत अंतर्दृष्टि भ्रामक रूप से सरल है। एक फर्म की इक्विटी आर्थिक रूप से फर्म की परिसंपत्तियों पर एक यूरोपियन कॉल ऑप्शन के समतुल्य होती है, जिसमें ऋण का अंकित मूल्य स्ट्राइक मूल्य के रूप में कार्य करता है। यदि फर्म की परिसंपत्ति मूल्य परिपक्वता पर उसके ऋण से अधिक होता है, तो शेयरधारक अवशिष्ट प्राप्त करते हैं। यदि परिसंपत्तियां ऋण से नीचे गिर जाती हैं, तो शेयरधारकों को कुछ नहीं मिलता और बॉन्डधारक नुकसान को अवशोषित करते हैं।
यह ढांचा डिफ़ॉल्ट समस्या को एक विकल्प मूल्य निर्धारण समस्या में बदल देता है। अवलोकनीय इक्विटी मूल्यों और अस्थिरता को देखते हुए, Merton ने दिखाया कि Black-Scholes सूत्र को उलटकर फर्म की परिसंपत्ति मूल्य और परिसंपत्ति अस्थिरता का अनुमान लगाया जा सकता है। डिफ़ॉल्ट तब होता है जब परिसंपत्ति मूल्य प्रक्रिया, जिसे ज्यामितीय ब्राउनियन गति के रूप में मॉडल किया गया है, परिपक्वता तिथि पर ऋण अंकित मूल्य से नीचे गिर जाती है।
डिस्टेंस-टू-डिफ़ॉल्ट (DD) इसे एक सहज मेट्रिक में सारांशित करता है:
DD = (V - F) / (V x sigma_V)
जहां V अनुमानित परिसंपत्ति मूल्य है, F डिफ़ॉल्ट सीमा (आमतौर पर ऋण का अंकित मूल्य) है, और sigma_V परिसंपत्ति अस्थिरता है। 5 के DD वाली फर्म को डिफ़ॉल्ट करने के लिए अपनी परिसंपत्तियों में पांच-मानक-विचलन प्रतिकूल गतिविधि की आवश्यकता होती है। 1 के DD वाली फर्म पहले से ही किनारे के करीब होती है।
KMV Corporation (जिसे बाद में Moody's ने अधिग्रहित किया) ने 1980 और 1990 के दशक के अंत में इस अंतर्दृष्टि का व्यावसायीकरण किया। KMV मॉडल एक बड़े ऐतिहासिक डेटाबेस में डिस्टेंस-टू-डिफ़ॉल्ट मूल्यों को अनुभवजन्य डिफ़ॉल्ट दरों से मैप करके अपेक्षित डिफ़ॉल्ट आवृत्तियों (EDFs) का अनुमान लगाता है। मूल सूत्र संरक्षित रहता है लेकिन DD से EDF तक की मैपिंग सैद्धांतिक के बजाय अनुभवजन्य होती है।
संरचनात्मक मॉडलों की अनुभवजन्य कमियां
अपनी सभी सुंदरता के बावजूद, Merton ढांचे में एक निरंतर अनुभवजन्य समस्या है। Eom, Helwege, and Huang (2004) ने Merton (1974) और Leland (1994) तथा Longstaff-Schwartz (1995) द्वारा विस्तार सहित पांच संरचनात्मक क्रेडिट मॉडलों का अवलोकित कॉर्पोरेट बॉन्ड यील्ड स्प्रेड के विरुद्ध व्यवस्थित मूल्यांकन किया।
उनकी केंद्रीय खोज यह है कि संरचनात्मक मॉडल व्यवस्थित रूप से कॉर्पोरेट बॉन्डों का गलत मूल्य निर्धारण करते हैं। मूल Merton मॉडल अधिकांश बॉन्डों के लिए बहुत कम स्प्रेड की भविष्यवाणी करता है, अक्सर काफ़ी बड़े अंतर से। अधिक विस्तृत संरचनात्मक मॉडल कम-भविष्यवाणी समस्या का कुछ हिस्सा हल करते हैं लेकिन एक नई समस्या पेश करते हैं: वे जोखिमपूर्ण फर्मों के लिए स्प्रेड की अधिक भविष्यवाणी करते हैं। कोई भी एकल संरचनात्मक मॉडल पूर्ण रेटिंग स्पेक्ट्रम में अच्छी तरह से कैलिब्रेटेड स्प्रेड भविष्यवाणियां उत्पन्न नहीं करता।
इस अनुभवजन्य विफलता के पीछे तीन संरचनात्मक समस्याएं हैं। पहली, मॉडल मानता है कि डिफ़ॉल्ट केवल ऋण परिपक्वता पर हो सकता है; व्यवहार में, फर्म किसी भी समय वित्तीय संकट में प्रवेश कर सकती हैं। दूसरी, ज्यामितीय ब्राउनियन गति फर्म परिसंपत्ति गतिशीलता का एक खराब विवरण है; जंप, मीन रिवर्शन और स्टोकैस्टिक अस्थिरता सभी महत्वपूर्ण हैं। तीसरी, मॉडल ऋण परिपक्वता को दिया गया मानता है और जटिल पूंजी संरचनाओं, प्रतिबंध संरचनाओं और रणनीतिक डिफ़ॉल्ट प्रोत्साहनों की उपेक्षा करता है जिनका वास्तविक फर्में सामना करती हैं।
ये मामूली कैलिब्रेशन मुद्दे नहीं हैं। ये सैद्धांतिक व्यावहारिकता और अनुभवजन्य विश्वसनीयता के बीच संरचनात्मक मॉडलों में एक मौलिक तनाव को दर्शाते हैं।
रिड्यूस्ड-फॉर्म मॉडल: इंटेंसिटी और हैज़र्ड रेट
रिड्यूस्ड-फॉर्म (या इंटेंसिटी-आधारित) दृष्टिकोण, जिसे Jarrow and Turnbull (1995) द्वारा स्वतंत्र रूप से विकसित और Duffie and Singleton (1999) द्वारा विस्तारित किया गया, फर्म परिसंपत्तियों से संरचनात्मक संबंध को पूरी तरह से त्याग देता है। इसके बजाय, डिफ़ॉल्ट को एक स्टोकैस्टिक इंटेंसिटी पैरामीटर के साथ पॉइसन प्रक्रिया के पहले आगमन के रूप में मॉडल किया जाता है, जिसे अक्सर lambda द्वारा निरूपित किया जाता है।
हैज़र्ड रेट (या डिफ़ॉल्ट इंटेंसिटी) lambda(t) समय t तक जीवित रहने की स्थिति में डिफ़ॉल्ट की तात्कालिक सशर्त संभावना है। यदि lambda(t) एक ज्ञात प्रक्रिया का अनुसरण करता है, तो समय t पर जीवित रहने की स्थिति में समय T तक जीवित रहने की संभावना है:
P(survival to T) = E[exp(-integral from t to T of lambda(s) ds)]
यह सूत्रीकरण गणितीय रूप से शॉर्ट-रेट ब्याज दर मॉडल में ज़ीरो-कूपन बॉन्डों के मूल्य निर्धारण के अनुरूप है। वास्तव में, Duffie and Singleton (1999) दिखाते हैं कि एक डिफ़ॉल्ट-योग्य बॉन्ड का मूल्य निर्धारण ठीक एक जोखिम-मुक्त बॉन्ड की तरह किया जा सकता है, जिसमें संशोधित छूट दर डिफ़ॉल्ट इंटेंसिटी और लॉस गिवन डिफ़ॉल्ट को शामिल करती है। यह हैज़र्ड प्रक्रिया के एफाइन विनिर्देशनों के तहत व्यावहारिक बंद-रूप समाधान उत्पन्न करता है।
संरचनात्मक मॉडलों की तुलना में व्यावहारिक लाभ महत्वपूर्ण हैं। पहला, रिड्यूस्ड-फॉर्म मॉडलों को अवलोकनीय क्रेडिट स्प्रेड से सीधे सरल यील्ड-कर्व स्ट्रिपिंग तकनीकों का उपयोग करके कैलिब्रेट किया जा सकता है, बिना अवलोकनीय न होने वाले फर्म परिसंपत्ति मूल्यों का अनुमान लगाने की आवश्यकता के। दूसरा, वे डिफ़ॉल्ट संभावना की जटिल टर्म संरचनाओं को स्वाभाविक रूप से संभालते हैं। तीसरा, इन्हें समान गणितीय ढांचे के भीतर सहसंबद्ध डिफ़ॉल्ट और क्रेडिट डेरिवेटिव मूल्य निर्धारण को समायोजित करने के लिए विस्तारित किया जा सकता है।
इसमें जो समझौता होता है वह आर्थिक सामग्री की हानि है। हैज़र्ड रेट lambda(t) एक सांख्यिकीय वस्तु है जो बताती है कि डिफ़ॉल्ट कब होते हैं; यह इस बारे में कुछ नहीं कहती कि वे क्यों होते हैं या कौन से फर्म-स्तरीय चर उन्हें प्रेरित करते हैं। जोखिम निगरानी उद्देश्यों के लिए, जहां व्यवहारकर्ता क्रेडिट जोखिम के स्रोतों को समझना और शुरुआती गिरावट का निदान करना चाहता है, रिड्यूस्ड-फॉर्म दृष्टिकोण संरचनात्मक विकल्प की तुलना में कम उपयोगी होता है।
Altman का Z-Score: प्रोटो-ML क्लासिफायर
आधुनिक मशीन लर्निंग से पहले Z-score था। Altman (1968) ने बहु विभेदक विश्लेषण का उपयोग करके पांच वित्तीय अनुपातों का एक रैखिक फ़ंक्शन बनाया जो दिवालिया फर्मों को गैर-दिवालिया फर्मों से अलग करता है:
Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6 X4 + 1.0 X5
जहां X1 कार्यशील पूंजी / कुल परिसंपत्तियां, X2 प्रतिधारित आय / कुल परिसंपत्तियां, X3 EBIT / कुल परिसंपत्तियां, X4 इक्विटी का बाज़ार मूल्य / कुल देनदारियों का बही मूल्य, और X5 बिक्री / कुल परिसंपत्तियां है।
2.99 से ऊपर Z वाली फर्मों को सुरक्षित के रूप में वर्गीकृत किया जाता है; 1.81 से नीचे वाली फर्मों को संकट-क्षेत्र में वर्गीकृत किया जाता है। बीच का धूसर क्षेत्र अस्पष्ट होता है। Altman के मूल नमूने ने दिवालियापन से एक वर्ष पहले लगभग 95 प्रतिशत वर्गीकरण सटीकता प्राप्त की।
आधुनिक मशीन लर्निंग परिप्रेक्ष्य से देखा जाए तो Z-score विभेदक विश्लेषण का उपयोग करके एक छोटे लेबल किए गए डेटासेट पर प्रशिक्षित एक रैखिक क्लासिफायर है। इसका फीचर सेट समझदारी भरा है: यह तरलता (X1), लाभप्रदता (X2, X3), उत्तोलन (X4), और परिसंपत्ति दक्षता (X5) को पकड़ता है। इसकी सीमाएं भी स्पष्ट हैं: यह रैखिक है, केवल पांच फीचर्स का उपयोग करता है, समय अवधियों और उद्योगों के बीच पुनर्कैलिब्रेशन की आवश्यकता होती है, और एक अलग मैक्रोइकॉनोमिक युग में विनिर्माण फर्मों के लिए डिज़ाइन किया गया था।
Z-score आज भी व्यापक रूप से उद्धृत और बेंचमार्क के रूप में उपयोग किया जाता है, इसलिए नहीं कि यह अत्याधुनिक है, बल्कि इसलिए कि इसकी व्याख्या क्षमता इसे नियामक फाइलिंग, प्रतिबंध निगरानी और पोर्टफोलियो स्क्रीनिंग के लिए उपयोगी बनाती है जहां ऑडिटेबिलिटी महत्वपूर्ण होती है।
मशीन लर्निंग: ग्रेडिएंट बूस्टिंग ने क्या जोड़ा
ग्रेडिएंट-बूस्टेड डिसीज़न ट्री, विशेष रूप से XGBoost और LightGBM, की ओर बदलाव ने शास्त्रीय विभेदक मॉडलों और लॉजिस्टिक रिग्रेशन की तुलना में तीन वास्तविक सुधार लाए।
पहला, अरैखिकता। वित्तीय अनुपात जटिल तरीकों से परस्पर क्रिया करते हैं; उच्च उत्तोलन वाली फर्म उच्च-दर वातावरण में खतरनाक होती है लेकिन कम दरों पर प्रबंधनीय होती है। ट्री-आधारित मॉडल इन परस्पर क्रियाओं को बिना विश्लेषक को पहले से निर्दिष्ट करने की आवश्यकता के पकड़ लेते हैं।
दूसरा, फीचर समृद्धि। आधुनिक ML क्रेडिट मॉडल लेखांकन डेटा, बाज़ार डेटा (इक्विटी मूल्य, इक्विटी अस्थिरता, क्रेडिट स्प्रेड), मैक्रोइकॉनोमिक संकेतक, उद्योग संकेतक, और कुछ कार्यान्वयनों में अर्निंग्स कॉल और फाइलिंग से टेक्स्ट फीचर्स को अवशोषित करते हैं। Merton मॉडल दो इनपुट का उपयोग करता है; एक आधुनिक ग्रेडिएंट बूस्टिंग मॉडल 200 या अधिक का उपयोग कर सकता है।
तीसरा, लापता और असंतुलित डेटा का प्रबंधन। कॉर्पोरेट डिफ़ॉल्ट दुर्लभ घटनाएं हैं। ग्रेडिएंट बूस्टिंग कार्यान्वयन सैंपल-वेटिंग और कॉस्ट-सेंसिटिव लॉस फ़ंक्शन के माध्यम से क्लास असंतुलन को स्वाभाविक रूप से संभालते हैं, जो क्रेडिट वर्गीकरण के लिए अत्यधिक महत्वपूर्ण है जहां फॉल्स नेगेटिव (छूटे हुए डिफ़ॉल्ट) फॉल्स पॉज़िटिव की तुलना में कहीं अधिक महंगे होते हैं।
अनुभवजन्य लाभ वास्तविक हैं। कई अध्ययनों और क्रेडिट डेटासेट में, ग्रेडिएंट बूस्टिंग ROC कर्व (AUC) के अंतर्गत क्षेत्र और Kolmogorov-Smirnov (KS) सांख्यिकी जैसे आउट-ऑफ-सैंपल डिफ़ॉल्ट भविष्यवाणी मेट्रिक्स पर लॉजिस्टिक रिग्रेशन और Altman-शैली विभेदक मॉडलों से लगातार बेहतर प्रदर्शन करता है। अंतर छोटा नहीं है: समृद्ध बाज़ार फीचर्स वाले डेटासेट पर लॉजिस्टिक रिग्रेशन की तुलना में 5 से 10 AUC अंकों के सामान्य सुधार आम हैं।
इसकी कीमत व्याख्या क्षमता होती है। 500 ट्री और सैकड़ों फीचर्स वाला ग्रेडिएंट बूस्टिंग मॉडल उस तरह से ऑडिट करने योग्य नहीं होता जैसा Z-score होता है। फीचर महत्व माप (Gini महत्व, SHAP मान) स्पष्टीकरण के सन्निकटन प्रदान करते हैं, लेकिन वे संरचनात्मक आर्थिक व्याख्या नहीं होते।
न्यूरल हैज़र्ड मॉडल
सबसे हालिया पद्धतिगत सीमांत, रिड्यूस्ड-फॉर्म मॉडलों की गणितीय संरचना को डीप लर्निंग की प्रतिनिधित्व शक्ति के साथ मिलाकर, न्यूरल नेटवर्क को हैज़र्ड मॉडलिंग ढांचे पर लागू करता है।
Kvamme et al. (2019) और संबंधित कार्य न्यूरल नेटवर्क आर्किटेक्चर का उपयोग करके डिस्क्रीट-टाइम हैज़र्ड मॉडलों को पुनर्निरूपित करते हैं। हैज़र्ड फ़ंक्शन के लिए एक पैरामीट्रिक रूप निर्दिष्ट करने के बजाय, नेटवर्क सहचरों से प्रत्येक समय चरण पर सशर्त डिफ़ॉल्ट संभावना तक की मैपिंग सीखता है। यह मॉडल को एफाइन इंटेंसिटी मॉडलों के प्रतिबंधात्मक फ़ंक्शनल रूप मान्यताओं के बिना हैज़र्ड रेट पर फर्म-स्तरीय और मैक्रो चरों के अरैखिक प्रभावों को पकड़ने में सक्षम बनाता है।
Gunnarsson et al. (2021) ने विशेष रूप से कॉर्पोरेट क्रेडिट जोखिम पर एक समान ढांचा लागू किया और पाया कि न्यूरल हैज़र्ड मॉडल लंबी-अवधि डिफ़ॉल्ट भविष्यवाणी पर लॉजिस्टिक रिग्रेशन और ग्रेडिएंट बूस्टिंग दोनों से बेहतर प्रदर्शन करते हैं, जहां हैज़र्ड रेट की अस्थायी गतिशीलता सबसे अधिक महत्वपूर्ण होती है। यह लाभ विशेष रूप से वित्तीय तनाव के शुरुआती चरणों में फर्मों के लिए स्पष्ट होता है, जहां प्रतिबंध दबाव और नकदी जलन का समय पथ उन तरीकों से सूचनात्मक होता है जो एक क्रॉस-सेक्शनल स्नैपशॉट से छूट जाते हैं।
रिकरेंट आर्किटेक्चर (LSTM, GRU) अस्थायी संरचना को सीधे संभालते हैं। मॉडल को वित्तीय अनुपातों का एकल-अवधि स्नैपशॉट खिलाने के बजाय, रिकरेंट नेटवर्क वित्तीय विवरणों और बाज़ार मूल्यों की समय श्रृंखला को संसाधित करते हैं, यह सीखते हुए कि कौन सी प्रक्षेपवक्र डिफ़ॉल्ट से पहले आती हैं। यह अनुभवी क्रेडिट विश्लेषक अनौपचारिक रूप से जो करते हैं उसके करीब है: वे केवल सबसे हालिया फाइलिंग नहीं देखते; वे प्रवृत्ति देखते हैं।
इसमें जो समझौता होता है वह डेटा की भूख है। न्यूरल मॉडलों को ओवरफिटिंग से बचने के लिए ग्रेडिएंट बूस्टिंग की तुलना में बहुत बड़े प्रशिक्षण नमूनों की आवश्यकता होती है, और कॉर्पोरेट डिफ़ॉल्ट डेटासेट डिफ़ॉल्ट की दुर्लभता के कारण स्वाभाविक रूप से सीमित होते हैं। रेगुलराइज़ेशन (ड्रॉपआउट, L2 पेनल्टी), सेक्टरों में ट्रांसफर लर्निंग, और डेटा ऑग्मेंटेशन सहायता करते हैं, लेकिन समस्या पूरी तरह से समाप्त नहीं होती।
व्यवहारकर्ता का ढांचा: कहां क्या उपयोग होता है
| ढांचा | व्याख्या क्षमता | डेटा आवश्यकताएं | डिफ़ॉल्ट भविष्यवाणी | नियामक स्वीकृति |
|---|---|---|---|---|
| Merton / KMV | उच्च | बाज़ार + बैलेंस शीट | मध्यम | उच्च |
| Reduced-form | मध्यम | क्रेडिट स्प्रेड | उच्च (मूल्य निर्धारण के लिए) | उच्च |
| Altman Z-score | बहुत उच्च | केवल लेखांकन | मध्यम | बहुत उच्च |
| Gradient Boosting | निम्न-मध्यम | लेखांकन + बाज़ार | उच्च | मध्यम |
| Neural Hazard | निम्न | बड़ा पैनल डेटा | सर्वोच्च | निम्न |
बैंकों और बड़े एसेट मैनेजरों में निवेश-ग्रेड क्रेडिट मूल्यांकन आमतौर पर संरचनात्मक मॉडलों (KMV-शैली EDF अनुमान) पर निर्भर करता है जिन्हें विवेकाधीन ओवरले के साथ मिश्रित किया जाता है। संरचनात्मक मॉडल एक आर्थिक रूप से आधारित लंगर प्रदान करता है; विश्लेषक उन कारकों के लिए समायोजन करते हैं जो मॉडल नहीं देख सकता, जैसे प्रबंधन गुणवत्ता, मुकदमेबाज़ी जोखिम, और रणनीतिक स्थिति।
उच्च-उपज और लीवरेज्ड लोन डेस्क पारंपरिक मौलिक विश्लेषण के साथ-साथ ग्रेडिएंट बूस्टिंग मॉडलों का बढ़ते हुए उपयोग करते हैं। मॉडल उन आउटलायर की पहचान करता है जिन पर अधिक ध्यान देने की आवश्यकता होती है; विश्लेषक यह निर्णय लेता है कि मॉडल की चिंता वास्तविक गिरावट को दर्शाती है या डेटा विसंगति को।
डिस्ट्रेस्ड डेट और क्रेडिट विशेष स्थिति के व्यवहारकर्ता आमतौर पर बॉटम-अप मौलिक विश्लेषण और संरचनात्मक मॉडल आउटपुट पर सबसे अधिक निर्भर करते हैं। डिफ़ॉल्ट के निकट या उस पर, रिड्यूस्ड-फॉर्म मॉडल अपना लाभ खो देते हैं क्योंकि डिफ़ॉल्ट समय अब एक सांख्यिकीय अमूर्तता नहीं रहती; यह लेनदारों, प्रबंधन और नियामकों के बीच एक बातचीत का परिणाम होता है।
क्वांटिटेटिव क्रेडिट हेज फंड और फिनटेक ऋणदाता न्यूरल हैज़र्ड मॉडलों के प्राथमिक अपनाने वाले हैं। उनके पास इन मॉडलों का समर्थन करने के लिए डेटा की मात्रा और तकनीकी अवसंरचना होती है, और उन्हें विनियमित बैंकों की तुलना में मॉडल रूप पर कम नियामक बाधाओं का सामना करना पड़ता है।
प्रत्येक मॉडल क्या खोता है
यह समझना कि प्रत्येक मॉडल क्या त्याग करता है, उतना ही महत्वपूर्ण है जितना यह समझना कि वह क्या प्राप्त करता है। Merton मॉडल एक विशिष्ट आर्थिक संरचना लागू करता है; जब वह संरचना गलत होती है (और यह अक्सर गलत होती है, विशेष रूप से जटिल पूंजी संरचनाओं वाली फर्मों के लिए), तो मॉडल यादृच्छिक रूप से नहीं बल्कि व्यवस्थित रूप से विफल होता है। रिड्यूस्ड-फॉर्म मॉडल बाज़ार मूल्यों से अच्छी तरह फिट होते हैं लेकिन डिफ़ॉल्ट के तंत्र पर मौन रहते हैं; बाज़ार मूल्यों के हिलने से पहले वे आपको बिगड़ती बुनियादी बातों के बारे में सचेत नहीं कर सकते। ग्रेडिएंट बूस्टिंग शक्तिशाली है लेकिन गैर-कारणात्मक है; यह प्रशिक्षण डेटा में पैटर्न को डिफ़ॉल्ट के साथ सहसंबद्ध करता है, और वे सहसंबंध आउट-ऑफ-सैंपल में तब टूट सकते हैं जब आर्थिक शासन बदलता है। न्यूरल मॉडल इन क्षमताओं को अस्थायी रूप से विस्तारित करते हैं लेकिन व्याख्या क्षमता और डेटा आवश्यकताओं को और बढ़ा देते हैं।
इनमें से कोई भी ढांचा गलत नहीं है। प्रत्येक एक ही जटिल आर्थिक वास्तविकता का एक अलग सन्निकटन है।
सीमाएं
हर प्रकार के क्रेडिट मॉडलों में सामान्य सीमाएं साझा होती हैं। डिफ़ॉल्ट डेटासेट उस मॉडल जटिलता के सापेक्ष छोटे होते हैं जिसका वे समर्थन करने का प्रयास करते हैं; दशकों के डेटा के साथ भी, निवेश-ग्रेड डिफ़ॉल्ट इतने दुर्लभ होते हैं कि आउट-ऑफ-सैंपल सत्यापन अविश्वसनीय हो जाता है। एक क्रेडिट चक्र में प्रशिक्षित मॉडल अगले में व्यवस्थित रूप से पूर्वाग्रहित भविष्यवाणियां उत्पन्न कर सकते हैं। क्रेडिट जोखिम और प्रणालीगत जोखिम (मंदी में डिफ़ॉल्ट के क्लस्टर होने की प्रवृत्ति) के बीच परस्पर क्रिया को मैक्रो घटक के बिना मॉडल करना कठिन होता है, और अधिकांश क्रेडिट मॉडल मैक्रो वातावरण को सह-विकसित होने वाली अवस्था के बजाय एक सहचर के रूप में मानते हैं।
नियामक आवश्यकताएं एक अलग बाधा लगाती हैं। Basel III/IV के अधीन बैंकों को ऐसे मॉडलों का उपयोग करना होता है जो व्याख्या क्षमता और ऑडिटेबिलिटी मानकों को पूरा करते हैं। यह प्रभावी रूप से नियामक पूंजी गणनाओं के लिए डीप न्यूरल नेटवर्क को बाहर कर देता है, तब भी जब वे नेटवर्क बेहतर आउट-ऑफ-सैंपल प्रदर्शन प्रदर्शित करते हैं। शैक्षणिक सीमांत और नियामक सीमांत हमेशा एक ही स्थान पर नहीं होते।
संबंधित
यह विश्लेषण Quant Decoded Research से QD Research Engine AI-Synthesised — Quant Decoded का स्वचालित अनुसंधान मंच — द्वारा संश्लेषित किया गया है और सटीकता के लिए हमारी संपादकीय टीम द्वारा समीक्षा की गई है। हमारी कार्यप्रणाली के बारे में और जानें.
संदर्भ
-
Merton, R.C. (1974). "On the Pricing of Corporate Debt: The Risk Structure of Interest Rates." Journal of Finance, 29(2), 449-470. https://doi.org/10.1111/j.1540-6261.1974.tb03058.x
-
Altman, E.I. (1968). "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy." Journal of Finance, 23(4), 589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
-
Jarrow, R.A. & Turnbull, S.M. (1995). "Pricing Derivatives on Financial Securities Subject to Credit Risk." Journal of Finance, 50(1), 53-85. https://doi.org/10.1111/j.1540-6261.1995.tb05167.x
-
Duffie, D. & Singleton, K.J. (1999). "Modeling Term Structures of Defaultable Bonds." Review of Financial Studies, 12(4), 687-720. https://doi.org/10.1093/rfs/12.4.687
-
Eom, Y.H., Helwege, J. & Huang, J. (2004). "Structural Models of Corporate Bond Pricing: An Empirical Analysis." Review of Financial Studies, 17(2), 499-544. https://doi.org/10.1093/rfs/hhg053
-
Kvamme, H., Foss, N., Borgan, O. & Scheel, I. (2019). "Time-to-event prediction with neural networks and Cox regression." KDD 2019. https://doi.org/10.1145/3292500.3330687
-
Gunnarsson, B.R., Vanden Broucke, S., Baesens, B., Óskarsdóttir, M. & Lemahieu, W. (2021). "Deep learning for credit scoring: Do or don't?" Expert Systems with Applications, 177, 114722. https://doi.org/10.1016/j.eswa.2021.114722