Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/19025
Files in This Item:
File Description SizeFormat 
2015_ThiagoMoraisDeCarvalho.pdf642,21 kBAdobe PDFView/Open
Title: Modelagem da LGD via mistura de distribuições Kumaraswamy
Authors: Carvalho, Thiago Morais de
Orientador(es):: Guevara Otiniano, Cira Etheowalda
Assunto:: Risco (Economia)
Distribuição (Probabilidades)
Issue Date: 23-Dec-2015
Citation: CARVALHO, Thiago Morais de. Modelagem da LGD via mistura de distribuições Kumaraswamy. 2015. 60 f., il. Dissertação (Mestrado em Estatística)—Universidade de Brasília, Brasília, 2015.
Abstract: Atualmente uma determinada instituição financeira (IF) utiliza, para o acompanhamento e verificação do desempenho de modelos de risco de clientes, os testes Kolmogorov-Smirnov (KS), Índice de Gini e a Curva Roc Com o advento do Acordo de Basileia, mais especificamente Basileia II, surgiu a necessidade de criação de modelos referentes aos parâmetros de risco de crédito: probabilidade de descumprimento (PD) que vem de “probability of default”, exposição no momento do descumprimento (EAD), que vem de “exposure at default” e perda dado o descumprimento (LGD) que vem de “loss given default”. Os anos de 2013 e 2014, nesta IF, concentraram os esforços para a construção de tais modelos. Entretanto, ao contrário do que é verificado para os modelos de risco de clientes, esses novos modelos não dispunham de um conjunto de técnicas estatísticas definidas para seu monitoramento. Dessa forma, definiu-se o objetivo deste trabalho, que consiste em modelar os dados de LGD de forma a obtenção de uma distribuição paramétrica, possibilitando assim o conhecimento do comportamento deste tipo de dados e sua avaliação sob o teste KS com a finalidade de subsidiar as decisões de revisão ou remodelagem dos modelos do parâmetro de risco de crédito LGD. Para a modelagem dos dados de LGD foi utilizada a distribuição Kumaraswamy, que tem suporte no intervalo (0,1). A vantagem de sua utilização consiste no comportamento variado que a distribuição pode assumir, bem como pela forma fechada de sua função de distribuição acumulada, que facilita seu uso em procedimentos computacionais. Além disso, há o fato de que dentro de um ambiente não-acadêmico existe uma certa resistência à técnicas mais complexas ou a conceitos não-auto explicáveis. Foi utilizado o algoritmo EM para obter as estimativas de máxima verossimilhança dos parâmetros do modelo. O desempenho do algoritmo foi avaliado por meio de simulação de Monte Carlo, e em seguida o modelo foi aplicado em dois conjuntos de dados reais. Portanto, este trabalho foi realizado com a intenção de fornecer uma técnica alternativa, simples, de monitoramento de modelos de LGD, proporcionando ao leitor entendimento sobre o parâmetro em si, a técnica de mistura de distribuições e a mistura de distribuições Kumaraswamy.
Abstract: Currently, a particular financial institution (FI) uses the Kolmogorov-Smirnov test (KS), Gini index and Roc Curve to monitor and verify the performance of customer risk models. With the advent of the Basel Accord, specifically Basel II, it became necessary to create models related to credit risk parameters: probability of default (PD), exposure at default (EAD) and loss given default (LGD). During the years 2013 and 2014, within this FI, efforts were concentrated for the construction of these models. However, contrary to what is found for the client risk model, these new models did not have a set of statistical techniques defined for monitoring. Thus, the objective of the present work is to model the LGD data in order to obtain a parametric distribution, enabling thus the knowledge of the behavior of this type of data and its review under the KS test, for the purpose of subsidizing review decisions or remodeling of models of LGD credit risk parameter. For the modeling of LGD data, it was used Kumaraswamy distribution, which is supported in the interval (0,1). The advantage of its use is the varied behavior that the distribution can take as well as the closed form of its cumulative distribution function, which facilitates its use in computational procedures. Furthermore, there is the fact that within a non-academic environment there is a certain resistance to the more complex techniques or non-self explainable concepts. The EM algorithm was used to obtain maximum likelihood estimates of the model parameters. The performance of the algorithm was evaluated through Monte Carlo simulation, and then the model was applied in two sets of real data. Therefore, this study was intended to provide an alternative and simple technique for monitoring LGD models, giving the reader an understanding of the parameter itself, the distributions mixture technique and mixture Kumaraswamy distributions.
metadata.dc.description.unidade: Instituto de Ciências Exatas (IE)
Departamento de Estatística (IE EST)
Description: Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Estatística, 2015.
metadata.dc.description.ppg: Programa de Pós-Graduação em Estatística
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
DOI: http://dx.doi.org/10.26512/2015.07.D.19025
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/19025/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.