Bitte benutzen Sie diese Referenz, um auf diese Ressource zu verweisen: doi:10.22028/D291-23421
Titel: Models and methods for automated credit rating prediction
Verfasser: Gangolf, Claude
Sprache: Englisch
Erscheinungsjahr: 2016
SWD-Schlagwörter: Anleihe
Risikoanalyse
Klassifikation
Freie Schlagwörter: credit rating
risk analysis
SVDD
DDC-Sachgruppe: 380 Handel, Kommunikation, Verkehr
Dokumentart : Dissertation
Kurzfassung: The problem of prediction the rating degrees of bonds is treated in this work. In the financial world, risk assessment of bonds is almost entirely conducted by rating agencies, like Moody's Investors Service (Moody's), Standard and Poor's (S&P) and Fitch's Ratings (Fitch). Using the rating scale of Moody's, there exists 21 rating degrees, with Aaa the best degree and C the worst degree indicating that the bond has defaulted. Nevertheless, with the beginning of the financial crisis, starting in 2009, criticism is raised concerning their rating procedure. In this way, automated credit rating prediction (ACRP) models are developed to investigate the possibility to obtain an alternative to the rating agencies. The existing ACRP models have some main limits which are depicted in this work. A new ACRP model is developed to overcome some of the identified drawbacks. First, the benefit of personal financial planning (PFP) tools is discussed and their limitation to give a suggestion how private persons should invest is presented. The requirements for the ideal ACRP model which is able to overcome this limitation by being integrated into a PFP tool are stated. The need of such an integration is shown by a scenario of an exemplary user. Second, the necessary definitions from the financial world are specified. Financial bonds are described in detail and the different types of bonds are explained. As bonds represent a kind of debt instrument for countries and companies, the distinction between bonds issued by countries and those emitted by companies is made. Sovereign bonds are issued by states and corporate bonds are putted into circulation by companies. Additionally, the different basic features of bonds, like coupon rate, maturity and currency notation, are defined. The general rating procedure of the rating agencies is also explained. This allows to differentiate the employed approaches to undertake a risk evaluation if an ACRP model is used or the rating agencies undertake the evaluation. Third, different classification techniques are globally introduced. In the description of the technique, there is no assumption made concerning a specific use-case. The presented pseudo-codes of the techniques allows their reproduction and their employ at any use-case. The description is not limited to the financial world. The described techniques are: artificial neural network (ANN), support vector machines (SVM) and support vector domain description (SVDD). Fourth, three exemplary ACRP models are discussed. The first model is based on ANN and is designed to predict the rating degrees of sovereign bonds. SVM is used in the second model. This model tries to predict the correct rating group of corporate bonds. A rating group is a merging of several rating degrees. The last discussed ACRP model is based on SVDD and it is also developed to predict the correct rating groups of corporate bonds. The majority of ACRP models are limited to the handling of corporate bonds. This is due to the fact that risk assessment of corporate bonds is a more lucrative market than the risk evaluation of sovereign bonds. Fifth, a new ACRP model has been developed with the idea to rate sovereign and corporate bonds simultaneously. The employed information have to be publicly available so that private investor have easily access to them. The model is based on SVDD and linear regression (LR). In a first step, the bonds are divided into several rating groups with the help of SVDD. Afterwards, in each rating group, LR is used to predict the final rating degrees of the bonds. The mathematical programs of the model are described in detailed and the procedure of the model is explained with the help of an artificial example. A competitive and an empirical analysis is undertaken to investigate the performance of the model. Sixth, the development of a prototype is tackled to give a proof of concept for the stated requirements for the ideal ACRP model. The new ACRP model is integrated into a PFP tool called LifeCharts. The implementation of the prototype allows to abstract the ACRP model in such a way that private investors can easily handle it and to make it accessible to a greater public. In the final version of the prototype, a portfolio selection tool is integrated to help the investor to take an investment decision. The implemented prototype fulfills nearly all the stated requirements, i.e., in the prototype, the user-given variables are reduced to maintain its usability and sovereign and corporate bonds are handled. The requirements of different maturities and different types of coupon rates are only partially fulfilled. Finally, several points of interest, which has been identified, are discussed. These identified problems, like the limitation of the new ACRP problems or the limitation in the implementation in the prototype, represent starting points for future research.
Das Problem der Vorhersage der Ratinggraden von Anleihen wird in dieser Arbeit behandelt. In der Finanzwelt, wird die Risikoanalyse von Anleihen, grösstenteils, durch Rating Agenturen, wie „Moody’s Inverstors Service“ (Moody’s), „Standard and Poor’s“ (S&P) und „Fitch’s Ratings“ (Fitch) durchgeführt. Moody’s Bewertungsskala umfasst 21 Ratinggrade, wobei Aaa der beste Grad ist und C der schlechteste Grad, der angibt dass die Anleihe den finanziellen Verpflichtungen nicht nachkommen kann. Dennoch, mit dem Anfang der Finanzkrise im Jahre 2009, wurden ihre Bewertungsmethoden kritisiert. Deswegen, wurden Modelle zur automatisierten Vorhersage der Kreditwürdigkeit (Automated Credit Risk Prediction (ACRP)) entwickelt um zu überprüfen ob Alternativen zu den Rating Agenturen möglich sind. Die existierenden ACRP Modelle haben verschiedene Restriktionen, die in dieser Arbeit erläutert werden. Ein neues ACRP Modell wurde entwickelt um die vorhandene Nachteile auszumerzen. Erstens, der Vorteil von Programmen zur privaten Finanzplanung (PFP) ist diskutiert und ihre Grenzen wurden aufgezeigt. PFP Programme können dem Benutzer nicht vorschlagen wie er investieren soll. Mit Hilfe der Integration eines ACRP Modells in ein PFP Programm kann man diesen Nachteil beheben. Dazu werden die Anforderungen für ein ideales ACRP Models festgelegt. Der Nutzen einer solchen Integration wird durch ein Szenario einer beispielhaften Benutzers erläutert. Zweitens, die benötigten Definitionen aus der Finanzwelt werden eingeführt. Anleihen werden im Detail beschrieben und die verschiedenen Anleihentypen erklärt. Anleihen stellen eine Art Kreditinstrument für Staaten und Unternehmen dar, deswegen wird der Unterschied zwischen Unternehmensanleihen und Staatsanleihen gemacht. Zusätzlich, werden die Basiseigenschaften der Anleihen, wie Kuponrate, Fälligkeit und Währung, definiert. Die Bewertungsmethode der Rating Agenturen wird auch erläutert. Dies erlaubt zu unterscheiden zwischen dem benutzten Vorgehen um das Risiko zu bewerten, falls ein ACRP Modell benutzt wird oder eine Rating Agentur die Analyse durchführt. Drittens, verschiedene Klassifizierungsmethoden werden abstrakt erklärt. Die Beschreibung der Methoden erfolgt ohne die Annahme eines spezifischen Anwendungsfalls. Die angegebenen Pseudocodes der Methoden ermöglichen ihren Nachbau und ihre Anwendung an jeden beliebigen Datensatz. Die Beschreibung ist nicht auf die Finanzwelt beschränkt. Die beschriebenen Methoden sind: artifizielle neuronale Netzwerke (ANN), „support vector machines“ (SVM) und „support vector domain description“ (SVDD). Viertens, drei exemplarische ACRP Modelle werden erläutert. Das erste Modell basiert auf ANN und ist konzipiert um die Ratinggraden von Staatsanleihen vorherzusagen. SVM wird im zweiten Modell benutzt und versucht die richtigen Ratinggruppen von Unternehmensanleihen vorherzusagen. Eine Ratinggruppe entspricht einer Zusammenlegung von Ratinggraden. Das letzte diskutierte Modell basiert auf SVDD und sagt auch die Ratinggruppen von Unternehmensanleihen voraus. Die Mehrzahl der ACRP Modelle ist beschränkt auf die Handhabung von Unternehmensanleihen. Der Grund hierfür ist dass die Risikoanalyse von Unternehmensanleihen ein lukrativerer Markt ist als die Analyse von Staatsanleihen. Fünftens, ein neues ACRP Modell wurde entwickelt mit dem Hintergedanken dass Staats- und Unternehmensanleihen gleichzeitig bewertet werden. Die benötigten Informationen müssen öffentlich zugänglich sein, damit private Investoren leichten Zugriff auf die Informationen haben. Das Modell basiert auf SVDD und linearer Regression (LR). In einem ersten Schritt, werden die Anleihen in verschiedene Ratinggruppen aufgeteilt mit Hilfe von SVDD. Danach wird in jeder Ratinggruppe, LR benutzt um das endgültige Ratinggrad der Anleihen zu ermitteln. Die mathematischen Programme des Modells sind im Detail beschrieben und der Ablauf des Modells wird mit Hilfe eines künstlichen Beispiels erläutert. Eine kompetitive und empirische Analyse des Modells wurde unternommen um seine Leistungsfähigkeit zu ermitteln. Sechstens, die Entwicklung eines Prototyps dient als konzeptioneller Beweis für die angegeben Anforderungen eines idealen ACRP Modells. Das neue ACRP Modell ist in ein PFP Programm integriert. Das benutzte PFP Programm heisst LifeCharts. Die Implementierung des Prototyps erlaubt es das ACRP Modell zu abstrahieren in der Art dass ein privater Investor es einfach handhaben kann und somit das Modell einem grösseren Publikum zugänglich gemacht werden kann. In der finalen Version des Prototyps wurde ein Portfolio Selektion Tool integriert um dem Investor bei der Entscheidungsfindung zu unterstützen. Der integrierte Prototyp erfüllt fast alle Anforderungen, das heisst, im Prototyp sind die Variable, die vom Benutzer gegeben sind, eliminiert, zudem, ist der Prototyp in der Lage Staats- und Unternehmensanleihen zu bewerten. Aber die Anforderungen zwecks verschiedene Fälligkeiten oder Kuponraten der Anleihen werden nur teilweise erfüllt. Schlussendlich, werden noch einige Punkte des Interesses aufgeführte. Diese aufgelistete Punkte, wie die Limitierung betreffend des neuen ACRP Modells oder die Limitierung betreffend die Implementierung des Prototyps, stellen Startpunkte für die Forschung in der Zukunft dar.
Link zu diesem Datensatz: urn:nbn:de:bsz:291-scidok-65456
hdl:20.500.11880/23477
http://dx.doi.org/10.22028/D291-23421
Erstgutachter: Schmidt, Günter
Tag der mündlichen Prüfung: 31-Mai-2016
SciDok-Publikation: 15-Jun-2016
Bemerkung/Hinweis: Sonstiges Institut: Luxembourg Institute of Science and Technolog
Fakultät: Fakultät 1 - Rechts-und Wirtschaftswissenschaft
Sonstige Einrichtungen
Fachrichtung: HW - Wirtschaftswissenschaft
SE - Sonstige Einrichtungen
Ehemalige Fachrichtung: bis SS 2016: Fachrichtung 1.3 - Betriebswirtschaftslehre
Fakultät / Institution:HW - Fakultät für Empirische Humanwissenschaften und Wirtschaftswissenschaft

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
thesis_Gangolf.pdf2,33 MBAdobe PDFÖffnen/Anzeigen


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.