Hvad er Credit Default Probability?
▾
Sandsynligheden for misligholdelse (PD) er et kernekoncept i kreditrisikomåling, der repræsenterer sandsynligheden for, at en låntager - uanset om det er et selskab, finansiel institution, statsborger eller enkeltperson - vil undlade at foretage kontraktligt påkrævede betalinger inden for en bestemt tidshorisont. PD er en af de tre fundamentale parametre i Basel kreditrisikorammerne sammen med Loss Given Default (LGD) og Exposure at Default (EAD), og det driver både forventede tab og regulatoriske kapitalberegninger. Der er tre primære tilgange til at estimere PD. Den strukturelle tilgang, banebrydende af Robert Merton i 1974, modellerer en virksomheds egenkapital som en købsoption på dets aktiver: misligholdelse opstår, når aktivværdien falder under gældens pålydende værdi ('standardbarrieren') ved udløb. Afstanden til standard (DD) - målt i standardafvigelser af aktivværdien fra standardbarrieren - er nøgleoutputtet, og PD estimeres ud fra normalfordelingen af denne afstand. Moody's KMV-model er den førende kommercielle implementering af Mertons strukturelle tilgang, der bruger estimeret aktivværdi og volatilitet til at beregne den forventede standardfrekvens (EDF). Metoden med reduceret form (intensitet) behandler misligholdelse som en overraskelsesbegivenhed styret af en hazard rate λ (den øjeblikkelige betingede sandsynlighed for misligholdelse), som kan kalibreres til markedspriser på credit default swaps (CDS) eller obligationskreditspænd. PD over horisonten T = 1 − e^(−λT). Denne tilgang er mere fleksibel end den strukturelle model og kan inkorporere tidsvarierende standardintensiteter. Kreditscore-baserede tilgange (herunder logistiske regressionsmodeller, ratingbureaumodeller og maskinlæringsmodeller) estimerer PD fra låntagers finansielle karakteristika: gearingsforhold, rentabilitet, dækningsforhold, likviditet, størrelse og industri. Kreditvurderingsbureauers historiske misligholdelsesrater giver en empirisk kortlægning fra kreditvurdering til historisk PD over forskellige horisonter. Nøjagtig PD-estimation er afgørende for prisfastsættelse af lån (kreditspændet skal kompensere for forventet tab = PD × LGD), regulatorisk kapitalberegning (Basel IRB-metoden tillader banker at bruge interne PD-modeller), porteføljekreditrisikostyring og modpartskreditrisikovurdering i derivattransaktioner.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Formel
▾
Merton PD: PD = N(−d2) hvor d2 = [ln(V/D) + (μ − σ_V²/2)T] / (σ_V √T)
Hazard Rate PD: PD(T) = 1 − e^(−λT)
Kredittrekant: λ ≈ Kreditspredning / LGD | CS ≈ PD × LGD / (1−PD)Variabelbeskrivelse
▾
| Symbol | Navn | Enhed | Beskrivelse |
|---|---|---|---|
| PD | Sandsynlighed for standard | % | Sandsynligheden for misligholdelse inden for en specificeret horisont (1 år er standard); den primære kreditrisikoparameter. |
| DD | Afstand til standard | standard deviations | I Merton-modellen: (aktivværdi − standardpunkt) / (aktivvolumen × aktivværdi); antal standardafvigelser over standard. |
| λ | Hazard Rate | per year | Øjeblikkelig betinget misligholdelsessandsynlighed pr. tidsenhed; brugt i modeller med reduceret form: PD = 1 − e^(−λT). |
| LGD | Tab Givet Standard | % | Forventet andel af eksponering tabt, hvis misligholdelse opstår; supplement til inddrivelsesprocenten. EL = PD × LGD × EAD. |
| CS | Kreditspredning | bps | Yderligere udbytte kræves over risikofri rente; ca. CS ≈ λ × LGD for korte løbetider (kredittrekant). |
Sådan Credit Default Probability
▾
- 1Vælg estimeringstilgangen: strukturel (Merton) for offentlige virksomheder med aktiedata; reduceret form for CDS-handlede navne; ratingbaseret for virksomheder med kreditvurderinger.
- 2For Merton-modellen: estimer aktivværdi (V) og aktivvolatilitet (σ_V) ved at løse equity-as-call-option-systemet iterativt; identificere standardbarrieren (typisk kortfristede forpligtelser + 50 % langfristet gæld).
- 3Beregn afstand til standard: DD = (V − D) / (σ_V × V), hvor D er standardbarrieren.
- 4Konverter DD til PD ved hjælp af normalfordelingen: PD = N(−DD) for det risikoneutrale mål, eller brug empirisk kortlægning (som Moody's KMV gør) for PD i den virkelige verden.
- 5For CDS/spread-baseret PD: indhent markedskreditspændet, antag LGD (typisk 40–60 %); beregn farerate λ = CS / LGD; udregn PD(T) = 1 − e^(−λT).
- 6For rating-baseret PD: slå op historisk gennemsnitlig kumulativ misligholdelsesrate for udstederens kreditvurdering fra S&P eller Moody's årlige misligholdelsesundersøgelser.
- 7Valider PD-estimatet i forhold til markedspriser, ratingbureauers ratings og peer-selskaber. Samlet til porteføljens forventede tab: EL = Σ PD_i × LGD_i × EAD_i.
Løste eksempler
▾
Virksomheden er 1,41 standardafvigelser over misligholdelse — moderat kreditrisiko
d2 = [ln(100/70) + (0,05 − 0,25²/2)×1] / (0,25×√1) = [0,357 + 0,019] / 0,25 = 1,505. PD = N(−1,505) ≈ 6,6%. Afstand til standard DD = (100 − 70) / (0,25 × 100) = 1,20 standardafvigelser. Moody's KMV kortlægger dette til en empirisk EDF fra deres historiske database. En 1,2 DD svarer groft til en 8-12 % empirisk 1-årig misligholdelsessandsynlighed. Hvis aktiemarkederne sælger ud, og aktivernes volatilitet stiger til 35 %, falder DD til 0,86, og PD springer til 19 % – hvilket viser, hvordan forholdene på aktiemarkedet direkte påvirker kreditrisikoen.
CDS-markedet indebærer 22% chance for misligholdelse over 5 år
Hazard rate λ = CS / LGD = 300 bps / 60% = 500 bps = 5,0% pr. år. 1-årig PD = 1 − e^(−0,05×1) = 4,88%. 5-årig PD = 1 − e^(−0,05×5) = 1 − e^(−0,25) = 22,1%. Denne CDS-implicerede PD er en risikoneutral sandsynlighed (inkluderer risikopræmie), så den virkelige PD ville være lidt lavere. Et 300 bps CDS-spænd er i overensstemmelse med en BB-kreditvurdering, hvor historiske 5-årige kumulative misligholdelsesrater i gennemsnit er på cirka 10-15 % - CDS-markedet indebærer en noget højere rente, hvilket afspejler markedsrisikopræmien og likviditetspræmie.
Baseret på 40+ års S&P historiske standarddata efter rating
I henhold til S&P's 2023 årlige globale virksomhedsstandard- og ratingovergangsstudie er den gennemsnitlige 3-årige kumulative misligholdelsesrate for BB-vurderede udstedere fra 1981-2022 cirka 8,2 %. Årlige misligholdelsesrater: BB År 1≈0,84%, År 2≈1,65% marginal, År 3≈1,72% marginal. Investeringsgrad kumulative 3-årige misligholdelsesrater er langt lavere: AAA≈0,01%, AA≈0,05%, A≈0,13%, BBB≈0,55%. Disse empiriske satser er PD'er i den virkelige verden (ikke risikoneutrale) og bruges direkte i Basel IRB-beregninger af forventede tab for låneporteføljer.
Flere økonomiske nøgletal kombineret i logistisk regression forudsiger PD
I en logistisk regressionsmodel har hvert finansielt nøgletal en koefficient estimeret ud fra historiske misligholdelsesdata: Gæld/EBITDA (5,0x - høj gearing tilføjer risiko), rentedækning (1,8x - lav dækning øger PD markant), nuværende forhold (0,9 - under 1,0 = negativ arbejdskapital tilføjer risiko) og overskudsmargin (4% - tynd margin tilbyder). De kombinerede log-odds producerer en PD på cirka 12,5 % - forhøjet territorium af spekulativ kvalitet. Denne låntager vil modtage en B- eller B− intern rating, hvilket kræver en prisfastsættelse til ca. LIBOR/SOFR + 400-500 bps og stramme covenant-beskyttelser.
Praktiske anvendelser
▾
Kreditgodkendelse og prisfastsættelse af banklån (RAROC), der gør det muligt for praktikere at træffe velinformerede kvantitative beslutninger baseret på validerede beregningsmetoder og industristandardtilgange, hvilket kræver præcise kvantitative analyser for at understøtte evidensbaserede beslutninger, strategisk ressourceallokering og præstationsoptimering på tværs af forskellige organisatoriske sammenhænge og professionelle fagområder.
Basel II/III IRB-kapitalberegning for kreditporteføljer, der hjælper analytikere med at producere nøjagtige resultater, der understøtter strategisk planlægning, ressourceallokering og præstationsbenchmarking på tværs af organisationer, hvor nøjagtig numerisk beregning er afgørende for at producere pålidelige output, der informerer planlægning, evaluering og løbende forbedringsprocesser i både virksomheds- og individuelle omgivelser
IFRS 9 / CECL forventede hensættelser til kredittab, der giver fagfolk mulighed for systematisk at kvantificere resultater og sammenligne scenarier ved hjælp af pålidelige matematiske rammer og etablerede formler, hvilket kræver systematiske beregningstilgange, der omsætter rå inputdata til brugbar indsigt for interessenter, der er afhængige af kvantitativ stringens i deres daglige professionelle aktiviteter
Credit default swap-prissætning og handel, der understøtter datadrevne evalueringsprocesser, hvor numerisk præcision er afgørende for overholdelse, rapportering og optimeringsmål, hvilket nødvendiggør robuste beregningsmetoder, der leverer konsistente og verificerbare resultater, der er egnede til rapportering, revision og langsigtet trendanalyse i professionelle miljøer
Obligationsporteføljens kreditrisikoovervågning og ratingovervågning, som kræver præcise kvantitative analyser for at understøtte evidensbaserede beslutninger, strategisk ressourceallokering og præstationsoptimering på tværs af forskellige organisatoriske kontekster og faglige discipliner
Særlige tilfælde
▾
I praksis kræver dette kanttilfælde omhyggelig overvejelse, fordi standardantagelser muligvis ikke holder. Når de støder på dette scenarie i beregninger af sandsynlighedsberegninger fra kreditmisligholdelse, bør praktiserende læger verificere grænsebetingelser, kontrollere for division-ved-nul risici og overveje, om modellens antagelser forbliver gyldige under disse ekstreme forhold.
Fagfolk, der arbejder med kreditrisiko pd, bør være særligt opmærksomme på dette scenarie, fordi det kan føre til vildledende resultater, hvis det ikke håndteres korrekt. Verificer altid grænsebetingelser og krydstjek med uafhængige metoder, når denne sag opstår i praksis.
I praksis kræver dette kanttilfælde omhyggelig overvejelse, fordi standardantagelser muligvis ikke holder. Når de støder på dette scenarie i beregninger af sandsynlighedsberegninger fra kreditmisligholdelse, bør praktiserende læger verificere grænsebetingelser, kontrollere for division-ved-nul risici og overveje, om modellens antagelser forbliver gyldige under disse ekstreme forhold.
S&P gennemsnitlige 1-årige standardsatser efter rating (1981-2022)
▾
| Bedømmelse | 1-årig PD | 3-årig PD | 5-årig PD | Beskrivelse |
|---|---|---|---|---|
| AAA | 0,00 % | 0,01 % | 0,04 % | Højeste investeringsgrad |
| AA | 0,02 % | 0,06 % | 0,12 % | Meget høj kvalitet |
| A | 0,06 % | 0,18 % | 0,37 % | Høj kvalitet |
| BBB | 0,16 % | 0,55 % | 1,10 % | Afskæring af investeringsgrad |
| BB | 0,84 % | 3,41 % | 7,18 % | Højeste spekulative karakter |
| B | 3,44 % | 10,50 % | 18,90 % | Spekulativ |
| CCC/C | 26,78 % | 42,60 % | 52,20 % | Meget spekulativt / bedrøvet |
Ofte stillede spørgsmål
▾
Hvad er forskellen mellem risikoneutral PD og PD i den virkelige verden?
Risikoneutral PD er afledt af markedspriser (CDS-spænd, obligationsrenter) og inkluderer en risikopræmie oven i den rene misligholdelsessandsynlighed - investorer kræver ekstra kompensation for at holde misligholdelsesrisiko. Den virkelige (fysiske) PD er den faktiske historiske misligholdelsesfrekvens for en given risikokategori – typisk estimeret ud fra data fra ratingbureauer eller interne banklånsresultatdata. Risikoneutral PD bruges til prisfastsættelse af derivater (CDS'er, kreditderivater) og skal matche markedspriserne. Real-world PD bruges til Basel forventede tabsberegninger, lånehensættelser og risikostyring. Risikoneutral PD er typisk 1,5-3× højere end den virkelige PD for udstedere af investeringsgrad, hvilket afspejler kreditrisikopræmien.
Hvad er Basel II/III-metoderne til PD-estimering?
I henhold til Basel II/III-rammerne for kreditrisikokapital kan banker bruge: (1) Standardiseret metode — risikovægte foreskrevet af tilsynsmyndigheder baseret på eksterne kreditvurderinger uden interne PD-estimater; (2) Foundation IRB (FIRB) — banker estimerer PD internt, men bruger tilsyns-LGD og EAD; (3) Avanceret IRB (AIRB) — banker estimerer PD, LGD og EAD ved hjælp af deres egne interne modeller, underlagt minimumskrav til data og lovgivningsmæssig validering. AIRB tillader de laveste kapitalomkostninger for låneporteføljer af høj kvalitet, men kræver mange års misligholdelsesdata, streng modelvalidering og løbende overvågning af modelydelsen. De fleste store internationalt aktive banker bruger AIRB til deres store porteføljer.
Hvilke økonomiske nøgletal forudsiger bedst virksomhedens misligholdelse?
Altmans Z-Score (1968) identificerede fem nøgleindikatorer for virksomheders konkurs ud fra diskriminant analyse: arbejdskapital/samlede aktiver, tilbageholdt indtjening/samlede aktiver, EBIT/samlede aktiver, markedsværdi af egenkapital/bogført værdi af samlede passiver og salg/samlede aktiver. Forskning siden da har bekræftet, at de mest kraftfulde individuelle forudsigelser inkluderer: gearing (gæld/EBITDA, gæld/aktiver), dækning (EBIT/renter, EBITDA/renter), likviditet (aktuelt forhold, hurtig forhold), rentabilitet (ROA, overskudsgrad) og størrelse (større virksomheder har lavere misligholdelsesrater for samme gearingsniveau). Moderne maskinlæringsmodeller bruger hundredvis af finansielle og ikke-finansielle funktioner.
Hvordan hænger recovery rate sammen med PD?
Genopretningsrate (R) = 1 − LGD (tab givet standard). Inddrivelsesgrad er den del af eksponeringen, der er genvundet efter misligholdelse gennem konkursbehandling, salg af aktiver eller omstrukturering. Historiske inddrivelsesrater for usikrede virksomhedsobligationer ligger i gennemsnit på ca. 40 % (LGD=60 %), men varierer enormt efter anciennitet: senior sikrede obligationer genvinder 60-80 %; senior usikrede 35-55%; efterstillede obligationer 10–30 %; egenkapital nær nul. Inddrivelsesrater er negativt korreleret med PD - i systemiske nedgangstider, når misligholdelsesraterne stiger, inddrivelsesraterne samtidig falder (procyklikalitet), hvilket forstærker kredittab ud over, hvad uafhængige PD- og LGD-estimater antyder.
Hvad er forskellen mellem "gennem-cyklus" og "punkt-i-tid" PD?
Gennem-the-cyklus (TTC) PD estimerer den gennemsnitlige misligholdelsessandsynlighed over en fuld økonomisk cyklus, hvilket udjævner cykliske variationer. Ratingbureauer bruger TTC-rating - en BBB-rating bør afspejle lignende misligholdelsesrisiko gennem hele cyklussen. Point-in-time (PIT) PD afspejler de nuværende økonomiske forhold og bevægelser med konjunkturcyklussen: PIT PD'er stiger i recessioner og komprimeres i højkonjunkturperioder. Basel kræver, at bankerne bruger TTC PD til beregning af minimumskapital (for at undgå procyklisk kapitalforstærkning), men PIT PD til IFRS 9/CECL forventede hensættelser til kredittab (hvilket kræver en fremadrettet vurdering af nuværende forhold). PIT-til-TTC skelnen er en kilde til betydelig praktisk kompleksitet i kreditrisikostyring.
Hvordan bruges PD til prisfastsættelse af lån?
Låneprisfastsættelsen bruger rammen for risikojusteret kapitalafkast (RAROC): det opkrævede kreditspænd skal inddrive forventet tab (EL = PD × LGD) plus generere et passende afkast på lovpligtig kapital. Minimum kreditspænd = (EL + Kapitalomkostninger × Påkrævet kapital) / Lånebeløb. For et 1-årigt lån: hvis PD = 2 %, LGD = 50 %, EL = 1,0 %. Hvis nødvendig kapital = 8 % af lånet, ved 15 % afkastkrav: kapitalomkostning = 8 % × 15 % = 1,2 %. Minimum spredning = 1,0 % + 1,2 % = 2,2 % (220 bps). Denne RAROC-ramme sikrer, at lån kun opstår, når spændet dækker forventede tab og giver tilstrækkeligt aktieafkast.
Kan maskinlæring forbedre PD-forudsigelse i forhold til traditionelle modeller?
Maskinlæringsmodeller - gradientboosting (XGBoost), tilfældige skove, neurale netværk - opnår ofte højere prædiktiv nøjagtighed (som målt ved AUC/Gini-koefficient) end logistisk regression til PD-forudsigelse, især med store datasæt, der indeholder mange ikke-lineære interaktioner mellem funktioner. De står imidlertid over for udfordringer med kreditrisiko: regulatoriske forklaringskrav (SR 11-7 vejledning kræver, at banker forstår og forklarer modeloutput), modelstyring og risikoen for overtilpasning til historiske mønstre, som måske ikke varer ved. Hybride tilgange - ved hjælp af ML til feature engineering og variabel udvælgelse med logistisk regression for den endelige model - er almindelige i regulerede bankmiljøer.
Almindelige fejl at undgå
▾
- !Forveksler risikoneutral PD (fra CDS) med PD i den virkelige verden — de adskiller sig med kreditrisikopræmien og bør ikke blandes i beregninger.
- !Brug af punkt-i-tids-PD til Basel-kapitalberegninger (skal bruge gennem cyklussen) eller TTC PD til IFRS 9-hensættelser (skal bruge PIT).
- !Ignorerer korrelationen mellem PD og LGD - i nedgangstider forværres begge samtidigt, hvilket forstærker faktiske kredittab ud over EL = PD × LGD.
- !Anvendelse af virksomheders misligholdelsesrater på detail-/forbrugslån uden justering for fundamentalt forskellige risikofaktorer.
- !Ekstrapolering af PD med kort horisont til lange horisonter uden at tage højde for migreringen af ratings over tid.
Pro Tip
Validér altid din PD-model med både Gini-koefficient/AUC (diskriminering - rangering af låntagere fra bedste til værste risiko) og kalibreringstest (er forudsagte PD'er tæt på observerede misligholdelsesrater?). En model, der rangerer godt, men er dårligt kalibreret, kan stadig producere utilstrækkelige reserver.
Vidste du?
Merton-modellens nøgleindsigt – at behandle en virksomheds egenkapital som en call-option på dets aktiver – blev offentliggjort i 1974, kun et år efter Black-Scholes optionsprissætningsformel. Robert Merton modtog Nobelprisen i økonomi i 1997 (sammen med Myron Scholes) hovedsageligt for dette værk, som forenede teori om optionsprissætning og kreditrisiko i en enkelt elegant ramme.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
Referencer
Få ugentlige matematiktips
Slut dig til 12.000+ abonnenter, der får lommeregnertips hver uge.