Mikä on Credit Default Probability?
▾
Laiminlyönnin todennäköisyys (PD) on keskeinen käsite luottoriskin mittauksessa, ja se edustaa todennäköisyyttä, että lainanottaja – olipa yritys, rahoituslaitos, valtio tai henkilö – epäonnistuu suorittamaan sopimuksen edellyttämiä maksuja tietyn aikahorisontin kuluessa. PD on yksi kolmesta Baselin luottoriskikehyksen perusparametrista, Loss Given Default (LGD) ja Exposure at Default (EAD) rinnalla, ja se ohjaa sekä odotettuja tappioita että lakisääteisen pääoman laskelmia. PD:n arvioimiseen on kolme ensisijaista lähestymistapaa. Robert Mertonin vuonna 1974 aloittama rakenteellinen lähestymistapa mallintaa yrityksen oman pääoman osto-optiona sen omaisuuseriin: maksukyvyttömyys tapahtuu, kun omaisuuden arvo laskee alle velan nimellisarvon ("laiminlyönnin") erääntyessä. Etäisyys oletusarvoon (DD) – mitattuna omaisuuden arvon standardipoikkeamilla oletusesteestä – on avaintulos, ja PD arvioidaan tämän etäisyyden normaalijakaumasta. Moody'sin KMV-malli on Mertonin rakenteellisen lähestymistavan johtava kaupallinen toteutus, joka käyttää arvioitua omaisuuden arvoa ja volatiliteettia laskeakseen odotetun oletustaajuuden (EDF). Supistettu (intensiteetti) lähestymistapa käsittelee maksukyvyttömyyttä yllätystapahtumana, jota hallitsee riskiaste λ (hetkellinen ehdollinen maksukyvyttömyyden todennäköisyys), joka voidaan kalibroida luottoriskinvaihtosopimusten (CDS) tai joukkovelkakirjalainojen luottomarginaalien markkinahintoihin. PD horisontin yli T = 1 − e^(−λT). Tämä lähestymistapa on joustavampi kuin rakennemalli, ja se voi sisältää ajassa vaihtelevia oletusintensiteettejä. Luottopisteisiin perustuvat lähestymistavat (mukaan lukien logistiset regressiomallit, luokituslaitosmallit ja koneoppimismallit) arvioivat PD:n lainanottajan taloudellisten ominaisuuksien perusteella: velkaantumisasteet, kannattavuus, kattavuussuhteet, likviditeetti, koko ja toimiala. Luottoluokituslaitosten historialliset maksukyvyttömyysprosentit tarjoavat empiirisen kartoituksen luottoluokituksesta historialliseen PD:hen useilla eri aikakausilla. Tarkka PD-estimaatti on olennainen lainojen hinnoittelussa (luottoriskin on kompensoitava odotettu tappio = PD × LGD), lakisääteisen pääoman laskennassa (Baselin IRB-menetelmä sallii pankkien käyttää sisäisiä PD-malleja), salkun luottoriskin hallinnassa ja vastapuoliluottoriskin arvioinnissa johdannaistransaktioissa.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Kaava
▾
Merton PD: PD = N(−d2) missä d2 = [ln(V/D) + (μ − σ_V²/2)T] / (σ_V √T)
Hazard Rate PD: PD(T) = 1 − e^(−λT)
Luottokolmio: λ ≈ Luottoero / LGD | CS ≈ PD × LGD / (1-PD)Muuttujan selitys
▾
| Symboli | Nimi | Yksikkö | Kuvaus |
|---|---|---|---|
| PD | Laiminlyönnin todennäköisyys | % | Maksukyvyttömyyden todennäköisyys tietyllä aikavälillä (1 vuosi on vakio); ensisijainen luottoriskiparametri. |
| DD | Etäisyys oletusarvoon | standard deviations | Merton-mallissa: (Asset Value − Default Point) / (Asset Vol × Asset Value); oletusarvon yläpuolella olevien standardipoikkeamien määrä. |
| λ | Hazard Rate | per year | Välitön ehdollinen oletustodennäköisyys aikayksikköä kohti; käytetään pelkistetyissä malleissa: PD = 1 − e^(−λT). |
| LGD | Tappio oletuksena | % | Odotettu osa altistumisesta menetetään, jos maksukyvyttömyys tapahtuu; palautumisasteen täydennys. EL = PD × LGD × EAD. |
| CS | Luoton leviäminen | bps | Riskittömän koron yläpuolella vaadittu lisätuotto; suunnilleen CS ≈ λ × LGD lyhyille maturiteeteille (luottokolmio). |
Kuinka Credit Default Probability
▾
- 1Valitse estimointimenetelmä: rakenteellinen (Merton) julkisille yhtiöille, joilla on osaketietoja; CDS-kaupattujen nimien supistettu muoto; luokitus perustuu yrityksille, joilla on luottoluokitus.
- 2Merton-mallissa: arvioi omaisuuden arvo (V) ja varojen volatiliteetti (σ_V) ratkaisemalla equity-as-call-optio-järjestelmä iteratiivisesti; tunnistaa maksukyvyttömyyden este (tyypillisesti lyhytaikaiset velat + 50 % pitkäaikaista velkaa).
- 3Laske etäisyys oletusarvoon: DD = (V − D) / (σ_V × V), missä D on oletuseste.
- 4Muunna DD PD:ksi käyttämällä normaalijakaumaa: PD = N(−DD) riskineutraalille mittarille tai käytä empiiristä kartoitusta (kuten Moody's KMV tekee) tosielämän PD:lle.
- 5CDS/Spread-pohjainen PD: hanki markkinoiden luottomarginaali, oletetaan LGD (tyypillisesti 40–60 %); laske vaarasuhde λ = CS / LGD; laske PD(T) = 1 − e^(−λT).
- 6Luokitukseen perustuva PD: etsi liikkeeseenlaskijan luottoluokituksen historiallinen keskimääräinen kumulatiivinen maksukyvyttömyysprosentti S&P:n tai Moody'sin vuotuisista maksukyvyttömyystutkimuksista.
- 7Vahvista PD-arvio suhteessa markkinahintoihin, luokituslaitosten luokitukseen ja vertaisyrityksiin. Salkun odotettu tappio yhteenlaskettu: EL = Σ PD_i × LGD_i × EAD_i.
Ratkaistut esimerkit
▾
Yritys on 1,41 standardipoikkeamaa maksukyvyttömyyden yläpuolella – kohtalainen luottoriski
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 %. Etäisyys oletusarvoon DD = (100 − 70) / (0,25 × 100) = 1,20 standardipoikkeamaa. Moody's KMV kartoittaa tämän empiiriseen EDF:ään historiallisesta tietokannastaan. 1,2 DD vastaa noin 8–12 % empiiristä 1 vuoden maksukyvyttömyyden todennäköisyyttä. Jos osakemarkkinat myyvät pois ja omaisuuserien volatiliteetti nousee 35 %:iin, DD putoaa 0,86:een ja PD hyppää 19 %:iin, mikä osoittaa, kuinka osakemarkkinoiden olosuhteet vaikuttavat suoraan luottoriskiin.
CDS-markkinat viittaavat 22 %:n maksukyvyttömyyteen viiden vuoden aikana
Vaarasuhde λ = CS / LGD = 300 bps / 60 % = 500 bps = 5,0 % vuodessa. 1 vuoden PD = 1 − e^(−0,05×1) = 4,88 %. 5 vuoden PD = 1 − e^(−0,05×5) = 1 − e^(−0,25) = 22,1 %. Tämä CDS-implisiittinen PD on riskineutraali todennäköisyys (sisältää riskipreemion), joten reaalimaailman PD olisi hieman pienempi. 300 bps:n CDS-ero on yhdenmukainen BB-luottoluokituksen kanssa, jossa historialliset 5 vuoden kumulatiivinen maksukyvyttömyysprosentti on keskimäärin noin 10–15 % – CDS-markkinat viittaavat hieman korkeampaan korkoon, mikä kuvastaa markkinariskipreemiota ja likviditeettipreemiota.
Perustuu yli 40 vuoden S&P:n historiallisiin oletustietoihin luokituksen mukaan
S&P:n vuoden 2023 vuosittaisen globaalin yritystoiminnan laiminlyönti- ja luottoluokituksen siirtymätutkimuksen mukaan BB-luokiteltujen liikkeeseenlaskijoiden keskimääräinen kolmen vuoden kumulatiivinen maksukyvyttömyysaste vuosina 1981–2022 on noin 8,2 %. Vuotuiset maksukyvyttömyysasteet: BB vuosi 1≈0,84 %, vuosi 2≈1,65 % marginaali, vuosi 3≈1,72 % marginaali. Investointitason kumulatiiviset 3 vuoden laiminlyönnit ovat paljon alhaisemmat: AAA≈0,01 %, AA≈0,05 %, A≈0,13 %, BBB≈0,55 %. Nämä empiiriset korot ovat todellisia PD-lukuja (ei riskineutraalia), ja niitä käytetään suoraan Baselin IRB-odotustappiolaskelmissa lainasalkkujen osalta.
Useat taloudelliset tunnusluvut yhdistettynä logistiseen regressioon ennustavat PD:n
Logistisessa regressiomallissa jokaisella taloudellisella suhdeluvulla on kerroin, joka on arvioitu historiallisista maksukyvyttömyystiedoista: velka/EBITDA (5,0x - suuri vipu lisää riskiä), korkokate (1,8x - alhainen kattavuus lisää merkittävästi PD:tä), nykyinen suhde (0,9 - alle 1,0 = negatiivinen käyttöpääoma lisää riskiä) ja voittomarginaali (4% - ohut marginaali tarjoaa vain vähän puskuria). Yhdistetyt log-kertoimet tuottavat noin 12,5 %:n PD:n eli kohonneen spekulatiivisen alueen. Tämä lainanottaja saisi sisäisen luokituksen B tai B−, mikä edellyttää hinnoittelua noin LIBOR/SOFR + 400–500 bps ja tiukkoja kovenanttisuojauksia.
Käytännön sovellukset
▾
Pankkilainan myöntämisen luoton hyväksyntä ja hinnoittelu (RAROC), jonka avulla ammattilaiset voivat tehdä tietoon perustuvia kvantitatiivisia päätöksiä, jotka perustuvat validoituihin laskentamenetelmiin ja alan standardimenetelmiin. Tämä edellyttää tarkkaa kvantitatiivista analyysiä näyttöön perustuvien päätösten, strategisten resurssien allokoinnin ja suorituskyvyn optimoinnin tukemiseksi erilaisissa organisaatiokonteksteissa ja ammatillisilla aloilla.
Basel II/III IRB-pääomalaskenta luottosalkuille, auttaa analyytikoita tuottamaan tarkkoja tuloksia, jotka tukevat strategista suunnittelua, resurssien kohdentamista ja suorituskyvyn vertailua eri organisaatioissa. Tarkka numeerinen laskenta on välttämätöntä luotettavien tulosten tuottamiseksi, jotka antavat tietoa suunnittelusta, arvioinnista ja jatkuvasta parantamisesta sekä yritys- että yksilöympäristöissä.
IFRS 9 / CECL:n odotettavissa oleva luottotappiovaraus, jonka avulla ammattilaiset voivat mitata tuloksia systemaattisesti ja verrata skenaarioita käyttämällä luotettavia matemaattisia viitteitä ja vakiintuneita kaavoja, vaativat systemaattisia laskentamenetelmiä, jotka muuntavat raakasyöttötiedon käyttökelpoisiksi oivalluksiksi sidosryhmille, jotka ovat riippuvaisia kvantitatiivisesta kurinalaisuudesta päivittäisessä ammatillisessa toiminnassaan.
Luottoriskinvaihtosopimusten hinnoittelu ja kauppa, jotka tukevat tietopohjaisia arviointiprosesseja, joissa numeerinen tarkkuus on olennaista vaatimustenmukaisuuden, raportoinnin ja optimointitavoitteiden kannalta, mikä edellyttää vankkoja laskentamenetelmiä, jotka tuottavat johdonmukaisia ja todennettavia tuloksia, jotka sopivat raportointiin, auditointiin ja pitkän aikavälin trendianalyysiin ammattiympäristöissä.
Joukkovelkakirjasalkun luottoriskien seuranta ja luokituksen valvonta, joka edellyttää tarkkaa kvantitatiivista analyysiä näyttöön perustuvien päätösten, strategisten resurssien allokoinnin ja suorituskyvyn optimoinnin tukemiseksi erilaisissa organisaatioympäristöissä ja ammatillisilla aloilla.
Erikoistapaukset
▾
Käytännössä tämä reunatapaus vaatii huolellista harkintaa, koska standardioletukset eivät välttämättä pidä paikkaansa. Kun asiantuntijat kohtaavat tämän skenaarion luottoriskin todennäköisyyslaskennassa, hänen tulee tarkistaa reunaehdot, jakaa riskit nollalla ja harkita, ovatko mallin oletukset päteviä näissä äärimmäisissä olosuhteissa.
Luottoriskin parissa työskentelevien ammattilaisten tulee olla erityisen tarkkaavaisia tämän skenaarion suhteen, koska se voi johtaa harhaanjohtaviin tuloksiin, jos sitä ei käsitellä oikein. Tarkista aina rajaehdot ja ristiintarkasta riippumattomilla menetelmillä, kun tällainen tapaus käytännössä ilmenee.
Käytännössä tämä reunatapaus vaatii huolellista harkintaa, koska standardioletukset eivät välttämättä pidä paikkaansa. Kun asiantuntijat kohtaavat tämän skenaarion luottoriskin todennäköisyyslaskennassa, hänen tulee tarkistaa reunaehdot, jakaa riskit nollalla ja harkita, ovatko mallin oletukset päteviä näissä äärimmäisissä olosuhteissa.
S&P:n keskimääräiset 1 vuoden oletuskorot luokituksen mukaan (1981–2022)
▾
| Luokitus | 1 vuoden PD | 3 vuoden PD | 5 vuoden PD | Kuvaus |
|---|---|---|---|---|
| AAA | 0,00 % | 0,01 % | 0,04 % | Korkein sijoitusaste |
| AA | 0,02 % | 0,06 % | 0,12 % | Erittäin laadukas |
| A | 0,06 % | 0,18 % | 0,37 % | Korkea laatu |
| BBB | 0,16 % | 0,55 % | 1,10 % | Sijoitusluokan raja |
| BB | 0,84 % | 3,41 % | 7,18 % | Korkein spekulatiivinen arvosana |
| B | 3,44 % | 10,50 % | 18,90 % | Spekulatiivista |
| CCC/C | 26,78 % | 42,60 % | 52,20 % | Erittäin spekulatiivinen / ahdistunut |
Usein kysytyt kysymykset
▾
Mitä eroa on riskineutraalin PD:n ja todellisen PD:n välillä?
Riskineutraali PD johdetaan markkinahinnoista (CDS-erot, joukkolainojen tuotot) ja sisältää riskipreemion puhtaan maksukyvyttömyyden todennäköisyyden lisäksi – sijoittajat vaativat ylimääräistä korvausta maksukyvyttömyysriskin pitämisestä. Reaalimaailman (fyysinen) PD on todellinen historiallinen maksukyvyttömyyden esiintymistiheys tietyssä riskiluokassa – tyypillisesti arvioituna luokituslaitoksen tiedoista tai pankin sisäisistä lainojen suoritustiedoista. Riskineutraalia PD:tä käytetään johdannaisten hinnoittelussa (CDS:t, luottojohdannaiset), ja sen on vastattava markkinahintoja. Reaalimaailman PD:tä käytetään Baselin odotetun tappion laskennassa, lainavarauksissa ja riskienhallinnassa. Riskineutraali PD on tyypillisesti 1,5–3 kertaa korkeampi kuin todellisen maailman PD investointitasoisten liikkeeseenlaskijoiden osalta, mikä kuvastaa luottoriskipreemiota.
Mitkä ovat Basel II/III -lähestymistavat PD-estimointiin?
Basel II/III:n luottoriskipääomakehyksen mukaisesti pankit voivat käyttää: (1) Standardisoitua lähestymistapaa – sääntelyviranomaisten määräämiä riskipainoja, jotka perustuvat ulkoisiin luottoluokitukseen ilman sisäisiä PD-estimaatteja; (2) Foundation IRB (FIRB) – pankit arvioivat PD:n sisäisesti, mutta käyttävät valvontaan perustuvaa LGD:tä ja EAD:ta; (3) Advanced IRB (AIRB) – pankit arvioivat PD:n, LGD:n ja EAD:n käyttämällä omia sisäisiä mallejaan, joihin sovelletaan vähimmäistietovaatimuksia ja säännösten validointia. AIRB mahdollistaa alhaisimmat pääomavaatimukset korkealaatuisille lainasalkuille, mutta vaatii vuosien oletustietoja, tiukkaa mallin validointia ja jatkuvaa mallin suorituskyvyn seurantaa. Useimmat suuret kansainvälisesti toimivat pankit käyttävät AIRB:tä suurissa salkuissaan.
Mitkä tunnusluvut ennustavat parhaiten yrityksen maksukyvyttömyyden?
Altmanin Z-Score (1968) tunnisti viisi keskeistä yrityksen konkurssin ennustajaa syrjintäanalyysin perusteella: käyttöpääoma/varallisuuden loppusumma, kertyneet voittovarat/varat yhteensä, liikevoitto/kokonaisvarallisuus, oman pääoman markkina-arvo/velkojen kirjanpitoarvo ja myynti/varallisuuden kokonaismäärä. Sen jälkeen tehdyt tutkimukset ovat vahvistaneet, että tehokkaimpia yksittäisiä ennustajia ovat: vipuvaikutus (velka/EBITDA, velka/varallisuus), kattavuus (EBIT/korko, EBITDA/korko), likviditeetti (virtasuhde, nopea suhde), kannattavuus (ROA, voittomarginaali) ja koko (suuremmilla yrityksillä on alhaisemmat maksukyvyttömyydet samalla velkatasolla). Nykyaikaiset koneoppimismallit käyttävät satoja taloudellisia ja ei-taloudellisia ominaisuuksia.
Miten palautumisaste liittyy PD:hen?
Palautusaste (R) = 1 − LGD (tappion oletusarvo). Takaisinperintäaste on osa vastuusta, joka peritään maksukyvyttömyyden jälkeen konkurssimenettelyn, omaisuuden myynnin tai uudelleenjärjestelyn kautta. Vakuudettomien yritysten joukkovelkakirjalainojen historialliset takaisinperintäluvut ovat keskimäärin noin 40 % (LGD=60 %), mutta vaihtelevat valtavasti vanhemmuuden mukaan: etuoikeutettujen joukkovelkakirjalainojen takaisinperintä on 60–80 %; seniori vakuudeton 35–55 %; pääomalainat 10–30 %; oma pääoma lähellä nollaa. Toipumisasteet korreloivat negatiivisesti PD:n kanssa – systeemisissä taantumissa, kun maksukyvyttömyysprosentit nousevat, palautumisasteet laskevat samanaikaisesti (prosyklisyys), mikä lisää luottotappioita enemmän kuin riippumattomat PD- ja LGD-arviot osoittavat.
Mikä on "through-the-cycle" vs. "point-in-time" PD ero?
Through-the-cycle (TTC) PD arvioi keskimääräisen maksukyvyttömyyden todennäköisyyden koko suhdannesyklin ajalta ja tasoittaa suhdannevaihtelua. Luottoluokituslaitokset käyttävät TTC-luokituksia – BBB-luokituksen pitäisi kuvastaa samanlaista maksukyvyttömyysriskiä koko syklin ajan. Point-in-time (PIT) PD heijastaa nykyistä taloudellista tilannetta ja liikkuu suhdannesyklin mukana: PIT PD:t nousevat taantumissa ja supistuvat noususuhdanteina. Basel vaatii pankkeja käyttämään TTC PD:tä vähimmäispääomalaskelmissa (prosyklisen pääomavahvistuksen välttämiseksi), mutta PIT PD:tä IFRS 9/CECL:n odotetun luottotappiovarauksen yhteydessä (joka edellyttää tulevaisuuteen suuntautuvaa nykytilan arviointia). PIT-TTC-jako on merkittävä käytännön monimutkaisuuden lähde luottoriskien hallinnassa.
Miten PD:tä käytetään lainan hinnoittelussa?
Lainojen hinnoittelussa käytetään riskikorjattua pääoman tuottoa (RAROC): veloitetun luottomarginaalin on katettava odotetut tappiot (EL = PD × LGD) sekä tuotettava riittävä tuotto lakisääteiselle pääomalle. Minimi luottomarginaali = (EL + pääomakustannus × vaadittu pääoma) / lainan määrä. Yhden vuoden laina: jos PD = 2%, LGD = 50%, EL = 1,0%. Jos vaadittu pääoma = 8 % lainasta, 15 % vaaditulla tuotolla: pääomakustannus = 8 % × 15 % = 1,2 %. Minimiero = 1,0 % + 1,2 % = 2,2 % (220 bps). Tämä RAROC-kehys varmistaa lainojen myöntämisen vain silloin, kun ero kattaa odotetut tappiot ja tarjoaa riittävän oman pääoman tuoton.
Voiko koneoppiminen parantaa PD-ennustetta perinteisiin malleihin verrattuna?
Koneoppimismallit – gradienttitehostus (XGBoost), satunnaiset metsät, neuroverkot – saavuttavat usein suuremman ennustetarkkuuden (AUC/Gini-kertoimella mitattuna) kuin logistinen regressio PD-ennusteelle, erityisesti suurilla tietojoukoilla, jotka sisältävät monia epälineaarisia vuorovaikutuksia ominaisuuksien välillä. He kohtaavat kuitenkin haasteita luottoriskin suhteen: sääntelyn selitettävyysvaatimukset (SR 11-7 -ohjeet edellyttävät pankkeja ymmärtämään ja selittämään mallien tuotoksia), mallin hallintoa ja riskiä ylisovitumisesta historiallisiin malleihin, jotka eivät välttämättä säily. Hybridilähestymistavat – ML:n käyttö ominaisuussuunnitteluun ja muuttujien valintaan sekä logistinen regressio lopullisessa mallissa – ovat yleisiä säännellyissä pankkiympäristöissä.
Yleisiä virheitä vältettäväksi
▾
- !Riskineutraalin PD:n sekoittaminen (CDS:stä) todelliseen PD:hen – ne eroavat luottoriskipreemion mukaan, eikä niitä pidä sekoittaa laskelmissa.
- !Point-in-time PD:n käyttäminen Baselin pääomalaskelmissa (pitäisi käyttää läpi syklin) tai TTC PD:tä IFRS 9 -varauksiin (pitäisi käyttää PIT:tä).
- !Jos PD:n ja LGD:n välistä korrelaatiota ei oteta huomioon – laskusuhdanteissa molemmat pahenevat samanaikaisesti, mikä lisää todellisia luottotappioita EL = PD × LGD:n yli.
- !Yritysten maksukyvyttömyysprosentin soveltaminen vähittäis-/kuluttajalainoihin ilman oikaisua olennaisesti erilaisiin riskitekijöihin.
- !Lyhyen horisontin PD:n ekstrapolointi pitkiksi horisonteiksi ottamatta huomioon luokitusten siirtymistä ajan myötä.
Ammattilaisen vinkki
Vahvista aina PD-mallisi sekä Gini-kertoimella/AUC:lla (syrjintä – lainanottajien luokittelu parhaasta riskistä huonoimpaan) että kalibrointitesteillä (ovatko ennustetut PD-arvot lähellä havaittuja maksukyvyttömyysasteita?). Hyvin sijoittuva mutta huonosti kalibroitu malli saattaa silti tuottaa riittämättömiä varantoja.
Tiesitkö?
Merton-mallin keskeinen näkemys – yrityksen oman pääoman käsittely sen omaisuuserien osto-optiona – julkaistiin vuonna 1974, vain vuosi Black-Scholes-optiohinnoittelukaavan jälkeen. Robert Merton sai taloustieteen Nobelin vuonna 1997 (yhdessä Myron Scholesin kanssa) suurelta osin tästä työstä, joka yhdisti optiohinnoitteluteorian ja luottoriskin yhdeksi tyylikkääksi puitteeksi.
Viitteet
Hanki viikoittaisia matematiikkavinkkejä
Liity 12 000+ tilaajien joukkoon, jotka saavat laskurivinkkejä joka viikko.