What is Credit Default Probability?
▾
A nemteljesítés valószínűsége (PD) a hitelkockázat mérésének alapfogalma, amely annak valószínűségét jelenti, hogy a hitelfelvevő – legyen az vállalat, pénzügyi intézmény, szuverén vagy magánszemély – nem fogja teljesíteni a szerződésben előírt kifizetéseket egy meghatározott időhorizonton belül. A PD a bázeli hitelkockázati keretrendszer három alapvető paraméterének egyike, a nemteljesítési veszteség (LGD) és a nemteljesítéskori kitettség (EAD) mellett, és mind a várható veszteség, mind a szabályozói tőke számításait vezérli. Három elsődleges megközelítés létezik a PD becslésére. A Robert Merton által 1974-ben úttörő strukturális megközelítés a vállalat részvényeit modellezi eszközei vételi opciójaként: a nemteljesítés akkor következik be, amikor az eszköz értéke az adósság névértéke alá esik (a „nemteljesítési korlát”) a lejáratkor. Az alapértéktől való távolság (DD) – amelyet az eszközértéknek az alapértelmezett korláttól való szórásával mérnek – a kulcskimenet, és a PD becslése ennek a távolságnak a normál eloszlásából történik. A Moody's KMV modell a Merton strukturális megközelítés vezető kereskedelmi megvalósítása, amely a becsült eszközértéket és a volatilitást használja a várható alapértelmezett gyakoriság (EDF) kiszámításához. A csökkentett formájú (intenzitású) megközelítés a nemteljesítést meglepetésszerű eseményként kezeli, amelyet a hazard rate λ (a nemteljesítés pillanatnyi feltételes valószínűsége) szabályoz, amely a hitel-nemteljesítési csereügyletek (CDS) vagy kötvényhitel-felárak piaci áraihoz kalibrálható. PD horizonton túl T = 1 − e^(−λT). Ez a megközelítés rugalmasabb, mint a strukturális modell, és időben változó alapértelmezett intenzitást is magában foglalhat. A hitelpontszámon alapuló megközelítések (beleértve a logisztikus regressziós modelleket, a hitelminősítő ügynökségi modelleket és a gépi tanulási modelleket) a PD-t a hitelfelvevő pénzügyi jellemzői alapján becsülik meg: tőkeáttételi arányok, jövedelmezőség, fedezeti arányok, likviditás, méret és iparág. A hitelminősítő intézetek múltbeli nemteljesítési arányai empirikus leképezést biztosítanak a hitelminősítéstől a múltbeli PD-ig különböző horizontokon. A pontos PD-becslés elengedhetetlen a hitelárazáshoz (a hitelfelárnak kompenzálnia kell a várható veszteséget = PD × LGD), a szabályozói tőkeszámításhoz (a bázeli IRB-módszer lehetővé teszi a bankok számára a belső PD-modellek alkalmazását), a portfólió-hitelkockázat-kezeléshez és a származékos ügyletekben a partnerek hitelkockázatának felméréséhez.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Képlet
▾
Merton PD: PD = N(−d2) ahol d2 = [ln(V/D) + (μ − σ_V²/2)T] / (σ_V √T)
Veszélyességi arány PD: PD(T) = 1 − e^(−λT)
Hitelháromszög: λ ≈ Hitelkülönbség / LGD | CS ≈ PD × LGD / (1-PD)Variable Legend
▾
| Szimbólum | Név | Egység | Leírás |
|---|---|---|---|
| PD | Az alapértelmezés valószínűsége | % | A nemteljesítés valószínűsége egy meghatározott horizonton belül (1 év a standard); az elsődleges hitelkockázati paraméter. |
| DD | Távolság az alapértelmezetttől | standard deviations | Merton modellben: (Eszközérték − Alapértelmezett pont) / (Eszköz Vol × Eszközérték); az alapértelmezett érték feletti szórások száma. |
| λ | Veszélyességi arány | per year | Pillanatnyi feltételes nemteljesítési valószínűség egységnyi idő alatt; redukált formájú modellekben használatos: PD = 1 − e^(−λT). |
| LGD | Alapértelmezett veszteség | % | Nemteljesítés esetén elveszett kitettség várható része; a helyreállítási arány kiegészítése. EL = PD × LGD × EAD. |
| CS | Credit Spread | bps | További hozamot igényeltek a kockázatmentes kamat felett; hozzávetőlegesen CS ≈ λ × LGD rövid futamidejű (hitelháromszög) esetén. |
How to Credit Default Probability
▾
- 1Válassza a becslési megközelítést: strukturális (Merton) részvényadatokkal rendelkező nyilvános társaságok esetében; csökkentett formában a CDS-ben kereskedett nevek számára; minősítés alapú a hitelminősítéssel rendelkező vállalatok számára.
- 2Merton-modell esetén: becsülje meg az eszközértéket (V) és az eszköz volatilitását (σ_V) az equity-as-call-opciós rendszer iteratív megoldásával; azonosítsa a nemteljesítési akadályt (jellemzően rövid lejáratú kötelezettségek + 50% hosszú lejáratú adósság).
- 3Számítsa ki az alapértelmezett távolságot: DD = (V − D) / (σ_V × V), ahol D az alapértelmezett akadály.
- 4Konvertálja a DD-t PD-vé a normál eloszlás használatával: PD = N(-DD) a kockázatsemleges mértékhez, vagy használjon empirikus leképezést (ahogyan a Moody's KMV teszi) a valós PD-hez.
- 5CDS/Spread alapú PD esetén: szerezze meg a piaci hitelfelárat, feltételezze az LGD-t (jellemzően 40–60%); a veszély mértékének kiszámítása λ = CS / LGD; PD(T) = 1 − e^(−λT) kiszámítása.
- 6Minősítésen alapuló PD esetén: nézze meg a kibocsátó hitelminősítésének múltbeli átlagos kumulatív nemteljesítési arányát az S&P vagy a Moody's éves nemteljesítési tanulmányaiból.
- 7Érvényesítse a PD becslést a piaci árak, a minősítő ügynökségek minősítései és a hasonló vállalatok alapján. A portfólió várható veszteségének összesítése: EL = Σ PD_i × LGD_i × EAD_i.
Worked Examples
▾
A társaság 1,41 szórással haladja meg a nemteljesítést – mérsékelt hitelkockázat
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%. Távolság az alapértelmezett DD-től = (100 − 70) / (0,25 × 100) = 1,20 szórás. A Moody's KMV ezt leképezi egy empirikus EDF-re a történelmi adatbázisából. Az 1,2 DD nagyjából 8-12%-os empirikus 1 éves nemteljesítési valószínűségnek felel meg. Ha a részvénypiacok kiárusulnak, és az eszközök volatilitása 35%-ra emelkedik, a DD 0,86-ra, a PD pedig 19%-ra ugrik, ami azt mutatja, hogy a részvénypiaci feltételek hogyan befolyásolják közvetlenül a hitelkockázatot.
A CDS-piac 22%-os eséllyel nem teljesít 5 éven keresztül
Veszélyességi arány λ = CS / LGD = 300 bps / 60% = 500 bps = 5,0% évente. 1 éves PD = 1 − e^(−0,05×1) = 4,88%. 5 éves PD = 1 − e^(−0,05×5) = 1 − e^(−0,25) = 22,1%. Ez a CDS-implikált PD kockázatsemleges valószínűség (beleértve a kockázati prémiumot is), így a valós PD valamivel alacsonyabb lenne. A 300 bázispontos CDS-felár összhangban van a BB hitelminősítéssel, ahol a múltbeli 5 éves kumulatív nemteljesítési ráta átlagosan körülbelül 10–15% – a CDS-piac valamivel magasabb rátát jelent, ami a piaci kockázati prémiumot és a likviditási prémiumot tükrözi.
Az S&P 40+ éves múltbeli alapértelmezett adatai alapján minősítés szerint
Az S&P 2023-as éves globális vállalati nemteljesítési és minősítési átmeneti tanulmánya szerint a BB besorolású kibocsátók átlagos 3 éves kumulatív nemteljesítési aránya 1981 és 2022 között körülbelül 8,2%. Éves nemteljesítési ráták: BB év 1≈0,84%, 2 év ≈1,65% marginális, 3 év ≈1,72% marginális. A befektetési fokozatú kumulált 3 éves nemteljesítési ráták jóval alacsonyabbak: AAA≈0,01%, AA≈0,05%, A≈0,13%, BBB≈0,55%. Ezek az empirikus ráták valós PD-k (nem kockázatsemlegesek), és közvetlenül a bázeli IRB hitelportfóliók várható veszteségszámításaiban használatosak.
A logisztikus regresszióban kombinált több pénzügyi mutató előrejelzi a PD-t
A logisztikus regressziós modellben minden pénzügyi mutatónak van egy, a múltbeli nemteljesítési adatokból becsült együtthatója: Adósság/EBITDA (5,0-szeres – a magas tőkeáttétel növeli a kockázatot), a kamatfedezet (1,8-szoros – az alacsony fedezet jelentősen növeli a PD-t), a jelenlegi ráta (0,9 – 1,0 alatti = negatív működő tőke növeli a kockázatot) és a haszonkulcs (4% – a vékony margin kevés puffert kínál). A kombinált log-oddsok hozzávetőleg 12,5%-os PD-t adnak – megemelkedett spekulatív szintű terület. Ez a hitelfelvevő B vagy B- belső besorolást kapna, ami körülbelül LIBOR/SOFR + 400–500 bps árat és szigorú szövetségi védelmet igényel.
Real-World Applications
▾
Bank loan origination credit approval and pricing (RAROC), enabling practitioners to make well-informed quantitative decisions based on validated computational methods and industry-standard approaches, which requires precise quantitative analysis to support evidence-based decisions, strategic resource allocation, and performance optimization across diverse organizational contexts and professional disciplines
Basel II/III IRB capital calculation for credit portfolios, helping analysts produce accurate results that support strategic planning, resource allocation, and performance benchmarking across organizations, where accurate numerical computation is essential for producing reliable outputs that inform planning, evaluation, and continuous improvement processes in both corporate and individual settings
IFRS 9 / CECL expected credit loss provisioning, allowing professionals to quantify outcomes systematically and compare scenarios using reliable mathematical frameworks and established formulas, demanding systematic calculation approaches that translate raw input data into actionable insights for stakeholders who depend on quantitative rigor in their daily professional activities
Credit default swap pricing and trading, supporting data-driven evaluation processes where numerical precision is essential for compliance, reporting, and optimization objectives, necessitating robust computational methods that deliver consistent and verifiable results suitable for reporting, auditing, and long-term trend analysis in professional environments
Bond portfolio credit risk monitoring and rating surveillance, which requires precise quantitative analysis to support evidence-based decisions, strategic resource allocation, and performance optimization across diverse organizational contexts and professional disciplines
Special Cases
▾
When encountering this scenario in credit default probability calculator calculations, practitioners should verify boundary conditions, check for division-by-zero risks, and consider whether the model's assumptions remain valid under these extreme conditions.
Retail/Consumer PD
Professionals working with credit risk pd should be especially attentive to this scenario because it can lead to misleading results if not handled properly.
When encountering this scenario in credit default probability calculator calculations, practitioners should verify boundary conditions, check for division-by-zero risks, and consider whether the model's assumptions remain valid under these extreme conditions.
S&P átlagos 1 éves alapértelmezett árfolyamok minősítés szerint (1981–2022)
▾
| Értékelés | 1 éves PD | 3 éves PD | 5 éves PD | Leírás |
|---|---|---|---|---|
| AAA | 0,00% | 0,01% | 0,04% | A legmagasabb befektetési fokozat |
| AA | 0,02% | 0,06% | 0,12% | Nagyon jó minőségű |
| A | 0,06% | 0,18% | 0,37% | Kiváló minőség |
| BBB | 0,16% | 0,55% | 1,10% | Befektetési fokozatú küszöb |
| BB | 0,84% | 3,41% | 7,18% | Legmagasabb spekulatív osztályzat |
| B | 3,44% | 10,50% | 18.90% | Speculative |
| CCC/C | 26.78% | 42.60% | 52.20% | Highly speculative / distressed |
Frequently Asked Questions
▾
Mi a különbség a kockázatsemleges PD és a valós PD között?
A kockázatsemleges PD a piaci árakból (CDS-felárak, kötvényhozamok) származik, és a tiszta nemteljesítési valószínűségen felül kockázati prémiumot is tartalmaz – a befektetők külön kompenzációt követelnek a nemteljesítési kockázat fenntartásáért. A valós (fizikai) PD a nemteljesítés tényleges történelmi gyakorisága egy adott kockázati kategóriára vonatkozóan – jellemzően a hitelminősítő ügynökségi adatokból vagy a banki hitelek belső teljesítményadataiból becsülve. A kockázatsemleges PD a származékos termékek árazásánál (CDS-ek, hitelderivatívák) használatos, és meg kell egyeznie a piaci árakkal. A valós PD-t a bázeli várható veszteség kiszámításához, a hiteltartalékképzéshez és a kockázatkezeléshez használják. A kockázatsemleges PD a befektetési besorolású kibocsátók esetében jellemzően 1,5–3-szor magasabb, mint a valós PD, ami a hitelkockázati prémiumot tükrözi.
Melyek a Basel II/III megközelítések a PD becslésére?
A Bázel II/III. hitelkockázati tőke keretrendszerben a bankok a következőket használhatják: (1) Szabványosított módszer – a szabályozók által előírt kockázati súlyok külső hitelminősítések alapján, belső PD becslések nélkül; (2) Foundation IRB (FIRB) – a bankok belsőleg becsülik meg a PD-t, de felügyeleti LGD-t és EAD-t használnak; (3) Advanced IRB (AIRB) – a bankok saját belső modelljeik segítségével becsülik meg a PD-t, az LGD-t és az EAD-t, a minimális adatkövetelmények és a hatósági ellenőrzés mellett. Az AIRB lehetővé teszi a legalacsonyabb tőkekövetelményeket a jó minőségű hitelportfóliók esetében, de évekig tartó alapértelmezett adatokra, szigorú modellellenőrzésre és a modell teljesítményének folyamatos nyomon követésére van szükség. A legtöbb nagy, nemzetközileg aktív bank az AIRB-t használja fő portfóliójához.
Milyen pénzügyi mutatók jósolják legjobban a vállalati nemteljesítést?
Altman Z-Score (1968) a diszkriminanciaelemzés alapján a vállalati csőd öt fő előrejelzőjét azonosította: forgótőke/összes eszköz, felhalmozott eredmény/összes eszköz, EBIT/összes eszköz, részvény piaci értéke/összes kötelezettség könyv szerinti értéke és értékesítés/összes eszköz. Az azóta végzett kutatások megerősítették, hogy a legerősebb egyéni előrejelzők a következők: tőkeáttétel (adósság/EBITDA, adósság/eszközök), fedezet (EBIT/kamat, EBITDA/kamat), likviditás (folyamati mutató, gyorsmutató), jövedelmezőség (ROA, haszonkulcs) és méret (a nagyobb cégek alacsonyabb nemteljesítési rátával rendelkeznek azonos tőkeáttételi szint mellett). A modern gépi tanulási modellek több száz pénzügyi és nem pénzügyi funkciót használnak.
Hogyan kapcsolódik a helyreállítási arány a PD-hez?
Megtérülési arány (R) = 1 − LGD (alapértelmezett veszteség). A megtérülési ráta a csődeljárás, vagyonértékesítés vagy szerkezetátalakítás során nemteljesítés után megtérült kitettség hányada. A fedezetlen vállalati kötvények korábbi megtérülési rátája átlagosan hozzávetőleg 40% (LGD=60%), de rendkívül eltérő a szenioritás szerint: az elsőbbségi fedezett kötvények megtérülése 60–80%; vezető fedezetlen 35–55%; alárendelt kötvények 10–30%; a saját tőke a nullához közelít. A megtérülési ráták negatívan korrelálnak a PD-vel – rendszerszintű hanyatlás esetén, amikor a nemteljesítési ráták megugrik, a megtérülési ráták egyidejűleg csökkennek (prociklikusság), ami a független PD- és LGD-becslések által sugalmazottnál nagyobb mértékben erősíti a hitelezési veszteségeket.
Mi a „cikluson keresztüli” és az „időpontos” PD különbségtétel?
A cikluson keresztüli (TTC) PD megbecsüli az átlagos nemteljesítési valószínűséget egy teljes gazdasági ciklusra vonatkozóan, kisimítva a ciklikus ingadozást. A hitelminősítő intézetek TTC-minősítéseket használnak – a BBB-minősítésnek hasonló nemteljesítési kockázatot kell tükröznie a ciklus során. Pont-időpont (PIT) PD a jelenlegi gazdasági feltételeket tükrözi, és az üzleti ciklussal együtt mozog: a PIT PD-k recesszióban megugrottak, a fellendülési időszakokban pedig összenyomódnak. A Bázel megköveteli a bankoktól, hogy a minimális tőkeszámításhoz TTC PD-t használjanak (a prociklikus tőkeerősítés elkerülése érdekében), az IFRS 9/CECL szerinti várható hitelveszteség-képzéshez pedig PIT PD-t (amely előretekintő, aktuális állapotértékelést igényel). A PIT-TTC megkülönböztetés jelentős gyakorlati bonyolultság forrása a hitelkockázat-kezelésben.
Hogyan használják a PD-t a hitelek árképzésében?
A hitelek árazása a kockázattal korrigált tőkemegtérülés (RAROC) keretrendszert használja: a felszámított hitelfelárnak meg kell térítenie a várható veszteséget (EL = PD × LGD), valamint megfelelő hozamot kell generálnia a szabályozói tőkén. Minimális hitelfelár = (EL + tőkeköltség × szükséges tőke) / kölcsön összege. 1 éves lejáratú hitel esetén: ha PD = 2%, LGD = 50%, EL = 1,0%. Ha szükséges tőke = a kölcsön 8%-a, 15%-os hozamigény esetén: tőkeköltség = 8% × 15% = 1,2%. Minimális spread = 1,0% + 1,2% = 2,2% (220 bps). Ez a RAROC keretrendszer biztosítja, hogy a hitelek csak akkor keletkezzenek, ha a felár fedezi a várható veszteségeket és megfelelő tőkehozamot biztosít.
A gépi tanulás javíthatja a PD előrejelzését a hagyományos modellekhez képest?
A gépi tanulási modellek – gradiens boost (XGBoost), véletlenszerű erdők, neurális hálózatok – gyakran nagyobb prediktív pontosságot érnek el (az AUC/Gini-együtthatóval mérve), mint a logisztikus regresszió a PD-előrejelzéshez, különösen nagy adatkészletek esetén, amelyek sok nem-lineáris kölcsönhatást tartalmaznak a jellemzők között. A hitelkockázat terén azonban kihívásokkal kell szembenézniük: a szabályozási magyarázhatósági követelmények (az SR 11-7 útmutatás megköveteli a bankoktól, hogy megértsék és elmagyarázzák a modell kimeneteit), a modell irányítása, valamint a korábbi mintákhoz való túlillesztés kockázata, amely nem biztos, hogy fennmarad. A szabályozott banki környezetekben gyakoriak a hibrid megközelítések – az ML felhasználása a jellemzők tervezésére és a változók kiválasztására, a végső modell logisztikus regressziójával.
Common Mistakes to Avoid
▾
- !Confusing risk-neutral PD (from CDS) with real-world PD — they differ by the credit risk premium and should not be mixed in calculations.
- !Using point-in-time PD for Basel capital calculations (should use through-the-cycle) or TTC PD for IFRS 9 provisioning (should use PIT).
- !Ignoring the correlation between PD and LGD — in downturns, both worsen simultaneously, amplifying actual credit losses beyond EL = PD × LGD.
- !Applying corporate default rates to retail/consumer loans without adjustment for fundamentally different risk drivers.
- !Extrapolating short-horizon PD to long horizons without accounting for the migration of ratings over time.
Pro Tip
Always validate your PD model with both Gini coefficient/AUC (discrimination — ranking borrowers from best to worst risk) and calibration tests (are predicted PDs close to observed default rates?). A model that ranks well but is poorly calibrated may still produce inadequate reserves.
Did you know?
The Merton model's key insight — treating a firm's equity as a call option on its assets — was published in 1974, just one year after the Black-Scholes option pricing formula. Robert Merton received the Nobel Prize in Economics in 1997 (along with Myron Scholes) largely for this body of work, which unified option pricing theory and credit risk in a single elegant framework.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
References
Ratings & comments
Szerezzen heti matematikai tippeket
Csatlakozzon 12 000+ feliratkozóhoz, akik minden héten kapnak tippeket a számológéphez.