Hva er Credit Default Probability?
▾
Sannsynligheten for mislighold (PD) er et kjernekonsept i kredittrisikomåling, som representerer sannsynligheten for at en låntaker – enten det er et selskap, finansinstitusjon, statsborger eller enkeltperson – vil unnlate å foreta kontraktsmessig nødvendige betalinger innen en spesifisert tidshorisont. PD er en av de tre grunnleggende parameterne i Basel-rammeverket for kredittrisiko, sammen med Loss Given Default (LGD) og Exposure at Default (EAD), og det driver både forventet tap og regulatorisk kapitalberegninger. Det er tre primære tilnærminger til å estimere PD. Den strukturelle tilnærmingen, utviklet av Robert Merton i 1974, modellerer et selskaps egenkapital som en kjøpsopsjon på dets eiendeler: mislighold oppstår når aktivaverdien faller under gjeldens pålydende verdi ('standardbarrieren') ved forfall. Avstanden til mislighold (DD) - målt i standardavvik for aktivaverdien fra standardbarrieren - er nøkkelresultatet, og PD er estimert fra normalfordelingen av denne avstanden. Moody's KMV-modell er den ledende kommersielle implementeringen av Mertons strukturelle tilnærming, ved å bruke estimert aktivaverdi og volatilitet for å beregne forventet standardfrekvens (EDF). Tilnærmingen med redusert form (intensitet) behandler mislighold som en overraskelseshendelse styrt av en hazard rate λ (den øyeblikkelige betingede sannsynligheten for mislighold), som kan kalibreres til markedspriser på kredittmisligholdsbytteavtaler (CDS) eller obligasjonskredittspreader. PD over horisonten T = 1 − e^(−λT). Denne tilnærmingen er mer fleksibel enn den strukturelle modellen og kan inkludere tidsvarierende standardintensiteter. Kredittscorebaserte tilnærminger (inkludert logistiske regresjonsmodeller, ratingbyråmodeller og maskinlæringsmodeller) estimerer PD fra låntakers økonomiske karakteristikker: gearingsforhold, lønnsomhet, dekningsforhold, likviditet, størrelse og industri. Ratingbyrås historiske misligholdsrater gir en empirisk kartlegging fra kredittvurdering til historisk PD over ulike horisonter. Nøyaktig PD-estimering er avgjørende for utlånsprising (kredittspreaden må kompensere for forventet tap = PD × LGD), regulatorisk kapitalberegning (Basel IRB-tilnærming tillater banker å bruke interne PD-modeller), porteføljekredittrisikostyring og motpartskredittrisikovurdering i derivattransaksjoner.
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)
Farehastighet PD: PD(T) = 1 − e^(−λT)
Kreditttrekant: λ ≈ Kredittspredning / LGD | CS ≈ PD × LGD / (1−PD)Variabelbeskrivelse
▾
| Symbol | Navn | Enhet | Beskrivelse |
|---|---|---|---|
| PD | Sannsynlighet for standard | % | Sannsynlighet for mislighold innenfor en spesifisert horisont (1 år er standard); den primære kredittrisikoparameteren. |
| DD | Avstand til standard | standard deviations | I Merton-modellen: (aktivaverdi − standardpunkt) / (aktivavolum × aktivaverdi); antall standardavvik over standard. |
| λ | Farefrekvens | per year | Øyeblikkelig betinget misligholdssannsynlighet per tidsenhet; brukt i modeller med redusert form: PD = 1 − e^(−λT). |
| LGD | Tap gitt standard | % | Forventet andel av eksponeringen tapt hvis mislighold oppstår; komplement til utvinningsgrad. EL = PD × LGD × EAD. |
| CS | Kredittspredning | bps | Tilleggsavkastning kreves over risikofri rente; ca. CS ≈ λ × LGD for korte løpetider (kreditttrekant). |
Slik Credit Default Probability
▾
- 1Velg estimeringsmetoden: strukturell (Merton) for offentlige selskaper med egenkapitaldata; redusert form for CDS-handelsnavn; ratingbasert for selskaper med kredittrating.
- 2For Merton-modellen: estimer aktivaverdi (V) og aktivavolatilitet (σ_V) ved å løse equity-as-call-option-systemet iterativt; identifisere standardbarrieren (typisk kortsiktig gjeld + 50 % langsiktig gjeld).
- 3Beregn avstand til standard: DD = (V − D) / (σ_V × V), hvor D er standardbarrieren.
- 4Konverter DD til PD ved å bruke normalfordelingen: PD = N(−DD) for det risikonøytrale målet, eller bruk empirisk kartlegging (som Moody's KMV gjør) for PD i den virkelige verden.
- 5For CDS/spread-basert PD: få markedskredittspreaden, anta LGD (vanligvis 40–60 %); beregne farehastighet λ = CS / LGD; beregne PD(T) = 1 − e^(−λT).
- 6For ratingbasert PD: slå opp historisk gjennomsnittlig kumulativ misligholdsrate for utstederens kredittrating fra S&P eller Moody's årlige misligholdsstudier.
- 7Valider PD-estimatet mot markedspriser, ratingbyråer og likeverdige selskaper. Aggregert til forventet tap i porteføljen: EL = Σ PD_i × LGD_i × EAD_i.
Løste eksempler
▾
Selskapet er 1,41 standardavvik over mislighold — moderat kredittrisiko
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 %. Avstand til standard DD = (100 − 70) / (0,25 × 100) = 1,20 standardavvik. Moody's KMV kartlegger dette til en empirisk EDF fra deres historiske database. En 1,2 DD tilsvarer omtrent 8–12 % empirisk 1-års misligholdssannsynlighet. Hvis aksjemarkedene selger seg ut og aktivavolatiliteten stiger til 35 %, faller DD til 0,86 og PD hopper til 19 % – noe som viser hvordan forholdene i aksjemarkedet direkte påvirker kredittrisikoen.
CDS-markedet innebærer 22 % sjanse for mislighold over 5 år
Farehastighet λ = CS / LGD = 300 bps / 60 % = 500 bps = 5,0 % per år. 1-års PD = 1 − e^(−0,05×1) = 4,88 %. 5-års PD = 1 − e^(−0,05×5) = 1 − e^(−0,25) = 22,1 %. Denne CDS-impliserte PD er en risikonøytral sannsynlighet (inkluderer risikopremie), så den virkelige PD vil være litt lavere. En CDS-spread på 300 bps er konsistent med en BB-kredittvurdering, hvor historiske 5-års kumulative misligholdsrater i gjennomsnitt er på omtrent 10–15 % – CDS-markedet innebærer en noe høyere rente, noe som reflekterer markedsrisikopremie og likviditetspremie.
Basert på 40+ år med S&P historiske standarddata etter vurdering
I henhold til S&Ps årlige 2023 Global Corporate Default and Rating Transition Study er den gjennomsnittlige 3-årige kumulative misligholdsraten for BB-vurderte utstedere fra 1981–2022 omtrent 8,2 %. Årlige misligholdsrater: BB år 1≈0,84 %, år 2≈1,65 % marginal, år 3≈1,72 % marginal. Kumulative 3-års misligholdsrater for investeringsgrad er langt lavere: AAA≈0,01 %, AA≈0,05 %, A≈0,13 %, BBB≈0,55 %. Disse empiriske rentene er PD-er i den virkelige verden (ikke risikonøytrale) og brukes direkte i Basel IRB-beregninger for forventet tap for låneporteføljer.
Flere økonomiske nøkkeltall kombinert i logistisk regresjon forutsier PD
I en logistisk regresjonsmodell har hvert finansiell forholdstall en koeffisient estimert fra historiske misligholdsdata: Gjeld/EBITDA (5,0x — høy belåning gir risiko), rentedekning (1,8x — lav dekning øker PD betydelig), gjeldsforhold (0,9 — under 1,0 = negativ arbeidskapital øker risiko) og fortjenestemargin (4 % — tynn margin tilbyr). De kombinerte log-oddsene gir en PD på omtrent 12,5 % - forhøyet territorium av spekulativ karakter. Denne låntakeren vil motta en intern B- eller B-rating, som krever prising til omtrent LIBOR/SOFR + 400–500 bps og stramme avtalebeskyttelser.
Praktiske anvendelser
▾
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
Spesielle tilfeller
▾
In practice, this edge case requires careful consideration because standard assumptions may not hold. 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.
Professionals working with credit risk pd should be especially attentive to this scenario because it can lead to misleading results if not handled properly. Always verify boundary conditions and cross-check with independent methods when this case arises in practice.
In practice, this edge case requires careful consideration because standard assumptions may not hold. 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 gjennomsnittlige 1-års standardpriser etter vurdering (1981–2022)
▾
| Vurdering | 1-års PD | 3-årig PD | 5-års PD | Beskrivelse |
|---|---|---|---|---|
| AAA | 0,00 % | 0,01 % | 0,04 % | Høyeste investeringsgrad |
| AA | 0,02 % | 0.06% | 0.12% | Very high quality |
| A | 0.06% | 0.18% | 0.37% | High quality |
| BBB | 0.16% | 0.55% | 1.10% | Investment grade cutoff |
| BB | 0.84% | 3.41% | 7.18% | Highest speculative grade |
| B | 3.44% | 10.50% | 18.90% | Speculative |
| CCC/C | 26.78% | 42.60% | 52.20% | Highly speculative / distressed |
Ofte stilte spørsmål
▾
Hva er forskjellen mellom risikonøytral PD og PD i den virkelige verden?
Risikonøytral PD er utledet fra markedspriser (CDS-spreader, obligasjonsrenter) og inkluderer en risikopremie på toppen av den rene misligholdssannsynligheten – investorer krever ekstra kompensasjon for å holde misligholdsrisiko. Den virkelige (fysiske) PD er den faktiske historiske misligholdsfrekvensen for en gitt risikokategori – vanligvis estimert fra data fra ratingbyråer eller interne banklånsresultatdata. Risikonøytral PD brukes til derivatprising (CDS-er, kredittderivater) og må matche markedspriser. Real-world PD brukes for Basel forventede tapsberegninger, låneavsetninger og risikostyring. Risikonøytral PD er typisk 1,5–3× høyere enn den virkelige PD for utstedere av investeringsgrad, noe som gjenspeiler kredittrisikopremien.
Hva er Basel II/III-tilnærmingene for PD-estimering?
Under Basel II/III rammeverk for kredittrisikokapital kan banker bruke: (1) Standardisert tilnærming — risikovekter foreskrevet av regulatorer basert på eksterne kredittvurderinger, uten interne PD-estimater; (2) Foundation IRB (FIRB) – bankene estimerer PD internt, men bruker tilsyns-LGD og EAD; (3) Avansert IRB (AIRB) – banker estimerer PD, LGD og EAD ved å bruke sine egne interne modeller, underlagt minimumskrav til data og regulatorisk validering. AIRB tillater de laveste kapitalkravene for låneporteføljer av høy kvalitet, men krever mange års misligholdsdata, streng modellvalidering og løpende overvåking av modellytelse. De fleste store internasjonalt aktive banker bruker AIRB for sine store porteføljer.
Hvilke økonomiske forhold forutsier best bedriftens mislighold?
Altmans Z-Score (1968) identifiserte fem nøkkelprediktorer for bedriftskonkurs fra diskriminerende analyse: arbeidskapital/totale eiendeler, opptjent inntekt/totale eiendeler, EBIT/totale eiendeler, markedsverdi av egenkapital/bokført verdi av total forpliktelse og salg/totale eiendeler. Forskning siden den gang har bekreftet at de kraftigste individuelle prediktorene inkluderer: gearing (gjeld/EBITDA, gjeld/aktiva), dekning (EBIT/renter, EBITDA/renter), likviditet (Current ratio, Quick ratio), lønnsomhet (ROA, fortjenestemargin) og størrelse (større firmaer har lavere misligholdsrater for samme gearingsnivå). Moderne maskinlæringsmodeller bruker hundrevis av økonomiske og ikke-finansielle funksjoner.
Hvordan forholder utvinningsgraden seg til PD?
Utvinningsgrad (R) = 1 − LGD (Tap gitt standard). Gjenvinningsgrad er andelen av eksponeringen som gjenvinnes etter mislighold gjennom konkursbehandling, salg av eiendeler eller restrukturering. Historiske utvinningsgrader for usikrede selskapsobligasjoner er i gjennomsnitt omtrent 40 % (LGD=60 %), men varierer enormt etter ansiennitet: senior sikrede obligasjoner gjenvinner 60–80 %; senior usikret 35–55 %; ansvarlige obligasjoner 10–30 %; egenkapital nær null. Gjenopprettingsrater er negativt korrelert med PD – i systemiske nedgangstider når misligholdsratene øker, utvinningsgradene samtidig synker (prosyklalitet), noe som forsterker kredittap utover det uavhengige PD- og LGD-estimater antyder.
Hva er skillet mellom "gjennom-syklusen" og "punkt-i-tid" PD?
Gjennom-syklus (TTC) PD estimerer gjennomsnittlig misligholdssannsynlighet over en hel økonomisk syklus, og jevner ut sykliske variasjoner. Ratingbyråer bruker TTC-rating - en BBB-rating bør reflektere lignende misligholdsrisiko gjennom hele syklusen. Point-in-time (PIT) PD reflekterer nåværende økonomiske forhold og bevegelser med konjunktursyklusen: PIT PDs øker i lavkonjunkturer og komprimeres i høykonjunkturperioder. Basel krever at bankene bruker TTC PD for minimumskapitalberegninger (for å unngå prosyklisk kapitalforsterkning), men PIT PD for IFRS 9/CECL forventet kredittavsetning (som krever fremtidsrettet vurdering av nåværende tilstand). PIT-til-TTC-skillet er en kilde til betydelig praktisk kompleksitet i kredittrisikostyring.
Hvordan brukes PD i låneprising?
Låneprising bruker rammeverket for risikojustert avkastning på kapital (RAROC): kredittspreaden som belastes må gjenvinne forventet tap (EL = PD × LGD) pluss generere en tilstrekkelig avkastning på regulatorisk kapital. Minimum kredittspread = (EL + Kapitalkostnad × nødvendig kapital) / Lånebeløp. For et 1-års lån: hvis PD = 2 %, LGD = 50 %, EL = 1,0 %. Hvis nødvendig kapital = 8 % av lånet, ved 15 % avkastningskrav: kapitalkostnad = 8 % × 15 % = 1,2 %. Minimum spredning = 1,0 % + 1,2 % = 2,2 % (220 bps). Dette RAROC-rammeverket sikrer at lån kun oppstår når spredningen dekker forventede tap og gir tilstrekkelig egenkapitalavkastning.
Kan maskinlæring forbedre PD-prediksjon i forhold til tradisjonelle modeller?
Maskinlæringsmodeller – gradientforsterkning (XGBoost), tilfeldige skoger, nevrale nettverk – oppnår ofte høyere prediktiv nøyaktighet (målt ved AUC/Gini-koeffisient) enn logistisk regresjon for PD-prediksjon, spesielt med store datasett som inneholder mange ikke-lineære interaksjoner mellom funksjoner. Imidlertid står de overfor utfordringer i kredittrisiko: regulatoriske forklaringskrav (SR 11-7 veiledning krever at bankene forstår og forklarer modellresultater), modellstyring og risikoen for overtilpassning til historiske mønstre som kanskje ikke vedvarer. Hybride tilnærminger – bruk av ML for funksjonsutvikling og variabelt utvalg, med logistisk regresjon for den endelige modellen – er vanlig i regulerte bankmiljøer.
Vanlige feil å unngå
▾
- !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 Tips
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.
Visste du?
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▾
Referanser
Få ukentlige mattetips
Bli med 12 000+-abonnenter som får kalkulatortips hver uke.