Vad är Credit Default Probability?
▾
Sannolikheten för fallissemang (PD) är ett centralt begrepp inom kreditriskmätning, som representerar sannolikheten att en låntagare – oavsett om det är ett företag, finansiell institution, stat eller individ – kommer att misslyckas med att göra kontraktsenligt nödvändiga betalningar inom en angiven tidshorisont. PD är en av de tre grundläggande parametrarna i Basel-ramverket för kreditrisk, vid sidan av Loss Given Default (LGD) och Exposure at Default (EAD), och den driver både förväntade förluster och beräkningar av lagstadgat kapital. Det finns tre primära metoder för att uppskatta PD. Det strukturella tillvägagångssättet, banbrytande av Robert Merton 1974, modellerar ett företags eget kapital som en köpoption på dess tillgångar: fallissemang inträffar när tillgångsvärdet faller under skuldens nominella värde ('standardbarriären') vid förfallodagen. Avståndet till standard (DD) – mätt i standardavvikelser av tillgångsvärdet från standardbarriären – är nyckelutgången, och PD uppskattas från normalfördelningen av detta avstånd. Moody's KMV-modell är den ledande kommersiella implementeringen av Mertons strukturella tillvägagångssätt, med hjälp av uppskattat tillgångsvärde och volatilitet för att beräkna den förväntade standardfrekvensen (EDF). Tillvägagångssättet med reducerad form (intensitet) behandlar fallissemang som en överraskningshändelse som styrs av en hazard rate λ (den momentana villkorade sannolikheten för fallissemang), som kan kalibreras till marknadspriser på kreditswappar (CDS) eller obligationskreditspreadar. PD över horisonten T = 1 − e^(−λT). Detta tillvägagångssätt är mer flexibelt än den strukturella modellen och kan inkludera tidsvarierande standardintensiteter. Kreditpoängbaserade tillvägagångssätt (inklusive logistiska regressionsmodeller, kreditvärderingsinstitutsmodeller och maskininlärningsmodeller) uppskattar PD från låntagarens finansiella egenskaper: hävstångskvoter, lönsamhet, täckningsgrader, likviditet, storlek och bransch. Kreditvärderingsinstitutets historiska fallissemang ger en empirisk kartläggning från kreditbetyg till historisk PD över olika horisonter. Noggrann PD-uppskattning är avgörande för prissättning av lån (kreditspreaden måste kompensera för förväntad förlust = PD × LGD), beräkning av lagstadgat kapital (Basel IRK-metoden tillåter banker att använda interna PD-modeller), portföljkreditriskhantering och motpartskreditriskbedömning i derivattransaktioner.
Calkulon makes complex calculations simple — built for students and everyday problem-solvers.
Formel
▾
Merton PD: PD = N(−d2) där d2 = [ln(V/D) + (μ − σ_V²/2)T] / (σ_V √T)
Farofrekvens PD: PD(T) = 1 − e^(−λT)
Kredittriangel: λ ≈ Kreditspread / LGD | CS ≈ PD × LGD / (1−PD)Variabelbeskrivning
▾
| Symbol | Namn | Enhet | Beskrivning |
|---|---|---|---|
| PD | Sannolikhet för standard | — | Sannolikhet för fallissemang inom en specificerad horisont (1 år är standard); den primära kreditriskparametern. |
| DD | Avstånd till standard | standardavvikelser | I Merton-modellen: (tillgångsvärde − standardpunkt) / (tillgångsvolym × tillgångsvärde); antal standardavvikelser över standard. |
| λ | Farofrekvens | varje år | Momentan sannolikhet för villkorad fallissemang per tidsenhet; används i modeller med reducerad form: PD = 1 − e^(−λT). |
| LGD | Förlust given standard | — | Förväntad andel av exponeringen förlorad om fallissemang inträffar; komplement till återvinningsgraden. EL = PD × LGD × EAD. |
| CS | Kreditspridning | bps | Tilläggsavkastning krävs över riskfri ränta; ungefär CS ≈ λ × LGD för korta löptider (kredittriangel). |
Hur man Credit Default Probability
▾
- 1Välj uppskattningsmetod: strukturell (Merton) för publika företag med aktiedata; reducerad form för CDS-handlade namn; ratingbaserad för företag med kreditbetyg.
- 2För Merton-modellen: uppskatta tillgångsvärde (V) och tillgångsvolatilitet (σ_V) genom att iterativt lösa equity-as-call-option-systemet; identifiera standardbarriären (vanligtvis kortfristiga skulder + 50 % långfristiga skulder).
- 3Beräkna avstånd till standard: DD = (V − D) / (σ_V × V), där D är standardbarriären.
- 4Konvertera DD till PD med normalfördelningen: PD = N(−DD) för det riskneutrala måttet, eller använd empirisk kartläggning (som Moody's KMV gör) för verklig PD.
- 5För CDS/spread-baserad PD: erhåll marknadskreditspreaden, antag LGD (vanligtvis 40–60 %); beräkna riskhastighet λ = CS / LGD; beräkna PD(T) = 1 − e^(−λT).
- 6För ratingbaserad PD: slå upp historisk genomsnittlig kumulativ fallissemangsfrekvens för emittentens kreditbetyg från S&P eller Moody's årliga fallissemangsstudier.
- 7Validera PD-uppskattningen mot marknadspriser, kreditvärderingsinstituts betyg och jämförbara företag. Aggregat till portföljens förväntade förlust: EL = Σ PD_i × LGD_i × EAD_i.
Lösta exempel
▾
Företaget är 1,41 standardavvikelser över fallissemanget — måttlig kreditrisk
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%. Avstånd till standard DD = (100 − 70) / (0,25 × 100) = 1,20 standardavvikelser. Moody's KMV mappar detta till en empirisk EDF från deras historiska databas. En 1,2 DD motsvarar ungefär en empirisk 1-års sannolikhet för fallissemang på 8–12 %. Om aktiemarknaderna säljer av och tillgångsvolatiliteten stiger till 35 %, faller DD till 0,86 och PD hoppar till 19 % – vilket visar hur villkoren på aktiemarknaden direkt påverkar kreditrisken.
CDS-marknaden innebär 22% risk för fallissemang under 5 år
Farofrekvens λ = CS / LGD = 300 bps / 60% = 500 bps = 5,0% per år. 1-års PD = 1 − e^(−0,05×1) = 4,88%. 5-årig PD = 1 − e^(−0,05×5) = 1 − e^(−0,25) = 22,1%. Denna CDS-implicerade PD är en riskneutral sannolikhet (inkluderar riskpremie), så verklig PD skulle vara något lägre. En CDS-spread på 300 bps är förenlig med ett BB-kreditbetyg, där historiska 5-åriga kumulativa fallissemang i genomsnitt är cirka 10–15 % – CDS-marknaden innebär en något högre ränta, vilket återspeglar marknadsriskpremie och likviditetspremie.
Baserat på 40+ år av S&Ps historiska standarddata efter betyg
Enligt S&P:s 2023 årliga globala företagsstandard- och kreditövergångsstudie är den genomsnittliga 3-åriga kumulativa fallissemangsfrekvensen för BB-klassade emittenter från 1981–2022 cirka 8,2 %. Årliga fallissemang: BB År 1≈0,84%, År 2≈1,65% marginal, År 3≈1,72% marginal. Kumulativa 3-åriga fallissemangsfrekvenser av investeringsgrad är mycket lägre: AAA≈0,01 %, AA≈0,05 %, A≈0,13 %, BBB≈0,55 %. Dessa empiriska räntor är verkliga PD:er (inte riskneutrala) och används direkt i Basel IRB:s förväntade förlustberäkningar för låneportföljer.
Flera finansiella nyckeltal kombinerade i logistisk regression förutspår PD
I en logistisk regressionsmodell har varje finansiellt nyckeltal en koefficient som uppskattas från historiska fallissemangsdata: Skuld/EBITDA (5,0x – hög hävstång ger risk), räntetäckning (1,8x – låg täckning ökar PD markant), strömkvot (0,9 – under 1,0 = negativt rörelsekapital ökar risken) och vinstmarginal (4 % – tunn marginal ger liten buffert). De kombinerade log-oddsen ger en PD på cirka 12,5 % – förhöjt territorium av spekulativ kvalitet. Denna låntagare skulle få en B- eller B− intern rating, vilket kräver prissättning till cirka LIBOR/SOFR + 400–500 bps och snäva villkorsskydd.
Praktiska tillämpningar
▾
Kreditgodkännande och prissättning av banklån (RAROC), som gör det möjligt för praktiker att fatta välinformerade kvantitativa beslut baserade på validerade beräkningsmetoder och industristandardmetoder, vilket kräver exakt kvantitativ analys för att stödja evidensbaserade beslut, strategisk resursallokering och prestationsoptimering över olika organisatoriska sammanhang och professionella discipliner.
Basel II/III IRB-kapitalberäkning för kreditportföljer, som hjälper analytiker att producera korrekta resultat som stöder strategisk planering, resursallokering och prestandabenchmarking mellan organisationer, där korrekt numerisk beräkning är avgörande för att producera tillförlitliga resultat som informerar planering, utvärdering och kontinuerliga förbättringsprocesser i både företags- och individuella miljöer.
IFRS 9 / CECL förväntade kreditförlustavsättningar, som gör det möjligt för yrkesverksamma att kvantifiera resultat systematiskt och jämföra scenarier med hjälp av tillförlitliga matematiska ramverk och etablerade formler, vilket kräver systematiska beräkningsmetoder som översätter rå indata till handlingsbara insikter för intressenter som är beroende av kvantitativ rigor i sina dagliga yrkesaktiviteter.
Credit default swap-prissättning och handel, stödjer datadrivna utvärderingsprocesser där numerisk precision är avgörande för efterlevnad, rapportering och optimeringsmål, vilket kräver robusta beräkningsmetoder som ger konsekventa och verifierbara resultat lämpliga för rapportering, revision och långsiktig trendanalys i professionella miljöer
Obligationsportföljens kreditriskövervakning och ratingövervakning, vilket kräver exakt kvantitativ analys för att stödja evidensbaserade beslut, strategisk resursallokering och prestationsoptimering över olika organisatoriska sammanhang och professionella discipliner
Specialfall
▾
I praktiken kräver detta kantfall noggrant övervägande eftersom standardantaganden kanske inte håller. När utövare stöter på detta scenario i beräkningar av sannolikhetsberäknare för kreditvärdighet, bör utövare verifiera randvillkor, kontrollera om det finns risker med nolldelning och överväga om modellens antaganden förblir giltiga under dessa extrema förhållanden.
Retail/Consumer PD
Proffs som arbetar med kreditrisk pd bör vara särskilt uppmärksamma på detta scenario eftersom det kan leda till missvisande resultat om det inte hanteras på rätt sätt. Verifiera alltid gränsvillkor och korskontrollera med oberoende metoder när detta fall uppstår i praktiken.
I praktiken kräver detta kantfall noggrant övervägande eftersom standardantaganden kanske inte håller. När utövare stöter på detta scenario i beräkningar av sannolikhetsberäknare för kreditvärdighet, bör utövare verifiera randvillkor, kontrollera om det finns risker med nolldelning och överväga om modellens antaganden förblir giltiga under dessa extrema förhållanden.
S&P genomsnittliga 1-åriga standardpriser efter betyg (1981–2022)
▾
| Gradering | 1-årig PD | 3-årig PD | 5-årig PD | Beskrivning |
|---|---|---|---|---|
| AAA | 0,00 % | 0,01 % | 0,04 % | Högsta investeringsgrad |
| AA | 0,02 % | 0,06 % | 0,12 % | Mycket hög kvalitet |
| A | 0,06 % | 0,18 % | 0,37 % | Hög kvalitet |
| BBB | 0,16 % | 0,55 % | 1,10 % | Avskärning av investeringsgrad |
| BB | 0,84 % | 3,41 % | 7,18 % | Högsta spekulativa betyg |
| B | 3,44 % | 10,50 % | 18,90 % | Spekulativ |
| CCC/C | 26,78 % | 42,60 % | 52,20 % | Mycket spekulativt/bekymrat |
Vanliga frågor
▾
Vad är skillnaden mellan riskneutral PD och verklig PD?
Riskneutral PD härleds från marknadspriser (CDS-spreadar, obligationsräntor) och inkluderar en riskpremie utöver den rena fallissemangssannolikheten – investerare kräver extra kompensation för att de håller fallissemang. Verklig (fysisk) PD är den faktiska historiska frekvensen av fallissemang för en given riskkategori – vanligtvis uppskattad från kreditvärderingsinstitutsdata eller interna banklåneprestandadata. Riskneutral PD används för prissättning av derivat (CDS, kreditderivat) och måste matcha marknadspriser. Real-world PD används för Basel förväntade förlustberäkningar, låneavsättningar och riskhantering. Riskneutral PD är vanligtvis 1,5–3 gånger högre än den verkliga PD för emittenter av investeringsgrad, vilket återspeglar kreditriskpremien.
Vilka är Basel II/III-metoderna för PD-uppskattning?
Enligt Basel II/III-ramverket för kreditriskkapital kan banker använda: (1) Standardmetoden — riskvikter som föreskrivs av tillsynsmyndigheter baserat på externa kreditbetyg, utan interna PD-uppskattningar; (2) Foundation IRB (FIRB) – banker uppskattar PD internt men använder tillsyns-LGD och EAD; (3) Avancerad IRB (AIRB) – banker uppskattar PD, LGD och EAD med hjälp av sina egna interna modeller, med förbehåll för minimikrav på data och myndighetsvalidering. AIRB tillåter de lägsta kapitalkraven för högkvalitativa låneportföljer men kräver år av standarddata, rigorös modellvalidering och fortlöpande modelluppföljning. De flesta stora internationellt verksamma banker använder AIRB för sina större portföljer.
Vilka ekonomiska nyckeltal förutsäger bäst företags fallissemang?
Altmans Z-Score (1968) identifierade fem nyckelfaktorer för företagskonkurs från diskriminerande analys: rörelsekapital/totala tillgångar, balanserade vinster/totala tillgångar, EBIT/totala tillgångar, marknadsvärde på eget kapital/bokfört värde av totala skulder och försäljning/totala tillgångar. Forskning sedan dess har bekräftat att de mest kraftfulla individuella prediktorerna inkluderar: hävstång (skuld/EBITDA, skuld/tillgångar), täckning (EBIT/ränta, EBITDA/ränta), likviditet (aktuellt förhållande, snabbkvot), lönsamhet (ROA, vinstmarginal) och storlek (större företag har lägre fallissemang för samma hävstångsnivå). Moderna maskininlärningsmodeller använder hundratals finansiella och icke-finansiella funktioner.
Hur förhåller sig återhämtningsgraden till PD?
Återvinningsgrad (R) = 1 − LGD (Loss Given Default). Återvinningsgrad är den del av exponeringen som återvinns efter fallissemang genom konkursförfaranden, försäljning av tillgångar eller omstrukturering. Historiska återvinningsgrader för osäkrade företagsobligationer är i genomsnitt cirka 40 % (LGD=60 %), men varierar enormt beroende på tjänstgöringstid: seniora säkerställda obligationer återhämtar sig 60–80 %; senior osäker 35–55 %; förlagsobligationer 10–30 %; eget kapital nära noll. Återhämtningsgraden är negativt korrelerad med PD – i systemiska nedgångar när fallissemanget ökar, återhämtningsgraden samtidigt minskar (procyklikalitet), vilket förstärker kreditförlusterna utöver vad oberoende PD- och LGD-uppskattningar skulle föreslå.
Vad är skillnaden mellan "genom-cykeln" och "punkt-i-tid" PD?
Genom-cykeln (TTC) PD uppskattar den genomsnittliga sannolikheten för fallissemang över en hel ekonomisk cykel, och jämnar ut konjunkturvariationer. Kreditvärderingsinstitut använder TTC-betyg – ett BBB-betyg bör återspegla liknande fallissemangsrisk under hela cykeln. Point-in-time (PIT) PD återspeglar nuvarande ekonomiska förhållanden och rörelser med konjunkturcykeln: PIT PD:s toppar i lågkonjunkturer och minskar i högkonjunkturperioder. Basel kräver att banker använder TTC PD för minimikapitalberäkningar (för att undvika procyklisk kapitalförstärkning) men PIT PD för IFRS 9/CECL förväntade kreditförlustavsättningar (vilket kräver en framtidsinriktad bedömning av nuläget). Skillnaden mellan PIT och TTC är en källa till betydande praktisk komplexitet i kreditriskhantering.
Hur används PD vid prissättning av lån?
Låneprissättningen använder ramverket för riskjusterad avkastning på kapital (RAROC): den kreditspread som tas ut måste återvinna förväntad förlust (EL = PD × LGD) plus generera en adekvat avkastning på lagstadgat kapital. Minsta kreditspread = (EL + Kapitalkostnad × Erforderligt kapital) / Lånebelopp. För ett 1-årigt lån: om PD = 2 %, LGD = 50 %, EL = 1,0 %. Om kapitalbehov = 8 % av lånet, vid 15 % avkastningskrav: kapitalkostnad = 8 % × 15 % = 1,2 %. Minsta spridning = 1,0 % + 1,2 % = 2,2 % (220 bps). Detta RAROC-ramverk säkerställer att lån endast skapas när spreaden täcker förväntade förluster och ger tillräcklig avkastning på aktier.
Kan maskininlärning förbättra PD-prediktionen jämfört med traditionella modeller?
Maskininlärningsmodeller – gradientförstärkning (XGBoost), slumpmässiga skogar, neurala nätverk – uppnår ofta högre prediktiv noggrannhet (mätt med AUC/Gini-koefficient) än logistisk regression för PD-förutsägelse, särskilt med stora datamängder som innehåller många icke-linjära interaktioner mellan funktioner. De står dock inför utmaningar i kreditrisk: regulatoriska förklaringskrav (SR 11-7 vägledning kräver att banker förstår och förklarar modellresultat), modellstyrning och risken att överanpassa historiska mönster som kanske inte kvarstår. Hybridmetoder – med användning av ML för funktionsutveckling och variabelval, med logistisk regression för den slutliga modellen – är vanliga i reglerade bankmiljöer.
Vanliga misstag att undvika
▾
- !Att blanda ihop riskneutral PD (från CDS) med verklig PD – de skiljer sig åt med kreditriskpremien och bör inte blandas i beräkningar.
- !Användning av tidpunkts-PD för Basel-kapitalberäkningar (ska använda genom cykeln) eller TTC PD för IFRS 9-avsättning (ska använda PIT).
- !Om man ignorerar korrelationen mellan PD och LGD — i nedgångar förvärras båda samtidigt, vilket förstärker faktiska kreditförluster bortom EL = PD × LGD.
- !Tillämpa företags fallissemang på privat-/konsumentlån utan justering för fundamentalt olika riskfaktorer.
- !Extrapolering av PD med kort horisont till långa horisonter utan att ta hänsyn till migreringen av betyg över tiden.
Proffstips
Validera alltid din PD-modell med både Gini-koefficient/AUC (diskriminering — rangordna låntagare från bästa till sämsta risk) och kalibreringstester (är förutspådda PD-värden nära observerade fallissemang?). En modell som rankas bra men är dåligt kalibrerad kan fortfarande producera otillräckliga reserver.
Visste du?
Mertonmodellens nyckelinsikt – att behandla ett företags eget kapital som en köpoption på dess tillgångar – publicerades 1974, bara ett år efter Black-Scholes optionsprissättningsformel. Robert Merton fick Nobelpriset i ekonomi 1997 (tillsammans med Myron Scholes) till stor del för detta arbete, som förenade teori för optionprissättning och kreditrisk i ett enda elegant ramverk.
Regional Guides
▾
🇺🇸 US▾
🇬🇧 UK▾
🇪🇺 EU▾
Referenser
- ›Merton, R.C. (1974): On the Pricing of Corporate Debt, Journal of Finance
- ›S&P Global: Annual Global Corporate Default and Rating Transition Study (2023)
- ›Baselkommittén: IRK-metoden för kreditrisk – Basel III
- ›McNeil, Frey & Embrechts: Kvantitativ riskhantering — Kapitlet om kreditrisk
Ratings & comments
Få mattetips varje vecka
Gå med 12 000+ prenumeranter som får räknartips varje vecka.