基于MCMC模拟的贝叶斯分层信用风险评估模型  

Bayesian Hierarchical Credit Risk Model Based on MCMC Method

作　　者：周丽莉[1] 丁东洋[2] 

机构地区：[1]南昌大学经管学院,江西南昌330031 [2]南昌大学公共管理学院,江西南昌330031

出　　处：《统计与信息论坛》2011年第12期26-31,共6页Journal of Statistics and Information

基　　金：江西省高校人文社会科学研究规划项目<开放经济下信用风险转移对金融稳定的影响研究>(JJ1138);天津社科规划项目<宏观统计数据可靠性评估方法研究>(TJTJ10-651);全国统计科研计划项目<小域估计理论及其在我国统计调查中的应用>(2009LZ020)

摘　　要：缺少违约数据与债务人异质性是度量信用风险时面临的重要问题。贝叶斯模型中分层先验信息和马尔可夫链蒙特卡罗(MCMC)模拟方法的应用可以有效缓解数据缺失和测量误差问题,并能对债务人异质性进行评价和比较,从而避免低估风险。针对银行数据的模型拟合与模型诊断均展现了分层估计的适应性和灵活性,相关方法简洁清晰,利于国内风险分析人员采用。同时,涵盖宏观经济协变量的贝叶斯分层模型可以用于更加复杂的风险分析。Lacking of default data and debtor＇s heterogeneity are important issues in the credit risk measurement.The incorporation of hierarchical prior information and Markov Chain Mont Carlo simulation in Bayesian models mitigate the problems of sparse data and measurement error effectively,can also evaluate and compare the heterogeneity of debtors,thereby avoid underestimating the risk.The examples of model fitting and diagnostics utilizing the bank data show the adaptability and flexibility of hierarchical estimating,the relative methods are so clear that internal risk analyzer can adopt easily.And the Bayesian hierarchical model which contains macroeconomic covariate can be used for more complex risk analysis.

关 键 词：信用风险 贝叶斯方法 分层模型 马尔可夫链蒙特卡罗模拟 

分 类 号：O212.8[理学—概率论与数理统计]