No description available.

The implementation of the Basel II capital adequacy framework promoted internally modelled risk parameters and allowed banks to build their own models. The recent crisis pointed at the gaps in the Basel II Accord, seeing banks having trouble to deal with lack of liquidity and higher default rates. The minimum regulatory capital held by the banks turned out to be insufficient and banks started looking for other techniques to better quantify the risks they are exposed to. Model accuracy is a key objective to meet the capital adequacy requirements while facing severe economic conditions. The purpose of this thesis is to suggest a new approach to credit modelling. Data envelopment analysis (DEA) can overcome some the difficulties that the banks deal with. The key opportunity in using DEA and its modifications is in the fact that this method does not require prior information about the classification between good and bad units and only requires financial and other data about the client in question. This thesis analyses the performance of DEA applied on a real world portfolio of corporate loans compared to the two standard methods used in the banking sector. Logistic regression is the most popular method, having few restrictions and providing output in the form of a probability of default. The second method is the discriminant analysis giving similar results to the logistic regression but being based on more assumptions. The model is validated by comparing the model output with the actual status and its predictive power evaluated.

Credit modelling has traditionally been done by credit institutes based on financial data about the individuals requesting the credit. While this has been sufficient in lowering risk in developed economies with plenty of financial data it is inefficient in developing economies and fails to reach the unbanked population. As this is both limiting many responsible consumers from getting access to credit as well as limiting companies from reaching paying customers, it is evident that new strategies for credit modelling are needed. This paper explores the usage of behavioural data for credit modelling gathered from users of Klarna’s app. The models are based on the machine learning algorithms logistic regression, random forests, neural networks, and gradient boosted decision trees. In this study, models were trained on Swedish data in multiple timespans and tested in different timespans and countries. The results show that modelling on the data points developed in this study is effective and suggest that in certain cases be used in predicting new and unknown markets by training on similar markets. / Kreditvärderingar har traditionellt sätt utförts av kreditinstitut baserat på existerande finansiella data kring personen i fråga som ansöker om kredit. Denna metod har varit framgångsrik i att minimera risk inom utvecklade ekonomier där finansiella data har varit tillgänglig. Metoden har varit mindre framgångsrik i utvecklingsekonomier och misslyckas att utvärdera befolkningar som saknar finansiella tjänster. Då detta problem begränsar många pålitliga konsumenter att få tillgång till kredit och samtidigt begränsar företagen att nå ut till möjliga betalande kunder, blir det viktigt att ta fram nya strategier för att utvärdera kredit. Denna uppsats utforskar möjligheten att modellera kreditvärdighet baserat på användarbeteende med hjälp av data från Klarnas shopping app. Modellerna är baserade på maskininlärningsalgoritmerna logistisk regression, Random Forests, neurala nätverk och gradient boosted decision trees. I denna studie tränas modellerna på olika tidsspann inom den svenska marknaden och testas på olika tidsspann och marknader. Resultaten från studien visar att det går med hjälp av beteende data från Klarnas app att, under olika omständigheter, förutspå kreditvärdighet i framtiden och på olika marknader.

In this thesis, the credit worthiness of a company is modelled using a stochastic process. Two credit models are considered; Merton's model, which models the value of a firm's assets using geometric Brownian motion, and the distance to default model, which is driven by a two factor jump diffusion process. The probability of default and the default time are simulated using Monte Carlo and the number of scenarios needed to obtain convergence in the simulations is investigated. The simulations are performed using the probability matrix method (PMM), which means that a transition probability matrix describing the process is created and used for the simulations. Besides this, two variance reduction techniques are investigated; importance sampling and antithetic variates. / I den här uppsatsen modelleras kreditvärdigheten hos ett företag med hjälp av en stokastisk process. Två kreditmodeller betraktas; Merton's modell, som modellerar värdet av ett företags tillgångar med geometrisk Brownsk rörelse, och "distance to default", som drivs av en två-dimensionell stokastisk process med både diffusion och hopp. Sannolikheten för konkurs och den förväntade tidpunkten för konkurs simuleras med hjälp av Monte Carlo och antalet scenarion som behövs för konvergens i simuleringarna undersöks. Vid simuleringen används metoden "probability matrix method", där en övergångssannolikhetsmatris som beskriver processen används. Dessutom undersöks två metoder för variansreducering; viktad simulering (importance sampling) och antitetiska variabler (antithetic variates).

Since the default of Lehman Brothers in 2008, it has become increasingly important to measure, manage and price the default risk in financial derivatives. Default risk in financial derivatives is referred to as counterparty credit risk (CCR). The price of CCR is captured in Credit Valuation Adjustment (CVA). This adjustment should in principle always enter the valuation of a derivative traded over-the-counter (OTC). To calculate CVA, one needs to know the probability of default of the counterparty. Since CVA is a price, what one needs is the risk-neutral probability of default. The typical way of obtaining risk-neutral default probabilities is to build credit curves calibrated using Credit Default Swaps (CDS). However, for a majority of a bank's counterparties there are no CDSs liquidly traded. This constitutes a major challenge. How does one model the risk-neutral default probability in the absence of observable CDS spreads? A number of methods for constructing proxy credit curves have been proposed previously. A particularly popular choice is the so-called Nomura (or cross-section) model. In studying this model, we find some weaknesses, which in some instances lead to degenerate proxy credit curves. In this thesis we propose an altered model, where the modelling quantity is changed from the CDS spread to the hazard rate. This ensures that the obtained proxy curves are valid by construction. We find that in practice, the Nomura model in many cases gives degenerate proxy credit curves. We find no such issues for the altered model. In some cases, we see that the differences between the models are minor. The conclusion is that the altered model is a better choice since it is theoretically sound and robust. / Sedan Lehman Brothers konkurs 2008 har det blivit allt viktigare att mäta, hantera och prissätta kreditrisken i finansiella derivat. Kreditrisk i finansiella derivat benämns ofta motpartsrisk (CCR). Priset på motpartsrisk fångas i kreditvärderingsjustering (CVA). Denna justering bör i princip alltid ingå i värderingen av ett derivat som handlas över disk (eng. over-the-counter, OTC). För att beräkna CVA behöver man veta sannolikheten för fallissemang (konkurs) hos motparten. Eftersom CVA är ett pris, behöver man den riskneutrala sannolikheten för fallissemang. Det typiska tillvägagångsättet för att erhålla riskneutrala sannolikheter är att bygga kreditkurvor kalibrerade med hjälp av kreditswappar (CDS:er). För en majoritet av en banks motparter finns emellertid ingen likvid handel i CDS:er. Detta utgör en stor utmaning. Hur ska man modellera riskneutrala fallissemangssannolikheter vid avsaknad av observerbara CDS-spreadar? Ett antal metoder för att konstruera proxykreditkurvor har föreslagits tidigare. Ett särskilt populärt val är den så kallade Nomura- (eller cross-section) modellen. När vi studerar denna modell hittar vi ett par svagheter, som i vissa fall leder till degenererade proxykreditkurvor. I den här uppsatsen föreslår vi en förändrad modell, där den modellerade kvantiteten byts från CDS-spreaden till riskfrekvensen (eng. hazard rate). Därmed säkerställs att de erhållna proxykurvorna är giltiga, per konstruktion. Vi finner att Nomura-modellen i praktiken i många fall ger degenererade proxykreditkurvor. Vi finner inga sådana problem för den förändrade modellen. I andra fall ser vi att skillnaderna mellan modellerna är små. Slutsatsen är att den förändrade modellen är ett bättre val eftersom den är teoretiskt sund och robust.