In the aftermath of the credit crisis in 2007, the importance of Credit Valuation Adjustment (CVA) rose in the Over The Counter (OTC) derivative pricing process. One important part of the pricing process is to determine Probability of Defaults (PDs) of the counterparty in question. The normal way of doing this is to use Credit Default Swap (CDS) spreads from the CDS market. In some cases, there is no associated liquid CDS market, and in those cases, it is market practice to use proxy CDS spreads. In this thesis, transformer models are used to generate proxy CDS spreads with a certain region, rating, and tenor from stand-alone CDS spread data. Two different models are created to do this. The first simpler model is an encoder-based model that uses stand-alone CDS data from a single company to generate one proxy spread per inference. The second, more advanced model is an encoder-decoder model that uses stand-alone CDS data from three companies to generate one proxy spread per inference. The performance of the models is compared, and it is shown that the more advanced model outperforms the simpler model. It should, be noted that the simpler model is faster to train. Both models could be used for data validation. To create the transformer models, it was necessary to implement custom embeddings that embedd specific corporate information and temporal information regarding the CDS spreads. The importance of the different embeddings was also investigated, and it is clear that certain embeddings are more important than others. / I efterdyningarna av kreditkrisen 2007 så ökade betydelsen av CVA vid prissättning av OTC derivat. En viktig del av prissättningen av OTC derivat är att avgöra PDs för den aktuella motparten. Om det finns en likvid CDS marknad för motparten så kan man använda sig av CDSs spreadar dirket från marknaden för att avgöra PDs. I många fall så saknas en sådan likvid CDS marknad. Då är det praksis att istället använda sig av proxy CDS spreadar. I den här uppsatsen så presenteras två transformer modeller för att generera proxy CDS spreadar för bestämda kombinationer av region, rating och löptid från enskilda företags CDS spreadar. Den först enklare modellen är en encoder baserad modell som använder sig av data från ett enskilt företag för att generera en proxy spread per inferens. Den andra modellen är en mer avancerad encoder-decoder modell. Den mer avancerade modellen använder sig av data från tre företag för att generera en proxy spread. I uppsatsen jämförs dessa modeller och man kan konstatera att den mer avancereade modellen genererar mer exakta CDS spreadar. Den enklare modellen är dock betydligt enklare att träna och båda modellerna kan användas i syfte att validera det riktiga proxy datat. För att kunna skapa modellerna så var det en nödvändighet att implementera specialbyggda embeddings som kodad in temporal information och företagsspecifik information om CDS spreadarna. Dessutom så testades vikten av enskilda embeddings och det var uppenbart att vissa embeddings var viktigare än andra.

Since the global financial crisis of 2008, regulatory bodies worldwide have implementedincreasingly stringent requirements for measuring and pricing default risk in financialderivatives. Counterparty Credit Risk (CCR) serves as the measure for default risk infinancial derivatives, and Credit Valuation Adjustment (CVA) is the pricing method used toincorporate this default risk into derivatives prices. To calculate the CVA, one needs the risk-neutral Probability of Default (PD) for the counterparty, which is the centre in this type ofderivative.The traditional method for calculating risk-neutral probabilities of default involves constructingcredit curves, calibrated using the credit derivative Credit Default Swap (CDS). However,liquidity issues in CDS trading present a major challenge, as the majority of counterpartieslack liquid CDS spreads. This poses the difficult question of how to model risk-neutral PDwithout liquid CDS spreads.The current method for generating proxy credit curves, introduced by the Japanese BankNomura in 2013, involves a cross-sectional linear regression model. Although this model issufficient in most cases, it often generates credit curves unsuitable for larger counterpartiesin more volatile times. In this thesis, we introduce two Long Short-Term Memory (LSTM)models trained on similar entities, which use CDS spreads as input. Our introduced modelsshow some improvement in generating proxy credit curves compared to the Nomura model,especially during times of higher volatility. While the result were more in line with the tradedCDS-market, there remains room for improvement in the model structure by using a moreextensive dataset. / Ända sedan 2008 års finanskris har styrande finansiella organ ökat kraven för mätning ochprissättning av konkursrisk inom derivat. Ett område av särskilt högt intresse för detta arbete ärmotpartskreditrisker (CCR). I detta är Kreditvärdesjustering (CVA) den huvudsakliga metodenför prissättning av konkursrisk inom finansiella derivat och för att kunna få fram ett värde avCVA behövs en risk-neutral konkurssannolikhet (PD).En av de traditionella metoderna för att räkna ut denna sannolikhet är genom att skapakreditkurvor som sedan är kalibrerade utifrån CDS:ar. Detta handlade derivat (CDS) finns baraför ett mindre antal företag över hela världen vilket gör att en majoritet av marknaden saknaren tillräckligt handlad CDS. Lösning på detta är att ta fram proxy CDS för ett motsvarande bolag.Idag görs detta framförallt med en tvärsnitts-regressionsmodell som introducerades 2013 avden japanska banken Nomura. Den skapar i många fall rimliga kurvor men ett problem den harär att den oftare gör proxyn lägre än vad den borde vara.I detta arbete introducerar vi istället en LSTM modell som tränas på liknande företag. Resultatetav detta är att vi får en bättre modell i många fall för att skapa en proxy kurva men som delvishar liknande brister som Nomura modellen. Men med fortsatta undersökningar inom områdetsamt med mer data kan detta skapa en mer exakt och säkrare proxy modell.

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.

Nous entamons ce rapport de thèse par l’évaluation de l’espérance espérée qui représente une des composantes majeures des ajustements XVA. Sous l’hypothèse d’indépendance entre l’exposition et les coûts de financement et de crédit, nous dérivons dans le chapitre 3 une représentation nouvelle de l’exposition espérée comme la solution d’une équation différentielle ordinaire par rapport au temps d’observation du défaut. Nous nous basons, pour le cas unidimensionnel, sur des arguments similaires à ceux de la volatilité locale de Dupire. Et pour le cas multidimensionnel, nous nous référons à la formule de la Co-aire. Cette représentation permet d’expliciter l’impact de la volatilité sur l’exposition espérée : Cette valeur temps fait intervenir la volatilité des sous-jacents ainsi que la sensibilité au premier ordre du prix, évalués sur un ensemble fini de points. Malgré des limitations numériques, cette méthode est une approche précise et rapide pour la valorisation de la XVA unitaire en dimension 1 et 2.Les chapitres suivants sont dédiés aux aspects du risque de corrélations entre les enveloppes d’expositions et les coûts XVA. Nous présentons une modélisation du risque général de corrélation à travers une diffusion stochastique multivariée, comprenant à la fois les sous-jacents des dérivés et les intensités de défaut. Dans ce cadre, nous exposons une nouvelle approche de valorisation par développements asymptotiques, telle que le prix d’un ajustement XVA correspond au prix de l’ajustement à corrélation nulle, auquel s’ajoute une somme explicite de termes correctifs. Le chapitre 4 est consacré à la dérivation technique et à l’étude de l’erreur numérique dans le cadre de la valorisation de dérivés contingents au défaut. La qualité des approximations numériques dépend uniquement de la régularité du processus de diffusion de l’intensité de crédit, et elle est indépendante de la régularité de la fonction payoff. Les formules de valorisation pour CVA et FVA sont présentées dans le chapitre 5. Une généralisation des développements asymptotiques pour le cadre bilatéral de défaut est adressée dans le chapitre 6.Nous terminons ce mémoire en abordant un cas du risque spécifique de corrélation lié aux contrats de migration de rating. Au-delà des formules de valorisation, notre contribution consiste à présenter une approche robuste pour la construction et la calibration d’un modèle de transition de ratings consistant avec les probabilités de défaut implicites de marché / The point of departure of this thesis is the valuation of the expected exposure which represents one of the major components of XVA adjustments. Under independence assumptions with credit and funding costs, we derive in Chapter 3 a new representation of the expected exposure as the solution of an ordinary differential equation w.r.t the default time variable. We rely on PDE arguments in the spirit of Dupire’s local volatility equation for the one dimensional problem. The multidimensional extension is addressed using the co-area formula. This forward representation gives an explicit expression of the exposure’s time value, involving the local volatility of the underlying diffusion process and the first order Greek delta, both evaluated only on finite set of points. From a numerical perspective, dimensionality is the main limitation of this approach. Though, we highlight high accuracy and time efficiency for standalone calculations in dimensions 1 and 2.The remaining chapters are dedicated to aspects of the correlation risk between the exposure and XVA costs. We start with the general correlation risk which is classically modeled in a joint diffusion process for market variables and the credit/funding spreads. We present a novel approach based on asymptotic expansions in a way that the price of an XVA adjustment with correlation risk is given by the classical correlation-free adjustment to which is added a sum of explicit correction terms depending on the exposure Greeks. Chapter 4 is consecrated to the technical derivation and error analysis of the expansion formulas in the context of pricing credit contingent derivatives. The accuracy of the valuation approach is independent of the smoothness of the payoff function, but it is related to the regularity of the credit intensity model. This finding is of special interest for pricing in a real financial context. Pricing formulas for CVA and FVA adjustments are derived in Chapter 5, along with numerical experiments. A generalization of the asymptotic expansions to a bilateral default risk setting is addressed in Chapter 6.Our thesis ends by tackling the problem of modeling the specific Right-Way Risk induced by rating trigger events within the collateral agreements. Our major contribution is the calibration of a rating transition model to market implied default probabilities