The objective of this paper is to offer a methodology for sizing credit-sensitive Asset Backed Securities (ABS) used in the prime mortgage lending sector in the U.S. and then to evaluate their relative performance. Using a multi-factor Monte Carlo simulation framework, we perform a four-step analysis. First, we estimate scenario-specific credit losses from a given mortgage pool. We then structure the pool into a 6-pack subordination structure based on statistically-determined stress economic scenarios. Next, we estimate performance indicators of the tranches to compare risk-adjusted returns. Finally, we report our results in terms of tranche-specific risk-adjusted returns. The results indicate that the middle tranches of ABS, e.g., BBB and BB, possess the lowest risk-adjusted returns. We also find and explain a cliff phenomenon in the tranche-level principal cash flows.

The objective of this paper is to offer a methodology for sizing credit-sensitive Asset Backed Securities (ABS) used in the prime mortgage lending sector in the U.S. and then to evaluate their relative performance. Using a multi-factor Monte Carlo simulation framework, we perform a four-step analysis. First, we estimate scenario-specific credit losses from a given mortgage pool. We then structure the pool into a 6-pack subordination structure based on statistically-determined stress economic scenarios. Next, we estimate performance indicators of the tranches to compare risk-adjusted returns. Finally, we report our results in terms of tranche-specific risk-adjusted returns. The results indicate that the middle tranches of ABS, e.g., BBB and BB, possess the lowest risk-adjusted returns. We also find and explain a cliff phenomenon in the tranche-level principal cash flows.

Bakgrund: En ny reglering har införts den 1 januari 2018, vilket är IFRS 9 finansiella instrument som ersätter IAS 39. Värdering och redovisning förändras från en objektiv till en subjektiv bedömning av kreditförluster. Syfte: Syftet med studien är att undersöka vilken effekt IFRS 9 har på svenska banker efter införandet. Studien undersöker även om effekten varierar beroende av bankers storlek. Metod: För att uppnå studiens syfte har en kvantitativ studie med deduktiv ansats tillämpats. Sekundärdata har inhämtats ur bankernas årsredovisningar för 2018 från respektive hemsida. Banker som ingår i studien är 43 svenska banker som står under Finansinspektionens tillsyn. Studiens tre hypoteser testades med hjälp av ttest, där parvis observation gjordes mellan åren 2017 och 2018. Resultat och slutsats: Resultatet visade en signifikant förändring av totala kapitalrelationen och kärnprimärkapitalrelationen i de större bankerna, vilka nyckeltalen var lägre efter införandet av IFRS 9. Egna kapitalet, kreditförlusterna och soliditeten kunde inte visa någon signifikant förändring. Slutsats av studiens resultat är att införandet av IFRS 9 haft en marginell effekt på svenska banker. / Background: The new regulation IFRS 9 has replaced IAS 39. The new regulation is subjective, forward-looking, compared with the old, objective model. Purpose: The purpose of our study was to investigate the effect IFRS 9 has on Swedish banks after the transition. Another aim is to study the effect of IFRS 9 on different bank sizes. Method: To achieve the purpose of the study, a quantitative method has been applied. Data has been obtained from annual reports for the year of 2018. The data consist of shareholders equity, balance sheet total and reported loan losses. Hypothesis testing has been done by using t-test Result and conclusion: The results can support a week significant positive effect on Tier 1 capital and capital adequacy ratio from large banks. No results could be found for Shareholders equity, Credit loss or Solidity.

This thesis examines how the implementation process of Expected Credit Loss Model in the accounting standard IFRS 9 – Financial instruments is perceived and interpreted and how these factors can affect comparability in accounting. One of the main changes with IFRS 9 is that companies need to account for expected credit losses rather than just incurred ones. The data is primarily collected through a web survey where all of Nordic banks and credit institutes with a minimum book value of total assets of euro 1 billion, are invited to participate. The presentation of the collected data from the web survey is reported relative frequencies in tables. The analysis is carried out with the assistance of the theoretical framework consisting of Positive Accounting Theory and Agency Theory. The conclusion of the thesis is that how the level of information in the implementation process is interpreted and perceived can affect comparability in accounting negatively due to the room for subjective interpretations.

Bakgrund och problemformulering: Den 1 januari 2018 infördesredovisningsstandarden IFRS 9 för finansiella instrument, vilken ersätter den tidigare kontroversiella standarden IAS 39. Den nya standarden innehåller bland annat en kreditförlustmodell som innebär att inte bara inträffade utan även förväntadek reditförluster ska redovisas, vilket skiljer sig från den tidigare kreditförlustmodellen där endast konstaterade förluster redovisades. Banker ansågs vara den typ av företagsom skulle komma att bli särskilt påverkade av den nya kreditförlustmodellen som IFRS 9 innebär. Bortsett från redovisningsstandarder har banker även Baselregelverket att förhålla sig till. Enligt Basel III, det nuvarande regelverket, finns det ett krav på att banker ska ha en kärnprimärkapitalrelation på minst 4,5 %. Kärnprimärkapitalrelationen kan komma att påverkas negativt om avsättningarna ökar, vilket kan bli en följd av IFRS 9. Syfte: Syftet med denna studie är att undersöka hur noterade banker inom Europeiska unionen påverkats av den nya IFRS 9 standarden. Med hjälp av två underfrågor till forskningsfrågan kommer bankers kärnprimärkapitalrelation och kreditförlustreserver att studeras. Forskningsmetod: Två hypoteser har formulerats för att besvara studiens syfte. Studien har utgått från en kvantitativ metod och en deduktiv ansats har tillämpats. Studiens population utgörs av noterade banker inom EU som därefter selekterats genom ett systematiskt urval. Data består av information hämtad från bankernas årsredovisningar från åren 2017 och 2018. Resultat och slutsats: Resultatet visade att båda hypoteserna kunde förkastas. Kreditförlusterna hade inte ökat signifikant och kärnprimärkapitalrelationen hade inte minskat signifikant

Redovisning av finansiella instrument har varit omtalat de senaste åren, framför allt gällandebanker. Mellan år 2017 och 2018 skedde en övergång mellan två standarder, från IAS 39 tillIFRS 9. Anledningen till den nya standarden IFRS 9 var, dels att IAS 39 blev hårt kritiserad,och dels på grund av dess komplexitet. Kritiken gentemot IAS 39 blev som mest omtalad efterfinanskrisen 2007–2009, speciellt avseende sättet som kreditförluster redovisades. Bland destörsta skillnaderna mellan standarderna var en ny modell för redovisning av kreditförluster iIFRS 9, antalet värderingskategorier minskade samt att upplysningskraven utökades.Ytterligare en förändring var att IFRS 9 är en principbaserad standard, till skillnad från IAS 39som är regelbaserad. Detta kan leda till problematik gällande både subjektiva bedömningar ochharmonisering.Syftet med studien var att undersöka de övergångseffekter som uppstod för banker vidövergången till IFRS 9. Genom en kvalitativ dokumentstudie har tolv banker studerats,uppdelade i tre olika bankkategorier, där vi genom resultatet ämnat att finna eventuella mönster,likheter eller skillnader i bankernas övergångseffekter. Med utgångspunkt i årsredovisningarnafrån 2017 och 2018 från respektive bank, har fokus varit på hur redovisningen av kreditförlusterpåverkade de finansiella rapporterna vid övergången.Av resultatet framgår att alla banker i studien påverkades av övergången från IAS 39 till IFRS9. Det uppstod däremot inga tydliga mönster för hur bankerna påverkades, varken mellan deenskilda bankerna eller mellan bankkategorierna, då effekterna kraftigt skiljer sig. Något somframgår är att i genomsnitt ökade kreditförluster, kreditreserveringar och kreditförlustnivån,samt att eget kapital minskade. Studiens resultat indikerar att bakomliggande faktorer kan liggatill grund för den stora variationen av påverkan på bankerna. Faktorer som subjektivabedömningar, affärsmodell och verksamhet. De striktare kraven för upplysningar iårsredovisningarna skulle bidra till ökad transparens och således öka jämförbarheten. Det visarsig dock i studien att det brister i harmoniseringen och därför försvårades jämförbarheten.Vår slutsats är att införandet av IFRS 9 och framför allt dess förändrade regler gällandekreditförlustreserveringar påverkade bankerna. Även att variationen av verksamhet,affärsmodell och subjektiva bedömningar kan ha stor påverkan på redovisningen. Samtligabanker påverkades men förändringen var varierande. Det finns tendens till att storbankerna ochsparbankerna hade liknande övergångseffekter. Det framkom dock inga tydliga mönster förnågon av bankkategorierna. Utifrån dessa faktorer kan det krävas fler riktlinjer för att begränsade tolkningarna som uppstår. Allt för att jämförbarheten ska öka för de finansiella instrumentenmellan olika banker. / Redovisning av finansiella instrument har varit omtalat de senaste åren, framför allt gällandebanker. Mellan år 2017 och 2018 skedde en övergång mellan två standarder, från IAS 39 tillIFRS 9. Anledningen till den nya standarden IFRS 9 var, dels att IAS 39 blev hårt kritiserad, och dels på grund av dess komplexitet. Kritiken gentemot IAS 39 blev som mest omtalad efterfinanskrisen 2007–2009, speciellt avseende sättet som kreditförluster redovisades. Bland destörsta skillnaderna mellan standarderna var en ny modell för redovisning av kreditförluster iIFRS 9, antalet värderingskategorier minskade samt att upplysningskraven utökades. Ytterligare en förändring var att IFRS 9 är en principbaserad standard, till skillnad från IAS 39som är regelbaserad. Detta kan leda till problematik gällande både subjektiva bedömningar och harmonisering.  Syftet med studien var att undersöka de övergångseffekter som uppstod för banker vid övergången till IFRS 9. Genom en kvalitativ dokumentstudie har tolv banker studerats, uppdelade i tre olika bankkategorier, där vi genom resultatet ämnat att finna eventuella mönster, likheter eller skillnader i bankernas övergångseffekter. Med utgångspunkt i årsredovisningarna från 2017 och 2018 från respektive bank, har fokus varit på hur redovisningen av kreditförluster påverkade de finansiella rapporterna vid övergången.  Av resultatet framgår att alla banker i studien påverkades av övergången från IAS 39 till IFRS 9. Det uppstod däremot inga tydliga mönster för hur bankerna påverkades, varken mellan de enskilda bankerna eller mellan bankkategorierna, då effekterna kraftigt skiljer sig. Något som framgår är att i genomsnitt ökade kreditförluster, kreditreserveringar och kreditförlustnivån, samt att eget kapital minskade. Studiens resultat indikerar att bakomliggande faktorer kan ligga till grund för den stora variationen av påverkan på bankerna. Faktorer som subjektiva bedömningar, affärsmodell och verksamhet. De striktare kraven för upplysningar i årsredovisningarna skulle bidra till ökad transparens och således öka jämförbarheten. Det visar sig dock i studien att det brister i harmoniseringen och därför försvårades jämförbarheten.  Vår slutsats är att införandet av IFRS 9 och framför allt dess förändrade regler gällande kreditförlustreserveringar påverkade bankerna. Även att variationen av verksamhet, affärsmodell och subjektiva bedömningar kan ha stor påverkan på redovisningen. Samtliga banker påverkades men förändringen var varierande. Det finns tendens till att storbankerna och sparbankerna hade liknande övergångseffekter. Det framkom dock inga tydliga mönster för någon av bankkategorierna. Utifrån dessa faktorer kan det krävas fler riktlinjer för att begränsa de tolkningarna som uppstår. Allt för att jämförbarheten ska öka för de finansiella instrumenten mellan olika banker.

In this master thesis, the impact of forward-looking macroeconomic information under IFRS 9 is studied using fictional data from a Swedish mortgage loan portfolio. The study employs a time series analysis approach and employs vector autoregression models to model expected credit loss parameters with multiple incorporated macroeconomic parameters. The models are analyzed using impulse response functions to study the impact of macroeconomic shocks and the results show that the unemployment rate, USD/SEK exchange rate and 3-month interest rates have a significant impact on expected credit losses. / I detta examensarbete studeras effekterna av framåtblickande makroekonomisk information enligt IFRS 9 med fiktiv data baserad på en svensk bolåneportfölj. Studien använder sig av tidsserieanalys och vektorautoregressionsmodeller för att modellera förväntade kreditförlust-parametrar med flera inkorporerade makroekonomiska parametrar. Modellerna analyseras med hjälp av impulsresponsfunktioner för att studera effekterna av makroekonomiska chocker. Resultaten visar att arbetslöshet, USD/SEK växelkurs och 3-månaders räntor har en signifikant inverkan på förväntade kreditförluster.

The financial crisis of 2008 highlighted problems with the accounting standard IAS 39, with claims of high complexity, introduction of procyclicality in the financial statements and a proposed role of contributing to the financial crisis. The International Accounting Standard Board issued the predecessor, IFRS 9, which became effective on January 1st, 2018. IFRS 9 introduces a forward-looking Expected Credit Loss model, which significantly change the accounting of loss provisions. With the objective to provide high accounting quality, the International Accounting Standard Board and Financial Accounting Standard Board develop accounting standards based on the conceptual framework, consisting of qualitative characteristics. The study addresses the accounting quality of IFRS 9 through the research question; What implications does IFRS 9 have for equity analysts?  In order to capture the implications, a survey is designed, to reach out to accessible equity analysts of European banks. The results show that the Expected Credit Loss model under IFRS 9 implicate difficulties for equity analysts. Three themes of implications are identified, Time aspect, Complexity and Comparison. Although IFRS 9 provides useful information for the respondents, there are tendencies of a trade-off between relevance and faithful representation. The accounting quality of faithful representation is valued low due to high complexity and low comparability, which might be derived from that IFRS 9 is newly implemented. Despite the implications of IFRS 9, respondents find impairments, today, to be low and a non-vital part of the valuation process of the banking industry.

In recent years, the Buy Now Pay Later (BNPL) consumer credit industry associated with e-commerce has been rapidly emerging as an alternative to credit cards and traditional consumer credit products. In parallel, the regulation IFRS 9 was introduced in 2018 requiring creditors to become more proactive in forecasting their Expected Credit Losses and include the impact of macroeconomic factors. This study evaluates several methods of supervised statistical learning to model the Probability of Default (PD) for BNPL credit contracts. Furthermore, the study analyzes to what extent macroeconomic factors impact the prediction under the requirements in IFRS 9 and was carried out as a case study with the Swedish fintech firm Klarna. The results suggest that XGBoost produces the highest predictive power measured in Precision-Recall and ROC Area Under Curve, with ROC values between 0.80 and 0.91 in three modeled scenarios. Moreover, the inclusion of macroeconomic variables generally improves the Precision-Recall Area Under Curve. Real GDP growth, housing prices, and unemployment rate are frequently among the most important macroeconomic factors. The findings are in line with previous research on similar industries and contribute to the literature on PD modeling in the BNPL industry, where limited previous research was identified. / De senaste åren har Buy Now Pay Later (BNPL) snabbt vuxit fram som ett alternativ till kreditkort och traditionella kreditprodukter, i synnerhet inom e-handel. Dessutom introducerades 2018 det nya regelverket IFRS 9, vilket kräver att banker och andra kreditgivare ska bli mer framåtblickande i modelleringen av sina förväntade kreditförluster, samt ta hänsyn till effekter från makroekonomiska faktorer. I denna studie utvärderas flera metoder inom statistisk inlärning för att modellera Probability of Default (PD), sannolikheten att en kreditförlust inträffar, för BNPL-kreditkontrakt. Dessutom analyseras i vilken utsträckning makroekonomiska faktorer påverkar modellernas prediktiva förmågor enligt kraven i IFRS 9. Studien genomfördes som en fallstudie med det svenska fintechföretaget Klarna. Resultaten tyder på att XGBoost har den största prediktionsförmågan mätt i Precision-Recall och ROC Area Under Curve, med ROC-värden mellan 0.80 och 0.91 i tre scenarier. Inkludering av makroekonomiska variabler förbättrar generellt PR-Area Under Curve. Real BNP-tillväxt, bostadspriser och arbetslöshet återfinns frekvent bland de viktigaste makroekonomiska faktorerna. Resultaten är i linje med tidigare forskning inom liknande branscher och bidrar till litteraturen om att modellera PD i BNPL-branschen där begränsad tidigare forskning hittades.

The number of statistical and mathematical credit risk models that financial institutions use and manage due to international and domestic regulatory pressures in recent years has steadily increased. This thesis examines the evolution of model risk management and provides some guidance on how to effectively build and manage different bagging and boosting machine learning techniques for estimating expected credit losses. It examines the pros and cons of these machine learning models and benchmarks them against more conventional models used in practice. It also examines methods for improving their interpretability in order to gain comfort and acceptance from auditors and regulators. To the best of this author’s knowledge, there are no academic publications which review, compare, and provide effective model risk management guidance on these machine learning techniques with the purpose of estimating expected credit losses. This thesis is intended for academics, practitioners, auditors, and regulators working in the model risk management and expected credit loss forecasting space. / Dissertation / Doctor of Philosophy (PhD)