An important part when managing credit risk is to assess the probability of default of different counterparties. Increases and decreases in such probabil- ities are central components in the assessment, and this is where transition matrices become useful. These matrices are commonly used tools when as- sessing counterparty credit risk, and contain the probability of default, as well as the probability to migrate between different predefined rating classifica- tions. These rating classifications are used to reflect the risk taken towards different counterparties. Therefore, it is important for financial institutions to develop accurate transition matrix models to manage predicted changes in credit risk exposure. This is because counterparty creditworthiness and prob- ability of default indirectly affect expected loss and the capital requirement of held capital. This thesis will analyze how two specific models perform when used for generating transition matrices. These models will be tested to investigate their performance when predicting rating transitions, including probability of default. / En viktig del vid hanteringen av kreditrisk är att bedöma sannolikheten för fallissemang för olika motparter. Ökningar och minskningar i dessa sanno- likheter är centrala komponenter i bedömningen, och det är här migrations- matriser blir användbara. Dessa matriser är vanligt förekommande verktyg vid bedömning av kreditrisk mot olika motparter och innehåller sannolikheten för fallissemang samt sannolikheten att migrera mellan olika fördefinierade be- tygsklassificeringar. Dessa betygsklassificeringar används för att återspegla den risk som tas mot olika motparter. Det är därför viktigt för finansinstitut att utveckla träffsäkra migrationsmatris modeller för att hantera förväntade förändringar i kreditriskexponering. Detta beror på att kreditvärdigheten hos motparter samt sannolikheten för fallissemang indirekt påverkar expected loss och kapitalkrav. Detta examensarbete kommer att analysera hur två specifika modeller presterar när de används för att generera migrationsmatriser. Dessa mod- eller kommer att testas för att undersöka hur de presterar när de används för att förutsäga övergångar inom betygsklassificering, inklusive sannolikheten för fallissemang.