学位论文 > 优秀研究生学位论文题录展示

公司债隐含回收率的提取方法

作　者: 柯聪伟
导　师: 郑振龙
学　校: 厦门大学
专　业: 金融工程
关键词: 公司债回收率条件违约概率 RFV模型 RT模型 RMV模型
分类号: F224
类　型: 硕士论文
年　份: 2014年
下　载: 3次
引　用: 0次
阅　读: 论文下载

内容摘要

回收率(Recovery Rate)和条件违约概率(Hazard Rate)是分析公司债信用风险的两个重要指标,虽然可以在信用事件发生后统计出来,但从市场价格中提取出的信息更具有意义。目前,公司债的定价模型根据回收额的不同定义方法可以分为三种：RFV模型、RT模型和RMV模型,其中RFV模型和RT模型可以分离提取回收率和条件违约概率的信息,但RMV模型无法实现。本文的主要贡献就是找出了回收率和条件违约概率的函数关系,并且利用这个函数关系分离提取RMV模型中回收率和条件违约概率各自的信息。早期的学者只能用数值方法求解RFV模型和RT模型中的公司债价值,直到Bakshi和Madan(2000)用特征函数(Characteristic Function)的方法,求解出公司债在RFV模型和RT模型下的解析解形式,这不仅方便了定价,还可以用来校准出模型中的变量信息,包括回收率和条件违约概率。不幸的是,Bakshi和Madan也没有解决RMV模型在提取信用风险信息方面的不足：回收率和条件违约概率只能作为一个整体项进行信息提取,而无法得知它们分别的值。Duffie和Singleton(1999)曾提出一些可能的解决方法,其中之一就是挖掘回收率和条件违约概率之间的隐含函数关系。受此启发,本文以改进的结构化违约模型(Structural Model)为基础对公司价值进行建模,通过公式的推导和Monte Carlo模拟的验证发现,无论公司价值运动过程中是否包含跳跃项,回收率和条件违约概率都存在稳定的函数关系。利用这个函数关系,我们可以很好地解决回收率和条件违约概率无法分离提取的难题。RMV模型的难题解决后,三个模型都可以用来信息提取,那么应该选择哪个模型呢?本文从多个方面：理论基础、样本内校准精度、样本外预测误差和运算效率比较了三个模型,发现RFV模型和RT模型样本内校准精度更高,但是RMV模型运算速度最快,而且样本外预测误差最小。

公司债隐含回收率的提取方法

内容摘要

全文目录

相似论文