【文献学习】Credit Risk Modeling of Public Firms: EDF9

3. Practical Implementation of the VK / EDF Model

1. Market Value of Assets

• Definition: The market value of a firm’s assets includes the market values of common stock, convertible securities, short-term debt, and long-term debt.
• Components: Dividends, coupons, interest expenses, and convertible securities are considered to adjust the asset value.

2. Default Point

• Definition: The default point is the threshold where a firm’s liabilities exceed its assets, leading to default.
• Adjustment: For financial firms, the default point is simplified and adjusted for the cost of capital.

3. Asset Volatility

• Definition: Asset volatility measures the risk or fluctuation in the value of a firm’s assets.
• Calculation: It combines empirical volatility (based on historical data) and modeled volatility (based on firm characteristics like size, location, and industry).

The figure illustrates the process of calculating the Expected Default Frequency (EDF), which is a measure of the likelihood that a firm will default on its debt. Here’s a breakdown of the components:

1. Empirical Volatility: This is the historical volatility of the firm’s assets, calculated from past data.
2. Modeled Volatility: This is the predicted volatility based on the firm’s characteristics, such as size, industry, and location.
3. Forward Looking Asset Volatility: Combines empirical and modeled volatility to predict future asset volatility.
4. Market Asset: The current market value of the firm’s assets.
5. Liability Default Point: The threshold where the firm’s liabilities exceed its assets, leading to default.
6. Distance to Default: The difference between the market value of assets and the default point, adjusted for volatility.
7. Physical Probability: EDF: The final measure of default probability, derived from the distance to default.

3.1 Market value of assets

构成公共公司EDF模型基础的结构模型是Vasicek-Kealhofer (VK)模型。VK框架假设公司现金流有五种索赔类型：短期负债、长期负债、可转换证券、优先股和普通股。将这些不同类型的或有索赔纳入模型会改变资产价值公式和边界条件。

3.1.1 股息、债券利息和贷款利息费用

以股票股息、债券利息和贷款利息形式的现金流出会影响违约概率和债务价值。例如，考虑两家资产和债务相同的公司，但其中一家支付更高的股息。支付更高股息的公司有更高的违约概率，即使在困境中股息可能会被削减；在困境显现之前支付的更高股息会减少可用于偿还债务的现金流。VK模型将现金流出直接纳入公司资产的不同类型索赔中。

3.1.2 可转换证券

公司可能会发行可以按指定转换率转换为股权的证券。这些证券通常是优先股，但债券也可以是可转换的。通过发行这些证券，公司实际上是在出售本应属于普通股股东的一部分上升收益。

考虑两家公司：A和B。

两者拥有相同的资产和债务。公司B有未偿还的可转换证券 (convertible security outstanding)，因此完全摊薄的流通股超过了普通股流通股。在这种情况下，尽管违约概率相同，公司B的股权市场价值低于公司A。

公司B的普通股股东将一部分上升收益出售给可转换证券的持有人。这种差异反映在VK模型的一个边界条件中——当公司的资产价值变得任意大时，股权价值相对于资产价值的导数等于流通股数量与完全摊薄的流通股数量之比。可转换证券的摊薄效应降低了股权价值对资产价值的敏感性。如果忽略这种摊薄效应，在观察拥有大量可转换证券的公司的股权价值时，会低估资产的市场价值并高估违约概率。

3.1.3 当前和长期负债

在使用吸收违约屏障的结构模型中，有两种方法定义屏障。当资产价值低于屏障时，违约事件可以由债权人强迫公司违约驱动。或者，如果没有保护性契约，当股权价值降至零时，公司可以选择违约——如果资产价值低于某个阈值，股东选择停止支付债务，从而将公司的资产交给债权人。在VK模型中，屏障是外生的，即当资产价值达到违约点时，债权人将债务返还给公司。这个屏障构成了模型的第二个边界条件——当公司的资产价值等于违约点时，股权价值等于零。

3.1.4 优先股

优先股具有股权和债务的特征，模型考虑了这两个方面。VK模型可以纳入各种类型的优先股，包括可交易优先股和可转换优先股。

3.1.5 实施

Vasicek的公式在实施中面临两个挑战：对资产价值的依赖和对资产波动率的依赖。暴露于违约风险类似于做空看跌期权，因为这使得债权人面临资产跌破违约点的风险。通过求解这个方程，我们可以估算资产价值、看跌期权和对冲比率。

资产波动率也是一个必要的输入，我们将在后面的部分中讨论。在继续之前，重要的是要澄清，我们在EDF9中没有改变看跌期权方程。然而，由于资产波动率等输入通常会发生变化，因此在特定时间点对特定名称的资产价值通常与EDF8相比有所不同。

3.2 违约点

EDF9中的新变化：对于所有公司，我们引入了资本成本调整到违约点。此外，我们重新制定了金融公司的默认点。

长期以来，定义默认点的做法是“当前负债 + ½长期负债”。这个公式源自KMV研究，并在学术文献中被采用。作为EDF9研究的一部分，我们重新评估了该公式与许多替代方案。我们发现，对于非金融公司，其他方法并不比长期采用的方法更好。然而，对于金融公司，我们对违约点计算进行了更改，这将在下一节讨论。

在不同利率环境下观察模型行为时，我们还对所有业务类型的默认点添加了资本成本调整。在高利率环境中，公司业务伙伴不太愿意滚动信用并允许未付账单的积累，相比之下，在低利率环境中则相反。由于在高利率经济中，营运资金消耗更快，获得信贷变得昂贵，所有其他条件相同，默认率预计会更高。控制所有其他信用风险因素后，我们确实发现未调整的默认点在20世纪80年代和90年代低估了信用风险，而在最近的低利率时期则高估了信用风险。通过使用1+r调整默认点，我们发现不同利率环境下的EDF测量值有所改善。由于2014年和2015年期间利率相对较低，如果未来利率上升，所有其他条件相同，模型应估计更高的EDF测量值。

3.2.1 金融公司

将默认点估计为金融公司的当前负债加上长期负债的一半是有问题的，因为金融公司通常不会在其资产负债表上单独报告当前负债。

虽然金融公司的资产负债表列出了长期债务，但识别剩余资产负债表的期限结构并不那么简单。对于公共EDF模型，我们开发了一种方法，用于估计剩余负债的长期部分，使用公司的规模以及行业级别的信息。然而，在EDF8及更早版本的模型中，我们还面临另一个挑战——当时公开交易的金融公司中缺乏违约事件。这一问题进一步复杂了此类公司的默认点建模。

在最近的金融危机之后，我们拥有了大量的金融公司违约数据，这有助于我们更好地了解它们的信用风险和违约动态。

确认非金融公司的长期负债对当前负债施加了一半的负担后，我们假设长期债务在金融公司的默认点中也起着不同的作用。我们进一步将存款与其他负债分开。换句话说，我们将金融公司的总负债分为三部分：长期债务、存款和其他负债。在寻找不同负债类型的差异影响时，我们对数据进行了实证评估。我们评估了模型在各种不同默认点定义下的表现。我们未能找到这些三种负债成分之间的一致且统计上有意义的差异。

我们的发现可以归因于金融公司资产负债表上工具的复杂性。正是这种复杂性使得大多数会计师难以识别和分离当前负债与长期负债的区别，可能会影响资产负债表的信息性。此外，相对于非金融公司，金融公司可以更灵活地重组其负债并改变其期限。自然，这些可能性使得金融资产负债表更加不透明，其信用风险更难以衡量。

基于我们的实证发现，我们将默认点设定为总调整负债的百分比。我们将该百分比校准为75%。提到的对总负债的调整不包括少数股东权益和递延税款，因为它们不是信用风险的来源。

这种默认点定义的一个附带好处是，相对于EDF8，金融公司的EDF测量值更加稳定。在EDF8中，金融公司的默认点取决于长期债务，但有时，这个值在季度和年度报表之间会有显著变化。随后，这种变化在EDF8中引入了金融公司默认点的虚假变化，但对EDF9的默认点没有任何影响。

3.2.2 表外项目 Off-Balance Sheet Items

默认点反映了资产负债表上的当前和总负债。一个常见的担忧是表外项目对EDF测量值的影响。然而，EDF测量值对表外项目的敏感性较低，因为模型在估算波动率时进行了补偿。

对于有表外项目作为信用风险来源的公司，总负债被低估了。随后，资产价值和违约点也被低估了。以银行B为例，其股权价值为650亿美元，总负债为1万亿美元。

我们估算资产波动率约为3%，资产价值为10050亿美元。资产价值与总负债价值之间的50亿美元差额告诉我们，估算的违约风险溢价为600亿美元。 假设10%的负债是表外项目，未反映在1万亿美元的价值中。这意味着我们低估了约10%的默认点，而不是7500亿美元，它应该是8250亿美元。一方面，根据资产负债表原则，资产价值应增加750亿美元。另一方面，这种杠杆增加将违约风险溢价从600亿美元提高到约670亿美元，因为更高的杠杆意味着更高的违约风险。

总的来说，资产价值增加了约9%，而默认点增加了约10%。因此，我们的杠杆测量值（资产价值除以默认点）减少了1%，将DD减少了约1%。 但这一结果也影响了我们对资产风险的估计。如果真实总负债为1.1万亿美元，真实杠杆率相差1%，这意味着我们用错误的比率去杠杆化股权回报。现在，如果我们用这些修正后的杠杆比率重新计算资产波动率（在第7节中进一步讨论），而不是3%，我们发现资产波动率约为2.97%。 由于资产价值/默认点是DD分子的主要驱动因素，而分母是资产波动率，分子减少1%被分母减少1%所抵消，使得比率大致保持不变。我们始终观察到，这些力量相互抵消，使得模型产生的违约概率反映了债务人的信用风险，就像所有风险来源都已在资产负债表上报告一样，只要它们不构成负债的主要部分。

总的来说，只要市场认识到表外项目的存在并在将资产回报杠杆化为股权回报时反映出来，模型通过资产波动率和杠杆的相互作用在其计算的EDF测量值中反映了它们的风险。这种抵消效应展示了资产波动率估算过程的重要作用。

3.3 资产波动率 Asset Volatility

资产波动率在模型中有两个用途：一个是构建DD，另一个是计算看跌期权。然而，测量资产波动率引入了多个挑战。与市值不同，股权波动率和资产波动率都不可观察。这些统计数据只能在一个回报窗口内计算，这随后引入了两个挑战：一个是新公司，因为没有足够的历史数据，另一个是这种测量的回溯特性。 我们在三年的窗口内测量资产波动率，使用每周频率的156个观察值。除了经验测量资产波动率外，我们还对其进行建模，以考虑没有足够历史数据的新公司。对于每个公司，建模波动率是具有类似特征的典型公司的资产波动率。我们发现三个特征对资产风险有信息性：规模、位置和业务类型。通过对经验波动率和建模波动率进行加权平均，我们补偿了任何一个公司有限历史资产回报的抽样变异性。 公共EDF模型预测下一年的违约概率，因此需要下一年的资产波动率，这是不可用的。即使有完整的观察窗口，当前的资产波动率也不可观察，但我们有过去三年的资产波动率。建模波动率校准为经验波动率，因此不会改变其时间特征。观察到国家级和行业级的总资产风险的周期性行为后，我们调整估算的资产波动率，使其对未来更为谨慎。

3.3.1 经验波动率 Empirical Volatility

EDF9 的新变化：我们使用全球三年期的每周回报率来计算经验波动率，而 EDF8 在某些地区使用的是五年期的每月回报率。

计算资产波动率的过程始于将股权回报率去杠杆化以估算资产回报率。然后，我们使用最近三年的资产回报率进行估算。

在本节中，我们解释了如何估算资产回报率，如何处理流动性不足的问题，以及公司事件如何影响估算。

资产的市场价值等于股权的市场价值加上负债的市场价值。为了计算资产回报率，我们必须考虑股价和负债价格的变化如何影响资产的市场价值。在控制了流通股数量后，随着股价上涨，资产的市场价值增加。随着利率上升，负债的市场价值下降，影响随着债务期限的增加而增加。长期债务的回报率通过麦考利久期的概念进行一阶近似估算。然后，我们将资产回报率计算为去杠杆化的股权回报率与长期债务回报率乘以长期债务与资产价值比率之和。

与早期版本的Public EDF模型一致，我们采用迭代过程。该过程从资产波动率的猜测开始，随后计算资产价值和对冲比率。对冲比率是资产价值计算过程的副产品。在计算了一系列资产回报率后，我们使用它来更新资产波动率估算。如果结果波动率与初始波动率收敛，我们认为资产回报率是最终的，否则，我们迭代，将新波动率作为起始值。

迭代方法优于一些学术和商业结构模型实现中发现的“两方程两未知数”解法。由于股权波动率不能瞬时测量，并且依赖于一个窗口，去杠杆化股权波动率隐含的假设是杠杆比率和对冲比率在整个窗口内是恒定的。由于股权波动率随着公司市值的变化而变化，这一假设在实践中并不成立。

如果公司的股票流动性不足以每周回报率计算，在其流动性不足期间，模型会使用每月频率的数据。为了补偿由于观察次数较少而导致的抽样变异性，我们扩展了三年窗口。在极端情况下，如果公司只有每月回报率可用，我们使用五年窗口。

重大公司事件如并购引入了另一个挑战。如果此类活动即将发生或已经发生但尚未反映在新的财务报表中，模型不会意识到它们，而市场参与者在决定以现行价格买卖时会考虑新的资本结构。因此，市场价格和股权回报率反映了这些信息。当市场知道当前财务报表已过时时，我们的去杠杆化过程会导致资产回报率在总负债过小时（例如发生并购活动时）过于波动，而在总负债过大时（例如在分拆情况下）低估波动率。为了解决这个问题，模型有一个事件调整机制，可以追溯调整事件期间的资产回报率，以正确估算资产波动率。虽然事件前的资产回报率仍然有些相关，但与事件后的资产风险相比，其相关性较低。因此，我们降低了事件前资产回报率的权重。在计算波动率时，我们使用事件的规模来确定事件前观察值的权重。

为了进一步改进我们的资产波动率估算，模型有一个识别和修正异常值的机制。异常资产回报率可能由于多种原因存在，但在估算资产风险时并不有用，特别是考虑到模型对下一年风险的需求。这种对异常值的修正减少了波动率和因此EDF度量的虚假变化。

3.3.2 模型波动率

EDF9中的新变化：我们增加了对业务位置和业务类型的建模粒度。

通常，模型波动率用于补偿抽样误差。新公司没有任何用于经验测量的股权回报率。因此，模型100%依赖于模型波动率。随着时间的推移，随着越来越多的观察数据可用，模型会不断调整，以更多地依赖经验波动率。在极端情况下，当有156个观察值时，模型波动率的作用减少到约20%，但从不为0%。就像贝叶斯先验用于改进统计量的估计一样，即使对于拥有完整156个观察值的公司，模型也会对模型波动率赋予一定权重。毕竟，即使是156个观察值的样本也包含抽样误差。

模型波动率由三个加性成分组成，因为我们发现有三个因素在解释资产波动率方面有效：规模、位置和业务类型。

由于较大的公司拥有更多样化的资产，它们的整体资产风险往往较低。查看各种子集，我们发现资产账面价值以及销售额是两个很好的规模指标，但它们在确定资产波动率方面的重要性在各行业之间有所不同。对于每个行业和跨越多个十年的大量数据，我们校准了资产波动率与公司规模之间的非线性关系。

每个月，在使用至少大约两年股权回报率可用的子集计算经验波动率后，我们从经验波动率中减去规模隐含的资产波动率，并对残差进行国家虚拟变量和行业权重的横截面回归。随着时间的推移，这些月度回归的系数可用于构建时间序列，捕捉每个国家-行业对的系统性资产风险。可以将这些视为波动率固定效应。

在计算波动率固定效应并在计算模型波动率之前，我们必须考虑特定国家的小样本问题。截至目前，所有68个国家组都已充分填充，但在过去五十年中的某些时候，大多数国家都有数据稀疏的时期。在这种情况下，我们应用贝叶斯调整。我们使用五个区域，对于任何少于35个观察值的国家，在确定其区域和该区域内超过35个观察值的所有国家的固定效应后，我们将这些固定效应的平均值作为贝叶斯先验，并相应地调整该国家的固定效应。对于没有至少两年股权回报率的公司可用的国家，使用区域级平均固定效应，直到这些公司可用为止。

如上所述，我们使用两个步骤计算模型波动率。我们使用回归在考虑规模效应后估计国家和行业固定效应。第二步捕捉系统性资产风险，这是周期性的。通过横截面运行回归并每月更新固定效应，我们可以衡量系统性资产风险的状态。

模型波动率还具有另一个目的——促进前瞻性调整。我们将在下一节详细说明这一点。

3.3.3 前瞻性资产波动性

EDF9的新特性: 前瞻性资产波动性调整是一个新的增强功能。

EDF9引入了一个全新的特性——前瞻性波动性。当某个地区或行业的整体资产风险远高于或低于其长期水平时，我们发现它会在之后回归均值。由于DD（违约距离）需要未来的资产风险，而任何直接的资产波动性测量都是向后看的，因此我们开发了一种前瞻性调整，使信用风险的测量更加准确且稳定。我们通过观察一个国家和行业内短期和长期资产风险之间的差距来建模所需的调整。

最后，我们必须校准参数 ( p )。常数 ( p ) 对最终的 EDF 度量有两种影响。首先，它改变了 DD 的排序顺序，其次，它通过降低信用周期的振幅，对 EDF 度量的时间序列产生轻微影响。我们发现，虽然不强烈识别，但 ( p ) 最适合校准为50%。随后，这种校准导致 EDF 周期振幅的轻微减少。特别是，在所有不同的时间段中，我们发现相对于 EDF8，EDF9 的总体 EDF 在金融危机前的2007年最高。这一发现主要是由于这种调整，尽管这不是前瞻性调整的唯一结果。

实际上，将波动率调整为更相关的未来提高了模型的早期预警能力。换句话说，高风险公司的 EDF 值开始较早上升，因此在违约前很早就将自己与非违约者区分开来。

4. 将违约距离映射到EDF度量

本节解释了EDF9模型如何将违约距离（DD）转换为概率，这是一个关键输出。由于这种转换是模型最重要的校准，在接下来的小节中，我们将涵盖DD的理论基础、概念基础和实施考虑。通过EDF9，我们更新了校准，纳入了最近信用周期的数据。此外，我们引入了新的金融公司特定映射。最后，我们将非金融公司的EDF上限提高到50%，并讨论这些变化的原因。

4.1 概念

违约距离概念提供了违约风险的序数度量。从理论上讲，这个概念可以解释为标准差，因此可以推断出概率。如果基础随机过程具有高斯分布，那么我们可以估计一年的EDF度量为：

EDF=Φ(−DD)

在实践中，我们通过经验将DD转换为物理概率空间，使用单调函数M()来获得更准确的结果。

EDF=M(DD) 我们称结果为EDF信用度量。

在上述公式中，严格来说，−DD是资产当前的违约距离。该距离预计在明年变为 DD 。当我们说DD时，我们指的是这个预计值。这个预计值存在不确定性。这种不确定性是由于影响公司的系统性和特异性经济冲击。理论上，这种不确定性的累积分布函数是标准正态分布。

DD到EDF的映射M()是我们对这些经济冲击分布的校准，可能是模型的主要校准。

4.2 校准

在评估模型时，一个重要的问题是校准是否与未来的“我的”投资组合相关。这个问题有两个方面：一个是横截面的，一个是时间的。“我的投资组合”是所有公司的某个横截面。从时间上看，校准将在未来使用，而它是根据历史数据估计的。

一个投资组合可以通过其地理广度以及其涵盖的业务类型来表征。例如，一个投资组合可能集中在东南亚的公司，而另一个可能集中在西欧和南非的公司。至于业务类型，一个投资组合可能只有非金融公司，而另一个可能集中在银行。此外，投资组合中的个别名称也存在特异性风险。M()是否与不同的横截面相关？

答案在于M()的概念角色。公共公司模型产生概率，但只有一个因素。因此，校准只涉及估计冲击的分布。更具体地说，我们校准模型以参数化违约风险的意外成分，而DD中的因素捕捉到预期和可测量的成分。预期的成分已经成为预期的，因为冲击已经实现或政策已经制定，因此是可观察的。

例如，在1997年东南亚经济问题爆发后，投资者预期风险增加，反映在较低的股市估值中。这些估值降低了DD中的一个因素A。但是在1996年，东南亚问题并未预期到，就像在2008年初，大衰退并未预期到一样。

一方面，拥有集中投资组合的银行将拥有导致资产波动率估计较高的风险资产，这反过来通过0A反映在DD中。另一方面，当需要现金的公司利用其信用额度时，我们可以观察到其增加的负债，通过违约点反映出来。在任何情况下，DD捕捉到可观察的风险，而M()反映未来冲击的风险。

我们可能预期，当能源价格意外下跌时，石油和天然气勘探公司会经历信用风险上升。我们可能预期，这些公司的未来盈利潜力会随着能源价格的下降而下降。只要市场预期未来盈利下降，这些公司的市值就会下降，从而导致DD下降。M()的校准反过来捕捉到资产价值在未来下降的可能性，足以导致违约。

意外冲击不一定是系统性的，也可能影响个别名称。例如，当宣布诉讼时，特定公司的EDF值可能会跳升，导致股价下跌。我们可以将M()的校准解释为系统性和特异性信用风险冲击分布的参数化。换句话说，M()捕捉到不同冲击的幅度及其发生的频率。由于冲击不受地理或商业模式的限制，我们评估校准在不同的宏观经济环境中是相关的。

为了使校准在未来使用中相关，我们认为最好校准到更长的历史。

如果我们只校准到一个信用周期，我们会看到许多特异性公司级别的冲击，而只有有限数量的总体冲击。随着我们包括更多的历史，我们将更多的系统性冲击纳入校准，这提供了比使用相对较短窗口的模型更稳健的校准。通过扩展，如果包括某个信用周期，重要的是全面覆盖它，因为部分包含可能会扭曲观察到的冲击分布。

公司的DD旨在控制股市预期的公司未来盈利潜力。此外，DD反映了公司的业务实践、公司所在的行业和国家以及当前的经济状况。DD无法控制的是意外的经济冲击——包括总体和特异性。DD到EDF的映射旨在捕捉这些意外事件的幅度和可能性。我们认为，更大的校准样本使DD到EDF更加稳健。

4.3 实施

EDF9的新变化：我们通过添加最近的信用周期更新了DD到EDF的校准。

构建DD到EDF映射的过程涉及确定在信用风险水平下实现违约的频率。图4显示了50个不同信用风险水平的EDF信用度量和观察到的违约频率（ODF），这些水平是通过将25年评级的非金融公司观察值分组为等大小的桶来确定的。图4的蓝线可以被认为是DD到EDF的映射，如果DD被离散化为50个水平。橙色点表示每个桶内的违约百分比，就像二项式参数的估计器一样，其标准误差部分取决于标记的观察值数量。因此，与左端相比，我们在光谱的右端看到更多的抽样变异性。

蓝线是一个具有足够自由度的灵活函数形式，可以通过橙色点进行拟合。参数估计，使得映射函数在各种不同的子集上表现良好。

在信用风险光谱的任何一点上，映射函数旨在估计与长期违约实现一致的违约概率。

4.4 定义违约

如果公司在到期日未能支付债务义务，我们认为该公司违约。我们将事件记录为未付款的日期，不考虑贷方给予的宽限期。相对于巴塞尔II将90天逾期视为违约的定义，这一定义更为保守。当贷方在公司资金有限和利润有限的情况下延长债务到期日时，如果我们发现这是为了防止破产或违约，我们将其视为违约。困境交换也被视为违约，其中债务被交换为股权，并且发生了优先权的丧失或本金或利息金额的减少。此外，代表上市母公司一半以上销售或资产的全资子公司的违约被视为母公司的违约。最后，我们还跟踪破产和清算。

对于金融公司，我们将政府救助视为一种违约类型。我们寻找迹象表明，如果没有获得支持，公司是否会违约。许多银行因各种原因获得政府资金。只有在我们判断资金是为了避免银行违约而提供的情况下，我们才将其视为救助。

4.5 金融公司

EDF9的新变化：我们引入了金融公司特定的DD到EDF校准。

在第3.2.1节中，我们讨论了我们的方法如何导致金融公司违约点定义的不同。这里，我们讨论DD到EDF度量映射的影响。

金融公司的财务报表本质上比非金融公司更不透明。这种不透明性影响了DD的信息内容，随后影响了其条件分布。为了DD到EDF度量映射的目的，这种差异意味着不应使用包括非金融公司的校准样本。如果我们保留图4中DD和EDF度量之间的关系，但将样本更改为金融公司，我们得到图5。

图5的意义在于，尽管过去公开交易的金融公司存在违约案例，但在北美和欧洲的双重金融危机之前，没有足够的观察值来识别图5中橙色点所示的关系。

第二个意义是隐含的斜率。由于金融公司报表的不透明性降低了市场信号的信噪比，EDF度量对市场变化的敏感性必须低于非金融公司。违约数据证实，将金融公司的DD从30桶移动到25桶所需的EDF度量增加小于非金融公司。

5. 评估公共公司EDF模型的表现

本节介绍了评估信用风险模型表现的多种指标，并分享了一些结果。以下是重点内容：

• 排序能力：使用准确率（AR）衡量模型在区分违约和非违约公司方面的能力。AR值在-100%到100%之间，100%表示完美模型，0%表示随机模型。EDF模型在全球评级公司数据集上的AR为83%。

• 准确率的标准误差：强调理解准确率分布的重要性。通过构建随机子集并计算每个子集的AR，可以确定模型的统计显著性。

• 不同时间范围的准确率：研究模型在不同时间范围内的预警能力。通常，预测违约的时间越短，模型的准确率越高。

• EDF水平的时间特性：比较EDF值与观察到的违约频率（ODF）。EDF模型在多个时间段内领先于实际违约事件，显示出较强的预警能力。

这些内容展示了EDF模型在信用风险评估中的有效性和可靠性。

6. 结论

每天，在市场收盘后，穆迪分析的公共公司EDF模型会处理全球约35,000家公司的信用风险，生成一种名为EDF信用度量的违约概率。总体而言，该度量由每家公司的违约距离（DD）和将DD转换为预期违约频率（EDF）组成。

• 违约距离（DD）：基于违约与经济驱动因素之间的因果关系，可以直观地理解为市场杠杆的风险调整度量。风险调整考虑了商业模式及其对未来现金流风险的影响。市场杠杆是资产市场价值（反映未来现金流的净现值）与违约点的比率。
• DD到EDF的转换：这种转换确保在所有信用风险水平上，EDF度量与长期违约的实际发生情况一致。该转换基于全球公司集进行校准，涵盖多个信用周期，并适用于不同的宏观经济环境。

第九代公共公司EDF模型延续了KMV在结构性信用风险建模领域的路径。新版本继续作为基于期权定价的结构化模型，使用与前代相同的公式计算期权，即无风险负债价值与有风险负债价值之间的差额。主要模型驱动因素仍然是资产价值、违约点和资产波动率。

我们改进了驱动因素的估计，并更新了校准。这些变化结合了最近信用周期的经验以及全球上市公司数量的增加。

• 金融公司：大衰退加深了我们对金融公司的理解。金融公司具有特殊的商业模式和信用风险含义。借助更多数据，我们将这种直觉融入模型实施中。改进后的违约点公式更简洁透明，具有更高的稳定性，导致金融公司层面的EDF度量更直观。DD到EDF的映射也得到了改进，金融公司特定的映射使EDF水平更为谨慎，并对观察到的事件作出更为审慎的变化。
• 资产风险：资产风险的度量也得到了多方面的改进。受益于全球股市的扩展，我们现在以更细化的水平建模资产波动率。每家公司的资产波动率使用其去杠杆化的股权回报单独计算，并通过我们的模型资产波动率进行调整。位置是建模资产风险的三个因素之一，EDF9在国家层面定义位置。资产风险现在调整得更符合下一年的相关性，结果是更具时效性的度量，同时在总体水平上更稳定。最后，我们现在可以在全球范围内使用三年窗口的每周回报计算资产回报，而EDF8在北美以外使用五年窗口的每月回报。

总体而言，最显著的改进是我们更好地处理金融公司。由于EDF度量现在校准到金融机构的实际失败，基于包括大衰退时期的数据，我们对这些公司的独立风险有了更准确的度量。相对于EDF8，EDF9的信用度量对金融公司更稳定。EDF9度量为金融机构的评级提供了及时的替代视角。

对于非金融公司，EDF度量继续作为一种有价值的早期预警风险工具，结合了公司及其运营环境的最新信息。