Kvantificering af kreditrisiko og kampen for at undgå kriser. David Lando. Institut for Finansiering Copenhagen Business School

Transkript

1 Kvantificering af kreditrisiko og kampen for at undgå kriser David Lando Institut for Finansiering Copenhagen Business School CFIR 7. september, 2011

2 Kvantificering af kreditrisiko Fallitrisiko er et centralt tema i enhver krise I denne krise meget stor fokus på banker og staters kreditrisiko Især bankers fallitter synes vanskelige at forudsige I kampen for at undgå kriser må indgå nøje overvågning af signaler og barometre Stærk dataforankring helt uundværlig Vi skal se et helt konkret eksempel på hvor fin information der kan være i markedet

3 Kvantificering af kreditrisiko Kreditrisiko vedrører risikoen for, at en fordring kun tilbagebetales delvist Tænk på en obligation som lover at betale 100 kroner om et år For at gøre sagen enkel risikofri rente er 0 - dvs 100 kroner om et år er det samme værd som 100 kroner nu Fallitsandsynlighed 2% I tilfælde af fallit er recovery (dividenden) 50%, dvs. obligationsejeren får 50 i stedet for 100 Et bud på prisen på obligationen kunne da være: P = 0, , = 99 I praksis er prisen endnu lavere, fordi investorer vil kompenseres for at bære risiko Prisen indeholder information om fallitsandsynlighed, recovery og investorernes risikoaversion

4 Credit Default Swaps En Credit Default Swap (CDS) er i realiteten en forsikring mod fallit af en udsteder Køber af CDS betaler en (fx) kvartårlig præmie indtil enten kontrakten udløber eller udsteder går fallit I tilfælde af fallit kan køber af CDS en levere den fallitramte obligation og modtage hovedstolen I eksemplet ovenfor ville køber af CDS altså kunne slippe af med en obligation som er 50 værd og få hovedstolen Man kan vise, at den præmie man betaler for en CDS er tæt forbundet med den ekstra rente som investor loves ved køb af obligationen CDS præmien er med andre ord en anden måde at måle de tre komponenter fallitsandsynlighed, recovery og risikoaversion Forskellen mellem de to måder at måle kreditsisiko (via CDS en og via obligationen) er the CDS-bond basis - et ekstremt interessant emne i sig selv...

5 Credit Default Swaps er et barometer CDS markeder har ofte vist sig som en tidlig indikator på at noget er galt Et typisk tegn er dels at præmierne går op - dels at præmierne på korte CDS er stiger mere end præmien på lange CDS er Kan tage et eksempel fra Island

6 Islandske banker og CDS præmier

7 CDS er og interbank exposurtes Baseret på arbejde med Rene Kallestrup og Agatha Murgoci Kan CDS markeder også se hvordan banker er eksponeret? Vi ser på Consolidated international banking statistics fra BIS (Bank for International Settlements) Disse giver os fordringer som et lands banksystem har på foreign residents ( public, banks and non-banks ) Fordringer er opdelt på lande For eksempel har vi østrigske bankers eksponering overfor ungarske statsobligationer, banker og non-banks, dvs. borgere og ikke finansielle virksomheder Denne information bruger vi til at beregne hvad vi kalder en BIS exposure matrix, dvs et vægtet CDS kreditspænd for de lande som østrigske banker er eksponerede overfor For lande med store banker bruger vi bank-cds til at måle risiko, for mindre systemer bruger vi sovereign CDS hvis tilgængelig Lad os se på eksemplerne Østrig og Irland

8 The exposure matrix: Austria s exposure

9 The exposure matrix: Austria s exposure

10 Austria dynamic exposure Red: EE non-neighbors; Green: EE neighbors; Blue: Other countries; Black: Average Bank CDS spread

11 Ireland dynamic exposure Red: United Kingdom; Blue: Other countries; Black: Average Bank CDS spread

12 To illustrative eksempler Irland og Østrig illustrerer forskellen mellem hjemlig og udenlandsk risiko Irlands banksystem er eksponeret overfor øget risiko af irske låntagere Østrigs banksystem er eksponeret overfor en forøgelse af risiko af låntagere uden for Østrig, hovedsageligt i Østeurope

13 Et andet mål for fallitsandsynlighed EDFs Moody s EDFs (Expected Default Frequency, oprindeligt indført af KMV) - et estimat for låntagers fallitssh baseret på information hentet fra aktiemarkedet Ide: Brug en model til at estimere værdien af udsteders aktiver og volatiliteten af disse fra aktiepriser Find en såkaldt distance-to-default (DD) Brug en ikke-parametrisk regression på historiske data til at finde en empirisk forbindelse mellem DD og EDF Vi har adgang til et stort datasæt af EDFer for en række lande som hjælper os med at kvantificere fallitrisiko for banker, ikke-finansielle virksomheder, real estate financials and construction

14 Bank og sovereign CDS, exposure Blue: Average Bank CDS; Red: Sovereign CDS; Green: Weighted CDS exposure. Austrian banks have large exposure through the exposure matrix whereas Irish banks have limited exposure through the exposure matrix.

15 Bank, corporate og real estate EDFs Green: Real estate 5-yr EDFs; Blueish: Bank 5-yr EDFs ; Red: Non-bank corporate 5-yr EDFs Austrian banks exposed to some increase in real estate and corporate risk, but the order of magnitude is far from that of Ireland.

16 Regressionsanalyse af CDS præmier - meget kort fortalt Venstre side: Gennemsnit af 5-yr CDS præmie for de tro største banker b-cdsavg k,t = α 0,k + α 1 (BIS Matrix) k,t + α 2(Local Variables) k,t + α 3(Global Variables) t Bruger ændringer også i lokale og globale variable (se papiret for detaljer) Vigtigste konklusion: Selv når man renser udsving i CDS præmier for lokale og globale effekter, så er der følsomhed overfor ændringer i exposure-målet Markedet holder altså også øje med kreditorsammensætningen Effekten består selvom vi også renser for globale udsving i CDS præmier

17 Itraxx Financial, Non-Financial og SovX

18 The largest bank groups

19 Konklusion Et hurtigt eksempel på information (både markedsbaseret og baseret på offetntlige statistikker) som indeholder vigtig information om risici I stedet for at skyde på budbringeren er det vigtigt at indarbejde denne information i varslingssystemerne Kan formentlig ikke undgå kriser, men kan forhåbentlig blive bedre til at dæmpe udsvingene