cdo と相関とネットワーク · 2014. 4. 11. · 問題 •...
TRANSCRIPT
CDOと相関とネットワーク
S&PMasato Hisakado久門 正人
CDO(Collaterralized Debt Obligation)
債権
債権
債権
債権
債権
特別目的
会社SPC
シニア債低リスク部分
メザニン債中リスク部分
エクイティ劣後債高リスク部分
担保資産ポートフォリオ
優先劣後構造
優先劣後構造
シニア
メザニン
劣後
劣後で吸収メザニンまで損失シニアは無事。
デフォルト数
デフォルトの分布を計算する必要がある。
相関による分布密度関数(Factor modelを使用)
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
1% 6% 11%
16%
21%
26%
31%
36%
41%
46%
51%
56%
61%
66%
71%
76%
81%
86%
91%
96%
PD20%
テールの厚み
ピークの移動
第2のピーク
0%損失の上昇
相関を増やすと分布の形状は変わる相関はそれほど変動しないと考える。
Modelによる違い。ただしρは同じ
分散は等しい
Ising model
Beta Binomial
Isingの第2のピーク
正規分布(参考)
モデルによる違い。テール部分
テール部分に若干差が。高次の相関が高いためテールが厚くなる。
BBD vs コピュラ 分布形状 PD=0.05
0.000001
0.00001
0.0001
0.001
0.01
0.1
1
1 2 3 4 5 6 7 8 9 10 11
Copula
BBD
0.0001
0.001
0.01
0.1
1
1 2 3 4 5 6 7 8 9 10 11
Copula
BBD
0.001
0.01
0.1
1
1 2 3 4 5 6 7 8 9 10 11
Copula
BBD
相関0.1 0.5
0.9
BBD vs コピュラ 分布形状 PD=0.5
0.001
0.01
0.1
1
1 2 3 4 5 6 7 8 9 10 11
Copula
BBD
0.01
0.1
1
1 2 3 4 5 6 7 8 9 10 11
Copula
BBD
0.01
0.1
1
1 2 3 4 5 6 7 8 9 10 11
Copula
BBD
相関0.1 0.5
0.9
一様分布
BBD vs コピュラ 相関 PD=0.5
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
1 2 3 4 5 6 7 8 9
Copula
BBD
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
1 2 3 4 5 6 7 8 9
Copula
BBD
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
1 2 3 4 5 6 7 8 9
Copula
BBD
相関0.1 0.5
0.9
BBD vs コピュラ
☆β分布とコピュラによる分布はきわめて似ている。
☆ノーマル以外のコピュラはテールが若干厚くなるようになっている。
Implied Default Distribution
Implied Distribution and default Distribution of popular
Models
どのParametricな分布とも似ていない。
Index in US and UK
Implied Distribution and Correlation Structure 1
ピークが立つ。概ね似た形状。
問題
• 同じパラメータ設定でも分布はかなり異なる。→β分布~コピュラ vs Ising
• 様々なコピュラモデルが考えられている。ではこのようなモデルで相関を適切に設定すれば、システミックなテール・リスクは捉えられるだろうか?→コピュラの違いはテールの厚みが多少違う。
Β分布とコピュラ・モデルの違いはどこからくるのか?
また実際のデフォルト現象でIsingのような分布になることはあるのか?→デフォルトの連鎖が止まらないという現象。
マルコフ連鎖相関=周辺からの影響
-独立ーハーダー:周辺からの影響を受ける
独立 独立
ハーダの中に独立がドープされる。
D ND
模倣者appearance with p
R
D ND
独立appearance with (1-p)
1-q q1-R
If R=1/2, herders vote for
C0 with ½.
IF p= 0 Beta distribution ~Polya pod model
Analog herder case
R:前の時間までのDとNDの割合
デフォルトが多いと模倣者はデフォルトしやすくなる
D ND
模倣者appearance with p
1-qh
ND
独立appearance with (1-p)
1-q qqh
If qh=1/2, herders vote for
C0 with ½.
Tanh type herder case=
Ising model
D
周りからの影響が線形ではなくTanh型の関数極限状態でヘビサイド関数=デジタル
p
γ
1
10pc
one peak phase two peak phase
pc/2
Tanh=Ising
analog
Beta
T^(-γ)で収束。
BM
収束しない
遅い Phase
これでβ分布とIsingモデル両方を含んでいるモデルを作ることができた。
Normal
Super
(a) (b)
v v
-(2q-1)(1-p)/p -(2q-1)(1-p)/p
複数均衡=良い均衡と悪い均衡
まとめ
-β分布~コピュラとIsingモデルとの違い
★周りからの影響が線形か、非線形かによる違い。
★非線形の反応=Tanh型の場合(低い相関でも)デフォルトが止まらない場合がある可能性がある。
→デフォルト事象でこのようなことはまれではないか。
Qポートフォリオのデフォルト率の分布は相関によって記述できるか?
A同じ相関であっても分散を規定するのみ。
分布は正規分布、β分布、Isingと幅広いものになる。
線形の反応の場合はコピュラ+相関によって記述できるかもしれない。
参考文献-M.Hisakado,. K Kitsukawa and S.Mori
Correlated Binomial models and correlation structures,
J.Phys.A:Math.Gen .39(2006) 15365-15378
Betaケース
ーM. Hisakado and S.Mori,
Phase transition and information cascade in a voting model,
J. Phys. A: Math. Theor. 43 (2010) 315207
アナログ・ケース
-M. Hisakado and S.Mori,
Digital herders and phase transition in a voting model
J. Phys. A: Math. Theor. 44 (2011) 275204
デジタル・ケースーM. Hisakado and S.Mori,
Two kinds of phase transitions in a voting model
J. Phys. A: Math. Theor. 45 (2012) 345002
Tanhケース
ご清聴ありがとうございました。