LO 3c Exam Patterns — Credit Risk Modeling (ไทย)

LO 3c Exam Patterns — Credit Risk Modeling

วิเคราะห์จากข้อสอบเก่า 10 ข้อที่เกี่ยวกับ LO 3c (Bolder Ch. 2–4) นะ

Question Patterns

มี 3 pattern หลักที่โผล่บ่อยมาก เราต้องคุ้น:

Pattern	ความถี่	ตัวอย่าง Prompt
Describe / Explain (Concept)	บ่อย	”Describe a key shortcoming of…”, “Explain one advantage of…”, “Explain why… are different”
Derive (Math/Logic)	กลางๆ	”Derive the covariance matrix of…”, “Derive an expression for…”
Calculate (Math Application)	บ่อย	”Calculate E[D_N], Var(D_N), Cov(I_Dn, I_Dm)”, “Calculate the probability…”, “Calculate the Z-score” (F2025 Q8d)
Critique (Conceptual)	กลาง-บ่อย	”Critique your manager’s claim” (F2025 Q8e), “Describe a key shortcoming of…”

Answer Frameworks

Framework 1: เปรียบเทียบ Model A vs. Model B (เช่น Independent vs. Mixture)

1. Introduction: นิยาม Model A และ assumption หลัก (เช่น independence)
2. Problem / Weakness: บอกจุดอ่อนหลัก (เช่น “fails to capture default correlation”, “thin tails”)
3. Solution (Model B): เสนอ Model B ว่าเป็นตัวแก้ อธิบาย mechanism หลัก (เช่น “introduces common random variable Z”)
4. Key Benefits of Model B: list improvement เฉพาะเจาะจง:
   • “It generates default dependence, where Cov(I_Dn, I_Dm) = Var[p(Z)]”
   • “It produces a fatter-tailed loss distribution, which is more realistic”
   • “It has more realistic asymptotic behavior; risk is not fully diversified away”
5. Conclusion: บอกว่า model ไหน conservative/realistic กว่า (Model B)

Framework 2: Critique / Explain จุดอ่อนของ Gaussian Model

1. Acknowledge Strengths: “The One-Factor Gaussian model is popular and intuitive, linking default to a latent variable y_n”
2. State the Critical Weakness: “Its primary weakness is the lack of tail dependence”
3. Explain What This Means: “The Gaussian copula is asymptotically independent — in an extreme crisis, the model incorrectly assumes default events become independent”
4. Explain Why This Is a Problem: “Macro-economic crises typically cause increased correlation (joint defaults). The Gaussian model underestimates extreme, portfolio-wide losses”
5. Recommend the Solution: “A t-distributed model exhibits tail dependence and produces more conservative (and realistic) risk measures in the tail”

Exam Tip

ใน F2020 Q14(d) model solution ให้คะแนนเต็มกับคนที่เขียนว่า Gaussian models “do not exhibit tail dependence” และ t-distribution มี “non-zero tail-dependence coefficient” — สอง phrase นี้ต้องท่องเลย

Framework 3: อธิบาย Asset Correlation vs. Default Correlation

1. Define Asset Correlation (ρ): “Asset correlation is the correlation between latent variables (y_n and y_m), representing underlying credit health”
2. Define Default Correlation (ρ_D): “Default correlation is the correlation between Bernoulli default indicators (I_D), which are binary (0 or 1)”
3. State Why They Differ:
   • “ρ is a parameter of the latent variable distribution. ρ_D is a result of the model”
   • “ρ_D depends on more than just ρ — it also depends on unconditional default probabilities (p_n, p_m)”
   • “Two firms can have highly correlated latent variables (high ρ) but very different thresholds (K_n, K_m), yielding low ρ_D”

Exam Tip

ความต่างนี้คือ classic exam question เลย key insight: ρ คือ input, ρ_D คือ output อย่าเอามาเท่ากันเด็ดขาด

Framework 4: คำนวณ Portfolio Variance สำหรับ Mixture Model

1. ระบุ component: E[D_N] = Np̄
2. ใส่สูตร variance เต็ม: Var(D_N) = Np̄(1-p̄) + N(N-1)Var[p(Z)]
   • เทอมแรก = Idiosyncratic Risk
   • เทอมสอง = Systematic Risk (จาก Var[p(Z)])
3. ถ้าเป็น Beta-Binomial: Var[p(Z)] หาได้จาก ρ_D = 1/(α+β+1)

Common Mistake

error ที่เจอบ่อยที่สุด (ถูก flag ใน F2020 Q13) คือคำนวณ Var(D_N) = Np̄(1-p̄) ไม่ใส่ systematic risk term N(N-1)Var[p(Z)] อันนี้ผิดสำหรับ mixture models — ใช้ได้แค่กับ independent models

Framework 5: เปรียบเทียบ VaR (Independent vs. Threshold)

1. คำนวณ VaR ภายใต้ Independent model (เช่น ใช้ Binomial quantile)
2. คำนวณ VaR ภายใต้ Threshold model (เช่น ใช้ conditional PD กับ Gaussian inverse)
3. บอก: “VaR of the Threshold model is greater than that of the Independence model”
4. อธิบาย: “The threshold model assumes positive dependence between defaults… ignoring dependence causes under-estimation of credit risk”

Past Exam Analysis

F2025 Q8 — Full Credit Risk Modeling Progression (7 pts)

ข้อ credit risk modeling ที่ครอบคลุมที่สุดเท่าที่มีมา เดินผ่าน narrative arc ของ Bolder ทั้งหมด: Binomial → Mixture-Binomial → Gaussian Threshold → t-Distribution

Part	Pts	Task	Key Answer	Performance
(a)	1	E[D_N] and Var[D_N] (binomial)	E = Np = 1000 × 0.01 = 10; Var = Np(1−p) = 1000 × 0.01 × 0.99 = 9.9	Brilliant
(b)	1	Two shortcomings beyond independence	(1) Thin tails (Gaussian limiting distribution), (2) Overly smooth asymptotic behavior, (3) Single parameter for large N — any two	As expected
(c)	2	Var[D_N] (mixture-binomial, Beta α=0.2, β=19.8)	E[Z] = 0.2/20 = 0.01; Var[Z] = (0.2×19.8)/(20²×21) = 0.000471; Var[D_N] = 9.9 + 999×1000×0.000471 = 480.429	Above average
(d)	1.5	Z-score for conditional PD (G = −2.33)	c = Φ⁻¹(0.01) = −2.326; E[y_n|G] = √0.2 × (−2.33) = −1.042; Z = (−2.326 − (−1.042))/√0.8 ≈ −1.435	Above average
(e)	1.5	Critique: “t-dist better because heavier tails”	Manager is wrong. Gaussian threshold already produces skewed, leptokurtotic loss distribution. The real advantage is tail dependence — Gaussian tail-dependence coefficient → 0; t-dist retains positive tail dependence	As expected

Exam Tip — Mixture-Binomial Variance Formula

Var[D_N] = Np̄(1−p̄) + N(N−1)Var[Z]

• เทอมแรก = Idiosyncratic risk (เหมือน binomial)
• เทอมสอง = Systematic risk จาก Var[Z]
• สำหรับ Beta distribution: E[Z] = α/(α+β), Var[Z] = αβ/((α+β)²(α+β+1))
• เทอม systematic จะใหญ่กว่ามาก: 9.9 vs. 470.5 — แสดงว่าถ้าไม่ใส่ correlation เข้าไปจะ underestimate variance ของ portfolio อย่างหนัก

Exam Tip — Gaussian Threshold Z-Score Calculation

conditional PD calculation เป็น pipeline 3 step:

1. Threshold: c = Φ⁻¹(p) = Φ⁻¹(0.01) = −2.326
2. Conditional mean: E[y_n|G] = √ρ × G (โดย ρ คือ common factor loading squared)
3. Z-score: (c − E[y_n|G]) / √(1−ρ) = “conditional Z” → เอาไปใส่ Φ(Z) เพื่อหา conditional PD pipeline นี้ test ได้ตรงๆ เลย และโผล่ใน F2025 Q8(d) กับ F2020 Q14(b)

Exam Tip — "Heavier Tails" ไม่ใช่เหตุผลที่ถูกของ t-Model

นี่คือ classic critique trap Gaussian threshold model ก็ produce heavy tails (skewed + leptokurtotic เมื่อ ρ > 0) เหตุผลที่ถูกต้องที่ควรเลือก t-dist คือ tail dependence: สำหรับ Gaussian tail-dependence coefficient → 0 เมื่อไปไกลๆ ใน tail แต่ t-dist ยังคงเป็นบวก หมายความว่า Gaussian underestimate joint extreme defaults — ซึ่งคือ scenario ที่สำคัญที่สุดสำหรับ ES/VaR ตอน crisis

F2020 Q14 — Gaussian & t-Model (5 parts)

Part	Type	What It Tests
(a)	Derive	Covariance matrix of Gaussian latent variables
(b)	Math	Solve for G given threshold equation
(c)	Concept	Asset correlation vs. default correlation
(d)	Concept	Advantages of t-model over Gaussian
(e)	Math	Calculate correlation for t-model

Key insight จาก model solution: Part (c) เน้นว่า ρ คือสำหรับ “latent variables” (credit health) ส่วน default correlation คือสำหรับ “default events” และ depend on K_i (thresholds) Part (d) ให้เต็มเมื่อตอบ “do not exhibit tail dependence” (Gaussian) vs. “non-zero tail-dependence coefficient” (t-model)

S2022 Q10 — Mixture Models (4 parts)

Part	Type	What It Tests
(a)	Concept	Shortcoming of Independent models, how Mixtures fix it
(b)	Math	Calculate E[D_N] and Cov(I_Dn, I_Dm)
(c)	Concept	Advantage of Poisson-Gamma (CreditRisk+)
(d)	Math	Calculate probability & correlation

Key insight จาก model solution: Part (a) — Independent models “fail to capture default dependence”; mixtures “capture the inherent interaction.” Part (c) — Poisson-Gamma advantage: “it breaks one of the standard features of the Poisson distribution: equal variance and expected value.”

IRM F2023 Q3 — Independent vs. Threshold (3 parts)

Part	Type	What It Tests
(a)	Math	Calculate 97.5% VaR (Independent Model)
(b)	Math	Recalculate 97.5% VaR (Threshold Model)
(c)	Concept	Describe the difference

Key insight จาก model solution: “This is because the threshold model assumes a positive dependence between the defaults… ignoring the positive dependence… may cause an under-estimation of the credit risk.”

Common Pitfalls

#	Pitfall	วิธีแก้
1	ลืม systematic risk term ใน Var(D_N) สำหรับ mixture models	ต้องบวก N(N-1)Var[p(Z)] — เทอม idiosyncratic อย่างเดียวใช้ได้แค่กับ independent models
2	บอกว่า Gaussian model “บ๊วย”	มันไม่ได้แย่ — มัน “weak in the tails” ใช้ได้ดีตอน normal times จุดอ่อนคือ tail dependence โดยเฉพาะ
3	สับสน ρ (asset correlation) กับ ρ_D (default correlation)	ρ เป็น input parameter; ρ_D เป็น output result ต่างกันเพราะ ρ_D ขึ้นกับ p_n ด้วย
4	ลืมว่า mixture models ก็ยังใช้ conditional independence	”Given Z, defaults are independent” คือ assumption ไม่ใช่ conclusion
5	ไม่ link improvement ของ t-model กับ ES โดยเฉพาะ	ES วัด average tail loss — Gaussian underestimate ตรงนี้เพราะขาด tail dependence
6	คิดว่า CreditRisk+ เหมือน Beta-Binomial	CR+ allow obligor-specific p_n ซึ่งเป็น advantage หลักเทียบกับ mixture แบบธรรมดา

Critical Keywords

Keyword	Exam Sentence
Independent Default	”The key drawback of the Independent Binomial model is the assumption of independent defaults, which is unrealistic.”
Mixture Model	”We use a mixture model to introduce default dependence by conditioning on a common random variable Z.”
Conditional Independence	”A key assumption of mixture models is conditional independence; given Z, defaults are independent.”
Default Correlation	”In a mixture model, ρ(I_Dn, I_Dm) is driven by Var[p(Z)].”
Threshold Model	”A threshold model posits that default occurs when a latent variable y_n falls below a threshold K_n.”
Latent Variable	”In the One-Factor Gaussian model, y_n represents the firm’s creditworthiness.”
Systematic Factor (G)	“The systematic factor G represents the overall economy and drives default correlation.”
Idiosyncratic Factor (ε_n)	“The idiosyncratic factor ε_n represents firm-specific risk.”
Asset Correlation (ρ)	“ρ is the asset correlation between y_n and y_m — not the same as default correlation.”
Tail Dependence	”The primary weakness of the Gaussian model is its lack of tail dependence.”
t-Distributed Model	”The t-model exhibits tail dependence, providing more conservative risk measures.”
CreditRisk+ (CR+)	“A key advantage of CR+ is its ability to incorporate obligor-specific p_n.”
Conditional Z-Score	”The Z-score for conditional PD: (c − √ρ·G) / √(1−ρ), where c = Φ⁻¹(p) and G is the systematic factor realization.”
Beta Distribution	”For Beta(α,β): E[Z] = α/(α+β), Var[Z] = αβ/((α+β)²(α+β+1)).”

Full Past Exam Catalog (F2020 – S2024)

F2020 Q13 — Binomial-Mixture / Beta-Binomial / CreditRisk+ ★ HIGH YIELD

Setup: 1000 mortgages, p(Z) = exp(Z), Z ~ N(ln(1/40), ln(4)) จากนั้น calibrate Beta-Binomial แล้วต่อด้วย CreditRisk+ multi-group

Part	Pts	Task	Key Answer	Common Mistake
(a)	-	Desired characteristics	Fat-tailed AND strongly dependent	ตอบ “p(Z)∈[0,1]” = ไม่ได้คะแนน
(b)(i)	-	E[p(Z)]	exp(μ+σ²/2) = (1/40)×√4 = 0.05	—
(b)(ii)	-	Var(p(Z))	(exp(σ²)−1)×exp(2μ+σ²) = 3×(1/1600)×4 = 0.0075	—
(b)(iii)	-	Cov(I_Dn, I_Dm)	= Var(p(Z)) = 0.0075	ใช้ Var(I_Dn) แทน Var(p(Z))
(b)(iv)	-	Var(D_N)	1000×0.05×0.95 + 1000×999×0.0075 = 7540	ลืม systematic term
(c)	-	Beta-Binomial capital	Calibrate α,β จาก p=10%, ρ=10% → Var=9081, σ=95.29; Capital = $100K\times (100+2\times 95.29)=\ast \ast$29.06M**	ใช้ Var(Z) แทน Var(D_N) ใน step สุดท้าย
(d)	-	Two limitations	(1) บังคับให้ใช้ common PD → เสีย individual creditworthiness; (2) ไม่ชัดว่าจะเพิ่ม systematic factor ยังไง	ตอบ limitation ทั่วๆ ไม่ specific กับ binomial-mixture
(e)	-	CreditRisk+ ρ_{Urban,Rural}	Back out a ใช้ ρ_{U,S}=40% → 31.94%	ได้ a ถูกแต่ apply formula สุดท้ายผิด

Exam Tip — Part (a)

“Fat-tailed AND strongly dependent” — เป็นคำตอบสองส่วน ที่ exam ให้คะแนนทั้งสอง characteristic รวมกัน การเลือก p(Z) สำคัญเพราะมันเอื้อให้: (1) default สูงๆ พร้อมกัน (fat tails), (2) defaults ขยับไปด้วยกัน (strong dependence) — มีอันเดียวได้ partial credit เท่านั้น

Exam Tip — CreditRisk+ Correlation Factor

สูตรคือ: ρ_{n,m} = [w₁² / a] × [(p_n × p_m) / (√(p_n(1−p_n)) × √(p_m(1−p_m)))] ใช้ ρ_{U,S}=40% ที่รู้แล้ว solve หา a ก่อน แล้วค่อย apply สูตรเดิมหา ρ_{U,R} อย่าลืม back-solve a ก่อน

---

S2021 Q8 — Vasicek Limit Loss Model ★ HIGH YIELD

Setup: 1000-obligor portfolio, y_n = √10% G + √90% ε_n (สังเกต: loading = √10% ไม่ใช่ 10%) PD = 1%

Notation Trap

ในข้อนี้ latent variable คือ y_n = √10% G + √90% ε_n หมายความว่า ρ = 10% คือ squared loading สูตร Vasicek ใช้ ρ ตัวนี้ตรงๆ คนเยอะมากที่สับสน √ρ กับ ρ

Part	Task	Key Answer	Performance
(a)	Vasicek assumptions	(1) Homogeneous PD; (2) Same EAD/RR/LGD (infinitely grained); (3) p(G) strictly decreasing; (4) Use D_N* = D_N/N	Below average
(b)	P(D_N* ≤ 1.5%)	Use Vasicek CDF: Φ[(√0.9 × Φ⁻¹(0.015) − Φ⁻¹(0.01)) / √0.1] = 80%	Poor
(c)	Gamma model drawbacks	(1) ขาด power tail; (2) ไม่มี positive tail dependence; (3) ไม่ analytically tractable; (4) คำนวณช้า; (5) ไม่ popular	Below average
(d)	E[V²]	E[V²] = E[V]² × κ/3 = (cov/ρ)² × 4/3 = (0.08/0.1)² × 4/3 = 0.8533	Poor

Exam Tip — Vasicek CDF Formula

P(D_N ≤ x) = Φ[(√(1−ρ) × Φ⁻¹(x) − Φ⁻¹(p)) / √ρ]*

• x = target proportion (# defaults / N)
• ρ = asset correlation (จาก latent variable structure)
• p = unconditional PD Steps: (1) แปลง x เป็น proportion; (2) Look up หรือ estimate Φ⁻¹(x) และ Φ⁻¹(p); (3) แทนค่า สูตรนี้ไม่อยู่ใน formula sheet — ต้องท่อง

Calculation from Kurtosis

chain ของสูตร: kurtosis κ(y) = 3 × E[V²]/E[V]² → E[V²] = E[V]² × κ/3 และ E[V] = cov(y_n,y_m)/ρ ดังนั้น E[V²] = (cov/ρ)² × κ/3 ด้วย cov=8%, ρ=10%, κ=4: E[V²] = 0.8² × 4/3 = 0.8533

---

F2021 Q3 — Gaussian Threshold: Heterogeneous Loadings & Default Trigger

Setup: y_n = √ρ_n G + √(1−ρ_n) ε_n โดย ρ_n รายตัว ของแต่ละ obligor

Part	Task	Key Answer	Common Mistake
(a)	Covariance matrix [y₁, y₂]	[[1, √ρ₁√ρ₂], [√ρ₁√ρ₂, 1]]	สับสน covariance matrix กับ correlation matrix
(b)	Implications of homogeneous model	บังคับให้ใช้ common ρ ทุกตัว → covariance เท่ากันทุกคู่; ลด N+1 params เหลือ 2 params; เสีย individual differentiation	contrast กับ structure เดิมไม่ได้
(c)	ρ(I_D1, I_D2)	(p_{1,2} − p_1 p_2) / √[p_1 p_2(1−p_1)(1−p_2)]	ลอกสูตรมาเฉยๆ ไม่ derive
(d)	Latent vs. default correlation	ρ(Y) = √ρ₁√ρ₂; ρ(I_D) ขึ้นกับ unconditional PDs และ joint PD เพิ่มเติม	บอกความต่างทาง statistic ไม่ได้
(e)	Coworker trigger (y_n = K_n exactly)	Inappropriate: y_n เป็น continuous normal → P(Y_n = K_n) = 0 ทุกจุด	บอกแค่ “should use range” โดยไม่อธิบายว่า probability = 0 ทำไม

Exam Tip — Part (e) Key Phrase

model solution บอก: “The probability of default is p_n = P(D_n) = P(Y_n = K_n). The latent variable is a normal random variable so this probability would not be defined given it is a continuous function.” เขียนตามโครงนี้เลย: ระบุว่ามันเป็น continuous distribution → single-point probability = 0

---

F2021 Q11 — CreditRisk+ One-Factor: CAPM Analogy ★ HIGH YIELD

Setup: p_n(S) = p_n(ω_0 + ω_1 S), S ~ Γ(a=0.01, b=0.01) Groups A (5%), B (10%), C (15%); ρ_{A,B}=50%

Part	Task	Key Answer
(a)(i)	Relationship ω_0 and ω_1	ω_0 + ω_1 = 1
(a)(ii)	CAPM interpretation	ω_0 = idiosyncratic loading; ω_1 = systematic loading; S = common economic factor (S สูง → PD สูงทุกตัว)
(b)	Shortcoming addressed	mixture models ทุกตัวบังคับใช้ common PD → CreditRisk+ ยอมให้ใช้ obligor-specific p_n
(c)(i)	w_1 from ρ_{A,B}=50%	w_1 = 0.2557, w_0 = 0.7443
(c)(ii)	Var(p_C(S))	= (p_C² × w_1²)/a = (0.0225 × 0.0654)/0.01 = 0.1471
(c)(iii)	Var(S)	สำหรับ Γ(a,b): Var(S) = a/b² = 0.01/0.0001 = 100
(d)	Multi-factor assumptions	S_k แต่ละตัว independent; given S, defaults independent

Exam Tip — Var(S) for Gamma Distribution

สำหรับ S ~ Γ(shape=a, rate=b): E[S] = a/b, Var[S] = a/b² ด้วย a=b=0.01: E[S]=1, Var[S]=100 — variance ของ S ใหญ่มาก ตรงนี้ตั้งใจ; มัน model uncertainty ที่ใหญ่ของ economic factor

Exam Tip — CreditRisk+ Formula for Default Correlation

ρ_{n,m} = [w₁² × p_n × p_m] / [a × √(p_n(1−p_n)) × √(p_m(1−p_m))] หา w_1: substitute ρ_{A,B}=50% ที่รู้แล้ว solve ออก สังเกตว่า w_1 คือ square root ของคำตอบ ก่อน take ratio — ระวัง algebra

---

S2022 Q10 — Binomial-Mixture / Poisson-Gamma

(อยู่ใน main Past Exam Analysis section ด้านบน — ดู S2022 Q10 entry เพิ่มเติม:)

Exam Tip — "Quick and Dirty" Default Correlation for Poisson-Gamma

สูตร: ρ_D = Var(S) / (E(S) × (1−E(S))) ด้วย S ~ Γ(a=2, b=4): E(S) = a/b = 0.5, Var(S) = a/b² = 0.125 → ρ_D = 0.125/(0.5×0.5) = 0.5 หรือ: ρ_D = 1/(b−a) = 1/(4−2) = 0.5

---

S2022 Q15 — Default Loss Formula / Variance / Normal Approximation VaR ★ FOUNDATIONAL

Setup: 1000 independent corporate bonds, $1,000 ตัวละ, PD=2%, RR=0%

Part	Task	Key Answer	Common Mistake
(a)	L formula	L = Σ EAD_n × (1−RR_n) × I_n; นิยามแต่ละ term	—
(b)	Var(L)	1000² × 1000×0.02×0.98 = 19,600,000	ไม่ square EAD; ลืม N จาก Var(# defaults)
(c)	VaR at 95%	E[L]=$20,000;\sigma (L)=$4,427; VaR=$20,000+1.645\times$4,427=$27,282	ไม่ใส่ N ใน total

Exam Tip — Foundation Question

นี่คือ setup พื้นฐานสำหรับการคำนวณ LO 3c ทั้งหมด ท่องเลย: Var(L) = EAD² × N × p × (1−p) สำหรับ obligors ที่ independent identical เทอม systematic-risk เป็น 0 ตรงนี้ (independent), Var(D_N) = Np(1−p) จึงตรงเป๊ะ

---

F2022 Q15 — Portfolio Diversification / Law of Rare Events ★ HIGH YIELD

Setup: N obligors เหมือนกัน independent, ตัวละ $100M, PD=5%, RR=30%

Part	Task	Key Answer	Performance
(a)	One-factor: advantage + disadvantage	Advantage: broad analytical formulae; Disadvantage: ง่ายเกินไปสำหรับ portfolio ซับซ้อน	Brilliant
(b)	E(L), σ(L) for N=2	E(L)=$7M;\sigma (L)=$21.575M	As expected
(c)(i)	σ(L) as function of N	σ(L) = √N × 100 × 0.7 × √(0.05×0.95) = 15.256√N	Below average
(c)(ii)	Min N for S < 5%	S = 0.1526/√N < 0.05 → N ≥ 9.31 → N = 10	Below average
(d)(i)	Law of Rare Events	สำหรับ N ใหญ่และ p เล็ก: Binomial(p,N) → Poisson(λ=Np) สอง distribution มาบรรจบกัน	Below average
(d)(ii)	Poisson approximation σ(L)	Vol = √N × 100 × 0.7 × √p ≈ 70√(0.05N)	Below average
(e)	S สำหรับ $5B portfolio (N=50)	Approx: 2.21%; Exact: 2.16% — ความต่าง validate Law of Rare Events	Below average

Exam Tip — Risk Metric S (Percentage of Portfolio Exposure)

S = σ(L) / Total Exposure = σ(L) / (100N) = 15.256√N / (100N) = 0.1526/√N key insight: S ลดตาม √N ไม่ใช่ N ต้องเพิ่ม portfolio 4 เท่าถึงจะลด risk metric ครึ่งนึง — นี่คือ benefit ของ diversification

Exam Tip — Law of Rare Events: เมื่อไหร่ Poisson ≈ Binomial

approximation ใช้ได้เมื่อ p “เล็กมาก” และ N “ใหญ่มาก” ด้วย p=0.05 และ N=50 approximation ให้ 2.21% vs. exact 2.16% — error แค่ 2.3% exam อาจถามให้ ระบุ condition (ทั้ง p เล็ก และ N ใหญ่) เพื่อให้ approximation ใช้ได้

Exam Tip — Poisson Variance

สำหรับ Poisson, Var(# defaults) = λ = Np (ไม่ใช่ Np(1−p)) เมื่อ p เล็ก, (1−p) ≈ 1 ทำให้ทั้งสองสูตรมาบรรจบกัน สูตร Poisson variance ตัด (1−p) ทิ้ง

---

IRM S2024 Q4 — Binomial-Mixture with Uniform Z ★ CONCEPT TRAP

Setup: N = I_A + I_B, P(I_i=1|Z) = 1−Z, Z ~ Uniform(0,1)

Part	Task	Key Answer	Performance
(a)	Why defaults not independent	(1) Industry interlinkages (supply chain/competition); (2) Shared macro/regional exposure	ได้ systematic risk; พลาดเหตุผลสอง
(b)	P(N≥1) under mixture	P(N=0) = E[Z²] = ∫₀¹ z² dz = 1/3; P(N≥1) = 2/3	ไม่ identify ว่าต้องใช้ E[Z²]
(c)	Cov(I_A, I_B)	= Var(P(I_A=1|Z)) = Var(1−Z) = Var(Z) = 1/12	สับสนทิศ
(d)	Independence vs. mixture P(N≥1)	Independence: P(N≥1) = 1−(1/2)² = 3/4 > mixture 2/3	คิดว่า mixture ให้ P(N≥1) สูงกว่าเสมอ

Exam Tip — Counterintuitive Result in Part (d)

นี่คือผลลัพธ์ที่คนเข้าใจผิดบ่อยที่สุดใน LO 3c Independence ให้ P(N≥1) สูงกว่า binomial-mixture model ทำไม? positive dependence ทำให้ default ทั้งคู่ align: มัน tend จะ default ทั้งคู่ หรือ survive ทั้งคู่ ตรงนี้ เพิ่ม P(N=0) ทำให้ลด P(N≥1) เทียบกับ independence mixture model “lump” outcome ไปสุด extreme

Exam Tip — Cov = Var(p(Z))

สูตร key สำหรับ mixture models ทุกตัว: Cov(I_A, I_B) = Var(p(Z)) ตรงนี้ p(Z) = 1−Z ดังนั้น Var(p(Z)) = Var(1−Z) = Var(Z) = 1/12 สูตรนี้ใช้ได้กับ ALL mixture models — มันคือ bridge ระหว่าง mixing variable กับ default correlation

Practice Scenarios

Scenario 1: The Benchmark Challenge

Situation: junior actuary คนนึงรัน Independent Binomial model บน corporate bond portfolio ใหญ่ๆ ที่ homogeneous บอสบอก “VaR ดูต่ำมาก portfolio เรา well-diversified อยู่แล้ว”

Task: เขียน memo สั้นๆ อธิบายว่าทำไม pegging แค่ model ตัวนี้ตัวเดียวมัน dangerous

Key points to hit:

1. ยอมรับว่า model มีประโยชน์เป็น lower-bound benchmark
2. independence assumption ไม่ realistic — defaults correlate ผ่าน systematic factors (macro-economic conditions)
3. thin-tailed loss distribution underestimate probability ของ simultaneous defaults → understate VaR
4. แนะนำ Mixture Model (Beta-Binomial หรือ CreditRisk+) หรือ Threshold Model เพื่อ capture dependence

Scenario 2: The Model Critique

Situation: risk committee ต้องเลือกระหว่าง One-Factor Gaussian กับ One-Factor t-Distributed models CRO ชอบ Gaussian เพราะ “simpler และทุกคนใช้กัน”

Task: Justify ว่าทำไม t-model ถึงเป็น “more judicious choice” สำหรับการคำนวณ Expected Shortfall (ES)

Key points to hit:

1. ทั้งคู่เป็น threshold models แต่ต่างกันที่ tail behavior
2. Gaussian ขาด tail dependence — asymptotically independent หมายความว่า correlation ตอน crisis เข้าใกล้ 0 (counter-intuitive)
3. t-model มี positive tail dependence — joint defaults ยังคง correlate ใน extreme tails
4. ES วัด average loss ใน tail โดยเฉพาะ → Gaussian underestimate ES; t-model ให้ capital figure ที่ conservative และ realistic กว่า