ฉบับภาษาไทย — original English ที่ credit-risk-modeling
Credit Risk Modeling
Syllabus LO: 3c — เข้าใจ ประเมิน และประยุกต์ใช้ credit risk modeling techniques
Key Resources:
- Credit Risk Modeling (Bolder, 2018), Ch. 1 (background), Ch. 2: A Natural First Step, Ch. 3: Mixture or Actuarial Models, Ch. 4: Threshold Models (sec. 4.1–4.4 only)
Background Only — ไม่ออก exam ตรงๆ
Bolder Ch. 1 ครอบคลุม credit risk fundamentals (default-loss distribution, fundamental theorem of asset pricing, structural vs reduced-form methodologies, CAPM) เป็น background only — มีประโยชน์ในการศึกษาแต่ไม่ออก exam ตรงๆ (inv101-strategy-guide)
Interactive Lab: Bolder Ch1 Credit Risk Foundations — 12 modules ครอบคลุมคู่ structural↔reduced-form, decomposition systemic↔specific, 8-dimension credit-vs-market comparator และ roadmap 3-modelling-frameworks ที่ map ไปยัง Ch2/Ch3/Ch4
Excluded — Out of Scope
Python programming code ในหนังสือ Bolder ถูก exclude ชัดเจน ไม่ต้องอ่านโค้ด — โฟกัสที่ mathematical model + intuition (inv101-strategy-guide)
เส้นเรื่อง: ง่าย → จริง
Bolder Ch. 2–4 เล่าเรื่องเป็น progression แต่ละ chapter แก้จุดอ่อนของ chapter ก่อน:
| Model | Chapter | นวัตกรรมหลัก | จุดอ่อนที่เหลือ |
|---|---|---|---|
| Independent | Ch. 2 | benchmark ง่าย | ไม่มี default correlation, thin tails |
| Mixture (Actuarial) | Ch. 3 | common factor Z → dependence + fat tails | ขาด economic intuition |
| Threshold (Structural) | Ch. 4 | latent variable มี economic meaning → พื้นฐาน Basel | Gaussian: ไม่มี tail dependence |
| t-Distributed Threshold | Ch. 4.3 | tail dependence ผ่าน t-distribution | parameter เยอะขึ้น |
1. Independent Default Models (Ch. 2)
Interactive Lab Available
Lab HTML เจาะลึก Bolder Ch2 ทั้งบท: index.html. 13 modules — Bernoulli foundation, recovery aside, Cov=0 derivation animation, Monte Carlo lab (verbatim PDF p.5-6 reproduction พร้อม M-slider 10→10,000), F2025 Q8(a) PMF preset, convergence visualizer, Law of Rare Events lab, 10 drills (8 verbatim past-Q + 2 synth), 40 flashcards. คู่กับ: background-bolder-ch1-credit-foundations สำหรับ scaffolding
benchmark ที่ง่ายที่สุด สมมติว่า default ของแต่ละ obligor independent กัน
สูตรสำคัญ
| Formula | Expression |
|---|---|
| Portfolio Loss | L_N = Σ c_n × I(D_n) |
| Expected Loss | E(L_N) = Σ c_n × p_n |
| Variance (General) | Var(L_N) = Σ c_n² × p_n(1 - p_n) |
| Variance (Homogeneous Binomial) | Var(L_N) = c² × N × p(1 - p) |
- Independent Binomial Model: D_N ~ Binomial(N, p) เมื่อ obligors เป็น homogeneous
- Independent Poisson Model: ค่าประมาณเมื่อ N ใหญ่และ p เล็ก (Law of Rare Events)
บทบาทเป็น Benchmark
Independent model ใช้เป็น lower bound เพื่อเทียบ risk ถ้า model ที่ซับซ้อนกว่าให้ risk ต่ำกว่า Independent — แสดงว่ามีอะไรผิดแน่ๆ
จุดอ่อน (สำคัญต่อ exam)
Exam Tip
exam ชอบถามจุดอ่อนของ Independent models 3 ข้อนี้คือคำตอบมาตรฐาน:
- No default correlation / dependence: ไม่สนว่า obligors มักจะ default พร้อมกันตอนเศรษฐกิจแย่
- Unrealistic asymptotic behavior: เมื่อ N → ∞ risk diversify หมด — เป็นไปไม่ได้เพราะ systematic risk ยังอยู่
- Thin-tailed loss distribution: ประเมินโอกาสของ extreme event (default จำนวนมากพร้อมกัน) ต่ำเกินไป
2. Mixture (Actuarial) Models (Ch. 3)
อัปเกรดจาก Ch. 2 แก้ปัญหา independence ด้วยการ randomize default probability
กลไกหลัก
default probability p ไม่คงที่อีกต่อไป — กลายเป็น random variable p(Z) ที่ขึ้นกับ common factor Z (เช่น สภาพเศรษฐกิจ)
Conditional Independence (สมมติฐานสำคัญ)
Exam Tip
“Conditional Independence” คือหัวใจของ mixture model exam ทดสอบว่าเข้าใจความต่างหรือเปล่า:
- เมื่อรู้ Z (conditional): defaults independent → คำนวณง่าย
- ไม่รู้ Z (unconditional): defaults correlated → ตรงกับความจริง
สูตรสำคัญ
| Formula | Expression | ความหมาย |
|---|---|---|
| Covariance | Cov(I_Dn, I_Dm) = Var[p(Z)] | dependence ของ default มาจาก volatility ของ common factor |
| Portfolio Variance | Var(D_N) = Np̄(1-p̄) + N(N-1)Var[p(Z)] | term แรก = Idiosyncratic Risk; term สอง = Systematic Risk |
Common Exam Mistake
F2020 Q13 บอกว่า candidate ส่วนใหญ่คำนวณ Var(D_N) = Np̄(1-p̄) แล้ว ลืม systematic risk term N(N-1)Var[p(Z)] — สูตรนี้ใช้ได้กับ independent model เท่านั้น ไม่ใช่ mixture
ประเภทของ Mixture Models
Beta-Binomial
- p(Z) = Z โดย Z ~ Beta(α, β)
- Analytically tractable (คำนวณง่าย)
- Default correlation: ρ_D = 1 / (α + β + 1)
- ข้อจำกัด: ทุก obligor ต้อง share p̄ เดียวกัน
CreditRisk+ (One-Factor Poisson-Gamma)
- สูตรหลัก: p_n(S) = p_n × (ω_0 + ω_1 × S)
- ข้อได้เปรียบ: ให้แต่ละ obligor มี obligor-specific p_n ของตัวเองได้
- รวมข้อมูล creditworthiness รายตัวได้
- ทำลายคุณสมบัติมาตรฐานของ Poisson ที่ variance = expected value
Exam Tip
exam แยก CreditRisk+ ออกจาก mixture ธรรมดา — ความสามารถใช้ obligor-specific default probabilities คือข้อได้เปรียบที่ต้อง cite (S2022 Q10)
3. Threshold Models (Ch. 4.1–4.4)
Interactive Lab
LO 3c — Bolder Ch4 Threshold Models Lab — 14 modules ครอบคลุม Gaussian latent variable, conditional PD pipeline, Vasicek limit loss, tail dependence visualizer, t-distributed model, normal-variance mixture (VG/GH) และ multi-factor background รวม flagship F2025 Q8(e) critique drill (“tail dependence NOT heavier tails”). 8 verbatim past-exam drills + print A4 cheat sheet
Structural models ที่มี economic intuition: default เกิดเมื่อ “สุขภาพการเงิน” (latent variable) ตกต่ำกว่า threshold ที่กำหนด
One-Factor Gaussian Model
Latent Variable
y_n = √ρ × G + √(1-ρ) × ε_n
| Component | ความหมาย | Distribution |
|---|---|---|
| y_n | creditworthiness ของบริษัท (latent variable) | N(0,1) |
| G | systematic factor (เศรษฐกิจ) | N(0,1) |
| ε_n | idiosyncratic factor (เฉพาะบริษัท) | N(0,1) |
| ρ | asset correlation (ระหว่าง y_n และ y_m) | Parameter |
Default Trigger
Default เกิดเมื่อ y_n ≤ K_n โดย threshold คือ:
K_n = Φ⁻¹(p_n)
จุดเชื่อมสำคัญ: threshold กำหนดโดย unconditional default probability p_n ของ obligor
Conditional Default Probability (สูตรคลาสสิก)
p_n(G) = Φ( (Φ⁻¹(p_n) - √ρ × G) / √(1-ρ) )
Exam Tip
สูตรนี้คือศูนย์กลางของ Ch. 4 ต้องท่องให้ขึ้นใจ เมื่อ G ติดลบมาก (เศรษฐกิจแย่) p_n(G) จะพุ่ง — economic intuition แบบนี้ exam ชอบทดสอบ
Conditional Z-Score Calculation (F2025 Q8d — ตัวอย่างที่คำนวณแล้ว)
โจทย์: 1,000 obligors, p = 1%, y_n = √0.2·G + √0.8·ε_n, severe downturn G = −2.33 หา Z-score ของ conditional PD
Pipeline ทีละขั้น:
- Threshold: c = Φ⁻¹(0.01) = −2.326
- Conditional mean: E[y_n|G] = √0.2 × (−2.33) = −1.042
- Conditional std dev: √(1 − ρ) = √0.8 = 0.894
- Z-score: (c − E[y_n|G]) / √(1−ρ) = (−2.326 − (−1.042)) / 0.894 = −1.284 / 0.894 ≈ −1.435
- Conditional PD (ไม่ต้อง): Φ(−1.435) ≈ 7.56% — จาก unconditional 1% เป็น 7.56% ตอน crisis
Exam Tip
Z-score pipeline นี้โผล่ทั้งใน F2025 Q8(d) และ F2020 Q14(b) ประเด็นคือ: ตอน severe downturn (G = −2.33) conditional PD กระโดดจาก 1% เป็น ~7.6% — แสดงว่า common factor amplify default risk แรงมาก ท่อง 3-step pipeline: threshold → conditional mean → Z-score
Gaussian Model: จุดอ่อนสำคัญ
NO TAIL DEPENDENCE
นี่คือจุดอ่อนเดี่ยวที่สำคัญที่สุดของ Gaussian model ใน extreme tail (crisis) model นี้สมมติแบบผิดๆ ว่า defaults กลายเป็น asymptotically independent — ตรงข้ามกับความจริงที่ “ยิ่ง crisis แรง ยิ่ง default ด้วยกันมาก”
Asset Correlation (ρ) vs. Default Correlation (ρ_D)
Exam Tip
ความต่างนี้เป็นคำถาม exam คลาสสิก (ออกใน F2020 Q14(c)) จุดสำคัญ 3 ข้อ:
| Aspect | Asset Correlation (ρ) | Default Correlation (ρ_D) |
|---|---|---|
| วัดอะไร | correlation ของ latent variables y_n, y_m | correlation ของ default indicators I_Dn, I_Dm |
| บทบาทใน model | Input parameter | Output result |
| ขึ้นกับอะไร | modeler ตั้งเอง | ขึ้นกับ ρ และ กับ p_n, p_m (default probabilities) |
ตัวอย่าง: บริษัท 2 รายมี ρ สูง (credit health correlated) แต่ threshold ต่างกันมาก (A-rated vs. C-rated) อาจมี ρ_D ต่ำ
4. t-Distributed Threshold Model (Ch. 4.3)
อัปเกรดจาก Gaussian model ที่ แก้ปัญหา tail dependence
Exam Tip — F2025 Q8(e): "Heavier Tails" คือเหตุผลที่ผิด
Fall 2025 ทดสอบกับดักนี้ตรงๆ: “t-distribution ดีกว่าเพราะ heavier tails” ผิด Gaussian threshold model สร้าง loss distribution ที่ skewed + leptokurtotic (heavy tails) อยู่แล้วถ้า ρ > 0 เหตุผลที่ถูกคือ tail dependence: สำหรับ Gaussian, tail-dependence coefficient → 0 ตอน extreme; สำหรับ t-dist, ยังคง positive Joint extreme defaults ยังคง correlated ใน t-model แต่กลายเป็น asymptotically independent ใน Gaussian
กลไก
เพิ่ม random variable W ~ χ²_v เข้าไปใน latent variable:
y_n = (√(v/W)) × (√ρ × G + √(1-ρ) × ε_n)
- v (degrees of freedom) คุมความหนาของ tail
- เมื่อ v → ∞: t-distribution → Gaussian (กลับเป็น base model)
- v ต่ำ: tail หนาขึ้น, tail dependence แรงขึ้น
ทำไมดีกว่า
| Feature | Gaussian | t-Distributed |
|---|---|---|
| Tail dependence | ไม่มี (asymptotically independent) | มี (coefficient ไม่เป็น 0) |
| VaR | ต่ำกว่า (ประเมินต่ำ) | สูงกว่า (conservative กว่า) |
| Expected Shortfall | ต่ำกว่า (ประเมิน tail average ต่ำ) | สูงกว่า (สมจริงกว่า) |
| Crisis behavior | defaults กลายเป็น independent | defaults ยังคง correlated |
Exam Tip
สำหรับคำถามเรื่อง ES โดยเฉพาะ: ES วัด average loss in the tail การที่ Gaussian ไม่มี tail dependence ทำให้ประเมิน ES ต่ำเกินไปอย่างมาก t-model เป็น “more judicious choice” (คำของ Bolder) สำหรับการคำนวณ regulatory capital
Quick Reference Card
Card 1: Independent Models (Ch. 2)
- Key Concept: benchmark ง่ายสุด สมมติว่า defaults independent
- Formula: Var(L_N) = Σ c_n² p_n(1-p_n) (General) หรือ c²Np(1-p) (Homogeneous)
- บทบาท: lower bound สำหรับเทียบ risk
- จุดอ่อน: no default correlation, thin-tailed, unrealistic asymptotics
- Keywords: Independent, Benchmark, Lower Bound, Thin-tailed, Fails to capture dependence
Card 2: Mixture (Actuarial) Models (Ch. 3)
- Key Concept: ใส่ dependence ผ่าน common random variable Z. Conditional independence
- Formula (Variance): Var(D_N) = Np̄(1-p̄) [Idiosyncratic] + N(N-1)Var[p(Z)] [Systematic]
- Formula (Covariance): Cov(I_Dn, I_Dm) = Var[p(Z)]
- ประเภทหลัก: Beta-Binomial (ρ_D = 1/(α+β+1)), CreditRisk+ (obligor-specific p_n)
- Keywords: Mixture, Common Factor Z, Conditional Independence, Var[p(Z)], Fat-tailed, CreditRisk+
Card 3: Threshold Models (Ch. 4)
- Key Concept: structural model. Default เมื่อ y_n < K_n
- Formula (Gaussian): y_n = √ρ G + √(1-ρ) ε_n
- Formula (Threshold): K_n = Φ⁻¹(p_n)
- Formula (Cond. PD): p_n(G) = Φ( (Φ⁻¹(p_n) - √ρ G) / √(1-ρ) )
- จุดอ่อน (Gaussian): NO TAIL DEPENDENCE
- ทางออก (t-Model): มี tail dependence, risk measure conservative กว่า
- Keywords: Threshold, Latent Variable, Systematic G, Asset Correlation ρ, Tail Dependence
Cross-References
- credit-risk-analysis — 3c ให้ เครื่องมือ ในการ quantify ความเสี่ยงที่ 3a บอกไว้
- default-risk-measurement — Model ในนี้คือ engine ของ Economic Capital, VaR, ES (CPM Level 2)
- structured-credit-products — Credit model เป็นพื้นฐานของ CDO/CLO pricing
- keynote-gem-lo-3c — keynote source พร้อม exam analysis ครบ
- lo-3c-exam-patterns — Exam patterns, answer frameworks, practice scenarios
Interactive Labs
- Actuarial Models Lab (Bolder Ch.3) — 13-module deep-study artifact: Conditional-Independence animated lab · Moment Builder + idio/systematic decomposition · Beta-Binomial calibration · 3-mixture comparator · Poisson-Gamma → Negative Binomial closed form · 8-Model Tournament (loss-distribution overlay) · CreditRisk+ one-factor + multi-factor labs · 9 verbatim past-exam drills (F2020 Q13 · F2021 Q11 · S2022 Q10 · F2025 Q8 · IRM S2024 Q4) · ~58 flashcards · printable cheat sheet