A stochastic correlation extension of the Vasicek credit risk model

Die Studie erweitert das Vasicek-Kreditrisikomodell um einen stochastischen Korrelationsprozess auf dem Kreis, der durch geschlossene Formeln und empirische Belege zeigt, wie die Modellierung von Korrelationsrisiko und -volatilität die Berechnung von gemeinsamen Ausfallwahrscheinlichkeiten und Tail-Risiken verbessert.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein Versicherungsmathematiker, der versucht vorherzusagen, wie viele Häuser in einer Stadt bei einem Sturm beschädigt werden.

Das klassische Modell (das sogenannte Vasicek-Modell) funktioniert so: Es geht davon aus, dass alle Häuser gleich stark gebaut sind und dass der Wind, der sie trifft, immer gleich stark weht. Wenn ein Haus umfällt, liegt das daran, dass der Wind stark war. Aber das Modell nimmt an, dass die Häuser völlig unabhängig voneinander sind, außer dass sie demselben Wind ausgesetzt sind.

Das Problem: In der echten Welt ist das nicht so. Bei einem echten Sturm (einer Wirtschaftskrise) fallen nicht nur zufällig ein paar Häuser um. Wenn der Wind stark wird, fallen alle gleichzeitig um, weil sie alle demselben Sturmsystem ausgesetzt sind. Das klassische Modell unterschätzt also das Risiko, dass viele Dinge gleichzeitig schiefgehen. Es geht davon aus, dass die "Verbindung" zwischen den Häusern (die Korrelation) immer gleich bleibt.

Die neue Idee dieses Papiers:
Die Autoren sagen: "Nein, die Verbindung zwischen den Häusern ändert sich!" Wenn es ruhig ist, sind die Häuser unabhängig. Wenn es stürmisch wird, kleben sie quasi aneinander und fallen gemeinsam um. Diese sich ändernde Verbindung nennen sie stochastische Korrelation.

Hier ist die einfache Erklärung ihrer Lösung, mit ein paar kreativen Bildern:

1. Der Kreislauf des Wetters (Die Kreis-Diffusion)

Statt die Verbindung zwischen den Häusern als festen Zahlenwert zu betrachten, stellen sich die Autoren die Verbindung als einen Zeiger auf einem Zifferblatt vor.

• Das alte Modell: Der Zeiger steht immer fest auf 12 Uhr.
• Das neue Modell: Der Zeiger läuft herum. Manchmal zeigt er auf 12 Uhr (starke Verbindung, alle fallen zusammen), manchmal auf 3 Uhr (schwache Verbindung, sie fallen unabhängig).

Der Clou ist: Sie haben diesen Zeiger auf einen Kreis gelegt. Das ist genial, weil ein Kreis keine "Kanten" hat. Der Zeiger kann sich frei drehen, ohne dass er an einer Wand (bei 0 oder 100 %) hängen bleibt oder das Modell kaputtgeht. Es ist wie ein Kompass, der sich im Kreis dreht, statt auf einer geraden Linie hin und her zu laufen.

2. Der Tanz der Häuser

Stellen Sie sich vor, die Häuser sind Tänzer.

• Bei niedriger Korrelation: Jeder tanzt seinen eigenen Tanz. Wenn einer stolpert, macht das nichts für die anderen.
• Bei hoher Korrelation: Sie tanzen einen synchronisierten Tanz. Wenn einer stolpert, stolpern alle mit.

Das neue Modell erlaubt es, dass sich der Tanzschritt im Laufe der Zeit ändert. Mal tanzen sie synchron (Krise), mal unkoordiniert (ruhige Zeiten). Die Autoren haben mathematische Formeln entwickelt, um zu berechnen, wie wahrscheinlich es ist, dass alle gleichzeitig stolpern, wenn man weiß, dass der Tanzschritt sich zufällig ändert.

3. Warum ist das wichtig? (Das Risiko der "Überraschung")

Wenn Banken oder Aufsichtsbehörden (wie die EZB) berechnen, wie viel Geld sie als Reserve halten müssen, nutzen sie oft das alte, starre Modell.

• Das Risiko: Wenn sie denken, die Häuser seien nur schwach verbunden, halten sie zu wenig Geld zurück.
• Die Realität: Wenn dann eine Krise kommt, "kleben" die Häuser plötzlich zusammen, und alle fallen um. Die Banken sind dann pleite, weil sie nicht genug Reserven hatten.

Das neue Modell zeigt: Die Unsicherheit darüber, wie stark die Verbindung ist, ist selbst ein riesiges Risiko. Es ist wie bei einer Wette: Es reicht nicht zu wissen, wie stark der Wind weht. Man muss auch wissen, wie sehr sich die Windrichtung ändern könnte.

4. Der Beweis mit echten Daten

Die Autoren haben das Modell mit echten Daten von US-Banken getestet (wie viele Kredite nicht zurückgezahlt wurden).

• Ergebnis: Sie haben gesehen, dass die Verbindung zwischen den Krediten nicht konstant ist. Bei Immobilienkrediten wird die Verbindung in Krisenzeiten extrem stark (wie ein Schwarm Vögel, der plötzlich alle in die gleiche Richtung fliegt). Bei Konsumkrediten (Kreditkarten) ist die Verbindung oft schwächer.
• Die Lehre: Wenn man diese schwankende Verbindung ignoriert, rechnet man mit falschen Zahlen. Das neue Modell kann diese Schwankungen einfangen und zeigt, dass das Risiko von "Alles-geht-um" (Joint Tail Events) viel höher ist, als man dachte.

Zusammenfassung in einem Satz

Statt anzunehmen, dass alle Häuser im Sturm gleich stark verbunden sind, beschreibt dieses Papier, wie sich diese Verbindung wie ein sich drehender Kompass verändert, und zeigt uns damit, warum wir in Krisenzeiten viel mehr Geld als Reserve brauchen, als die alten Modelle vermuten lassen.

Es ist im Grunde ein Weg, das Chaos der echten Welt (dass sich alles ändert) in eine mathematische Formel zu packen, ohne dabei die Mathematik unbrauchbar zu machen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „A stochastic correlation extension of the Vasicek credit risk model" auf Deutsch:

1. Problemstellung

Das klassische Vasicek-Modell für Kreditportfoliorisiken geht von einer konstanten Asset-Korrelation ($\rho$) aus. In diesem Rahmen wird das Tail-Risiko (die Wahrscheinlichkeit extremer Verluste) primär durch diesen festen Korrelationsparameter bestimmt.

• Empirische Schwäche: In der Realität ist die Abhängigkeit zwischen Ausfällen nicht konstant. Sie ist zustandsabhängig (state-dependent) und steigt typischerweise in Stressphasen an.
• Korrelationsrisiko: Die Unsicherheit bezüglich der Abhängigkeitsstruktur selbst stellt ein eigenständiges Risiko dar. Die Annahme einer konstanten Korrelation führt zu einer Fehlspezifikation, die die berechneten regulatorischen Kapitalanforderungen (Basel IRB) und Tail-Quantile verfälschen kann.
• Herausforderung: Bestehende stochastische Korrelationsmodelle (z. B. Wishart-Prozesse oder Jacobi-Prozesse) sind oft schwer zu handhaben, da sie entweder die Beschränkung $\rho \in [-1, 1]$ nur schwer garantieren oder keine geschlossenen Übergangsdichten besitzen, was die Berechnung von Mischungsverteilungen und die Likelihood-Inferenz erschwert.

2. Methodik

Die Autoren schlagen eine Erweiterung des Vasicek-Modells vor, bei der die Korrelation als stochastischer Prozess modelliert wird, der jedoch analytisch handhabbar bleibt.

Geometrische Transformation:
Anstatt $\rho_t$ direkt zu modellieren, nutzen die Autoren die geometrische Identität, dass die Pearson-Korrelation zwischen zentrierten Vektoren als Kosinus eines Winkels $\theta$ geschrieben werden kann:
$$\rho_t = \cos(\theta_t)$$
Hierbei ist $\theta_t$ ein Diffusionsprozess auf dem Kreis ($S^1$).

• Vorteil: Durch die Konstruktion ist $\rho_t$ automatisch im Intervall $[-1, 1]$ beschränkt, ohne dass reflektierende Randbedingungen nötig sind.
• Nicht-Negativität: Für Anwendungen im ASRF-Rahmen (Basel), wo nur nicht-negative Abhängigkeiten relevant sind, wird oft $\rho_t = \cos^2(\phi_t)$ mit $\phi_t \in [0, \pi/2]$ verwendet.

Stochastische Prozesse:
Als Dynamik für den Winkel $\theta_t$ werden zwei kanonische Kreis-Diffusionen betrachtet:

1. Kreis-Brownsche Bewegung: Entspricht einer Brownschen Bewegung auf dem Kreis (nicht-mittelrevertierend).
2. von-Mises-Prozess: Entspricht einem Ornstein-Uhlenbeck-Prozess auf dem Kreis. Er besitzt eine mittlere Richtung $\mu$, eine Reversionsgeschwindigkeit $\lambda$ und eine Diffusionskonstante $\sigma_\theta$. Dieser Prozess erlaubt eine Mittelwertreversion der Korrelation.

Analytische Herleitung:
Das Modell nutzt die Bedingung, dass bei festem Korrelationszustand $\rho_t$ die gemeinsamen Verteilungen analytisch lösbar sind. Die unbedingten Größen ergeben sich durch Integration (Mischung) über die Verteilung von $\rho_t$.

• Gemeinsame Asset-Verteilung: Herleitung einer halb-geschlossenen Formel für die gemeinsame Verteilung zweier Vermögenswerte mittels Laplace-Approximation.
• First-Passage-Zeiten (Ausfallzeiten): Nutzung bekannter Ergebnisse für das gemeinsame Erreichen von Barrieren durch korrelierte Wiener-Prozesse, um die Dichte der gemeinsamen Ausfallzeiten zu bestimmen.
• Überlebenswahrscheinlichkeit: Darstellung der gemeinsamen Überlebenswahrscheinlichkeit über eine „killed transition density" (eine Dichte, die an den Ausfallbarrieren absorbiert wird) in einem keilförmigen Bereich. Die Autoren korrigieren dabei frühere Formulierungen (Sacerdote et al., 2016) um einen fehlenden Drift-Faktor.

3. Wichtige Beiträge

• Neues Modellierungsparadigma: Einführung einer stochastischen Korrelation im Vasicek-Rahmen mittels Kreis-Diffusionen, die sowohl Beschränktheit als auch analytische Handhabbarkeit (geschlossene Übergangsdichten) garantiert.
• Analytische Bausteine: Ableitung von geschlossenen oder halb-geschlossenen Formeln für die gemeinsame Verteilung, die gemeinsame First-Passage-Zeit und die Überlebenswahrscheinlichkeit unter stochastischer Korrelation.
• Quantitative Analyse: Eine Simulationsstudie, die isoliert den Einfluss der Korrelationsdynamik (Volatilität und Persistenz) auf Tail-Risiken untersucht.
• Empirische Anwendung: Schätzung einer zeitvariierenden Abhängigkeitsindex ($\rho_t$) aus US-Bank-Abschreibungsdaten (Charge-off rates) mittels penalisierter Maximum-Likelihood-Schätzung unter dem von-Mises-Modell.

4. Ergebnisse

Simulationen:

• Marginalvolatilität: Die Volatilität der Vermögenswerte (GBM-Volatilität) bleibt der dominierende Treiber für gemeinsame Ausfallwahrscheinlichkeiten und Überlebenswahrscheinlichkeiten.
• Korrelationsvolatilität ($\sigma_{von}$): Eine höhere Volatilität der Korrelation führt zu einer Verringerung der gemeinsamen Ausfallwahrscheinlichkeit am Horizont. Dies liegt daran, dass eine hohe Volatilität die Korrelationszustände über die Zeit stark streut, was eine persistente Clusterbildung von Ausfällen schwächt.
• Persistenz (Mittelwertreversion $\lambda$): Eine stärkere Mittelwertreversion (höheres $\lambda$) erhöht das gemeinsame Ausfallrisiko. Ein stabilerer, persistenter Korrelationszustand führt zu einer stärkeren Clusterbildung von Ausfällen.
• Erste-Passage-Wahrscheinlichkeiten: Der Einfluss der Korrelationsvolatilität auf die Wahrscheinlichkeit, dass beide Barrieren innerhalb eines Zeitraums überschritten werden, ist nicht monoton, da dies von der gesamten Pfadverteilung der Korrelation abhängt.

Empirische Illustration (US-Bankendaten):

• Zeitliche Variation: Der abgeleitete Abhängigkeitsindex $\hat{\rho}_t$ ist keineswegs konstant. Es gibt Phasen niedriger Korrelation und Episoden stark erhöhter Korrelation.
• Sektorale Unterschiede: Immobilienbezogene Kredite (Commercial/Residential Real Estate) zeigen signifikant höhere und volatilere Abhängigkeitsniveaus als Konsumkredite (z. B. Kreditkarten), die oft nahe Null liegen.
• Tail-Risiko: Die Einbeziehung der geschätzten stochastischen Abhängigkeit führt zu materiell anderen Wahrscheinlichkeiten für gemeinsame Extremereignisse (Joint Tail Events) im Vergleich zu einem Modell mit konstanter Durchschnittskorrelation. Insbesondere in Stressszenarien (hohe $\rho_t$) steigen die Joint-Default-Wahrscheinlichkeiten stark an.

5. Bedeutung und Fazit

Das Paper bietet einen pragmatischen und mathematisch fundierten Weg, das Korrelationsrisiko in strukturelle Kreditrisikomodelle zu integrieren, ohne auf die analytische Traktabilität zu verzichten, die für regulatorische Anwendungen (wie Basel IRB) essenziell ist.

• Regulatorische Relevanz: Da die Kapitalanforderungen im ASRF-Rahmen stark von der Asset-Korrelation abhängen, zeigt das Modell, dass die Vernachlässigung der Dynamik und Unsicherheit der Korrelation zu erheblichen Fehleinschätzungen des Tail-Risikos führen kann.
• Praktische Anwendbarkeit: Der Ansatz erlaubt es, komplexe Abhängigkeitsstrukturen durch eine einfache Mischung über Zustände zu approximieren, was die Berechnung von Portfolio-Verlustverteilungen und Value-at-Risk (VaR) effizient macht.
• Zukunftsausblick: Die Autoren sehen Potenzial in der Erweiterung auf Multi-Name-Portfolios und in der Verwendung von pathweisen Simulationen innerhalb der Barrierenereignisse, um noch genauere Ergebnisse zu erzielen.

Zusammenfassend demonstriert die Arbeit, dass Kreis-Diffusionsmodelle eine parsimonische (sparsame) und operationell handhabbare Methode darstellen, um stochastische Korrelationen in die Kreditrisikobewertung einzuführen und so realistischere Szenarien für Stress-Tests und Kapitalplanung zu generieren.