Contagion or Macroeconomic Fluctuations? Identifiability in Aggregated Default Data

Die Studie zeigt, dass bei aggregierten Ausfalldaten makroökonomische Schwankungen die meisten Variationen erklären und die Identifizierbarkeit von Ansteckungseffekten vom zugrunde liegenden Modell abhängt, da sie im Torri-Modell durch Aggregation verschwindet, im Lo-Davis-Modell jedoch als kleiner, persistenter Effekt erkennbar bleibt.

Das Wesentliche

Titel: Stehen die Firmen alle in einer Kette oder ist es einfach nur schlechtes Wetter? Eine einfache Erklärung

Stellen Sie sich vor, Sie beobachten eine große Menge an Firmen über viele Jahre hinweg. Manchmal gehen viele Firmen gleichzeitig pleite, manchmal nur wenige. Die große Frage, die sich die Forscher in diesem Papier stellen, ist: Warum passiert das?

Gibt es zwei Hauptverdächtige?

1. Der „Ansteckungs"-Verdächtige (Kontagion): Eine Firma geht pleite, und das zieht ihre Nachbarn mit sich in den Abgrund, wie eine Seuche oder wie Dominosteine, die umfallen.
2. Der „Wetter"-Verdächtige (Makroökonomie): Es ist einfach ein schlechtes Jahr für alle. Eine globale Rezession oder eine Inflationsspirale trifft alle Firmen gleichzeitig, unabhängig davon, ob sie sich kennen oder nicht.

Das Problem: Wir sehen oft nur die Gesamtzahl der Pleiten pro Jahr (z. B. „2023 waren es 500 Pleiten"). Wir sehen nicht, welche Firma welche getroffen hat oder wann genau es passierte. Es ist wie ein verschwommenes Foto. Kann man auf diesem verschwommenen Foto noch erkennen, ob es eine Ansteckung war oder nur schlechtes Wetter?

Das Papier von Shintaro Mori untersucht genau dieses Rätsel. Hier ist die Erklärung, wie ein einfaches Spiel mit drei verschiedenen Modellen.

Die drei Verdächtigen (Die Modelle)

Die Forscher vergleichen drei verschiedene Theorien, wie Pleiten entstehen könnten:

1. Das „Vasicek"-Modell (Der Wetter-Verdächtige):

   • Die Analogie: Stellen Sie sich einen großen Wald vor. Ein Sturm (die Wirtschaftskrise) fegt über den Wald. Alle Bäume, die vom Sturm getroffen werden, fallen um. Ob ein Baum den anderen umstößt, ist egal; sie fallen alle gleichzeitig wegen des Sturms.
   • Die Idee: Es gibt einen gemeinsamen Faktor (das Wetter), der alle beeinflusst. Die Pleiten sind nicht direkt miteinander verbunden, sondern reagieren nur auf das gleiche externe Signal.

2. Das „Lo–Davis"-Modell (Der sanfte Ansteckungs-Verdächtige):

   • Die Analogie: Stellen Sie sich ein Glashaus vor. Wenn ein Glasfenster zerbricht, ist es nicht sofort vorbei. Jedes weitere zerbrochene Fenster macht es für die nächsten etwas wahrscheinlicher, dass auch sie brechen. Je mehr Fenster schon kaputt sind, desto höher ist die Wahrscheinlichkeit, dass noch mehr folgen. Es ist eine kumulative Ansteckung.
   • Die Idee: Jede Pleite erhöht die Gefahr für die anderen ein wenig. Es ist ein sanfter, stetiger Prozess.

3. Das „Torri"-Modell (Der Schwellenwert-Verdächtige):

   • Die Analogie: Stellen Sie sich einen Raum voller Leute vor. Solange niemand schreit, ist alles ruhig. Aber sobald eine Person schreit (eine Pleite passiert), wird ein Alarm ausgelöst, und alle anderen, die nicht „immun" sind, fallen sofort um. Es ist ein Alles-oder-Nichts-Szenario.
   • Die Idee: Es braucht nur einen Auslöser, dann bricht alles zusammen. Es gibt keine sanfte Steigerung, sondern einen plötzlichen Kipppunkt.

Das Experiment: Was sagt die Daten?

Die Forscher haben historische Daten von 1920 bis 2023 genommen (wie viele Firmen pro Jahr pleitegingen) und geprüft, welches Modell die Realität am besten nachahmt.

Ergebnis 1: Wenn man annimmt, dass sich nichts ändert (Die „statische" Sicht)
Wenn man einfach nur die Zahlen nimmt und annimmt, die Wirtschaft sei immer gleich, dann gewinnt das Vasicek-Modell (Wetter) klar.

• Warum? Die Verteilung der Pleiten sieht aus wie eine glatte Kurve. Das passt am besten zu einem Modell, bei dem ein gemeinsamer Faktor (Wetter) alle leicht beeinflusst. Die „Ansteckungs"-Modelle (besonders das Torri-Modell) sehen in den Daten zu scharfe Kanten oder zu extreme Ausreißer, die nicht wirklich da sind.
• Lehr: Auf den ersten Blick sieht es so aus, als ob alles nur vom „Wetter" (der allgemeinen Wirtschaftslage) abhängt.

Ergebnis 2: Wenn man die Realität ernst nimmt (Die „dynamische" Sicht)
Aber die Wirtschaft ist nicht immer gleich! Es gibt gute Jahre und schlechte Jahre. Also haben die Forscher ein neues Modell gebaut, das die Jahres-Schwankungen erlaubt. Sie haben die Daten so aufgeteilt:

• Wie viel Variation kommt vom „Wetter" (schlechte Jahre vs. gute Jahre)?
• Wie viel kommt von der eigentlichen „Ansteckung" (Firma A zieht Firma B runter)?

Hier wurde es spannend:

• Der Hauptgrund für Schwankungen ist das Wetter. Fast alles, was die Anzahl der Pleiten von Jahr zu Jahr verändert, liegt an der allgemeinen Wirtschaftslage. Das „Wetter" erklärt den Großteil des Chaos.
• Was bleibt übrig?
  • Beim Torri-Modell (Schwellenwert): Fast nichts. Sobald man das „schlechte Wetter" herausrechnet, verschwindet die Spur der Ansteckung. Es ist, als würde man sagen: „Es gab keine Ansteckung, nur sehr unterschiedlich schlechtes Wetter." Das Modell kann die Daten nicht mehr erklären, wenn man das Wetter berücksichtigt.
  • Beim Lo–Davis-Modell (Sanfte Ansteckung): Es bleibt ein kleiner, aber beständiger Rest. Auch wenn man das Wetter herausrechnet, gibt es immer noch eine winzige Spur, die zeigt, dass Firmen sich gegenseitig beeinflussen. Es ist wie ein leises Summen im Hintergrund, das man nur hört, wenn man das laute Wettergeräusch ausschaltet.

Die große Erkenntnis (Das Fazit)

Das Papier sagt uns im Grunde:

1. Aggregate Daten sind trügerisch: Wenn man nur die Gesamtzahlen sieht, vermischt sich alles. Die Ansteckung wird oft vom „schlechten Wetter" (Makroökonomie) verschluckt. Man kann sie schwer unterscheiden.
2. Das Wetter ist der Boss: Die meisten Schwankungen bei Pleiten kommen von der allgemeinen Wirtschaftslage, nicht von einer Kettenreaktion zwischen Firmen.
3. Die Art der Ansteckung zählt:
   • Wenn Ansteckung wie ein plötzlicher Alarm funktioniert (Torri), ist sie in den Jahresdaten unsichtbar. Sie verschmilzt komplett mit dem Wetter.
   • Wenn Ansteckung wie eine sanfte Welle funktioniert (Lo–Davis), hinterlässt sie eine kleine, aber messbare Spur, die man auch in den groben Jahresdaten noch finden kann.

Zusammenfassend:
Stellen Sie sich vor, Sie hören ein lautes Gewitter. Wenn Sie nur das Geräusch hören, denken Sie vielleicht, es regnet einfach nur stark. Aber wenn Sie genau hinhören, merken Sie vielleicht, dass unter dem Donner noch ein leises Klirren von zerbrechenden Fenstern zu hören ist.
Dieses Papier zeigt uns, dass das „Klirren" (die Ansteckung) oft so leise ist, dass es vom „Donner" (der Wirtschaftskrise) übertönt wird. Nur wenn die Ansteckung sehr sanft und stetig ist (wie im Lo–Davis-Modell), können wir sie noch als separates Geräusch erkennen. Wenn sie aber wie ein plötzlicher Knall kommt, hören wir sie gar nicht mehr – sie ist einfach Teil des Gewitters.

Technische Zusammenfassung

Titel: Contagion or Macroeconomic Fluctuations? Identifiability in Aggregated Default Data
Autor: Shintaro Mori (Hirosaki University)

1. Problemstellung

Die Arbeit adressiert ein zentrales Problem im Kreditrisikomanagement und in der Ökonophysik: Kann man aus aggregierten Ausfalldaten (z. B. jährliche Anzahl von Insolvenzen) zuverlässig auf Ansteckungseffekte (Contagion) schließen, oder werden diese Muster durch makroökonomische Schwankungen erklärt?

Das Kernproblem ist die Identifizierbarkeit (Identifiability). Da empirische Daten oft nur als aggregierte Zeitreihen vorliegen (ohne detaillierte Informationen über Verbindungen zwischen einzelnen Unternehmen oder den genauen Zeitpunkt von Ausfällen), ist es schwierig zu unterscheiden, ob Ausfallclustering durch direkte Interaktionen zwischen Firmen (Ansteckung) oder durch gemeinsame Schocks (makroökonomische Faktoren) verursacht wird. Aggregation wirkt hier als "Coarse-Graining"-Prozess, der mikroskopische Interaktionseffekte möglicherweise unterdrückt oder mit makroskopischen Heterogenitäten verschmilzt.

2. Methodik

Der Autor vergleicht drei repräsentative Modelle für die Abhängigkeitsstruktur von Ausfällen, die alle als Binomial-Mischverteilungen interpretiert werden können, aber unterschiedliche mikroskopische Mechanismen zugrunde liegen:

1. Lo–Davis-Modell (Kumulative Ansteckung):
   • Der Ausfall eines Unternehmens erhöht die Ausfallwahrscheinlichkeit für andere.
   • Die Ansteckung ist kumulativ: Je mehr Unternehmen bereits ausgefallen sind, desto höher ist die Wahrscheinlichkeit weiterer Ausfälle (glatter Anstieg).
2. Torri-Modell (Schwellenwert-Ansteckung / Immunisierung):
   • Ansteckung wird durch das Vorhandensein mindestens eines infektiösen Ausfalls ausgelöst (OR-Mechanismus).
   • Sobald der Schwellenwert überschritten ist, sind alle nicht-immunen Unternehmen gleichzeitig exponiert. Zusätzliche Ausfälle verstärken die Ansteckung nicht weiter (diskreter Regimewechsel).
3. Vasicek-Modell (Gemeinsamer Faktor):
   • Abhängigkeit entsteht durch einen kontinuierlichen latenten makroökonomischen Faktor.
   • Bedingt auf diesen Faktor sind Ausfälle unabhängig (smooth mixture).

Datenbasis:

• Jährliche Ausfalldaten von 1920 bis 2023.
• Unterteilung in drei Klassen: Gesamt (ALL), Spekulative Grade (SG) und Investment Grade (IG).

Analyseansatz:
Die Studie erfolgt in zwei Schritten:

1. i.i.d. Spezifikation: Alle Parameter sind über die Zeit konstant. Dies dient als Benchmark, um zu sehen, welche Struktur die beobachtete Verteilung ohne Zeitvariation am besten abbildet.
2. Hierarchische Erweiterung: Die Ausfallwahrscheinlichkeit $p$ wird als zeitvariabel modelliert (über einen latenten Faktor $p_t$), um makroökonomische Schwankungen explizit zu trennen. Dies ermöglicht eine Varianzzerlegung in:
   • Idiosynkratische Variation (i.i.d.)
   • Ansteckung (Intra-Jahres-Abhängigkeit)
   • Zeitvariation der Ausfallwahrscheinlichkeit (Inter-Jahres-Heterogenität).

3. Wichtige Ergebnisse

A. i.i.d. Spezifikation (Konstante Parameter)

• Modellvergleich: Das Vasicek-Modell liefert den besten Fit für die empirischen Daten (niedrigste negative Log-Likelihood), insbesondere im Bereich der Verteilungsschwänze (Tail).
• Interpretation: Unter der Annahme stationärer Daten fängt eine glatte Mischverteilung (wie im Vasicek-Modell) das Ausfallclustering effektiver ein als diskrete Ansteckungsmechanismen (Torri oder Lo–Davis).
• Tail-Verhalten: Das Torri-Modell zeigt zu schnelle Abklingraten der Schwänze (unterdrückt große Ereignisse), während das Lo–Davis-Modell zwar glatter ist, aber extreme Ereignisse immer noch unterschätzt. Das Vasicek-Modell passt die empirische Überlebensfunktion am besten an.

B. Hierarchische Spezifikation (Zeitvariante Parameter)

Dies ist der entscheidende Teil der Arbeit zur Trennung von Makroeffekten und Ansteckung:

• Dominanz der Makrovariabilität: Die Varianzzerlegung zeigt, dass der Großteil der Schwankungen in der jährlichen Ausfallzahl durch die Fluktuation der Ausfallwahrscheinlichkeit $p_t$ über die Jahre erklärt wird, nicht durch innerhalb eines Jahres auftretende Ansteckung.
• Unterschiede in der Identifizierbarkeit:
  • Torri-Modell: Sobald makroökonomische Heterogenität ($p_t$) berücksichtigt wird, verschwindet der Ansteckungsanteil fast vollständig. Der Schwellenwert-Mechanismus lässt sich in aggregierten Daten nicht von makroökonomischen Schwankungen trennen; er wird effektiv in die Heterogenität absorbiert.
  • Lo–Davis-Modell: Im Gegensatz dazu bleibt hier eine kleine, aber persistente Komponente der Ansteckung sichtbar. Diese ist sowohl in der Varianzzerlegung als auch im Tail-Verhalten identifizierbar.
• Tail-Risiko: Unter der hierarchischen Spezifikation neigen das Vasicek-Modell und das hierarchische Torri-Modell dazu, das Tail-Risiko (VaR und Expected Shortfall) zu überschätzen. Das hierarchische Lo–Davis-Modell liefert den ausgewogensten Fit, besonders für die Klassen ALL und SG.

4. Hauptbeiträge

1. Identifizierbarkeitsgrenzen aufzeigen: Die Arbeit demonstriert, dass in grobmaschigen (aggregierten) Daten bestimmte Ansteckungsmechanismen (insbesondere Schwellenwert-Typen wie im Torri-Modell) makroökonomischen Schwankungen nicht unterscheidbar sind.
2. Strukturelle Unterscheidung: Es wird gezeigt, dass kumulative Ansteckung (Lo–Davis) im Gegensatz zu Schwellenwert-Ansteckung (Torri) einen stabilen, separierbaren Signalanteil in den Daten hinterlässt, selbst wenn makroökonomische Faktoren berücksichtigt werden.
3. Rolle der Zeitvariation: Die Studie unterstreicht, dass die meisten Schwankungen in jährlichen Ausfalldaten durch sich ändernde Kreditbedingungen (makroökonomische Faktoren) getrieben werden und nicht durch starke Ansteckungseffekte innerhalb eines Jahres. Ansteckung spielt eher eine sekundäre Rolle bei der Verfeinerung der Verteilungsschwänze.
4. Binomial-Mischungs-Perspektive: Die Modelle werden als verschiedene Arten von Binomial-Mischungen interpretiert. Die Identifizierbarkeit hängt davon ab, ob die Mischung nach der Aggregation eine detektierbare strukturelle Signatur hinterlässt.

5. Bedeutung und Fazit

Die Ergebnisse haben weitreichende Implikationen für das Kreditrisikomodellierung und die Regulierung:

• Modellauswahl: Bei Verwendung von aggregierten Daten (wie jährlichen Ausfallzahlen) ist das Vasicek-Modell oft ein guter Proxy für die Verteilung, da es Heterogenität gut abbildet. Allerdings kann dies zu einer Fehlinterpretation führen, wenn man annimmt, dass die Abhängigkeit nur auf einem gemeinsamen Faktor beruht, während kumulative Ansteckungseffekte existieren könnten.
• Risikoabschätzung: Die Unterscheidung zwischen "echter" Ansteckung und makroökonomischer Heterogenität ist kritisch für die Berechnung des Tail-Risikos. Schwellenwert-Ansteckung (Torri) führt in aggregierten Daten zu instabilen Schätzungen, während kumulative Ansteckung (Lo–Davis) robustere, wenn auch schwächere Signale liefert.
• Datenanforderung: Um Ansteckungseffekte eindeutig zu identifizieren, reichen aggregierte Daten oft nicht aus. Höhere Frequenzdaten oder firmenspezifische Netzwerkdaten wären notwendig, um die Interaktionseffekte direkter zu beobachten.

Zusammenfassend stellt die Arbeit klar, dass in aggregierten Daten die Unterscheidung zwischen Ansteckung und Makrofluktuationen stark vom gewählten Interaktionsmechanismus abhängt: Während Schwellenwert-Ansteckung unsichtbar wird, bleibt kumulative Ansteckung als kleines, aber messbares Element erhalten.