Model Risk in Credit Portfolio Models

तकनीकी सारांश: क्रेडिट पोर्टफोलियो मॉडल में मॉडल जोखिम (Model Risk)

समस्या विवरण
क्रेडिट पोर्टफोलियो मॉडल में मॉडल जोखिम एक महत्वपूर्ण, फिर भी अपर्याप्त रूप से संबोधित चुनौती है। जबकि नियामक निकाय (जैसे कि OCC और Fed) यह अनिवार्य करते हैं कि मॉडल जोखिम का प्रबंधन अन्य जोखिम प्रकारों के समान ही कठोरता के साथ किया जाए, क्रेडिट पोर्टफोलियो के संदर्भ में मॉडल जोखिम को संबोधित करने वाला साहित्य अत्यंत सीमित है। मुख्य समस्या इस तथ्य में निहित है कि मानक अभ्यास मॉडल मापदंडों (Parameters)—जैसे डिफॉल्ट की संभावना (PD), डिफॉल्ट के समय हानि (LGD), और परिसंपत्ति सहसंबंध (Asset Correlations)—को निश्चित बिंदु मानों (Fixed Point Values) के रूप में मानने की है। यह दृष्टिकोण इन अनुमानों के इर्द-गिर्द मौजूद अंतर्निहित अनिश्चितता (दोनों एपिस्टेमिक और एलियेटरी) की अनदेखी करता है, जो वैल्यू-एट-रिस्क (VaR) जैसे जोखिम मापों को महत्वपूर्ण रूप से विकृत कर सकती है। वर्तमान संवेदनशीलता विश्लेषण (Sensitivity Analyses) अक्सर इस अनिश्चितता के परिमाण को मापने या इसे प्रबंधित करने के लिए एक समग्र ढांचा प्रदान करने में विफल रहते हैं।

कार्यप्रणाली (Methodology)
यह शोध पत्र मापदंड अनिश्चितता को मॉडल करने के लिए एक एकीकृत ढांचे का प्रस्ताव करता है, जहाँ मापदंडों को स्थिरांक (Constants) के बजाय अतिरिक्त जोखिम कारकों के रूप में माना जाता है। इसमें मापदंडों को बिंदु अनुमानों के बजाय संभाव्यता वितरणों (Probability Distributions) के रूप में बदलना और उन्हें मॉडल से "एकीकृत" (Integrate out) करना शामिल है। इस कार्यप्रणाली को एक मानक वासिकेक-शैली (Vasicek-style) के टॉय मॉडल का उपयोग करके प्रदर्शित किया गया है, जहाँ पोर्टफोलियो हानि को एक व्यवस्थित जोखिम कारक ($X$) और एक विशिष्ट कारक ($\epsilon$) से प्राप्त किया जाता है। यह दृष्टिकोण तीन विशिष्ट मापदंडों में अनिश्चितता को संबोधित करता है:

1. LGD में अनिश्चितता: LGD को एक निश्चित स्केलर के रूप में मानने के बजाय, लेखक डिफॉल्ट को अवस्थाओं के एक संग्रह के रूप में मॉडल करते हैं, विशेष रूप से पूर्ण वसूली या पूर्ण हानि के बाइनरी परिणाम के रूप में। यह LGD अनिश्चितता को PD के डोमेन में स्थानांतरित कर देता है। तकनीकी रूप से, अपेक्षित LGD ($q$) को PD में समाहित किया जाता है, जिससे प्रभावी PD बदलकर $p \cdot q$ हो जाता है।
2. PD में अनिश्चितता: यह पहचानते हुए कि PD अक्सर छोटे नमूनों (Samples) से कैलिब्रेट किए जाते हैं, शोध पत्र एक वितरण (विशेष रूप से एक वासिकेक-वितरित चर) का उपयोग करके PD ($p$) की अनिश्चितता को मॉडल करता है, जो नमूना आकार $N$ द्वारा स्केल किए गए द्विपद वितरण (Binomial Distribution) के प्रसरण (Variance) से मेल खाता है। एक प्रमुख विश्लेषणात्मक परिणाम यह है कि एक पोर्टफोलियो मॉडल में वासिकेक-वितरित PD को एम्बेड करना, परिसंपत्ति सहसंबंध पैरामीटर को समायोजित करने के गणितीय रूप से समकक्ष है। प्रभावी सहसंबंध $\varrho + \beta - \varrho \cdot \beta$ बन जाता है, जहाँ $\beta$, PD अनिश्चितता के प्रसरण का प्रतिनिधित्व करता है।
3. सहसंबंध (Correlation) में अनिश्चितता: परिसंपत्ति सहसंबंध ($\varrho$) में अनिश्चितता को संबोधित करने के लिए, व्यवस्थित जोखिम कारक को अब मानक सामान्य (Standard Normal) नहीं माना जाता है। इसके बजाय, शोध पत्र प्रस्तावित करता है कि सामान्य व्यवस्थित कारक को एक स्केल किए गए $t$-वितरण (t-distribution) से बदल दिया जाए। यह इस धारणा के माध्यम से प्राप्त किया जाता है कि सहसंबंध पैरामीटर एक इन्वर्स-ची-स्क्वायर वितरण का पालन करता है, जो एक सामान्य चर के साथ गुणा होने पर $t$-वितरित चर प्रदान करता है। स्वतंत्रता की कोटि (Degrees of freedom, $\nu$) को अनुभवजन्य सहसंबंध वितरण के सापेक्ष मानक विचलन के आधार पर कैलिब्रेट किया जाता है।

प्रमुख परिणाम
$p=0.01$, $\varrho=0.1$, $q=0.5$, और 99.9% विश्वास स्तर वाले एक टॉय उदाहरण का उपयोग करते हुए:

• बेसलाइन VaR: 0.0387।
• LGD अनिश्चितता: LGD को एक बाइनरी जोखिम कारक के रूप में मानने से VaR बढ़कर 0.0460 हो गया।
• PD अनिश्चितता: PD अनिश्चितता (मान लीजिए $N=1000$ का नमूना आकार) को शामिल करने से VaR बढ़कर 0.0431 हो गया।
• सहसंबंध अनिश्चितता: 0.25 के सापेक्ष मानक विचलन (जिसके परिणामस्वरूप $\nu=36$ प्राप्त हुआ) के साथ सहसंबंध अनिश्चितता को मॉडल करने से VaR बढ़कर 0.0425 हो गया।
• संचयी प्रभाव (Aggregated Effects): जब सभी अनिश्चितताओं को मिलाया जाता है, तो उनके प्रभाव "योगात्मक से अधिक" (More than additive) पाए जाते हैं, जो इस सेटिंग में मॉडल जोखिम के विविधीकरण (Diversification) की कमी को दर्शाता है। संयुक्त VaR बढ़कर 0.0574 हो जाता है (बेसलाइन से 187 आधार अंक की वृद्धि)।

शोध पत्र बेसल II (Basel II) सहसंबंध स्ट्रेस फंक्शन के विरुद्ध प्राप्त सहसंबंध समायोजन की तुलना करता है, यह नोट करते हुए कि हालांकि दोनों ही छोटे PD को स्ट्रेस करते हैं, लेकिन उनके कार्यात्मक रूप (Functional forms) काफी भिन्न हैं।

महत्व और दावे
लेखक का दावा है कि यह कार्यप्रणाली एक "समग्र दृष्टिकोण" (Holistic view) प्रदान करती है जो व्यापक भी है और लागू करने में आसान भी। मुख्य योगदान केवल मॉडल जोखिम के प्रबंधन से हटकर इसे मापने योग्य बनाने की ओर बदलाव करना है। मापदंडों को जोखिम कारकों के रूप में मानकर, संस्थान निम्नलिखित कर सकते हैं:

• मॉडल जोखिम पर उनके विशिष्ट प्रभाव के अनुसार मापदंडों को रैंक करना।
• सरल संवेदनशीलता विश्लेषण से आगे बढ़कर यह मात्रात्मक रूप से निर्धारित करना कि मापदंडों को कितना स्ट्रेस किया जाना चाहिए।
• उद्योग-मानक मॉडलों (जैसे CreditMetrics) में इन तकनीकों का विस्तार करना, जैसे कि:
  • LGD के लिए माइग्रेशन इवेंट के रूप में डिफॉल्ट को कॉन्फ़िगर करना।
  • PD अनिश्चितता के लिए इंट्रा-सेक्टर सहसंबंधों को ट्यून करना।
  • बहुभिन्नरूपी सामान्य वितरणों (Multivariate Normal Distributions) को बहुभिन्नरूपी $t$-वितरणों से बदलना।

शोध पत्र विनम्रतापूर्वक निष्कर्ष निकालता है, यह स्वीकार करते हुए कि हालांकि ये विधियाँ मात्रात्मकता और प्रबंधन के लिए एक प्रारंभिक बिंदु प्रदान करती हैं, वे मॉडल जोखिम को समाप्त नहीं करती हैं। इसके अलावा, वास्तविक दुनिया के पोर्टफोलियो में जहाँ विशिष्ट प्रभाव (Idiosyncratic effects) या नकारात्मक सहसंबंध होते हैं, वहां सहसंबंध अनिश्चितता का प्रभाव इस सजातीय (Homogeneous) टॉय मॉडल की तुलना में कम प्रभावी हो सकता है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में जोखिम कारकों के वितरण संबंधी धारणाओं में मॉडल जोखिम को संबोधित करने के लिए नेटवर्क या AI आधारित बेंचमार्क मॉडल शामिल हो सकते हैं।