Model Risk in Credit Portfolio Models

銀行を、金融リスクという嵐の海を航行する巨大な船だと想像してみてください。安全を保つために、船長（銀行）は高度な航海術（クレジット・ポートフォリオ・モデル）を駆使して、乗客（借り手）が返済できなくなった場合に船がどれほどのダメージを受けるかを予測します。

問題は、船長の持つ地図が完璧ではないことです。地図上の数字――例えば、借り手がデフォルト（債務不履行）に至る確率や、デフォルトした場合にどれだけの損失が出るかといった数値は、限られたデータに基づいた単なる「推測」に過ぎません。この不確実性をモデル・リスクと呼びます。それは、霧の深い中を車で運転しているようなものです。道があることは分かっていても、その端がどこにあるのかは正確には分からないのです。

クリスティアン・マイヤーによるこの論文は、迷子にならずにその霧の中を航行するための、巧妙な方法を提案しています。著者は、霧が存在しないふりをするのではなく、その不確実性を「旅の一部」として扱うことを提案しています。

以下に、この論文の主要なアイデアを簡単に解説します。

1. コアとなる問題：「点（値）」と現実

通常、銀行はあらゆるリスク要因に対して単一の数値を選択します。

• デフォルト確率 (PD): 「この借り手が破綻する確率は1%である」
• デフォルト時損失率 (LGD): 「もし破綻した場合、資金の50%を失う」
• 相関関係: 「ある借り手がデフォルトした場合、その隣の借り手もデフォルトする確率は10%である」

論文は、これらを固定された数値として扱うことは危険であると主張しています。なぜなら、これらは実際には「ぼやけた」ものだからです。現実の世界は混沌としているのです。

2. 解決策：数値を「雲」に変える

著者は、「魔法のようなトリック」を提案しています。単一の数値を使う代わりに、すべてのパラメータを可能性の雲（分布）へと変えるのです。そして、これらすべての可能性を通してモデルを実行し、起こりうる結果の全範囲を確認します。

論文では、このプロセスを3つの具体的な「雲」に分類し、それぞれへの対処法を示しています。

A. 「全か無か」の雲 (LGD)

問題点: 銀行は通常、「平均して50%の損失が出る」と言います。しかし現実には、借り手がデフォルトする場合、それは壊滅的な事態（100%の損失）か、あるいは奇跡的な事態（0%の損失）のどちらかであることが多いのです。平均値は、こうした極端な現実を隠してしまいます。
解決策: 著者は、「損失」を独立した数値として考えるのをやめることを提案しています。代わりに、この損失を考慮するために、デフォルトの確率自体が変化したと想定するのです。

• 例え: コイン投げに賭けている場面を想像してください。「もし表が出たら賭け金の50%を失う」と言う代わりに、コインが表になる確率が少し高くなるようにゲームのルールを変更するのです。つまり、リスクを「損失の大きさ」から「事象が発生する確率」へと移動させるのです。

B. 「小さなサンプル」の雲 (PD)

問題点: 銀行は過去の履歴に基づいてデフォルト率を推定します。もしデータが1,000人分しかなければ、デフォルト率が1%であるという推定は不安定なものです。これは、一日の観測結果だけで天気を予想しているようなものです。
解決策: 著者は、これを扱うために複雑なコンピュータ・シミュレーションを行う必要はないと述べています。代わりに、単純に**「相関関係」のダイヤルを回す**ことができます。

• 例え: 天気予報に不安があるとき、単に気温の予想を変えるのではなく、天気がより「伝染しやすい」ものだと仮定します。ある町で雨が降れば、隣の町でも雨が降る可能性が高くなります。相関を高めることで、モデルは自然とより保守的になり（安全バッファを増やし）、データの不足を補うことができます。

C. 「ゆらぎ」の雲 (相関関係)

問題点: 相関関係は、借り手同士がどの程度連動して動くかを測定します。しかし、正確な数値は分かりません。それは「ゆらぐ」推定値なのです。
解決策: 著者は、地図自体の形を変えることを提案しています。リスクが滑らかな「ベルカーブ（正規分布）」に従うと仮定するのではなく、「ファット・テイル（太い裾）」を持つ分布（t分布など）へと切り替えます。

• 例え: ベルカーブは、極端な事象はほぼ起こり得ないと言います。一方、「ファット・テイル」を持つ曲線は、「ブラック・スワン（予期せぬ大規模な暴落）」が、滑らかな曲線が予測するよりも頻繁に起こることを認めています。より「粗い」地図を使用することで、モデルは滑らかな地図が無視してしまう最悪のシナリオに対して、自動的に備えることができるようになります。

3. 結果：より大きなセーフティネット

著者がこれらすべての「雲」をテストモデル（トイ・モデル）に組み込んだところ、結果は明白でした。

• 推定されるリスク（バリュー・アット・リスク）は上昇します。
• 論文によれば、もし初期のリスク推定が3.87%であったとしても、これらの不確実性を考慮すると、その数値は**5.74%**まで押し上げられます。

重要な洞察: リスクは単に足し合わされるのではありません。彼らは「乗算」されます。デフォルト率に関する不確実性に、損失率に関する不確実性が加わると、単に両者を足し合わせたものよりもはるかに大きな問題が生じます。ここには「分散投資」の効果はありません。不確実性は互いに積み重なっていくのです。

4. 結論：新しい「運転」の方法

論文は、銀行に対するシンプルかつ直感に反するレシピを提示して締めくくっています。

1. もし損失が心配なら、デフォルト率を調整せよ。
2. もしデフォルト率が心配なら、相関関係を調整せよ。
3. もし相関関係が心配なら、**地図の形（分布）**を変えよ。

著者は、これがあくまで出発点であることを認めています（例えば、地図の形そのものが間違っているというリスクなど、すべての問題を解決するわけではありません）。しかし、これは銀行が「不確実性の霧」を、ただ存在しないかのように振る舞うのではなく、それを測定し管理するための、実践的で導入しやすいツールを提供しています。

要約すると: 単一の数値を信じてはいけません。可能性の範囲を信じ、それに応じて安全バッファを調整してください。