💰 quantitative finance

Model Risk in Credit Portfolio Models

Dit artikel stelt een uitgebreid maar eenvoudig te implementeren kader voor het aanpakken van modelrisico in kredietportefeuillemodellen door systematisch onzekerheid over alle modelparameters te behandelen.

Oorspronkelijke auteurs: Christian Meyer

Gepubliceerd 2026-06-17

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Christian Meyer

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een bank een massief schip is dat door een stormachtige zee van financieel risico vaart. Om veilig te blijven, gebruikt de kapitein (de bank) een geavanceerd navigatiesysteem (een kredietportefeuillemodel) om te voorspellen hoeveel schade het schip zou kunnen oplopen als sommige passagiers (leners) niet terugbetalen.

Het probleem is dat de kaart van de kapitein niet perfect is. De cijfers op de kaart — zoals de kans dat een lener in gebreke blijft of hoeveel geld er verloren gaat als dat gebeurt — zijn slechts gissingen gebaseerd op beperkte gegevens. Deze onzekerheid wordt Modelrisico genoemd. Het is also option een auto te besturen in dichte mist; je weet dat de weg er is, maar je weet niet precies waar de randen liggen.

Dit artikel, geschreven door Christian Meyer, stelt een slimme manier voor om door die mist te navigeren zonder de weg kwijt te raken. In plaats van te doen alsof de mist niet bestaat, suggereert de auteur dat we de onzekerheid als onderdeel van de reis moeten beschouwen.

Hier is de eenvoudige uitsplitsing van de hoofdideeën van het artikel:

1. Het kernprobleem: "Puntwaarden" versus de realiteit

Meestal kiezen banken één enkel getal voor elke risicofactor.

Kans op wanbetaling (Probability of Default - PD): "Er is een kans van 1% dat deze lener in gebreke blijft."
Verlies bij wanbetaling (Loss Given Default - LGD): "Als hij in gebreke blijft, verliezen we 50% van het geld."
Correlatie: "Als één lener in gebreke blijft, is er een kans van 10% dat zijn buurman ook in gebreke blijft."

Het artikel betoogt dat het behandelen van deze factoren als vaste getallen gevaarlijk is, omdat ze in werkelijkheid wazig zijn. De echte wereld is chaotisch.

2. De oplossing: Getallen veranderen in "Wolken"

De auteur stelt een "magische truc" voor: in plaats van een enkel getal te gebruiken, maken we van elke parameter een wolk van mogelijkheden (een distributie). We laten het model vervolgens door al deze mogelijkheden lopen om het volledie spectrum aan uitkomsten te zien.

Het artikel verdeelt dit in drie specifieke "wolken" en hoe hiermee om te gaan:

A. De "Alles-of-Niets"-wolk (LGD)

Het probleem: Banken zeggen meestal: "We verliezen gemiddeld 50%." Maar in de werkelijkheid is het bij wanbetaling vaak een ramp (100% verlies) of een wonder (0% verlies). Het gemiddelde verbergt de extreme realiteit.
De oplossing: De auteur suggereert dat we stoppen met het denken over "Verlies" als een apart getal. In plaats daarvan doen we alsof de kans op wanbetaling zelf is veranderd om dit te compenseren.

Analogie: Stel je voor dat je wedt op een muntopwerp. In plaats van te zeggen: "Ik verlies 50% van mijn inzet als het kop is," verander je de regels van het spel zodat de munt iets vaker op munt landt. Je verplaatst het risico van de "omvang van het verlies" naar de "kans dat de gebeurtenis plaatsvindt".

B. De "Kleine Steekproef"-wolk (PD)

Het probleem: Banken schatten wanbetalingspercentages in op basis van de historie. Als ze slechts gegevens hebben over 1.000 mensen, is hun schatting van een 1% faalpercentage wankel. Het is alsof je het weer probeert te voorspellen op basis van één dag aan observaties.
De oplossing: De auteur suggereert dat we geen complexe computersimulaties nodig hebben om dit af te handelen. In plaats daarvan kunnen we simpelweg de "Correlatie"-draaiknop opendraaien.

Analogie: Als je onzeker bent over de weersverwachting, raad je niet alleen een andere temperatuur aan; je neemt aan dat het weer meer "besmettelijk" is. Als het in één stad regent, is het waarschijnlijker dat het in de volgende stad ook regent. Door de correlatie te verhogen, wordt het model van nature conservatiever (het vergroot de veiligheidsbuffer) om het gebrek aan gegevens op te vangen.

C. De "Wobbelige" wolk (Correlatie)

Het probleem: Correlatie meet hoe lener samen bewegen. Maar we weten het exacte getal niet. Het is een wankele schatting.
De oplossing: De auteur suggereert de vorm van de kaart zelf te veranderen. In plaats van aan te nemen dat de risico's een gladde, voorspelbare "klokcurve" (Normale Verdeling) volgen, stappen we over op een "dikke staart"-verdeling (zoals een Student's t-verdeling).

Analogie: Een klokcurve zegt dat extreme gebeurtenissen bijna onmogelijk zijn. Een "dikke staart"-curve geeft toe dat "Black Swan"-gebeurtenissen (massale, onverwachte crashes) vaker voorkomen dan de gladde curve voorspelt. Door deze "ruwere" kaart te gebruiken, bereidt het model zich automatisch voor op de worst-case scenario's die de gladde kaart negeert.

3. Het resultaat: Een groter vangnet

Wanneer de auteur al deze "wolken" combineert in een testmodel (een "toy model"), is het resultaat duidelijk:

De geschatte risico's (Value-at-Risk) gaan omhoog.
Het artikel laat zien dat als je begint met een risicoschatting van 3,87%, het rekening houden met al deze onzekerheden de schatting naar 5,74% stuwt.

Kerninzicht: De risico's tellen niet alleen op; ze vermenigvuldigen elkaar. Onzekerheid over het wanbetalingspercentage plus onzekerheid over het verlies creëert een veel groter probleem dan wanneer je de twee simpelweg bij elkaar optelt. Er is hier geen sprake van "diversificatie"; de onzekerheden stapelen zich op elkaar.

4. De Conclusie: Een nieuwe manier van rijden

Het artikel concludeert met een eenvoudig, contra-intuïtief recept voor banken:

Als je je zorgen maakt over Verliezen, pas de Wanbetalingspercentages aan.
Als je je zorgen maakt over Wanbetalingspercentages, pas de Correlaties aan.
Als je je zorgen maakt over Correlaties, verander de Vorm van de Kaart (de distributie).

De auteur geeft toe dat dit een startpunt is. Het lost niet elk probleem op (zoals het risico dat de kaart zelf de verkeerde vorm heeft), maar het biedt banken een praktisch, gemakkelijk te implementeren instrument om de mist van onzekerheid te meten en te beheren, in plaats van simpelweg te doen alsof deze niet bestaat.

Kortom: Vertrouw niet op een enkel getal. Vertrouw op een reeks mogelijkheden, en pas je veiligheidsbuffers dienovereenkomstig aan.

Technische Samenvatting: Modelrisico in Kredietportefeuillemodellen

Probleemstelling
Modelrisico in kredietportefeuillemodellen vormt een kritische, maar nog onvoldoende geadresseerde uitdaging voor de financiële sector. Hoewel toezichthouders (zoals de OCC en de Fed) voorschrijven dat modelrisico met dezelfde strengheid moet worden beheerd als andere soorten risico's, is de literatuur die specifiek ingaat op modelrisico binnen de context van kredietportefeuilles schaars. Het kernprobleem ligt in de standaardpraktijk waarbij modelparameters — Kans op Default (PD), Loss Given Default (LGD) en activacorrelaties — worden behandeld als vaste puntwaarden. Deze aanpak negeert de inherente onzekerheid (zowel epistemische als aleatoire onzekerheid) rondom deze schattingen, wat risicomaatstaven zoals Value-at-Risk (VaR) aanzienlijk kan verstoren. Huidige sensitiviteitsanalyses falen vaak in het kwantificeren van de omvang van deze onzekerheid of het bieden van een holistisch kader voor het beheer ervan.

Methodologie
Het artikel stelt een verenigd kader voor om parameteronzekerheid te behandelen door parameters niet als constanten te modelleren, maar als aanvullende risicofactoren. Dit houdt in dat puntwaarden worden vervangen door kansverdelingen en dat deze worden "geïntegreerd" uit het model. De methodologie wordt gedemonstreerd met behulp van een standaard Vasicek-stijl 'toy model', waarbij het portefeuilleverlies wordt afgeleid van een systematische risicofactor ( $X$ ) en een idiosyncratische factor ( $\epsilon$ ). De aanpak adresseert onzekerheid in drie specifieke parameters:

Onzekerheid in LGD: In plaats van LGD als een vaste scalar te behandelen, modelleert de auteur de default als een verzameling toestanden, specifiek een binaire uitkomst van totale inning of totaal verlies. Dit draagt de LGD-onzekerheid over naar de PD-domein. Technisch gezien wordt de verwachte LGD ( $q$ ) geabsorbeerd in de PD, waardoor de effectieve PD verandert naar $p \cdot q$ .
Onzekerheid in PD: Erkenning dat PD's vaak worden gekalibreerd op basis van kleine steekproeven, modelleert het artikel de onzekerheid van een PD ( $p$ ) met behulp van een verdeling (specifiek een Vasicek-verdelingsvariabele) die de variantie van een binomiale verdeling geschaald door steekproefomvang $N$ evenaart. Een belangrijk analytisch resultaat is dat het inbedden van een Vasicek-verdeelde PD in een portefeuillemodel wiskundig equivalent is aan het aanpassen van de activacorrelatieparameter. De effectieve correlatie wordt $\varrho + \beta - \varrho \cdot \beta$ , waarbij $\beta$ de variantie van de PD-onzekerheid vertegenwoordigt.
Onzekerheid in Correlatie: Om de onzekerheid in de activacorrelatie ( $\varrho$ ) aan te pakken, wordt de systematische risicofactor niet langer verondersteld een standaardnormaalverdeling te zijn. In plaats daarvan stelt het artikel voor om de normale systematische factor te vervangen door een geschaalde $t$ -verdeling. Dit wordt bereikt door aan te nemen dat de correlatieparameter een inverse-chi-kwadraatverdeling volgt, wat, wanneer deze vermenigvuldigd wordt met een normale variabele, een $t$ -verdeelde variabele oplevert. De vrijheidsgraden ( $\nu$ ) worden gekalibreerd op basis van de relatieve standaarddeviatie van de empirische correlatieverdeling.

Belangrijkste Resultaten
Gebruikmakend van een toy example met $p=0,01$ , $\varrho=0,1$ , $q=0,5$ en een betrouwbaarheidsniveau van 99,9%:

Baseline VaR: 0,0387.
LGD-onzekerheid: Het behandelen van LGD als een binaire risicofactor verhoogde de VaR naar 0,0460.
PD-onzekerheid: Het opnemen van PD-onzekerheid (uitgaande van een steekproefomvang van $N=1000$ ) verhoogde de VaR naar 0,0431.
Correlatie-onzekerheid: Het modelleren van correlatie-onzekerheid met een relatieve standaarddeviatie van 0,25 (resulterend in $\nu=36$ ) verhoogde de VaR naar 0,0425.
Geaggregeerde Effecten: Wanneer alle onzekerheden worden gecombineerd, blijkt dat de effecten "meer dan additief" zijn, wat aangeeft dat er geen sprake is van diversificatie van modelrisico in deze setting. De gecombineerde VaR stijgt naar 0,0574 (een stijging van 187 basispunten ten opzichte van de baseline).

Het artikel vergelijkt ook de afgeleide correlatiecorrecties voor PD-onzekerheid met de Basel II correlatie-stressfunctie, waarbij wordt opgemerkt dat hoewel beide kleine PD's onder druk zetten, de functionele vormen significant verschillen.

Betekenis en Claims
De auteur beweert dat deze methodologie een "holistisch beeld" biedt dat zowel uitgebreid als eenvoudig te implementeren is. De primaire bijdrage is de verschuiving van het louter beheren van modelrisico naar het meetbaar maken ervan. Door parameters als risicofactoren te behandelen, kunnen instellingen:

Parameters rangschikken op basis van hun specifieke impact op het modelrisico.
Verder gaan dan eenvoudige sensitiviteitsanalyse naar een robuustere kwantificering van de mate waarin parameters gestrest moeten worden.
Deze technieken uitbreiden naar industriestandaardmodellen (bijv. CreditMetrics) door:
- Default te configureren als een migratie-event voor LGD.
- Intra-sectorale correlaties aan te passen voor PD-onzekerheid.
- Multivariate normale verdelingen te vervangen door multivariate $t$ -verdelingen voor correlatie-onzekerheid.

Het artikel sluit bescheiden af door te erkennen dat hoewel deze methoden een startpunt bieden voor kwantificering en beheer, ze het modelrisico niet elimineren. Bovendien kan in realistische portefeuilles met idiosyncratische effecten of negatieve correlaties, de impact van correlatie-onzekerheid minder dominant zijn dan in het homogene toy model. De auteur suggereert dat toekomstig werk zich zou kunnen richten op benchmarkmodellen gebaseerd op netwerken of AI-methoden om modelrisico in de verdelingsaannames van de risicofactoren zelf aan te pakken.