Ryzyko kredytowe - ujęcie modelowe

nieobowiązkowe

Studenci dobierani są do zajęć na podstawie ocen z wybranych przedmiotów:

a) studenci III roku studiów licencjackich: Rachunek Prawdopodobieństwa, Statystyka Matematyczna, Ekonometria

b) studenci I roku studiów magisterskich: ocena z dyplomu studiów licencjackich;

c) Studenci II roku studiów magisterskich: Ekonometria Zaawansowana I, Programowanie narzędzi analitycznych.

Tematyka warsztatów koncentruje się na modelach stosowanych w bankach komercyjnych w ramach podejścia IRB (Internal Rating-Based).

Konstrukcja sylabusu odpowiada aktualnym zapotrzebowaniem na rynku pracy.

Pogłębianie wiedzy studentów z zakresu praktycznego podejścia do ryzyka kredytowego oraz zachęcenie do dalszego rozwoju w tym obszarze.

Zajęcia mają formę warsztatów czyli połączenia teoretycznych wykładów z elementami programowania i modelowania w Pythonie.

1. Wprowadzenie. Zasady zaliczenia.

2. Ogólne pojęcia Ryzyka Kredytowego oraz podstawowe miary ryzyka. Regulacje związane z Ryzykiem Kredytowym. Różnice w definicjach defaultu. Case Studies.

3. Rozwinięcie tematyki podstawowych miar ryzyka: PD, LGD, EAD. Stress testy – wymagania. Case Studies.

4. Modele IRB oraz IFRS9: schemat budowy modeli i różnice między nimi. Pojęcie „Margines Konserwatyzmu” (MoC, ang. Margin of Conservatism). Case Studies.

5. Wprowadzenie do Pythona (NumPy, Pandas itd.). Case Studies.

6. Modele PD: różnice PIT vs TTC, kartą scoringową a IRB. Masterscala. Case Studies.

7. Analiza danych pod modelowanie, przygotowanie danych. Podział próby na train sample, test sample. Pojęcie out-of-time. Case Studies.

8. Modele PD: konstrukcja modelu (modele logitowe). Case Studies.

9. Modele PD: konstrukcja modelu (techniki Machine Learning: bagging and boosting). Case Studies.

10. Modele PD: kalibracja, Long-Run Average PD, aplikowanie MoC oraz kalibracja do masterscali. Case Studies.

11. Monitoring Modeli (przykładowe testy, macierze migracji, traffic light). Case Studies.

12. Modele LGD. Stopa odzysku. Haircuty na zabezpieczenia. Credit conversion factor (CCF).

13. Zastosowanie: RWA, Provisions. Szoki egzo i endogeniczne. Stress testy. Case Studies

14. Egzamin

- EBA (2017), Guidelines on PD estimation, LGD estimation and the treatment of defaulted exposures (EBA/GL/2017/16)

-BCBS (2005), An Explanatory Note on the Basel II IRB Risk Weight Functions, BIS

- ONB, Guidelines on Credit Risk Management Rating Models and Validation, Rating Models and Validation

- Siddiqi N. (2005), Credit Risk Scorecards: Developing and Implementing Intelligent Credit Scoring

- Chorafas D.M. (2007), Stress testing for risk control under Basel II, Elsevier

- Izzi L., Oricchio G., Vitale L. (2012), Basel III. Credit Rating System, Palgrave.

- Engelmann B., Rauhmeier R. (2011), The Basel II. Risk Parameters, Springer

- Matuszyk A. (2012), Zastosowanie analizy przetrwania w ocenie ryzyka kredytowego klientów indywidualnych, Cedewu, Warszawa.

Wiedza:

- Student rozumie naturę ryzyka kredytowego,

- Student zna podstawowe parametry ryzyka modelowane przez instytucje finansowe,

- Student zna zasady i praktyki w zakresie ryzyka kredytowego, które mogą być przyjęte przez organizacje w celu zarządzania ich ekspozycjami,

- Student zna metody przygotowania danych do modelowania ryzyka kredytowego,

- Student zna podstawy i sposoby modelowania ryzyka kredytowego,

- Student zna ograniczenia i słabości metod modelowania ryzyka kredytowego.

Umiejętności:

- Student umie zidentyfikować, określić ilościowo, monitorować ryzyko kredytowe.

- Student umie wymodelować ryzyko kredytowe za pomocą technik statystycznych w środowisku Python.

-Student umie dokonać statystycznej interpretacji wyników zastosowania modeli ryzyka kredytowego,

- Student potrafi dokonać ekonomicznej interpretacji wyników estymacji modeli ryzyka kredytowego

- Student potrafi dokonać oceny prognostycznej przydatności modeli,

- Student potrafi przełożyć wyniki szacunków parametrów ryzyka z modeli na obciążenia kapitałowe banków komercyjnych i adekwatność kapitałową.

- Student potrafi przeprowadzić ocenę ryzyka kredytowego portfela.

Kompetencje społeczne:

- Student rozumie znaczenie modeli ryzyka kredytowego dla funkcjonowania banku komercyjnego.

- Student potrafi samodzielnie oprogramować i wytłumaczyć zasady działania podstawowych procedur obliczeniowych w środowisku Python

- Student rozumie znaczenie aparatu ilościowego w procesie wnioskowania na temat zjawisk zachodzących w portfelach kredytowych.

- Student potrafi uargumentować swoje stanowisko na temat wybranych aspektów funkcjonowania instytucji finansowych na podstawie własnych wyników analiz empirycznych

2 godzinny egzamin na zakończenie kursu.

Egzamin składa się z testu wielokrotnego wyboru oraz studium przypadku.