Modele krekel

[32] Jakob, K. et M. Fischer (2014). Quantifier l`impact des différents copules dans un cadre généralisé de CreditRisk +. Dépendent. Modèle. 2 (1), 1 -21. Google Scholar [17] cousin, A. et J.-P. Laurent (2008). Une vue d`ensemble des modèles de facteurs pour la tarification des tranches CDO. Dans R. CONT (éd.), frontières in quantitative finance: volatilité and Credit Risk Modeling, pp.

185-216. John Wiley & sons, Hoboken. Google Scholar [34] krekel, M. (2008). Tarification CDOs en détresse avec la corrélation de base et la récupération stochastique. Dérivés Rev. 13 (3), 219 -244. Google Scholar nous présentons une classe de modèles de facteurs statiques flexibles et tractables pour la structure de terme des probabilités communes par défaut, les modèles de copule de facteur.

Ces modèles de haute dimension restent parsimonieux avec des constructions de paircopula, et nichent beaucoup de modèles standard comme cas particuliers. La répartition des pertes d`un portefeuille de réclamations conditionnelles peut être calculée exactement et efficacement lorsque les pertes individuelles sont discrètement soutenues sur une grille finie. Des exemples numériques étudient les principales caractéristiques affectant la distribution des pertes et les prix des dérivés de crédit multi-noms. Un exercice empirique illustre la souplesse de notre approche en ajustant les prix des tranches de l`indice de crédit. [43] Morley, A. (2006). Valorisation semi-analytique des dérivés de crédit panier dans les modèles à base d`intensité. J.

instruments dérivés 13 (4), 8 -26. Google Scholar [33] Kalemanova, A., B. Schmid, et R. Werner (2007). La distribution gaussienne inverse normale pour la tarification synthétique CDO. J. instruments dérivés 14 (3), 80 -94. Google Scholar [26] Heiss, F. et V. Winherschel (2008). Approximation de probabilité par intégration numérique sur des grilles éparses.

J. Econometrics 144 (1), 62 -80. Google Scholar [28] hofert, M. et M. Scherer (2011). Prix CDO avec copulas ARCHIMEDEAN imbriqués. Quant. finance 11 (5), 775 -787.

Google Scholar [13] Burtschell, X., J. Gregory, et J.-P. Laurent (2007). Au-delà de la copula gaussienne: corrélation stochastique et locale. J. risque de crédit 3 (1), 31 -62. Google Scholar [29] Hull, J. et A. White (2004).

Valorisation d`un Cdoet d`un n-e par défaut Cdssans simulation Monte Carlo. J. dérivés 12 (2), 8 -23. Google Scholar [1] AAS, K., C. Czado, A. Frigessi, et H. Bakken (2009). Paires-copula constructions de dépendance multiple. Mathématiques d`assurance. Econom. 44 (2), 182 -198.

Google Scholar [41] mai, J.-F., M. Scherer, et R. Zagst (2012). Modèles de fragilité du CIID et copulas implicite. Dans P. Jaworski, F. durante, andW. K. Härdle (eds.), copulae in Mathematical and quantitative finance, pp. 201-230. Springer, Heidelberg. Google Scholar Mots-clés: portefeuille de crédit; dérivés de crédit; transformée de Fourier discrète; copula facteur; perte aléatoire; modèles de survie [42] McNeil, A.

J., R. Frey, et P. Embrechts (2015). Gestion quantitative des risques. Concepts, techniques et outils. Édition révisée. Princeton University Press. Google Scholar [39] Li, D. X. et M. H.

Liang (2005). Prix CDO au carré utilisant le modèle de mélange gaussien avec la transformation de la distribution de perte. Disponible chez https://ssrn.com/abstract=890766.Google Scholar [11], brigo, D., A. Pallavicini, et R. Torresetti (2007). Étalonnage des tranches CDO avec le modèle dynamiques de perte de poisson généralisé. RISQUE 20 (6), 70 -75. Google Scholar [25] Guillaume, F., P.

Jacobs, et W. Schoutens (2009). Tarification et couverture des tranches CDO-carrées à l`aide d`un modèle Lévy à un facteur. J. theor. Appl. finance 12 (5), 663 -685. CrossrefGoogle Scholar [27] Herbertsson, A. (2008). Tarification des tranches synthétiques CDO dans un modèle avec contagion par défaut en utilisant l`approche matricielle-analytique.

J. risque de crédit 4 (4), 3 -35. Google Scholar [30] Hull, J. et A. White (2010). Le risque de tranches créées à partir d`hypothèques. Financ. Analystes J. 66 (5), 54 -67.

Google Scholar CreditMetrics utilise la simulation Monte Carlo en supposant une distribution bêta ajustée aux taux de récupération historiques.