Μέτρηση και Διαχείριση Πιστωτικού Κινδύνου

03-07-18 web.xrh 0 comment

Μέτρηση και Διαχείριση Πιστωτικού Κινδύνου


ΧΡΜΔΠΚ 01

Διδάσκων: Δ. Καραναστάσης
ECTS: 7,5
Τύπος Μαθήματος: Επιλογής
Εξάμηνο: Χειμερινό
Ώρες Διδασκαλίας: 4

Προαπαιτούμενα:

Σκοπός του Μαθήματος

Το μάθημα «Μέτρηση και Διαχείριση Πιστωτικού Κινδύνου» εξετάζει σε βάθος τους τρόπους μέτρησης και διαχείρισης του κινδύνου που αντιμετωπίζουν τα χρηματοπιστωτικά ιδρύματα και εν γένει το χρηματοπιστωτικό σύστημα. Οι κύριοι τύποι κινδύνου που αναλύονται κατά τη διάρκεια του μαθήματος είναι ο Κίνδυνος Αγοράς και ο Πιστωτικός Κίνδυνος. Η παρουσίαση των σχετικών κινδύνων γίνεται μέσα σε ένα ρεαλιστικό πλαίσιο με την χρήση παραδειγμάτων.


Περιεχόμενο του Μαθήματος

1.Εισαγωγή

  • Θεωρητική εισαγωγή
    • Η σημασία της μέτρησης και της διαχείρισης των κινδύνων για ένα χρηματοοικονομικό – πιστωτικό ίδρυμα (εσωτερική διαχείριση, εποπτικές αρχές)
    • Trade-off μεταξύ αποδόσεων και κινδύνου
    • Κίνητρα των διοικήσεων των πιστωτικών ιδρυμάτων, των στελεχών τους και η σημασία του εποπτικού ελέγχου
  • Τεχνική εισαγωγή
    • Μεταβλητότητα (ορισμοί, υποθέσεις, τρόποι μέτρησης, πιθανά προβλήματα)
    • Συσχέτιση (ορισμοί, υποθέσεις, τρόποι μέτρησης, πιθανά προβλήματα)
    • Copulas (ορισμοί, υποθέσεις, τρόποι μέτρησης, πιθανά προβλήματα)

2. Κίνδυνος Αγοράς

  • Μεμονωμένη αντιμετώπιση & Αθροιστική αντιμετώπιση του κινδύνου
  • Μεμονωμένη αντιμετώπιση
    • Παράγωγα – Greek letters
  • Αθροιστική αντιμετώπιση
    • RiskMetrics – Value at Risk (VaR) (Αξία σε Κίνδυνο)
    • Expected Shortfall
    • Τρόποι μέτρησης του VaR:
      • Από ιστορικά δεδομένα – Ιστορική Προσομοίωση
      • Δημιουργία μοντέλου
      • Monte Carlo simulation

3. Πιστωτικός Κίνδυνος

  • Πιστοληπτικές Αξιολογήσεις (Credit Ratings)
  • Altman’s Z-score
  • Πιθανότητες Χρεοκοπίας με βάση ιστορικά στοιχεία
  • Ποσοστά Ανάκτησης σε περίπτωση χρεοκοπίας
  • Εκτίμηση πιθανότητας χρεοκοπίας μέσω τιμών ομολόγων
  • Διαφορές στις πιθανότητες εκτίμησης χρεοκοπίας από ιστορικά δεδομένα και από τιμές ομολόγων
  • Εκτίμηση πιθανότητας χρεοκοπίας μέσω των τιμών των μετοχών
  • Απόσταση από χρεοκοπία (Merton’s Model)
  • Credit VaR
  • Credit Risk Plus
  • CreditMetrics

Προτεινόμενη Βιβλιογραφία

  • Σημειώσεις του διδάσκοντα (eclass.unipi.gr)
  • Διοίκηση Χρηματοπιστωτικών Ιδρυμάτων και Διαχείριση Κινδύνων, των Anthony Saunders & Marcia Millon Cornett, Broken Hill Publishers, 2017, μετάφραση της 8ης έκδοσης του 2014
  • Acharya, V., Drechsler, I., & Schnabl, P. (2014). A pyrrhic victory? Bank bailouts and sovereign credit risk. The Journal of Finance, 69(6), 2689-2739.
  • Adrian, Tobias; Brunnermeier, Markus K., CoVaR, American Economic Review, Volume 106, Number 7, July 2016, pp. 1705-1741 (37).
  • Ang, A., & Longstaff, F. A. (2013). Systemic sovereign credit risk: Lessons from the US and Europe. Journal of Monetary Economics, 60(5), 493-510.
  • Altman, E. I. (2000). Predicting financial distress of companies: revisiting the Z-score and ZETA models. Stern School of Business, New York University, 9-12.
  • Saunders & M.M. Cornett, Financial Institutions Management: A Risk Management Approach, McGraw Hill
  • Bauwens, L., Laurent, S., & Rombouts, J. V. (2006). Multivariate GARCH models: a survey. Journal of applied econometrics, 21(1), 79-109.
  • Bharath, S. T., & Shumway, T. (2008). Forecasting default with the Merton distance to default model. The Review of Financial Studies, 21(3), 1339-1369.
  • Brunnermeier, M. K. (2009). Deciphering the liquidity and credit crunch 2007-2008. Journal of Economic perspectives, 23(1), 77-100.
  • Engle, R. (2001). GARCH 101: The use of ARCH/GARCH models in applied econometrics. Journal of economic perspectives, 15(4), 157-168.
  • De Haan, L., & Ferreira, A. (2007). Extreme value theory: an introduction. Springer Science & Business Media.
  • Frey, R., & McNeil, A. J. (2002). VaR and expected shortfall in portfolios of dependent credit risks: conceptual and practical insights. Journal of banking & finance, 26(7), 1317-1334.
  • Hansen, L. P. (2013). Challenges in identifying and measuring systemic risk. In Risk topography: Systemic risk and macro modeling (pp. 15-30). University of Chicago Press.
  • He, Z., & Xiong, W. (2012). Rollover risk and credit risk. The Journal of Finance, 67(2), 391-430.
  • Hull, J. C., & White, A. D. (2000). Valuing credit default swaps I: No counterparty default risk. The Journal of Derivatives, 8(1), 29-40.
  • Hull, J. C., & White, A. D. (2000). Valuing credit default swaps I: No counterparty default risk. The Journal of Derivatives, 8(1), 29-40.
  • Hull, J. C., Risk Management and Financial Institutions, Pearson Education
  • John C. Hul, Options, Futures, and Other Derivatives, Pearson Education
  • Jorion, P. (2000). Value at risk.
  • Longstaff, F. A., Pan, J., Pedersen, L. H., & Singleton, K. J. (2011). How sovereign is sovereign credit risk?. American Economic Journal: Macroeconomics, 3(2), 75-103.
  • Manso, G. (2013). Feedback effects of credit ratings. Journal of Financial Economics, 109(2), 535-548.
  • Morgan, J. P. (1997). Creditmetrics-technical document. JP Morgan, New York.
  • Viral V. Acharya, Lasse H. Pedersen, Thomas Philippon and Matthew Richardson, Measuring Systemic Risk, Review of Financial Studies (2017) 30 (1): 2-47