Logomarca BCB

BCB - Abstracts

 

Working Paper 132

Credit Risk Monte Carlo Simulation Using Simplified Creditmetrics' Model: the joint use of importance sampling and descriptive sampling


Jaqueline Terra Moura Marins e Eduardo Saliby


Abstract

Monte Carlo simulation is implemented in some of the main models for estimating portfolio credit risk, such as CreditMetrics, developed by Gupton, Finger and Bhatia (1997). As in any Monte Carlo application, credit risk simulation according to this model produces imprecise estimates. In order to improve precision, simulation sampling techniques other than traditional Simple Random Sampling become indispensable. Importance Sampling (IS) has already been successfully implemented by Glasserman and Li (2005) on a simplified version of CreditMetrics, in which only default risk is considered. This paper tries to improve even more the precision gains obtained by IS over the same simplified CreditMetrics' model. For this purpose, IS is here combined with Descriptive Sampling (DS), another simulation technique which has proved to be a powerful variance reduction procedure. IS combined with DS was successful in obtaining more precise results for credit risk estimates than its standard form.

Resumo

A Simulação Monte Carlo é empregada em alguns dos principais modelos de estimação do risco de carteiras de crédito, tal como o CreditMetrics desenvolvido por Gupton, Finger e Bhatia (1997). Como em qualquer aplicação de Monte Carlo, a simulação do risco de crédito por este modelo produz estimativas imprecisas. A fim de melhorar a precisão, outras técnicas de amostragem em simulação que não a amostragem tradicional tornam-se indispensáveis. A Amostragem por Importância (AI) já foi empregada com sucesso por Glasserman e Li (2005) em uma versão mais simples do CreditMetrics, na qual somente o risco de default é considerado. Utilizando-se essa mesma versão, busca-se, neste artigo, melhorar a precisão obtida pela AI. Para tal, a AI é aqui combinada com a Amostragem Descritiva (AD), a qual consiste em uma outra técnica poderosa de redução de variância em simulação. A AI combinada com a AD mostrou-se eficiente do que a AI na sua forma padrão para se conseguir estimativas mais precisas do risco de crédito.