Stress Testing Methods - Quantitative Finance Stapelaustausch
Ich arbeite an folgende Aufgabe:
Gegeben Quartalsdaten:
Schätzen Sie die Ausfallwahrscheinlichkeit, die gestresst Daten.
Ich weiß nicht wirklich etwas Verteilungen zu Grunde liegt. Die einzigen Daten, die ich für Inferenz haben, sind diese Zeitreihen.
Mein erster Ansatz war so etwas wie diese: Ich zuerst jedes Mal Serie stationär machen würde. Dann beseitigen makroökonomischen Variablen, die nicht wesentlich mit meiner abhängigen Variablen korreliert. Dann eine schrittweise Methode verwenden, um die besten Variablen zu bestimmen, die in einer linearen Regression zu verwenden. Dann würde ich diese exogenen Variablen enthalten, während ein ARIMA-Modell passt. Auf dem Weg dorthin würde ich mehrere Tests durchführen (z Autokorrelation, multicollinearity, Stationarität, etc.). Verwenden Sie dann das Modell für die Vorhersage.
Beachten Sie, dass ich tatsächlich mehr verschiedenen „Portfolios“, die ich passend bin. Mit meinem obigen Verfahren, erscheinen einige der betonten Szenarien unvernünftig. So begann ich für ganz andere Alternativen suchen. Gibt es irgendwelche Vorschläge?
Ich weiß, dies eine unangemessen große Frage. Um den Bereich zu eingrenzen, ich habe einige kurze Forschung getan und glauben einige tragfähige Alternativen beinhalten könnten:
- Kalibrieren einige dynamische Übergangsdichten mit Bayes-Inferenz und MCMC
- Kalibrieren ein bedingtes Vasicek-Modell, das von Autokorrelation erlaubt
Das Problem ist, ich bin nicht allzu vertraut mit diesen Methoden und wollen würde eine effiziente Nutzung meiner Zeit zu machen.
Würden Sie vorschlagen, ich versuche, diese Alternativen zu implementieren? Oder eine andere Alternative?
Haben Sie einen Rat für die Umsetzung in R?