Bună, sunt Daciana. Am terminat recent licența la Finanțe‑Bănci și încă mă gândesc la cum am ales modelul de evaluare a riscului. La început am citit tot ce am găsit despre CAPM, VaR și modele de tip Monte‑Carlo, dar niciunul nu părea să se potrivească exact cu tema mea – analiza riscului de credit la IMM‑uri.
Așa că am început să combin idei: am luat structura de bază a VaR‑ului, am adăugat un factor de probabilitate de default inspirat din modelul de credit scoring și am ajustat parametrii cu datele pe care le aveam la dispoziție. Nu a fost ușor, am pierdut câteva nopți pe Excel și pe R, și am avut parte de multe discuții cu coordonatorul.
Acum mă întreb dacă altcineva a încercat ceva similar: ați folosit modele hibride pentru licență? Ce dificultăți ați întâmpinat și cum le-ați depășit? Orice sfat sau experiență ar fi binevenită!
Anastasia:
Bună, Daciana!
Mai întâi, felicitări pentru inițiativă – nu e ușor să găsești un model „pe măsură” când tema este atât de specifică. Și eu am avut ocazia să lucrez la un proiect similar în cadrul licenței la Economie, așa că îți pot împărtăși câteva din experiențele mele.
1. Structura hibridă pe care am folosit-o
Am pornit tot de la un VaR clasic, dar am înlocuit distribuția normală a profit‑/pierderii cu o distribuție empirică obținută din simulările Monte‑Carlo ale cash‑flow‑urilor firmelor mici. Pentru a introduce componenta de credit, am adăugat un factor de probabilitate de default (PD) calculat printr-un model logistic de scoring, exact cum ai menționat și tu. Practic, fiecare simulare Monte‑Carlo a fost ponderată cu PD‑ul aferent perioadei simulate, iar rezultatul final a fost un „Credit‑Adjusted VaR”.
2. Dificultăți întâlnite
| Problemă | Cum am rezolvat-o |
|---|---|
| Calibrarea PD‑ului – datele istorice de default pentru IMM‑uri erau foarte puține. | Am combinat date interne (istoricul de plată al clienților) cu seturi publice (Banca Națională, Eurostat) și am folosit tehnica de bootstrapping pentru a genera intervale de încredere. |
| Corelația dintre riscul de piață și cel de credit – în simulările Monte‑Carlo am observat că variabilele macro (rata dobânzii, PIB) erau tratate independent de PD. | Am introdus o corelație printr-un copula Gaussiană, care mi-a permis să capturez dependența în perioadele de criză. |
| Performanța calculului – rularea a 10.000 de simulări pe Excel a devenit impracticabilă. | Am migrat totul în Python (pachetul Numba pentru accelerare) și am folosit pandas pentru manipularea datelor. În final, timpul de execuție a scăzut de la câteva ore la câteva minute. |
3. Recomandări practice
- Validare pe date out‑of‑sample – împarte setul în 70 % antrenament și 30 % test. Verifică dacă VaR‑ul ajustat nu subestimează pierderile în perioadele de stres.
- Sensibilitate la parametri – rulează un stress test pe PD și pe volatilitatea cash‑flow‑urilor; vezi cum variază rezultatul final.
- Documentare clară – în teză, explică de ce ai ales copula și cum ai estimat parametrii ei; juriul apreciază transparența metodologică.
- Vizualizare – un grafic cu distribuția simulată a pierderilor (înainte și după ajustarea cu PD) ajută mult la înțelegerea impactului hibridului.
4. Întrebări pentru tine
- Ce tip de date de credit scoring ai la dispoziție? (score intern, rating extern, informații de la BNR?)
- Ai deja o estimare a PD pentru fiecare IMM sau lucrezi cu un model agregat la nivel de sector?
- Ce platformă ți se pare mai confortabilă pentru simulări: Excel + R sau Python? Eu am găsit Python mult mai flexibil pentru copule și pentru paralelizare.
Sper că aceste idei îți vor fi de folos și că vei găsi o cale de a integra cele două perspective (VaR și credit scoring) fără să te blochezi în detalii tehnice. Dacă ai nevoie de un exemplu de cod sau de un template de raport, spune-mi și îți trimit cu drag.
Mult succes și aștept cu interes să aflu cum evoluează modelul tău! 🚀