Modeling loss given default on unsecured consumer loans : case study of a Finnish financial institution
Rantanen, Joonas (2023)
Pro gradu -tutkielma
Rantanen, Joonas
2023
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2023030629756
https://urn.fi/URN:NBN:fi-fe2023030629756
Tiivistelmä
Given the impact of the Basel II Accord and IRB approach, financial institutions must better understand Loss Given Default (LGD) models. LGD models enable banks to more accurately estimate the potential losses that may result from a default, allowing them to price their loans appropriately and manage their risk exposure more effectively. This thesis explores the state-of-the-art methods for modeling loss given default on unsecured consumer loans and investigates how these methods are currently being applied in practice in the case of company x operating in Finland.
A comprehensive literature review found that the most used LGD modeling techniques are regression-based models. However, the choice of the most suitable method depends on the specific characteristics of the loan portfolio. The semi-structured interview with company x found that the company's LGD modeling approach was consistent with the literature. The company's regression-based model used customer demographics, credit behavior, and credit account application variables to predict LGD. However, the study also identified areas for improvement, including exploring more sophisticated methods for LGD estimation and addressing data representativeness more explicitly. The recommendations of this thesis can be generalized to recommendations for companies looking to improve their LGD modeling practices. Ottaen huomioon Basel II -sopimuksen ja IRB-lähestymistavan vaikutukset, rahoituslaitosten on ymmärrettävä paremmin LGD-malleja. LGD-mallit auttavat pankkeja arvioimaan velan takaisinmaksun laiminlyönnistä johtuvia tappioita. Tällöin pankit voivat hinnoitella lainansa asianmukaisesti ja hallita riskiä tehokkaammin. Tässä pro gradu tutkielmassa tarkastellaan nykyaikaisia menetelmiä vakuudettomien kulutusluottojen LGD mallintamiseen ja miten näitä menetelmiä sovelletaan tällä hetkellä käytännössä Suomessa toimivan yrityksen x tapauksessa.
Kattavassa kirjallisuuskatsauksessa havaittiin, että regressiopohjaiset mallit ovat eniten käytettyjä LGD-mallinnustekniikoita. Sopivimman menetelmän valinta riippuu kuitenkin lainasalkun erityispiirteistä. Puolistrukturoidussa haastattelussa yrityksen x kanssa havaittiin, että yrityksen LGD-mallinnustapa oli yhdenmukainen kirjallisuuden kanssa. Yhtiön regressiopohjainen malli käytti muun muassa asiakkaiden demografisia, luottokäyttäytymisen ja luottohakemuksen muuttujia ennustamaan LGD:tä. Tutkimuksessa tunnistettiin kuitenkin myös parannuskohteita, mukaan lukien kehittyneempien LGD-estimointimenetelmien tutkiminen ja datan edustavuuden parantaminen. Tämän pro gradu tutkielman suositukset voidaan yleistää suosituksiksi yrityksille, jotka haluavat parantaa LGD-mallinnuskäytäntöjään.
A comprehensive literature review found that the most used LGD modeling techniques are regression-based models. However, the choice of the most suitable method depends on the specific characteristics of the loan portfolio. The semi-structured interview with company x found that the company's LGD modeling approach was consistent with the literature. The company's regression-based model used customer demographics, credit behavior, and credit account application variables to predict LGD. However, the study also identified areas for improvement, including exploring more sophisticated methods for LGD estimation and addressing data representativeness more explicitly. The recommendations of this thesis can be generalized to recommendations for companies looking to improve their LGD modeling practices.
Kattavassa kirjallisuuskatsauksessa havaittiin, että regressiopohjaiset mallit ovat eniten käytettyjä LGD-mallinnustekniikoita. Sopivimman menetelmän valinta riippuu kuitenkin lainasalkun erityispiirteistä. Puolistrukturoidussa haastattelussa yrityksen x kanssa havaittiin, että yrityksen LGD-mallinnustapa oli yhdenmukainen kirjallisuuden kanssa. Yhtiön regressiopohjainen malli käytti muun muassa asiakkaiden demografisia, luottokäyttäytymisen ja luottohakemuksen muuttujia ennustamaan LGD:tä. Tutkimuksessa tunnistettiin kuitenkin myös parannuskohteita, mukaan lukien kehittyneempien LGD-estimointimenetelmien tutkiminen ja datan edustavuuden parantaminen. Tämän pro gradu tutkielman suositukset voidaan yleistää suosituksiksi yrityksille, jotka haluavat parantaa LGD-mallinnuskäytäntöjään.