PD-Kalibrierung (Reliability)
Über diese App
Prognose-PD gegen realisierte Ausfallraten über 20 Ratingklassen auf Log-Skala, mit binomialen Konfidenzbändern und Ampel je Klasse. Portfoliogröße und systematischer Bias trennen Rauschen von echtem Befund.
Was Kalibrierung bedeutet
Ein Ratingverfahren ordnet jeder Klasse eine Ausfallwahrscheinlichkeit (PD) zu, festgelegt in der Masterskala. Kalibriert ist das Verfahren, wenn die tatsächlich beobachteten Ausfallraten zu diesen Prognosen passen. Weil ein Portfolio endlich ist, streut die Zahl der Ausfälle in einer Klasse mit nᵢ Kreditnehmern und Wahrscheinlichkeit p binomial um nᵢ · p. Eine Abweichung allein ist deshalb kein Modellfehler. Geprüft wird je Klasse mit einem Binomialtest, ob die realisierte Rate innerhalb eines Konfidenzbands liegt.
Was die App zeigt
Auf einer logarithmischen Achse steigt die Prognose-PD der 20 Ratingklassen geometrisch von 0,01 % auf rund 30 % und erscheint als Gerade. Darum liegen die 95- und 99-%-Konfidenzbänder, deren Breite von der Klassenbelegung abhängt. Die realisierte Ausfallrate ist eine eigene Linie. Unter jeder Klasse zeigt eine Ampel das Testergebnis: grün im 95-%-Band, gelb zwischen 95 und 99 %, rot außerhalb 99 %. Ein Gesamturteil fasst zusammen. Die Quantile beruhen auf einer Normal- bzw. Poisson-Näherung, Ausfälle gelten als unabhängig.
Rauschen oder echter Fehler
Dreh die Portfoliogröße herunter (logarithmisch von 5.000 bis 2.000.000 Kreditnehmern): Die Bänder werden breit, fast alles ist grün, weil wenig Daten wenig Testschärfe bedeuten. Mit „Neu würfeln“ siehst du, dass bei 20 Klassen gelegentlich eine Klasse zufällig aus dem 95-%-Band fällt. Stell dann einen systematischen Bias ein: Die realisierte Linie verlässt die Bänder reihenweise in dieselbe Richtung. Dieses Muster deutet auf einen echten Kalibrierungsfehler hin.
Häufige Fragen
- Was ist PD-Kalibrierung im Kreditrisiko?
- PD-Kalibrierung bedeutet, dass die prognostizierten Ausfallwahrscheinlichkeiten eines Ratingverfahrens zu den tatsächlich beobachteten Ausfallraten passen. Ein Modell kann Kreditnehmer gut ordnen (hohe Trennschärfe) und trotzdem falsch kalibriert sein, wenn das Niveau der PDs zu hoch oder zu niedrig liegt. Banken prüfen die Kalibrierung regelmäßig im Rahmen der Validierung.
- Wie funktioniert der Binomialtest für Ratingklassen?
- Für eine Klasse mit n Kreditnehmern und prognostizierter PD p ist die Zahl der Ausfälle unter der Annahme unabhängiger Ausfälle binomialverteilt. Aus dieser Verteilung ergeben sich Grenzen, die mit 95 % bzw. 99 % Wahrscheinlichkeit nicht überschritten werden. Liegt die beobachtete Ausfallzahl außerhalb, gilt die Abweichung als statistisch auffällig.
- Warum ist eine einzelne gelbe Ratingklasse kein Grund zur Sorge?
- Bei 20 Klassen und einem 95-%-Band ist im Mittel etwa eine Klasse rein zufällig außerhalb des Bands zu erwarten. Auffällig wird es, wenn mehrere Klassen in dieselbe Richtung abweichen, denn das spricht für einen systematischen Fehler. Echte Ausfälle sind zudem korreliert, was die Streuung über die Jahre zusätzlich erhöht.
- Was kann ich in der PD-Kalibrierungs-App verändern?
- Du stellst die Portfoliogröße und einen systematischen Bias zwischen tatsächlicher und prognostizierter PD ein und kannst die Realisierung neu würfeln. Die App zeigt für 20 Ratingklassen Prognose, realisierte Ausfallrate, Konfidenzbänder, Ampel je Klasse und ein Gesamturteil.
Fach: Financial Risk & Analytics
Mehr aus Financial Risk & Analytics
Eine VisuApp von heyprof: interaktiv, kostenlos im Browser, ohne Anmeldung. Was ist eine VisuApp? · Alle Apps