این تحقیق هیچ کمک مالی خاصی از سازمان های تأمین مالی در بخش های عمومی، تجاری یا غیر انتفاعی دریافت نکرد. در سال های اخیر، مدل های داخلی که بانک ها برای تعیین نیازهای سرمایه نظارتی خود توسعه داده اند، بحث برانگیز بوده است (EBA، 2017). بانک مرکزی اروپا (از این پس، ECB) دو دلیل اصلی برای این امر می بیند: 1) این مدل ها که با بازل II (BCBS، 2004) ظاهر شدند، به طور فزاینده ای پیچیده هستند و بنابراین درک آنها برای کاربران و سرپرستان آنها دشوار است. این امر ارزیابی درستی و قابل قبول بودن تخمین ریسک آنها را دشوار می کند. 2) چندین مطالعه تطبیقی انجام شده توسط بانک تسویه بین المللی (BCBS، 2016) و سازمان بانکداری اروپا (EBA، 2019) نشان داده اند که طرف مقابل یکسان می تواند با تخمین های ریسک بسیار متفاوت بر اساس مدل های داخلی بانک های مختلف مرتبط باشد. در نتیجه، یکی از اهداف اصلی مأموریت های بررسی هدفمند مدل های داخلی (TRIM) بانک مرکزی اروپا طی دوره 2017 تا 2019، کاهش ناهماهنگی ها و هرگونه تغییر ناخواسته ناشی از استفاده از مدل های داخلی برای تعیین نیازهای سرمایه مؤسسات است. برای تسهیل این مأموریت ها، ناظر در سپتامبر 2018 «راهنمای مدل های داخلی بانک مرکزی اروپا: فصل های خاص نوع ریسک» را منتشر کرد که الزامات اصلی حسابرسی شده در این مأموریت ها را خلاصه می کند. در این سند، عبارت Shadow Rating Model (SRM) برای اولین بار ظاهر می شود. این به عنوان یک رویکرد رتبه بندی داخلی تعریف می شود که محرک های ریسک را با شناسایی عوامل اصلی توضیح دهنده رتبه بندی موسسات خارجی به جای نرخ های پیش فرض داخلی، انتخاب و وزن می کند.

از سرگیری

انگلیسی

در این مقاله ، ما مراحل توسعه اساسی یک مدل رتبه بندی سایه (SRM) را برای شرکت های بزرگ پوشش می دهیم. پس از تجزیه و تحلیل تک متغیره از قدرت پیش بینی 20 متغیر مالی (18 نسبت ، اندازه و بخش) بر روی نمونه ای از 1101 رتبه بندی اعتباری ، ما یک نسبت برای خانواده ریسک را برای برآورد مدل چند عاملی انتخاب کردیم. با نرخ تکثیر در یک درجه در نمونه یادگیری 89. 5 ٪ و در نمونه آزمون 87. 3 ٪ ، به نظر می رسد این مدل قادر به توضیح و پیش بینی رتبه شرکت های بزرگ بر اساس صورتها و بخش های مالی آنها است. راه حل هایی که ما پیشنهاد می کنیم ادبیات را با پیشنهاد SRM مطابق با الزامات فعلی CRR و موارد نهایی بازل III (BCBS ، 2017) که از 1 ژانویه 2023 قابل اجرا است ، تکمیل می کند. قدم به سمت دیالوگ های شفاف تر و مباحثات علمی ریشه در مورد مدل های ارزیابی ریسک های اعتباری. طبقه بندی ژل G320 ، G330 ، E580

کلید واژه ها

• مدل رتبه بندی سایه
• خطر پیشفرض
• رتبه اعتباری
• کلوچه
• بازل سوم

فرانسوی

مقاله Dans CET ، Nous Avons Couvert L’Essentiel des étapes du développement d’un un modèle de shadow رتبه بندی pour les grandes کارآفرینان. Après une تجزیه و تحلیل Univariée du pouvoir prédictif de 20 متغیرهای مالی (18 نسبت ، لا تایل و le secteur) sur un échantillon de 1101 Notes de crédit émises par quatre agences s & p ، moody's ، fitch et dbrs unons arous ouns ours sélectionse sélectionse sélectionse. Risque Pour Estermer Le Modèle multifactoriel. avec des taux de réplication à un un cran près sur l'rochchantillon d'Apprentissage de 89،5 ٪ ، et sur l'échantillon de test de 87،3 ٪ ، ce modèle semble largement d'splace et prédire la note note des ontreprises ontreprisesà partir de leurs états سرمایه داران و فرقه های فرقه. LES Solutions que nous propsons viennent compléter la littérature en producant un modèle de shadow رتبه بندی actules actuelles de la crr et à celles de bâle iii finalisé (BCBS ، 2017) qui seront à sartiR du 1er janvier 2023. Appel et Une Première Pire Pour des Dialogues به علاوه TRANSPRENTS ET DES Débats Scientififififififififififices Streates Entre Agences de Notation ، ضیافت ها و Chercheurs en Modèles de Notation.