Imaginați-vă două companii din același sector, cu profile de credit similare și probabilități de default apropiate. Dacă le tratăm ca independente, pierderea combinată a unui portofoliu care le include pe amândouă are o distribuție simetrică și bine comportată. Acum introducem corelația: cele două companii reacționează la același factor macroeconomic — să spunem, o contracție a cererii interne. Dintr-odată, probabilitatea că ambele să intre în default în același interval de timp crește semnificativ față de produsul probabilităților individuale. Aceasta este esența corelației de default, și noi considerăm că este cel mai subestimat parametru din întreaga arhitectură a modelelor de risc de credit. Nu pentru că este abstract, ci pentru că efectul său este invizibil în perioadele liniștite și devastator în perioadele de stres.
De unde vine corelația de default
Corelația de default nu apare din interacțiunea directă dintre doi debitori. Ea este un efect indirect, generat de expunerea comună la factori sistematici. Doi debitori corelează în probabilitățile lor de default pentru că ambii sunt sensibili la același ciclu economic, la aceeași evoluție a ratelor de dobândă sau la aceeași dinamică sectorială. Aceasta este perspectiva pe care modelele factoriale o fac explicită: corelația de default între doi emitenți este o funcție a sensibilităților lor la factori comuni. Cu cât aceste sensibilități sunt mai mari și mai apropiate, cu atât corelația este mai ridicată. Modelul Merton oferă un cadru structural pentru această relație: activele unui debitor urmează un proces stochastic, iar defaultul apare când valoarea activelor scade sub un prag critic. Doi debitori ale căror active sunt conduse de același factor sistematic vor tinde să atingă pragul critic în perioade similare. Ceea ce face această perspectivă utilă este că permite separarea explicită a contribuției factorilor comuni de cea a componentelor idiosincratice — o separare imposibilă dacă tratăm corelația ca un parametru direct, estimat din frecvențe istorice de co-default.
Corelația de default derivă din factori sistematici comuni, nu din interacțiuni directe între debitori.
Cum se măsoară în practică
Există mai multe abordări pentru estimarea corelației de default, fiecare cu avantaje și limitări clare. Prima abordare, directă, estimează corelația din frecvențele istorice de co-default pe un set de perechi de debitori. Problema evidentă este că evenimentele de default sunt rare, iar co-defaulturile sunt și mai rare, ceea ce face estimările extrem de nesigure statistic pentru orice fereastră de observație rezonabilă. A doua abordare, indirectă, utilizează corelațiile dintre randamentele activelor sau prețurile de piață ale obligațiunilor ca proxy pentru corelația de default. Aceasta îmbunătățește semnificativ disponibilitatea datelor, dar introduce ipoteza că piața încorporează corect și în timp real informațiile despre riscul de default — o ipoteză care merită testată, nu acceptată. A treia abordare, factorială, este cea pe care o preferăm: corelația de default este derivată din structura modelului factorial, prin estimarea sensibilităților la factori comuni și a varianței reziduale idiosincratice. Avantajul este că parametrii pot fi calibrați separat pe componente interpretabile și că modificarea unui factor sistematic — de exemplu, deteriorarea unui indice sectorial — are un efect explicit și calculabil asupra corelațiilor de default din portofoliu. Am comparat cele trei abordări pe seturi de date similare și diferențele în estimarea pierderii neașteptate pot fi semnificative, mai ales pentru portofolii cu concentrare sectorială ridicată.
Abordarea factorială produce estimări mai robuste și mai interpretabile decât corelația directă din date istorice.
Efectul corelației asupra distribuției pierderilor
Cel mai bun mod de a înțelege impactul corelației de default este un experiment simplu. Luați un portofoliu de o sută de expuneri egale, cu aceeași probabilitate de default individuală. Calculați distribuția pierderii totale sub trei ipoteze: corelare zero, corelare moderată și corelare ridicată. Valoarea medie a pierderii — pierderea așteptată — rămâne identică în toate trei cazurile. Este pierderea neașteptată, măsurată prin cuantilele superioare ale distribuției, care se modifică dramatic. Sub corelare zero, distribuția este concentrată în jurul mediei, iar cuantila de 99,9% este relativ apropiată de medie. Pe măsură ce corelația crește, distribuția se aplatizează, coada dreaptă se îngroașă și cuantila de 99,9% crește substanțial. Aceasta este consecința directă a corelației de default: nu afectează ceea ce pierdeți în medie, ci afectează ce pierdeți în cel mai rău scenariu rezonabil. Ignorarea corelației sau subestimarea ei duce la alocări de capital care par suficiente în condiții normale și se dovedesc inadecvate exact când stresul devine sistemic. Noi tratăm această asimetrie ca pe un avertisment structural, nu ca pe o excepție.
Corelația de default îngroașă coada distribuției fără a modifica media — capitalul subestimat devine vizibil în stres.
Copule și structuri de dependență
Modelarea corelației de default ridică o întrebare mai profundă: ce tip de dependență statistică descriem? Corelația liniară Pearson capturează doar o parte din relația dintre variabile, și anume dependența lineară. În cozile distribuției, unde ne interesează cel mai mult comportamentul joint al defaulturilor, dependența poate fi semnificativ diferită de cea implicată de corelația Pearson. Copulele oferă un cadru mai flexibil: ele separă structura de dependență de distribuțiile marginale ale variabilelor individuale. Copula gaussiană, cea mai utilizată în modele de risc de credit, implică o dependență de coadă simetrică și relativ slabă — debitorii care se deteriorează simultan nu o fac mai mult decât sugerează corelația lor medie. Copulele din familia t-Student implică o dependență de coadă mai puternică, mai apropiată de comportamentul observat în perioadele de stres real. Am analizat diferența practică între cele două structuri pe scenarii de stres calibrate și concluzia este că alegerea copulei poate modifica substanțial estimarea cuantilelor superioare ale pierderii, fără a modifica deloc pierderea așteptată. Aceasta este o distincție pe care o considerăm esențială și pe care o tratăm explicit în materialele noastre despre structuri de dependență în portofolii de credit.
Copula aleasă modifică estimarea pierderii extreme fără a afecta pierderea așteptată — alegerea contează.
Calibrare în perioade de stres față de perioade normale
Una dintre cele mai frecvente surse de eroare în modelele de corelație de default este calibrarea exclusivă pe date din perioade normale de piață. Corelațiile estimate pe date de ciclu normal sunt sistematic mai mici decât cele observate în perioadele de stres — un fenomen documentat empiric și explicabil teoretic prin amplificarea sensibilităților factoriale în regim de volatilitate ridicată. Implicația practică este directă: un model calibrat exclusiv pe date normale va subestima pierderea neașteptată în scenariile adverse tocmai în momentul în care estimarea precisă este cea mai importantă. Noi recomandăm o abordare cu două componente: o calibrare de bază pe date normale, completată de o calibrare condiționată pe scenarii de stres explicit definite. Cele două calibrări produc seturi diferite de corelații, iar diferența dintre ele este în sine o măsură a vulnerabilității portofoliului la tranziția din regim normal în regim de stres. Această diferență — pe care o numim intern delta de regim — oferă o perspectivă mai onestă asupra riscului real decât orice corelație medie calculată pe întreaga perioadă istorică disponibilă.
Calibrarea exclusiv pe date normale subestimează sistematic corelațiile în scenariile de stres cu impact real.