Sharp Large Deviations and Gibbs Conditioning for Threshold Models in Portfolio Credit Risk
创建于 更新于
摘要
本文针对具有多因素依赖结构的门槛组合信用风险模型，建立了超越经典Bahadur-Rao定律的sharp large deviation估计，涵盖对数光滑尾和正则变异尾两种情形。通过Laplace-Olver渐近方法与条件Bahadur-Rao估计，得出不同尾部形态下的概率前置因子及其多项式和对数修正，并证明了大偏差条件下的Gibbs条件极限原理，揭示了极端损失事件下的责任敞口敞口逐渐变得近似独立，损失分布经历指数倾斜。报告中还包括Value-at-Risk和Expected Shortfall的二阶近似，体现模型处于真正大偏差区间的条件[page::0][page::1][page::2][page::5][page::6][page::8][page::21][page::46]
