Tool for estimating IFRS9 macro models For DNB Bank ASA

Abstract

For å følge IFRS9-regelverket og benytte fremadstrebende informasjon for å kalkulere forventede kredittap, er finansinstitusjoner pålagt å modellere bevegelser over tid i observert misligholdsfrekvens for subsegmenter av sin portefølje. I DNB er dette gjort gjennom OLS-regresjon hvor en kredittsyklus generert av vektet observert misligholdsfrekvens for spesifiserte segmenter som avhengig variabel, og eksterne makrovariabler som forklaringsvariabler. Utfordringen ligger i å finne korrekte variabler å benytte som forklaringsvariabler, og videre vite hvilken transformasjon av disse variablene som skal benyttes. Dette var tidligere en tidkrevende prosess i DNB, som ikke ga tilstrekkelig hjelp til å finne optimal modell for å beskrive kredittsyklusen. Programmet utviklet for denne oppgaven har som må å øke denne hjelpen ved å gjøre et brute-force søk hvor alle potensielle kombinasjoner av potensielle forklaringsvariabler er testet. Programmet har også som må å gjøre dybdeanalyse av spesifiserte modeller mer strømlinjeformet og effektivt.

To comply with the regulation outlined in IFRS9 to use forward looking information to estimate expected loss for credit exposures, financial institutions are required to model movements over time in average observed default frequency for subsegments of their portfolio. In DNB, this is done through OLS regression using a credit cycle derived from weighted observed default frequency for specified segments as dependent variable and external macro variables as explanatory variables. The challenge is to find the correct variables to use, and further to know what transformations of these variables to use. Previously this was a time-consuming process in DNB that did not aid sufficiently in finding the optimal model to explain the credit cycle. The program developed for this paper aims to increase the help offered in finding OLS models through brute-force search where all possible combinations of likely explanatory variables are tried. The program also aims to make in-depth analysis of specified models more streamlined and efficient.