Anpassung der Verlustprognosen an die Auswirkungen von staatlicher Unterstützung und Kreditstundung während der COVID-19-Rezession

Seit dem Beginn der COVID-19-Rezession haben Verlustprognosen und Stresstestmodelle die Verluste dramatisch überschätzt. Da alle Modelle Mustererkennungsalgorithmen sind, die auf früheren Ereignissen trainiert wurden, führt ein solches beispielloses Ereignis zwangsläufig zu Modellfehlern. Anstatt die Modelle jedoch als defekt zu betrachten, sind sie nützlich, um eine obere Grenze dessen festzulegen, was hätte geschehen können, wenn keine staatliche Unterstützung und Kreditstundung gewährt worden wären. Die vorliegende Arbeit entwickelt einen Ansatz zur Quantifizierung der kurz- und langfristigen Auswirkungen dieser staatlichen und kreditgebenden Politiken, um quantitative Modellüberlagerungen zu erstellen. Diese Überlagerungen drücken das Problem über eine Reihe von Schlüsselkriterien aus, die durch Managemententscheidungen oder Simulationsstudien festgelegt werden können. Beispiele für diesen Ansatz und die Empfindlichkeitsanalyse der Parameter werden unter Verwendung von Zeitreihenmodellen der National Credit Union Administration und der Federal Deposit Insurance Corporation Call Report-Daten bereitgestellt. Dieses Papier bietet einen Rahmen für die Integration von Simulationen, von einfach bis komplex, in ein bestehendes Stresstesting-Framework, um zukünftige Verluste besser abzuschätzen.