Összefoglaló

Hogyan lehet részvényadatok alapján becsülni egy strukturális adósságkockázati modellt abban az esetben, ha a megfigyeléseink mikrostruktúra zajokkal szennyezettek? A probléma megoldásához Duan (1994) transzformált adatokon alapuló maximum likelihood (ML) módszerét általánosítjuk. Zajos megfigyelések esetén a megfigyelt részvényárfolyamokon alapuló likelihood-függvény kiértékeléséhez valamilyen nemlineáris filter használata szükséges. Egy szimuláción alapuló részecske filter algoritmust vezetünk be Merton (1974) modelljenek ML becsléséhez. Ezután végrehajtjuk a becslést a Dow Jones 30 indexhez tartozó vállalatokon, valamint 100 véletlenszerűen kiválasztott cégen. Eredményeink szerint a kereskedési hibák negligálása a cég eszközkockázatának jelentős felülbecsléséhez vezethet. Ezek után szimulációkkal vizsgáljuk a becslési eljárás véges mintás tulajdonságait.

Abstract

The transformed-data maximum likelihood estimation (MLE) method for structural credit risk models developed by Duan (1994) is extended to account for the fact that observed equity prices may have been contaminated by trading noises. With the presence of trading noises, the likelihood function based on the observed equity prices can only be evaluated via some nonlinear filtering scheme. We devise a particle filtering algorithm that is practical for conducting the MLE estimation of the structural credit risk model of Merton (1974). We implement the method on the Dow Jones 30 firms and on 100 randomly selected firms, and find that ignoring trading noises can lead to significantly over-estimating the firm's asset volatility. A simulation study is then conducted to ascertain the performance of the estimation method.