Sharp Large Deviations and Gibbs Conditioning for Threshold Models in Portfolio Credit Risk
发表于 2025年10月17日上传于 2025年10月21日
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