What Drives the Aggregate Credit Risk: The Case of the Czech Republic

• Název práce v češtině: Co ovlivňuje agregátní úvěrové riziko v České republice
• Název v anglickém jazyce: What Drives the Aggregate Credit Risk: The Case of the Czech Republic
• Klíčová slova: agregatni uverove riziko, cyklus uveroveho selhani, hospodarsky cycklus, joinpoint regrese, zobecnena metoda nejmensich ctvercu, Kalman filtr
• Klíčová slova anglicky: aggregate credit risk, default cycle, business cycle, joinpoint regression, GLS, Kalman filter
• Akademický rok vypsání: 2011/2012
• Typ práce: diplomová práce
• Jazyk práce: angličtina
• Ústav: Institut ekonomických studií (23-IES)
• Vedoucí / školitel: PhDr. Jakub Seidler, Ph.D.
• Řešitel: skrytý - zadáno vedoucím/školitelem
• Datum přihlášení: 16.06.2012
• Datum zadání: 20.07.2012
• Datum a čas obhajoby: 11.09.2013 00:00
• Místo konání obhajoby: IES
• Datum odevzdání elektronické podoby: 31.07.2013
• Datum proběhlé obhajoby: 11.09.2013
• Oponenti: Mgr. et Mgr. Pavel Doležel

Předběžná náplň práce

Literatura poskytuje obsáhlou diskuzi na téma, jaké makroekonomické proměnné ovlivňují míru agregátního
úvěrového rizika. Zatímco efekt hospodářského cyklu byl již teoreticky zdůvodněn a prokázán
na dostupných datech, efekt ostatních makroekonomických proměnných prozatím nebyl analyzován
dostatečně. Navíc, nedávné studie naznačují existenci skrytého faktoru, který míru agregátního úvěrového
rizika také ovlivňuje a je často interpretován jako skrytý cyklus úvěrového selhání.

První část této práce diskutuje potenciální makroekonomické faktory ovlivňující agregátní úvěrové
riziko, které byly již diskutovány v předešlých studiích na toto téma. Efekt těchto proměnných je
ověřován na datech pro Českou republiku a výsledky se zdají být stabilní jak pro rozdílné úvěrové
segmenty, tak pro rozdílné specifikace regresního modelu a jsou v souladu se závěry předchozích
studií.

Druhá část práce modeluje explicitně skrytý faktor přidáním dodatečného komponentu do již existujícího
regresního modelu odhadnutého v předešlé části této práce. Ukazujeme zde, že vývoj tohoto
dodatečného komponentu během sledovaného období může být odhadnut pomocí Kalmanova filtru.
Následně diskutujeme možné důvody existence skrytého faktoru a to, zda může být interpretován jako
cyklus úvěrového selhání.

Přínos této diplomové práce je dle našeho přesvědčení dvojí. Zaprvé je jím přidání skrytého komponentu
do lineárního regresního modelu. Zadruhé může být za přínos považována diskuze, jak a za jakých
podmínek toto rozšíření prostého lineárního regresního modelu zlepší jeho fungování a zda může být
explicitní odhad latentního komponentu interpretován jako cyklus úvěrového selhání.

Předběžná náplň práce v anglickém jazyce

There has been a long discussion about macroeconomic variables influencing the level of aggregate
credit risk in the economy. While literature provides both empirical evidence and theoretical explanation
of the influence of the business cycle on credit risk, the effect of other macroeconomic variables
has not been explored sufficiently. In addition, recent literature suggests the existence of a latent risk
factor behind aggregate credit risk, which is regularly interpreted as the latent default cycle.

This thesis provides in its first part a discussion of potential aggregate credit risk drivers, which have
been previously suggested in literature. We verify using a linear regression model whether the effect
of these macroeconomic variables is also apparent in the Czech Republic. Results seem to be stable
for both different model specifications and different clients segments and are in line with previous
studies.

The second part of this thesis explicitly models the latent factor that is assumed behind aggregate
credit risk by adding an unobserved component to the already existing model constructed earlier in
this thesis. The unobserved component can be estimated by applying Kalman filter. We subsequently
discuss the sources of the latent component and whether it can be interpreted as the default cycle.

The contribution of this diploma thesis is due to our belief twofold. First, we add a latent component to the
linear regression model. Secondly, we analyze if and under which circumstances the latent component
extension improves the fit of the regression model and discuss whether the explicit estimate of the
unobserved component has a feasible interpretation as the default cycle.