• 研究提出以经济状态为条件的联合马尔可夫过程$(Xt)=(At, Rt)$描述评级迁移，$At$为经济状态的马尔可夫链，$Rt$为评级，反映评级受经济波动影响，转移概率分解为经济态转移概率与评级迁移条件概率的乘积 [page::2][page::3]。

• 严格来讲，评级过程$(Rt)$本身通常不满足马尔可夫性质，仅在条件转移矩阵满足“非违约迁移概率比率一致性”时成立，即TTC评级的一类子模型。若不满足此条件，可用时间非齐次马尔可夫链近似评级分布 [page::5][page::8]。

- 构造时间非齐次马尔可夫链$(\tilde{R}t)$复制评级分布，证明其转移矩阵序列收敛于极限$\tilde{P}\infty$，对应的极限过程满足马尔可夫性且描述评级的渐近行为，违约概率极限由主特征值确定 [page::9][page::10]。

• 明确定义点时点(PIT)与穿周期(TTC)评级迁移过程：PIT评级中违约概率在经济状态间保持一致，评级易随经济波动变化；TTC评级中非违约评级转移矩阵独立于经济状态，但违约概率随经济状态变化。两种评级迁移矩阵有对应的乘积分解结构[D·C·Q]，其中D为违约组件，Q为非违约组件 [page::12][page::14][page::15]。

- PIT与TTC评级均能通过极限转移矩阵$\tilde{P}\infty$进行刻画：PIT对应极限违约矩阵$\tilde{D}\infty$与D一致，TTC对应极限非违约矩阵$\tilde{Q}\infty$与Q一致[page::16]。

• 在评级及经济状态空间定义了全序和偏序，利用随机占优(stochastic dominance)和上正交序(upper orthant order)对评级迁移矩阵及联合转移矩阵进行单调性分析，保证评级等级与多期违约概率的有序性 [page::18][page::19][page::20]。

- 结合Merton模型示例，构造PIT评级：依据资产负债比率及经济状态确定违约概率区间，动态调整负债水平以保持时间齐次性，保证评级过程为马尔可夫过程 [page::21][page::22][page::23]。

• TTC评级通过校准非违约迁移矩阵Q矩阵和违约概率，最小化与PIT评级违约期限结构差异，以适应监管要求，保证评级对经济状态的稳定性 [page::24][page::25]。

- 数值实验展示PIT评级迁移矩阵$M^{(a,b)}$对经济状态变化更加敏感，TTC评级更稳定，违约概率曲线趋于一致且符合监管历史平均违约率要求，验证模型理论与实际应用的有效性[page::26][page::27][page::28]。

• 监管标准偏好TTC评级以平滑资本需求，实务中PIT评级更能动态反映经济周期风险，两种评级体系相互补充，极限马尔可夫链$\tilde{P}\infty$为评级动态提供有效近似也符合监管资本要求[page::29]。

金融研究报告详尽分析报告

---

1. 元数据与概览

• 标题：A Markov approach to credit rating migration conditional on economic states

- 作者：Michael Kalkbrener, Natalie Packham

• 发布机构与日期：2024年3月25日（未明确机构，但作者背景和文献引用显示为金融风险管理领域的学术研究成果）

- 主题：研究信用评级迁移（credit rating migration）模型，重点在于将经济状态变化引入信用评级迁移概率的建模，通过建立基于经济状态和评级的联合马尔可夫链，实现对点时点评级（PIT，point-in-time）和周期穿越评级（TTC，through-the-cycle）两种评级理念的严格数学刻画和分析。

核心论点：本文提出了一个联合经济状态与信用评级迁移的时间齐次马尔可夫链模型，使得评级过程能够结合经济周期的影响，形式化地界定并区别PIT与TTC的评级特点。文章证明了当只考虑评级状态时，评级过程通常不具备马尔可夫性，但其扩展到经济状态和评级的联合空间则拥有马尔可夫性质；通过该模型能刻画评级矩阵的渐近行为，并用Merton型资产价值过程实际示例演示如何构造PIT和TTC评级。

---

2. 逐节深度解读

2.1 引言及模型动机

• 强调信用违约率与经济状态密切相关（文献Wilson 1998等），且市场上评级体系存在PIT与TTC两种评级理念，却缺乏数学上的严格定义。本文旨在通过构建数学框架来填补这一空白。
• 银行监管背景下，TTC评级被偏好以减少资本要求的周期性波动（防止金融不稳定），而会计准则（IFRS9和CECL）要求使用反映当前及未来经济状况的违约概率，即更倾向于PIT评级的反映。

2.2 联合马尔可夫链建模（第2章，第3章）

• 模型假设：

- 经济状态\(\mathcal{A}\)按时间齐次马尔可夫链\(At\)演变，状态数为K。
- 信用评级过程\(Rt\)的状态空间为\(\mathcal{R}\)，包含吸收态默认状态\(\bar{r}\)。
- 评级过程本身不必马尔可夫，但联合过程\(Xt = (At, Rt)\)作为状态空间\(\mathcal{A}\times \mathcal{R}\)上的马尔可夫链。

• 关键假设：

- 经济状态\(A{t+1}\)与评级\(Rt\)在给定\(At\)条件下条件独立，换言之，经济状态的未来演变仅依赖当前经济状态，不受当前评级影响。

• 结果：

- 联合状态转移概率矩阵\(P\)由经济状态转移矩阵\(M=[m{ab}]\)与条件评级转移矩阵\(M^{(a,b)}=[m^{(a,b)}{rs}]\)确定：

\[
p{(a,r),(b,s)} = m{ab} m^{(a,b)}{rs}
\]

• 示范：利用Merton模型获得的具体\(M, M^{(a,b)}\)矩阵（见图1），显示经济状态转移对评级迁移概率的强烈影响。

2.3 评级过程的马尔可夫性分析（第3章）

• 严格证明：

- 评级过程\(Rt\)一般不具有马尔可夫性质（即自身状态不足以描述未来评级分布），而是其联合过程\(Xt\)具有马尔可夫性。

• 设定条件：

- 当所有\(M^{(a,b)}\)矩阵“非默认迁移比率一致”时，评级过程\(Rt\)才能满足马尔可夫性质。
- “非默认迁移比率一致”条件，即对所有评级转移\(r \to s\)和\(r' \to s'\)及经济状态对\((a,b)\)和\((a', b')\)：

\[
\frac{m^{(a,b)}{rs}}{m^{(a,b)}{r's'}} = \frac{m^{(a',b')}{rs}}{m^{(a',b')}{r's'}}
\]

• 该条件极其限制模型自由度，真实评级系统往往不满足，理论上支持非马尔可夫评级系统的实证观察（Altman 1998等）。
• 进一步给出评级过程可由时间非齐次马尔可夫链\(\tilde{R}t\)精确复制其边际分布的存在性，说明尽管自身过程非马尔可夫，可以用时间依赖转移矩阵构造马尔可夫近似。

2.4 渐近性质与长期行为（第4章）

• 经济状态马尔可夫链\(At\)假定不可约、不可周期，且评级迁移正概率严格大于零，使得联合过程子矩阵\(\widehat{P}\)为原始模型中非默认状态的迁移矩阵，也是原理矩阵（primitive matrix）。
• 利用Perron-Frobenius定理：

- \(\widehat{P}\)有唯一最大实特征值\(\rho\)，对应左特征向量\(\mu\)和右特征向量\(\nu\)均正。
- \(\rho\)决定默认概率的极限，\(1-\rho\)即极限违约率。
- 条件未违约时，评级-经济状态的联合分布收敛于\(\mu\)。
- 时间非齐次马尔可夫链转移矩阵\(\widetilde{P}t\)收敛于固定矩阵\(\widetilde{P}\infty\)。

• 结果：

- 长期无违约评级分布稳定，违约概率趋于稳定，提供评级系统的稳健长期行为描述。

2.5 评级理念区分：点时点评级与周期穿越评级（第5章）

• PIT评级定义：

- 评级反映每个企业在当前及未来经济状况下的违约概率，评级等级内的违约概率随经济状态动态变化。
- 数学表示：所有\(a,b\), 对于评级\(r\)，点时违约概率相等：

\[
PD(a,r) = PD(b,r) \quad \forall a,b \in \mathcal{A}
\]

- 评级随经济增长或衰退波动，即评级分类的概率会与经济状态相关。

• TTC评级定义：

- 评级忽略经济周期影响，评级更新仅反映企业特质，评级迁移矩阵条件于无违约状态时对任何经济状态均相同，即：

\[
Q^{(a,b)} = Q \quad \forall a,b \in \mathcal{A}
\]

- 违约概率随经济周期波动，但评级本身稳定。

• 进一步将评级迁移矩阵\(M^{(a,b)}\)分解为违约组件\(D^{(a,b)}\)和非违约组件\(Q^{(a,b)}\)的乘积，并说明PIT与TTC在分解中的区别。
• 理论结果：

- PIT评级为违约组件与经济状态无关，但违约概率（违约组件\(D^{(a,b)}\)）与经济状态有关。
- TTC评级为非违约组件与经济状态无关，违约概率与经济状态相关。
- 某些具有“相同非违约比率”的评级迁移矩阵属于TTC评级体系的特殊子类。

2.6 评级排序与单调性（第6章）

• 评级等级按照长期多期违约概率自然排序，低违约率评级优于高违约率评级。
• 引入随机单调性（stochastic monotonicity）概念：

- 评级迁移矩阵应保持评级的排序关系（即如果评级\(r \le s\)，则对应行概率分布也满足随机支配关系）。
- 扩展到经济状态和评级的联合空间，通过定义乘积偏序和上正交序（upper orthant order）对评级-经济状态联合分布排序。

• 关键结论：

- 若经济状态转移矩阵\(M\)及评级迁移矩阵\(M^{(a,b)}\)均随机单调，且条件迁移矩阵满足顺序条件，则联合迁移矩阵\(P\)也为随机单调，保证评级分布及多期违约概率的顺序一致性。

2.7 Merton模型下的PIT与TTC评级构建（第7章）

• 在经典Merton公司价值模型框架内引入经济状态\(A_t\)影响资产价值漂移，建构评级流程。
• PIT评级构造：

- 依据公司资产-负债比的违约概率划分评级等级，评级直接反映默认概率，经济状态驱动PD，评级随经济周期波动。
- 定义债务水平由评级决定，违约概率分层明确，每期违约概率通过模型透明计算。
- 排列评级边界通过PD划分，满足时间齐次马尔可夫链假设。

• TTC评级构造：

- 理论上强要求公司消除经济周期对信用质量的影响，令评级迁移独立于经济状态方可马尔可夫，实践中不现实。
- 推荐从PIT评级出发，通过拟合违约期限结构（default term structures）来近似得到“最贴近”的TTC评级。
- TTC评级迁移矩阵\(Q\)的确定采用PIT评级非违约迁移矩阵的权重平均或渐近转移矩阵。

• 数值过程分两步进行：

1. 构造TTC评级的非违约迁移矩阵\(Q\)。
2. 校准包含默认概率的评级迁移矩阵\(M^{(a,b)} = D^{(a,b)} Q\)及初始评级分布，使得TTC评级违约期限结构最接近PIT评级违约期限结构。

2.8 数值分析与图表解读（第2.2节、图1、图3-6）

• 图1（第4页）：

左图显示条件评级迁移矩阵\(M^{(a,b)}\)，行列按评级由好到坏排序，经济状态1-3分别为好、中性、坏。

• 观测到经济状态转移对评级迁移有明显影响，比如经济转好的状态，升级概率大；经济变差时，降级概率升高。

右图是联合迁移矩阵\(P\)的热力图，体现了经济状态和评级的共同迁移概率分布。

• 图3（第26页）：显示TTC评级对应的\(M^{(a,b)}\)与联合矩阵\(P\)，颜色深浅反映转移强度。

- TTC转移矩阵随经济状态的变化较小，违约概率虽变但评级转移稳定性高。

• 图2（第13页）：演示PIT和TTC评级的时间序列路径，经济状态剧烈波动，PIT评级随经济波动较大，TTC评级相对平稳。
• 图4（第27页）：默认概率期限结构对比，左图为PIT评级，违约概率受经济状态影响明显；右图为校准后的TTC评级，默认概率较为稳定。
• 图5（第28页）：更细分的TTC评级默认概率曲线，颜色代表起始经济状态，灰色为模型渐近默认概率。

- 观察到优质评级的违约概率无论经济状态几乎相同，但不良评级的违约概率差异显著。
- 渐近默认概率曲线为跨经济环境的平均水平，符合监管对历史违约率的要求。

• 图6（第28页）：在仅知道经济状态的条件下，PIT与TTC评级默认曲线对比，PIT评级表现更能区分经济状态，TTC评级曲线趋近，不同状态难以区分。

---

3. 估值分析

该报告聚焦于评级迁移模型的数学定性与概率性质分析，没有传统意义上的公司估值或现金流折现模型。Merton 模型虽用于信用价值建模，但更多是用于信贷评级迁移概率的生成，故不涉及估值计算。报告中Merton模型主要作为评级状态和违约概率分区间的划分依据。

---

4. 风险因素评估

报告在理论层面未专门列出风险因素，但隐含风险和挑战包括：

• 评级过程的非马尔可夫性导致模型复杂，实际应用中难以精确参数化。

- TTC评级需强假设企业不受经济状态影响，现实中难以满足。

• 经济状态转移矩阵及条件迁移矩阵的估计依赖宏观经济数据和历史评级数据的质量，存在模型风险。

- 对违约概率和评级变动的估计误差可能导致资本配置不足或过度，特别是在经济波动剧烈时。

报告指出通过时间非齐次马尔可夫链的近似方法缓解了部分模型风险，且建议校准评级体系以最小化PIT与TTC违约期限结构的差异，作为风险控制手段。

---

5. 审慎视角与细节

• 作者较为严谨地指出现实中评级系统极难达到纯粹的PIT或TTC状态，真实评级体系往往为两者的混合。

- 关于马尔可夫性质的讨论反映出现实评级系统的动态依赖性和复杂性，提醒用户模型适用性和局限性。

• 数据参数估计的复杂性及多自由度使得模型校准难度大，报告中的理论结果虽具有普适指导意义，但实际应用仍需结合具体数据予以精细调整。

- Merton模型的经典假设（如资产价值符合几何布朗运动）在现实中可能受限，潜在引发对评级和违约概率估计的偏误。

---

6. 结论性综合

该研究报告提出并严格构建了一个结合经济周期影响的信用评级迁移模型，实现了在经济状态与信用评级的联合马尔可夫链框架内对评级迁移过程的刻画。主要贡献为：

• 理论创新：形式化定义并区分了PIT和TTC评级迁移过程。证明真实评级过程因经济状态影响而普遍不具备马尔可夫性，但其扩展联合过程满足马尔可夫性质，厘清了评级迁移的数学本质。
• 方法论应用：利用时间非齐次马尔可夫链构造了非马尔可夫评级过程的精确边际分布复刻模型，同时基于Perron-Frobenius理论讨论了评级迁移过程的渐近极限行为，揭示其长期默认概率性质。
• 评级排序与单调性分析：引入随机单调性和马尔可夫矩阵单调性保证评级的风险排序与多期违约概率排序一致，确保评级系统在经济波动中的稳健性。
• 实证模拟：在Merton资产价值框架下，具体构造了PIT与TTC评级流程，通过违约期限结构拟合，演示了两类评级的行为差异与联系，展示了经典理论与实际风险监管政策（如IFRS9、监管资本缓冲）之间的桥接。
• 图表深度解读：

- 图1和图3中不同经济状态下条件评级迁移矩阵明显体现PIT与TTC评级在对经济状态敏感性上的差异；
- 图2、4、5、6分别展示了评级分布及多期违约概率的动态变化，直观反映经济波动对PIT评级显著影响的同时，TTC评级违约概率更为稳定，符合监管预期；
- 评级迁移矩阵及违约概率曲线的单调性和排序关系满足理论定义的随机单调，确保评级风险一致性。

• 监管与会计标准适用性：

- 报告强调了模型设计满足IFRS9与CECL对于违约概率计量的需求（强调经济状态依赖），同时也适应监管资本对TTC评级的稳定要求，通过模型框架灵活调整。

综上，该研究不仅推进了信用评级迁移理论的数学模型化，还为评级系统设计和监管资本评估提供了严谨的工具和实践路径，兼顾了风险敏感性与稳定性的需求。

---

参考附录图表示例

图1 （Page 4）

左图为条件评级迁移矩阵\(M^{(a,b)}\)，经济状态转移由上至下，评级由左至右，颜色表示概率强弱；
右图为联合迁移矩阵\(P\)，行列由经济状态和评级共同决定，渐变色反映转移强度。

图2 （Page 13）

经济状态时间序列（顶）；相应的PIT评级状态分布随时间波动显著（中）；TTC评级状态分布较为稳定（底）。

图3 （Page 26）

TTC评级对应条件迁移矩阵和联合迁移矩阵，颜色表现评级迁移概率，明显经济状态对迁移敏感度较低。

图4 （Page 27）

PIT与校准TTC评级违约概率期限结构比较，显示TTC的违约概率更稳健，PIT则随经济状态波动。

图5 & 6 （Page 28）

详细展现TTC评级违约概率曲线及其渐近近似（灰色），和仅已知经济状态下两者的期末违约概率比较，凸显PIT对经济状态的敏感与TTC相对稳健。





---

总结

该报告集理论深度、数学严谨和实际意义为一体，成功通过扩展马尔可夫框架，将经济因素引入评级迁移分析，实现了对信用评级体系中PIT和TTC哲学的严密刻画，既有助于风险管理模型设计，也契合当前会计与监管资本标准的要求，是金融科技领域信用风险定量分析的重要贡献。

报告