Skip to main content
Kredittkonsensusvurdering-skalaen tilordner en rå gjennomsnittlig sannsynlighet for mislighold (PD) til en av 21 bokstavkategorier. Dette er det riktige formatet for de fleste bruksområder – men 21 kategorier kan være for grove når du trenger å oppdage små endringer innenfor en klasse, eller rangere enheter som befinner seg i samme CCR-kategori. Den sekundære CCR100 skalaen løser dette. Den bevarer mer av det underliggende PD-signalet ved å kartlegge den samme rå Consensus PD-en til 101 smalere kategorier i stedet for 21.

​
CCR100-publisering

Publisering av en CCR100-verdi er en to-trinns prosess. Trinn 1 er beskrevet i sin helhet på siden «Kredittkonsensusvurdering» – denne siden fokuserer på trinn 2.
1

Rå PD-verdier → Konsensus-PD-gjennomsnitt

Innrapporterte TTC-PD-er beregnes som et gjennomsnitt på tvers av alle banker:Consensus PD=1N∑i=1NPDi\text{Consensus PD} = \frac{1}{N} \sum_{i=1}^{N} PD_i
2

Konsensus-PD-gjennomsnitt → CCR100-midtpunkt-PD

Dette gjennomsnittet sendes gjennom en egen CCR100 oppslagstabell:
CCR100 PD=f(Consensus PD)\text{CCR100 PD} = f(\text{Consensus PD}) Gruppene er indeksert fra 1 til 101, der 101 tilsvarer mislighold.
Siden dette er et tabelloppslag, er den publiserte midtpunkt-PD-en diskret snarere enn kontinuerlig. I praksis ligger den vanligvis svært nær det rå gjennomsnittet – men er ikke alltid nøyaktig lik.

​
Når skal CCR100 benyttes?

Bruk hoved-CCR til kredittklassifisering, rapportering og alle sammenhenger der en bokstavkarakter er det riktige resultatet. Bruk CCR100 når du trenger å:
  • Rangere enheter innenfor samme CCR-kategori — to enheter som begge er vurdert bbb kan befinne seg på vesentlig forskjellige posisjoner innenfor den karakteren
  • Spore små endringer – en endring som ikke overskrider en CCR-terskel, vil likevel vises i CCR100-kategorien
  • Brukes som inndata i kvantitative modeller — den underliggende gjennomsnittlige PD og CCR100-midtpunktet er mer egnede kontinuerlige inndata enn en kategorisk bokstavkarakter
For feltdefinisjoner, se «Datadikt».