Credit-Risk Modelling: Theoretical Foundations, Diagnostic Tools, Practical Examples, and Numerical Recipes in Python

خطر نکول طرف مقابل در پرتفوی بانکی، بیمه، نهادی و صندوق بازنشستگی، حوزه‌ای است که اهمیت مداوم و فزاینده‌ای برای متخصصان امور مالی دارد. متاسفانه موضوعی با پیچیدگی فنی بالاست. با پرداختن به این چالش، این کتاب یک بحث ریاضی و آماری جامع و قابل دستیابی از طیف وسیعی از مدل‌های ریسک پیش‌فرض موجود ارائه می‌کند. با این حال، توصیف و اشتقاق مدل تنها بخشی از داستان است. این کار با استفاده از مثال‌های کاربردی جامع و تصاویر کد گسترده در زبان برنامه‌نویسی پایتون، به صراحت به خواننده نشان می‌دهد که چگونه این مدل‌ها پیاده‌سازی می‌شوند. جان بخشیدن به این رویکردهای پیچیده با ترکیب جزئیات فنی با کد واقعی پایتون، بار پیچیدگی مدل را کاهش می دهد و دسترسی به این زمینه کاملاً تخصصی مطالعه را افزایش می دهد. کل کار همچنین به طور آزادانه با تکنیک‌های تشخیص مدل، کالیبراسیون و تخمین پارامتر تکمیل می‌شود تا به تحلیلگر کمی در پیاده‌سازی روزانه و همچنین در کاهش ریسک مدل کمک کند. این کتاب که توسط یک پزشک فعال و با تجربه نوشته شده است، یک منبع یادگیری ارزشمند و متن مرجع برای پزشکان دارای ریسک مالی و یک منبع عالی برای دانشجویان پیشرفته در مقطع کارشناسی و کارشناسی ارشد است که به دنبال کسب دانش در مورد عناصر کلیدی این رشته هستند.

The risk of counterparty default in banking, insurance, institutional, and pension-fund portfolios is an area of ongoing and increasing importance for finance practitioners. It is, unfortunately, a topic with a high degree of technical complexity. Addressing this challenge, this book provides a comprehensive and attainable mathematical and statistical discussion of a broad range of existing default-risk models. Model description and derivation, however, is only part of the story. Through use of exhaustive practical examples and extensive code illustrations in the Python programming language, this work also explicitly shows the reader how these models are implemented. Bringing these complex approaches to life by combining the technical details with actual real-life Python code reduces the burden of model complexity and enhances accessibility to this decidedly specialized field of study. The entire work is also liberally supplemented with model-diagnostic, calibration, and parameter-estimation techniques to assist the quantitative analyst in day-to-day implementation as well as in mitigating model risk. Written by an active and experienced practitioner, it is an invaluable learning resource and reference text for financial-risk practitioners and an excellent source for advanced undergraduate and graduate students seeking to acquire knowledge of the key elements of this discipline.