• После заседания наклон кривой снизился с 2.9 процентных пунктов до 0.5 процентного пункта: меньше наклон => меньше предложение кредита => выше вероятность рецессии
Наша оценка риска выросла до 21%, но эти оценки зависят от большого числа относительно произвольных решений при выборе модели:
• какие месяцы в прошлом были рецессией, а какие нет?
• как мерять наклон кривой: как разницу доходностями 10 лет и 3 мес.? 5 лет и 2 года? 10 и 2 года?
• строим опережающий или одновременный индикатор риска? опережающий на сколько месяцев? и так далее
🪄 Вы можете самостоятельно построить свой индикатор риска рецессии за пару шагов:
• Загружаем pandas и sklearn:
import pandas as pd
from sklearn.linear_model import LogisticRegression• забираем данные об исторических значениях кривой доходности у МосБрижи
• Сохраняем их в файлик и считаем там наклон 'slope':
df_yc_cc = pd.read_excel(PATH, index_col='ds')
• Определяем рецессию по вкусу:
df_rec = pd.DataFrame(index = pd.date_range(start='2003-01',end='2023-08',freq='MS'))
df_rec['R'] = 0
df_rec.loc['2008-09':'2009-02','R'] = 1
df_rec.loc['2014-11':'2015-06','R'] = 1
df_rec.loc['2019-12':'2020-06','R'] = 1
df_rec.loc['2021-11':'2022-06','R'] = 1• Складываем наклон и переменную рецессии вместе:
df_xy = pd.merge(
df_yc[['slope']]
, df_rec[['R']]
, left_index=True
, right_index=True) \
.dropna()
X, y = df_xy[['slope']], df_xy['R']• Оцениваем логит:
mod_lr = LogisticRegression()
mod_lr.fit(X, y)• Готово - можем подставить какой-то наклон x и оценить риск рецессии:
x = XXX
mod_lr.predict_proba(pd.DataFrame(data=[[x]],columns=['slope']))
@c0ldness