This commit is contained in:
EDF Agent
300
src/models/shadow_rating.py
Normal file
300
src/models/shadow_rating.py
Normal file
@@ -0,0 +1,300 @@
|
||||
"""
|
||||
Shadow Rating + 등급별 부도율 산출 모듈
|
||||
|
||||
1) Ordered Probit 기반 Shadow Rating: DD + 재무비율 → 신용등급 추정
|
||||
2) 등급별 부도율: 한국 관측 + 글로벌 벤치마크 블렌딩
|
||||
3) 베이지안 보정: 표본 부족 등급에 사전 정보 활용
|
||||
|
||||
Usage:
|
||||
python -m src.models.shadow_rating # 전체 산출
|
||||
python -m src.models.shadow_rating --stats # 통계만
|
||||
"""
|
||||
import sys
|
||||
import argparse
|
||||
import yaml
|
||||
import numpy as np
|
||||
import pandas as pd
|
||||
from datetime import datetime
|
||||
from pathlib import Path
|
||||
from scipy.stats import norm
|
||||
from scipy.optimize import minimize
|
||||
|
||||
sys.path.insert(0, str(Path(__file__).parent.parent.parent))
|
||||
|
||||
from src.data.database import get_connection, init_db
|
||||
from src.models.merton import (
|
||||
DD_RATING_MAP, GLOBAL_DEFAULT_RATES, dd_to_rating
|
||||
)
|
||||
|
||||
|
||||
def load_config() -> dict:
|
||||
config_path = Path(__file__).parent.parent.parent / "config" / "settings.yaml"
|
||||
with open(config_path, "r", encoding="utf-8") as f:
|
||||
return yaml.safe_load(f)
|
||||
|
||||
|
||||
# ============================================================
|
||||
# 1. Shadow Rating: 재무비율 강화
|
||||
# ============================================================
|
||||
def compute_shadow_features(conn) -> pd.DataFrame:
|
||||
"""Merton 결과 + 재무비율을 병합하여 Shadow Rating 입력 생성"""
|
||||
query = """
|
||||
SELECT
|
||||
mr.ticker,
|
||||
mr.DD,
|
||||
mr.EDF,
|
||||
mr.sigma_V,
|
||||
mr.leverage as merton_leverage,
|
||||
mr.dd_rating,
|
||||
mr.method,
|
||||
f.leverage_ratio,
|
||||
f.roa,
|
||||
f.interest_coverage,
|
||||
f.log_assets,
|
||||
f.total_assets,
|
||||
f.total_equity,
|
||||
f.operating_income,
|
||||
f.net_income,
|
||||
c.name
|
||||
FROM merton_results mr
|
||||
JOIN financial_data f ON mr.ticker = f.ticker
|
||||
JOIN companies c ON mr.ticker = c.ticker
|
||||
"""
|
||||
df = pd.read_sql_query(query, conn)
|
||||
|
||||
# 추가 재무비율 생성
|
||||
df["equity_ratio"] = df["total_equity"] / df["total_assets"].replace(0, np.nan)
|
||||
df["size_score"] = df["log_assets"].rank(pct=True) # 규모 백분위
|
||||
|
||||
# ICR 캡핑 (극단값 처리)
|
||||
df["icr_capped"] = df["interest_coverage"].clip(-10, 100)
|
||||
df.loc[df["icr_capped"].isna(), "icr_capped"] = 0
|
||||
|
||||
# ROA 캡핑
|
||||
df["roa_capped"] = df["roa"].clip(-1, 1)
|
||||
df.loc[df["roa_capped"].isna(), "roa_capped"] = 0
|
||||
|
||||
return df
|
||||
|
||||
|
||||
def compute_composite_score(df: pd.DataFrame) -> pd.DataFrame:
|
||||
"""
|
||||
DD + 재무비율 결합 Composite Score 산출
|
||||
|
||||
점수 높을수록 신용도 높음 (DD와 같은 방향)
|
||||
"""
|
||||
df = df.copy()
|
||||
|
||||
# 각 변수 정규화 (z-score)
|
||||
def zscore(s):
|
||||
mean, std = s.mean(), s.std()
|
||||
if std == 0:
|
||||
return pd.Series(0, index=s.index)
|
||||
return (s - mean) / std
|
||||
|
||||
z_dd = zscore(df["DD"])
|
||||
z_lev = -zscore(df["leverage_ratio"].fillna(0.5)) # 레버리지: 낮을수록 좋음
|
||||
z_roa = zscore(df["roa_capped"])
|
||||
z_icr = zscore(df["icr_capped"])
|
||||
z_size = zscore(df["size_score"])
|
||||
|
||||
# 가중 합산 — DD에 가장 큰 가중치
|
||||
df["composite_score"] = (
|
||||
0.50 * z_dd + # Distance-to-Default (핵심)
|
||||
0.15 * z_lev + # 레버리지
|
||||
0.15 * z_roa + # 수익성
|
||||
0.10 * z_icr + # 이자보상배율
|
||||
0.10 * z_size # 규모
|
||||
)
|
||||
|
||||
return df
|
||||
|
||||
|
||||
def assign_shadow_rating(df: pd.DataFrame) -> pd.DataFrame:
|
||||
"""
|
||||
Composite Score 기반 Shadow Rating 부여
|
||||
|
||||
Ordered Probit 대신 Score 분위를 이용한 등급 할당:
|
||||
실제 관측 등급이 거의 없는 상황에서 Ordered Probit은 추정 불가.
|
||||
대안: Score 퍼센타일 기반 등급 분포 (글로벌 등급 분포와 비슷하게 맞춤)
|
||||
"""
|
||||
df = df.copy()
|
||||
|
||||
# 글로벌 등급 비중 (S&P 기준 근사)
|
||||
rating_dist = {
|
||||
"AAA": 0.01, "AA+": 0.02, "AA": 0.03, "AA-": 0.04,
|
||||
"A+": 0.06, "A": 0.08, "A-": 0.08,
|
||||
"BBB+": 0.08, "BBB": 0.10, "BBB-": 0.08,
|
||||
"BB+": 0.07, "BB": 0.08, "BB-": 0.06,
|
||||
"B+": 0.05, "B": 0.04, "B-": 0.03,
|
||||
"CCC+": 0.02, "CCC": 0.02, "CCC-": 0.04,
|
||||
}
|
||||
|
||||
# Score 내림차순 정렬
|
||||
df = df.sort_values("composite_score", ascending=False).reset_index(drop=True)
|
||||
n = len(df)
|
||||
|
||||
# 등급별 할당 수 계산
|
||||
grade_assigns = {}
|
||||
assigned = 0
|
||||
grades_order = list(rating_dist.keys())
|
||||
|
||||
for i, grade in enumerate(grades_order):
|
||||
if i == len(grades_order) - 1:
|
||||
# 마지막 등급은 잔여 전부
|
||||
grade_assigns[grade] = n - assigned
|
||||
else:
|
||||
count = max(1, round(n * rating_dist[grade]))
|
||||
grade_assigns[grade] = count
|
||||
assigned += grade_assigns[grade]
|
||||
|
||||
# 할당
|
||||
idx = 0
|
||||
df["shadow_rating"] = ""
|
||||
for grade in grades_order:
|
||||
count = grade_assigns[grade]
|
||||
df.loc[idx:idx+count-1, "shadow_rating"] = grade
|
||||
idx += count
|
||||
|
||||
# 미할당 (rounding 오차) → 마지막 등급
|
||||
df.loc[df["shadow_rating"] == "", "shadow_rating"] = grades_order[-1]
|
||||
|
||||
return df
|
||||
|
||||
|
||||
# ============================================================
|
||||
# 2. 등급별 부도율 + 글로벌 블렌딩
|
||||
# ============================================================
|
||||
def compute_default_rates(df: pd.DataFrame, config: dict) -> pd.DataFrame:
|
||||
"""
|
||||
등급별 부도율 산출 + 글로벌 벤치마크 블렌딩 + 베이지안 보정
|
||||
|
||||
한국 시장에서 실제 부도율은 관측 불가 → 이론적 EDF 평균으로 대체
|
||||
"""
|
||||
threshold = config.get("blending", {}).get("threshold", 50)
|
||||
prior_strength = config.get("blending", {}).get("bayesian_prior_strength", 50)
|
||||
|
||||
rating_order = list(GLOBAL_DEFAULT_RATES.keys())
|
||||
|
||||
results = []
|
||||
for rating in rating_order:
|
||||
subset = df[df["shadow_rating"] == rating]
|
||||
n_firms = len(subset)
|
||||
|
||||
if n_firms == 0:
|
||||
continue
|
||||
|
||||
# 한국 관측 "부도율" = 평균 EDF (이론적 부도확률)
|
||||
korean_dr = subset["EDF"].mean()
|
||||
|
||||
# 글로벌 벤치마크
|
||||
global_dr = GLOBAL_DEFAULT_RATES.get(rating, 0.01)
|
||||
|
||||
# 블렌딩 가중치: 표본이 많으면 한국 가중치↑
|
||||
weight_kr = min(n_firms / threshold, 1.0)
|
||||
blended_dr = weight_kr * korean_dr + (1 - weight_kr) * global_dr
|
||||
|
||||
# 베이지안 보정: Beta posterior
|
||||
# Prior: Beta(alpha, beta) where mean = global_dr
|
||||
alpha_prior = global_dr * prior_strength
|
||||
beta_prior = (1 - global_dr) * prior_strength
|
||||
|
||||
# Posterior mean (n번 관측, k번 "부도" → 연속값이므로 n*korean_dr 사용)
|
||||
alpha_post = alpha_prior + n_firms * korean_dr
|
||||
beta_post = beta_prior + n_firms * (1 - korean_dr)
|
||||
bayesian_dr = alpha_post / (alpha_post + beta_post)
|
||||
|
||||
results.append({
|
||||
"rating_grade": rating,
|
||||
"n_firms": n_firms,
|
||||
"n_defaults": 0, # 실제 부도 관측 없음
|
||||
"korean_dr": korean_dr,
|
||||
"global_dr": global_dr,
|
||||
"weight_kr": weight_kr,
|
||||
"blended_dr": blended_dr,
|
||||
"bayesian_dr": bayesian_dr,
|
||||
})
|
||||
|
||||
return pd.DataFrame(results)
|
||||
|
||||
|
||||
# ============================================================
|
||||
# Main
|
||||
# ============================================================
|
||||
def main():
|
||||
parser = argparse.ArgumentParser(description="Shadow Rating + 등급별 부도율")
|
||||
parser.add_argument("--stats", action="store_true", help="통계만 출력")
|
||||
args = parser.parse_args()
|
||||
|
||||
config = load_config()
|
||||
conn = init_db()
|
||||
|
||||
# 1) Shadow Rating 산출
|
||||
print("="*60)
|
||||
print("[Shadow Rating] Composite Score 기반 등급 부여")
|
||||
print("="*60)
|
||||
|
||||
df = compute_shadow_features(conn)
|
||||
print(f" 대상 종목: {len(df)}개")
|
||||
|
||||
df = compute_composite_score(df)
|
||||
df = assign_shadow_rating(df)
|
||||
|
||||
# 비교: DD 기반 vs Shadow Rating
|
||||
print("\n=== DD 등급 vs Shadow 등급 비교 ===")
|
||||
match = (df["dd_rating"] == df["shadow_rating"]).sum()
|
||||
print(f" 일치율: {match}/{len(df)} ({match/len(df)*100:.1f}%)")
|
||||
|
||||
# Shadow Rating 분포
|
||||
print("\n=== Shadow Rating 분포 ===")
|
||||
rating_order = list(GLOBAL_DEFAULT_RATES.keys())
|
||||
df["shadow_rating"] = pd.Categorical(df["shadow_rating"], categories=rating_order, ordered=True)
|
||||
dist = df["shadow_rating"].value_counts().sort_index()
|
||||
for rating, count in dist.items():
|
||||
if count > 0:
|
||||
avg_dd = df[df["shadow_rating"] == rating]["DD"].mean()
|
||||
avg_score = df[df["shadow_rating"] == rating]["composite_score"].mean()
|
||||
print(f" {rating:5s}: {count:4d}개 | DD평균={avg_dd:6.2f} | Score={avg_score:6.2f}")
|
||||
|
||||
# 2) 등급별 부도율
|
||||
print("\n" + "="*60)
|
||||
print("[부도율] 등급별 부도율 산출 + 글로벌 블렌딩")
|
||||
print("="*60)
|
||||
|
||||
dr_df = compute_default_rates(df, config)
|
||||
|
||||
print(f"\n{'등급':>5} | {'기업수':>5} | {'EDF평균':>10} | {'글로벌':>10} | {'블렌딩':>10} | {'베이지안':>10}")
|
||||
print("-" * 70)
|
||||
for _, row in dr_df.iterrows():
|
||||
print(f" {row['rating_grade']:5s} | {row['n_firms']:5d} | {row['korean_dr']:10.6f} | "
|
||||
f"{row['global_dr']:10.6f} | {row['blended_dr']:10.6f} | {row['bayesian_dr']:10.6f}")
|
||||
|
||||
# 3) DB 저장
|
||||
if not args.stats:
|
||||
base_date = df["DD"].index[0] if hasattr(df["DD"].index, '__getitem__') else datetime.now().strftime("%Y-%m-%d")
|
||||
# merton_results에 shadow_rating 업데이트
|
||||
for _, row in df.iterrows():
|
||||
conn.execute("""
|
||||
UPDATE merton_results SET dd_rating = ? WHERE ticker = ?
|
||||
""", (row["shadow_rating"], row["ticker"]))
|
||||
|
||||
# default_rates 테이블 저장
|
||||
base_date_str = datetime.now().strftime("%Y-%m-%d")
|
||||
for _, row in dr_df.iterrows():
|
||||
conn.execute("""
|
||||
INSERT OR REPLACE INTO default_rates
|
||||
(base_date, rating_grade, n_firms, n_defaults, korean_dr, global_dr, weight_kr, blended_dr, bayesian_dr)
|
||||
VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?)
|
||||
""", (
|
||||
base_date_str, row["rating_grade"], int(row["n_firms"]), int(row["n_defaults"]),
|
||||
row["korean_dr"], row["global_dr"], row["weight_kr"], row["blended_dr"], row["bayesian_dr"]
|
||||
))
|
||||
conn.commit()
|
||||
print(f"\n → merton_results shadow_rating 업데이트: {len(df)}건")
|
||||
print(f" → default_rates 저장: {len(dr_df)}건")
|
||||
|
||||
conn.close()
|
||||
|
||||
|
||||
if __name__ == "__main__":
|
||||
main()
|
||||
Reference in New Issue
Block a user