Diplomová práce se zabývá problematikou očekávaných úvěrových ztrát podle účetního standardu IFRS 9. Cílem práce je navrhnout a prakticky ověřit postup pro odhad dvanáctiměsíční a celoživotní pravděpodobnosti selhání u portfolia hypotečních úvěrů. Práce využívá veřejnou databázi úvěrových dat od americké společnosti Freddie Mac. V práci jsou navrženy a aplikovány dva přístupy k modelování pravděpodobnosti selhání. První přístup je založen na Markovově modelu přechodových matic. Ten umožňuje modelovat přechod úvěrového portfolia mezi jednotlivými rizikovými stavy (ratingovými pooly) a následně zachytit dynamiku meziročních přechodů mezi stavy a odvození pravděpodobností selhání dle požadavků IFRS 9. Druhý přístup využívá algoritmus strojového učení gradient boosting pro modelování měsíční hazardní míry selhání. Z té jsou následně taktéž odvozeny dvanáctiměsíční a celoživotní pravděpodobnosti selhání. Výsledkem práce je praktická implementace a porovnání dvou odlišných metodických přístupů k odhadu parametrů pravděpodobnosti selhání (PD) v kontextu IFRS 9. Na základě výstupů z vytvořených modelů jsou oba přístupy vzájemně porovnány. Přínosem práce je propojení účetních požadavků IFRS 9 s praktickými metodami kreditního modelování využitelnými při řízení úvěrového rizika a tvorbě opravných položek.
This diploma thesis addresses the issue of expected credit losses under the IFRS 9 accounting standard. The aim of the thesis is to design and practically implement an approach for estimating both 12month and lifetime probabilities of default for a mortgage loan portfolio. The thesis utilizes a publicly available loan-level dataset provided by the American company Freddie Mac. Two approaches to probability of default modelling are proposed and applied in the thesis. The first approach is based on a Markov transition matrix model. This approach enables modelling the migration of the loan portfolio between individual risk states (rating pools) and subsequently capturing the dynamics of year-to-year transitions between states, allowing the derivation of probabilities of default in accordance with IFRS 9 requirements. The second approach employs the gradient boosting algorithm to model the monthly hazard rate of default. Based on this hazard rate, both 12month and lifetime probabilities of default are subsequently derived. The outcome of the thesis is a practical implementation and comparison of two distinct methodological approaches to estimating probability of default (PD) parameters in the context of IFRS 9. Based on the outputs of the developed models, both approaches are mutually compared. The contribution of the thesis lies in linking the accounting requirements of IFRS 9 with practical credit risk modelling methods applicable to credit risk management and the calculation of loan loss provisions.