Climate risk in financial markets

Abstract

Tato práce zkoumá vztah mezi rizikem tranzice k uhlíkově čisté ekonomice a úvěrovým rizikem pomocí unikátní datové sady poskytnuté anonymní českou bankou, která obsahuje finanční ukazatele a uhlíkové stopy klientů patřících do kategorie malých a středních podniků. Nejprvě byl pomocí logistické regrese odhadnut standardní model hodnocení úvěru s využitím finančních prediktorů klientů z roku 2022. Na základě poskytnutých dat byly identifikovány čtyři výz- namné finanční faktory úvěrového selhání. Poté byla k standardnímu modelu hodnocení úvěru osobitě přidána sada 11 proměnných týkajících se uhlíkové stopy klienta. Výsledky klimaticky zatížených modelů naznačují, že zatímco přímí emitoři mají tendenci k nižšímu výskytu úvěrového selhání, nepřímí emi- toři pro banku představují vyšší hrozbu z hlediska úvěrového rizika. Nakonec byla prediktivní síla klimaticky zatížených modelů porovnána se standard- ním modelem. Začlenění nepřímé uhlíkové stopy do modelu hodnocení úvěru zvyšuje jeho diskriminační schopnost jak z hlediska citlivosti, tak specificity. Klíčová slova klimatické riziko, úvěrové riziko, úvěrové selhání, ESG, uhlíková stopa, uhlíková in- tenzita, pravděpodobnost defaultu, logi- stická regrese Název práce Klimatické riziko na finančních trzích

This thesis investigates the relationship between climate transition risk and credit risk using a unique dataset provided by an anonymous Czech bank con- sisting of financial and carbon footprint information on corporate clients be- longing to the SME category. Firstly, employing logistic regression, a standard credit scoring model was estimated using client-level financial predictors from 2022. Four significant financial drivers of credit default were identified based on the provided data. Second, a set of 11 variables on a client's carbon foot- print was separately added to the standard credit scoring model. Results of the climate-stressed models imply that while direct emitters tend to default less, indirect emitters pose a higher threat to the bank in terms of credit risk. Finally, the predictive power of the climate-stressed models was compared to the standard model. Integrating Scope 2 carbon footprint into the credit scor- ing model enhances its discriminatory power both in terms of sensitivity and specificity. Keywords climate risk, credit risk, credit default, ESG, car- bon footprint, carbon intensity, probability of default, logistic regression Title Climate risk in financial markets