This report seeks to thoroughly examine different approaches to estimating Loss Given Default through a comparison of traditional estimation methods, as well as a deeper variable analysis on micro, small, and medium-sized companies using primarily regression decision trees. The comparative study concluded that estimating loss given default depends heavily on business-specific factors and data variety. While regression models offer interpretability and machine learning techniques offer superior prediction, model selection should balance complexity, computational demands, implementation ease, and overall performance. From the variable analysis, loan size and guarantor property ownership emerged as key drivers for a lower Loss Given Default.

Denna rapport syftar till att grundligt undersöka olika metoder för att uppskatta Loss Given Default genom en jämförelse av traditionella skattningsmetoder samt en djupare variabelanalys av bolag med hjälp av främst regressionsbeslutsträd. I den jämförande studien drogs slutsatsen att uppskattningen av Loss Given Default beror i hög grad på företagsspecifika faktorer och olika typer av data. Medan regressionsmodeller erbjuder tolkningsmöjligheter och maskininlärningstekniker erbjuder överlägsna uppskattningar, bör valet av modell balansera komplexitet, beräkningskrav, enkelhet i genomförandet och övergripande prestanda. I variabelanalysen framkom lånestorlek och borgensmannens fastighetsinnehav som viktiga drivkrafter för en lägre Loss Given Default.