Zrozumienie wiarygodności kredytowej kontrahentów jest kluczowym elementem w podejmowaniu decyzji biznesowych. Inwestorzy muszą wiedzieć, że pieniądze zainwestowane w obligacje lub pożyczki zostaną spłacone. Korporacje muszą oszacować wiarygodność kredytową dostawców, klientów, kandydatów do przejęcia i konkurentów.
Tradycyjną miarą jakości kredytowej jest rating korporacyjny, taki jak ten wystawiany przez S&P, Moody's lub Fitch. Jednak takie oceny są dostępne tylko dla największych firm, a nie dla milionów mniejszych korporacji. W celu oszacowania wiarygodności kredytowej mniejsze firmy są często analizowane przy użyciu alternatywnych metod, a mianowicie modeli prawdopodobieństwa niewykonania zobowiązania (PD). (Aby dowiedzieć się więcej, zobacz Krótką historię agencji ratingowych .)
TUTORIAL: Ryzyko i dywersyfikacja
Obliczanie wartości PD Obliczanie wartości PD wymaga zaawansowania modelowania i dużego zestawu danych dotyczących przeszłych niewykonania zobowiązań, a także pełnego zestawu podstawowych zmiennych finansowych dla dużego wszechświata firm. W przeważającej części korporacje, które wybierają modele PD, udzielają licencji na nie od kilku dostawców. Jednak niektóre duże instytucje finansowe budują własne modele PD.
Budowanie modelu wymaga gromadzenia i analizy danych, w tym gromadzenia podstaw, o ile dostępna jest historia. Informacje te zazwyczaj pochodzą ze sprawozdań finansowych. Po skompilowaniu danych nadszedł czas na utworzenie wskaźników finansowych lub „sterowników” - zmiennych, które napędzają wynik. Czynniki te dzielą się na sześć kategorii: wskaźniki dźwigni, wskaźniki płynności, wskaźniki rentowności, miary wielkości, wskaźniki kosztów i wskaźniki jakości aktywów. Środki te są powszechnie akceptowane przez specjalistów ds. Analizy kredytowej jako istotne dla oszacowania wiarygodności kredytowej. (Aby dowiedzieć się więcej, zobacz 6 podstawowych wskaźników finansowych i ich ujawnienia ).
Następnym krokiem jest ustalenie, które z firm w Twojej próbie są „niespłacającymi” - tymi, które faktycznie wywiązały się ze swoich zobowiązań finansowych. Na podstawie tych informacji można oszacować model regresji „logistycznej”. Metody statystyczne są używane do testowania dziesiątek kandydatów na sterowniki, a następnie do wyboru tych, które mają największe znaczenie dla wyjaśnienia przyszłych domyślnych wartości domyślnych.
Model regresji wiąże zdarzenia domyślne z różnymi sterownikami. Ten model jest wyjątkowy, ponieważ wyniki modelu są ograniczone od 0 do 1, co można zmapować na skalę prawdopodobieństwa domyślnego 0-100%. Współczynniki z regresji końcowej stanowią model do oszacowania domyślnego prawdopodobieństwa firmy na podstawie jej czynników.
Na koniec możesz zbadać miary wydajności dla wynikowego modelu. Prawdopodobnie będą to testy statystyczne mierzące, jak dobrze model przewidział wartości domyślne. Na przykład model można oszacować na podstawie danych finansowych za okres pięciu lat (2001-2005). Powstały model jest następnie wykorzystywany w danych z innego okresu (2006-2009) do przewidywania wartości domyślnych. Ponieważ wiemy, które firmy nie wywiązały się ze zobowiązań w okresie 2006–2009, możemy stwierdzić, jak dobrze ten model działał.
Aby zrozumieć, jak działa model, rozważ małą firmę o wysokiej dźwigni i niskiej rentowności. Właśnie zdefiniowaliśmy trzy modele sterowników dla tej firmy. Najprawdopodobniej model będzie przewidywał stosunkowo wysokie prawdopodobieństwo niewykonania zobowiązania przez tę firmę, ponieważ jest ona mała, a zatem jej strumień przychodów może być zmienny. Firma ma wysoką dźwignię finansową, a zatem może obciążyć wierzycieli wysokimi odsetkami. A firma ma niską rentowność, co oznacza, że generuje niewiele gotówki na pokrycie swoich wydatków (w tym dużego obciążenia zadłużeniem). Podsumowując, firma prawdopodobnie zorientuje się, że nie jest w stanie spłacić długów w najbliższej przyszłości. Oznacza to, że ma wysokie prawdopodobieństwo niewypłacalności. (Aby dowiedzieć się więcej, zobacz Podstawy regresji dla analizy biznesowej ).
Art vs. Nauka Do tej pory proces budowy modelu był całkowicie mechaniczny, z wykorzystaniem statystyk. Teraz trzeba odwołać się do „sztuki” tego procesu. Sprawdź sterowniki wybrane w ostatecznym modelu (prawdopodobnie gdziekolwiek od 6-10 sterowników). W idealnym przypadku powinien istnieć co najmniej jeden kierowca z każdej z sześciu opisanych wcześniej kategorii.
Opisany powyżej proces mechaniczny może jednak prowadzić do sytuacji, w której model wymaga sześciu kierowców, z których wszystkie pochodzą z kategorii wskaźnika dźwigni, ale żaden z nich nie reprezentuje płynności, rentowności itp. Kredytodawcy bankowi, którzy są proszeni o zastosowanie takiego modelu pomoc w podejmowaniu decyzji kredytowych prawdopodobnie narzeka. Silna intuicja opracowana przez takich ekspertów doprowadziłaby ich do przekonania, że inne kategorie kierowców również muszą być ważne. Brak takich sterowników może doprowadzić wielu do wniosku, że model jest nieodpowiedni.
Oczywistym rozwiązaniem jest zastąpienie niektórych sterowników dźwigni sterownikami z brakujących kategorii. Rodzi to jednak problem. Oryginalny model został zaprojektowany w celu zapewnienia najwyższych miar wydajności statystycznej. Zmieniając skład sterownika, prawdopodobne jest, że wydajność modelu spadnie z czysto matematycznej perspektywy.
Dlatego należy dokonać kompromisu między włączeniem szerokiej gamy sterowników, aby zmaksymalizować intuicyjny wygląd modelu (sztuka), a potencjalnym spadkiem mocy modelu na podstawie miar statystycznych (nauka). (Aby uzyskać więcej informacji, przeczytaj Style Matters in Financial Modeling .)
Krytyka modeli PD Jakość modelu zależy przede wszystkim od liczby wartości domyślnych dostępnych do kalibracji i czystości danych finansowych. W wielu przypadkach nie jest to trywialne wymaganie, ponieważ wiele zestawów danych zawiera błędy lub cierpi na brakujące dane.
Modele te wykorzystują tylko informacje historyczne, a czasem dane wejściowe są nieaktualne nawet o rok lub dłużej. To osłabia moc predykcyjną modelu, zwłaszcza jeśli nastąpiła znacząca zmiana, która sprawiła, że kierowca stał się mniej istotny, na przykład zmiana konwencji lub przepisów rachunkowych.
Modele powinny być idealnie tworzone dla konkretnej branży w danym kraju. Zapewnia to właściwe uchwycenie unikalnych czynników ekonomicznych, prawnych i księgowych kraju i branży. Wyzwanie polega na tym, że zwykle na początku brakuje danych, szczególnie w liczbie zidentyfikowanych wartości domyślnych. Jeśli te rzadkie dane muszą być dalej podzielone na segmenty przemysłu krajowego, istnieje jeszcze mniej punktów danych dla każdego modelu przemysłu krajowego.
Ponieważ brakujące dane są faktem podczas budowania takich modeli, opracowano szereg technik wypełniania tych liczb. Niektóre z tych alternatyw mogą jednak powodować niedokładności. Niedobór danych oznacza również, że domyślne prawdopodobieństwa obliczone przy użyciu małej próbki danych mogą różnić się od rzeczywistych prawdopodobieństw domyślnych dla danego kraju lub branży. W niektórych przypadkach możliwe jest skalowanie wyników modelu w celu ściślejszego dopasowania do domyślnych ustawień podstawowych.
Opisaną tutaj technikę modelowania można również wykorzystać do obliczenia wartości PD dla dużych korporacji. Istnieje jednak znacznie więcej danych na temat dużych firm, ponieważ zazwyczaj są one notowane na giełdzie z kapitałem handlowym i znacznymi wymogami w zakresie publicznego ujawniania informacji. Ta dostępność danych umożliwia tworzenie innych modeli PD (znanych jako modele rynkowe), które są bardziej wydajne niż te opisane powyżej.
Wniosek
Praktycy i regulatorzy branżowi doskonale zdają sobie sprawę ze znaczenia modeli PD i ich pierwotnego niedoboru danych. W związku z tym na całym świecie podejmowano różne wysiłki (na przykład pod patronatem Bazylei II) w celu poprawy zdolności instytucji finansowych do przechwytywania przydatnych danych finansowych, w tym dokładnej identyfikacji firm niewywiązujących się ze zobowiązań. Wraz ze wzrostem wielkości i precyzji tych zestawów danych poprawi się również jakość uzyskanych modeli. (Aby uzyskać więcej informacji na ten temat, zobacz Debata na temat oceny zadłużenia ).
