Înțelegerea bonității contrapartidelor este un element esențial în procesul de luare a deciziilor în afaceri. Investitorii trebuie să știe probabilitatea ca banii investiți în obligațiuni sau sub formă de împrumuturi să fie rambursați. Corporațiile trebuie să cuantifice bonitatea furnizorilor, a clienților, a candidaților de achiziție și a concurenților.

Măsura tradițională a calității creditului este un rating corporativ, cum este cel produs de S & P, Moody's sau Fitch. Totuși, astfel de ratinguri sunt disponibile numai pentru cele mai mari firme, nu pentru milioane de corporații mai mici. Pentru a-și cuantifica gradul de creditare, companiile mai mici sunt adesea analizate folosind metode alternative, și anume modele de probabilitate de nerambursare (PD). (Pentru a afla mai multe, consultați O scurtă istorie a agențiilor de rating de credit .)

->

TUTORIAL: Riscul și diversificarea

Calculul PD Calculul PD necesită o sofisticare a modelării și un set mare de setări implicite din trecut, împreună cu un set complet de variabile financiare fundamentale pentru un mare univers de firme . În cea mai mare parte, corporațiile care aleg să utilizeze modelele PD le eliberează de la o mână de furnizori. Cu toate acestea, unele instituții financiare mari își construiesc propriile modele PD.

Construirea unui model necesită colectarea și analiza datelor, inclusiv colectarea de date fundamentale atâta timp cât este disponibil un istoric. Aceste informații provin de obicei din situațiile financiare. Odată ce datele sunt compilate, este timpul să se formeze rapoarte financiare sau "drivere" - variabile care să combine rezultatul. Acești șoferi au tendința să se încadreze în șase categorii: rapoarte de îndatorare, rate de lichiditate, rate de rentabilitate, măsuri de dimensiune, rapoarte de cheltuieli și rapoarte privind calitatea activelor. Aceste măsuri sunt acceptate în general de către profesioniștii din domeniul analizei creditelor ca fiind relevanți pentru estimarea bonității. (Pentru a afla mai multe, consultați Tutorialul Raportul financiar .)

Următorul pas este să identificați care dintre firmele din eșantionul dvs. sunt "defaulatoare" - cele care au de fapt neplata obligațiilor financiare. Cu ajutorul acestor informații, se poate estima un model de "logistică" de regresie. Metodele statistice sunt folosite pentru a testa zeci de șoferi candidați și apoi pentru a alege cele care sunt cele mai semnificative în explicarea defecțiunilor viitoare.

Modelul de regresie corelează evenimentele implicite cu diferiții drivere. Acest model este unic în faptul că ieșirile modelului sunt legate între 0 și 1, care pot fi cartografiate la o scară de 0-100% probabilitate de implicit. Coeficienții din regresia finală reprezintă un model pentru estimarea probabilității implicite a unei firme bazate pe driverele acesteia.

În cele din urmă, puteți examina măsurile de performanță pentru modelul rezultat. Acestea vor fi, probabil, teste statistice care măsoară cât de bine modelul a prezis valorile implicite.De exemplu, modelul poate fi estimat utilizând datele financiare pentru o perioadă de cinci ani (2001-2005). Modelul rezultat este apoi utilizat pe date dintr-o altă perioadă (2006-2009) pentru a prezice valorile implicite. Din moment ce știm care sunt firmele defaulted în perioada 2006-2009, putem spune cât de bine a fost realizat modelul.

Pentru a înțelege modul în care funcționează modelul, luați în considerare o mică firmă cu pârghie ridicată și profitabilitate redusă. Tocmai am definit trei dintre driverele model pentru această firmă. Cel mai probabil, modelul va prezice o probabilitate relativ mare de neplată pentru această firmă, deoarece este mică și, prin urmare, fluxul de venituri poate fi neregulat. Firma are o pârghie ridicată și, prin urmare, poate avea o povară de plată a dobânzilor la creditori. Iar firma are rentabilitate redusă, ceea ce înseamnă că generează mici fonduri pentru a-și acoperi cheltuielile (inclusiv povara datoriei grele). Luat în ansamblu, firma este probabil să afle că nu este în măsură să facă față plăților datoriei în viitorul apropiat. Aceasta înseamnă că are o mare probabilitate de neplată. (Pentru a afla mai multe, consultați Elementele de bază ale regresiei pentru analiza afacerilor .

Art Vs. Știință În acest moment, procesul de construire a modelului a fost complet mecanic, folosind statistici. Acum este nevoie să recurgeți la "arta" procesului. Examinați driverele care au fost selectate în modelul final (probabil, oriunde în cazul a 6-10 de drivere). În mod ideal, ar trebui să existe cel puțin un șofer din fiecare dintre cele șase categorii descrise mai devreme.

Procesul mecanic descris mai sus, totuși, poate conduce la o situație în care un model solicită șase șoferi, toate provenind din categoria ratei de îndatorare, dar niciuna nu reprezintă lichiditate, rentabilitate etc. Ofițerii de împrumut bancar care sunt rugați să folosească un astfel de model care să ajute la luarea deciziilor de împrumut ar fi probabil să se plângă. Intuiția puternică dezvoltată de astfel de experți le-ar determina să creadă că și alte categorii de șoferi trebuie să fie importante. Absența unor astfel de șoferi ar putea conduce pe mulți la concluzia că modelul este inadecvat.

Soluția evidentă este înlocuirea unora dintre driverele de pârghie cu driverele din categoriile care lipsesc. Acest lucru ridică totuși o problemă. Modelul original a fost conceput pentru a furniza cele mai înalte măsuri de performanță statistică. Prin modificarea compoziției șoferului, este probabil ca performanța modelului să scadă din perspectivă pur matematică.

Astfel, trebuie să se facă un compromis între includerea unei game largi de șoferi pentru a maximiza atracția intuitivă a modelului (arta) și reducerea potențială a puterii de model bazată pe măsuri statistice (știință). ( Criterii pentru modelele PD

Calitatea modelului depinde în primul rând de numărul de valori implicite disponibile pentru calibrare și de curățenia datelor financiare . În multe cazuri, aceasta nu este o cerință trivială, deoarece o mulțime de seturi de date conțin erori sau suferă de date care lipsesc. Aceste modele utilizează numai informații istorice și, uneori, intrările sunt depășite cu până la un an sau mai mult.Acest lucru diluează puterea predictivă a modelului, mai ales dacă s-a produs o schimbare semnificativă care a făcut un șofer mai puțin relevant, cum ar fi o schimbare în convențiile sau reglementările contabile.

În mod ideal, ar trebui create modele pentru o anumită industrie dintr-o anumită țară. Acest lucru asigură faptul că factorii economici, legali și contabili unici ai țării și ale industriei pot fi capturați în mod corespunzător. Provocarea este că, de obicei, există un deficit de date pentru început, mai ales în ceea ce privește numărul de defecțiuni identificate. Dacă aceste date limitate trebuie segmentate în mai multe galerii din industria țării, există mai puține puncte de date pentru fiecare model de țară-industrie.

Deoarece datele lipsă reprezintă un fapt de viață atunci când se construiesc astfel de modele, au fost elaborate o serie de tehnici pentru a completa numerele respective. Unele dintre aceste alternative, cu toate acestea, pot introduce inexactități. Lipsa de date înseamnă, de asemenea, că probabilitățile implicite calculate folosind un eșantion de date mici pot fi diferite de probabilitățile implicite reale de bază pentru țara sau industria în cauză. În unele cazuri, este posibilă scalarea rezultatelor modelului pentru a se potrivi mai bine cu experiența implicită de bază.

Tehnica de modelare descrisă aici poate fi de asemenea folosită pentru a calcula PD pentru marile corporații. Cu toate acestea, există mult mai multe date disponibile pentru firmele mari, deoarece acestea sunt listate în mod obișnuit cu titluri tranzacționate și cu cerințe importante de publicare. Această disponibilitate de date face posibilă crearea altor modele PD (cunoscute sub numele de modele de piață) care sunt mai puternice decât cele descrise mai sus.

Concluzie

Practicanții din industrie și autoritățile de reglementare sunt conștienți de importanța modelelor PD și a deficitului de date limitativ-primar. Prin urmare, în întreaga lume s-au depus eforturi diferite (sub auspiciile Basel II, de exemplu) pentru a îmbunătăți capacitatea instituțiilor financiare de a captura date financiare utile, inclusiv identificarea precisă a firmelor care nu respectă legislația. Pe măsură ce mărimea și precizia acestor seturi de date crește, se va îmbunătăți și calitatea modelelor rezultate. (Pentru mai multe informații pe această temă, consultați
Dezbaterea privind evaluarea datoriilor .)