Разбирането на кредитоспособността на контрагентите е изключително важен елемент при вземането на бизнес решения. Инвеститорите трябва да знаят вероятността парите, инвестирани в облигации или под формата на заеми, да бъдат изплатени. Корпорациите трябва да определят количествено кредитоспособността на доставчици, клиенти, кандидати за придобиване и конкуренти.
Традиционната мярка за качество на кредита е корпоративна оценка, като тази, произведена от S&P, Moody's или Fitch. И все пак такива оценки са достъпни само за най-големите фирми, а не за милиони по-малки корпорации. За да се оцени тяхната кредитна годност, по-малките компании често се анализират с помощта на алтернативни методи, а именно вероятност за неизпълнение (PD) модели. (За да научите повече, вижте Кратка история на агенциите за кредитен рейтинг .)
УЧАСТИЕ: Риск и диверсификация
Изчисляване на PD-та Изчисляването на PD-файлове изисква усъвършенстване на модела и голям набор от данни за минали неизпълнени стойности, заедно с пълен набор от основни финансови променливи за голяма вселена от фирми. В по-голямата си част корпорациите, които избират да използват PD модели, ги лицензират от няколко доставчици. Някои големи финансови институции обаче изграждат свои собствени модели на PD.
Изграждането на модел изисква събиране и анализ на данни, включително събиране на основи, докато е налична история. Тази информация обикновено идва от финансовите отчети. След като данните са компилирани, е време да се формират финансови съотношения или „драйвери“ - променливи, които подхранват резултата. Тези движещи фактори са склонни да попадат в шест категории: коефициенти на ливъридж, коефициенти на ликвидност, коефициенти на рентабилност, мерки за размер, коефициенти на разходи и коефициенти на качество на активите. Тези мерки са широко приети от специалистите по кредитни анализи като релевантни за оценка на кредитоспособността. (За да научите повече, вижте 6 основни финансови съотношения и какво разкриват. )
Следващата стъпка е да определите кои от фирмите от вашата извадка са "неплатители" - тези, които действително са просрочили своите финансови задължения. При тази информация може да се оцени „логистичен“ регресионен модел. Статистическите методи се използват за тестване на десетки кандидат-шофьори и след това за избор на тези, които са най-важни за обясняване на бъдещите неизпълнени стойности.
Регресионният модел свързва събитията по подразбиране с различните драйвери. Този модел е уникален по това, че изходите на модела са ограничени между 0 и 1, което може да бъде картографирано до мащаб от 0-100% вероятност от неизпълнение. Коефициентите от крайната регресия представляват модел за оценка на вероятността по подразбиране на фирмата въз основа на нейните драйвери.
И накрая, можете да разгледате мерките за ефективност на получения модел. Това вероятно ще бъдат статистически тестове, измерващи колко добре моделът е предвидил по подразбиране. Например, моделът може да бъде оценен, като се използват финансови данни за петгодишен период (2001-2005 г.). След това полученият модел се използва за данни от различен период (2006-2009) за прогнозиране на подразбиране. Тъй като знаем кои фирми са се провалили през периода 2006-2009 г., можем да кажем колко добре се е представил моделът.
За да разберете как работи моделът, помислете за малка фирма с висок ливъридж и ниска рентабилност. Току-що сме дефинирали три от драйверите на модела за тази фирма. Най-вероятно моделът ще предвиди сравнително голяма вероятност за неизпълнение на задълженията за тази фирма, тъй като тя е малка и следователно потокът от приходи може да е нереден. Фирмата има висок ливъридж и следователно може да има голяма тежест върху плащането на лихви към кредиторите. А фирмата има ниска рентабилност, което означава, че генерира малко пари за покриване на разходите си (включително тежката си дългова тежест). Като цяло фирмата вероятно ще открие, че не е в състояние да спечели плащания по дълга в близко бъдеще. Това означава, че има голяма вероятност от неизпълнение. (За да научите повече, вижте Регресия Основи за бизнес анализ .)
Art Vs. Наука До този момент процесът на изграждане на модели е изцяло механичен, използвайки статистически данни. Сега има нужда да се прибягва до "изкуството" на процеса. Прегледайте драйверите, които са избрани в крайния модел (вероятно, някъде от 6-10 драйвери). В идеалния случай трябва да има поне един водач от всяка от шестте категории, описани по-рано.
Механичният процес, описан по-горе, обаче може да доведе до ситуация, при която модел изисква шестима водачи, всички теглени от категорията на коефициента на ливъридж, но никой не представлява ликвидност, рентабилност и др. Банкови кредитни служители, които са помолени да използват такъв модел за подпомагане на решенията за отпускане на заем вероятно ще се оплаче. Силната интуиция, разработена от такива експерти, ще ги накара да вярват, че и други категории водачи също трябва да са важни. Отсъствието на такива драйвери би могло да накара мнозина да заключат, че моделът е неадекватен.
Очевидното решение е да замените някои от драйверите на лоста с драйвери от липсващи категории. Това обаче повдига проблем. Оригиналният модел е проектиран да осигури най-високите мерки за статистическа ефективност. Променяйки състава на драйверите, има вероятност производителността на модела да намалее от чисто математическа гледна точка.
По този начин трябва да се направи компромис между включването на широк избор от драйвери, за да се постигне максимално интуитивно привличане на модела (изкуството) и потенциалното намаляване на мощността на модела въз основа на статистически мерки (наука). (За повече информация, прочетете въпросите за стила във финансовото моделиране .)
Критики на PD модели, Качеството на модела зависи преди всичко от броя на наличните по подразбиране стойности за калибриране и чистотата на финансовите данни. В много случаи това не е тривиално изискване, тъй като много набори от данни съдържат грешки или страдат от липсващи данни.
Тези модели използват само историческа информация и понякога данните са остарели до една година или повече. Това разрежда предсказващата сила на модела, особено ако е настъпила някаква значителна промяна, която направи драйвера по-малко релевантни, като например промяна в счетоводните конвенции или разпоредби.
В идеалния случай моделите трябва да бъдат създадени за конкретна индустрия в конкретна държава. Това гарантира, че уникалните икономически, правни и счетоводни фактори могат да бъдат правилно отчетени. Предизвикателството е, че обикновено има недостиг на данни за начало, особено в броя на идентифицираните неизпълнени стойности. Ако тези оскъдни данни трябва да бъдат допълнително сегментирани в кодове за отделни страни, има още по-малко точки от данни за всеки модел на отделните страни.
Тъй като липсващите данни са факт от живота при изграждането на такива модели, са разработени редица техники за попълване на тези числа. Някои от тези алтернативи обаче могат да доведат до неточности. Недостигът на данни също означава, че вероятностите по подразбиране, изчислени с помощта на малка извадка от данни, могат да бъдат различни от основните действителни вероятности по подразбиране за съответната страна или отрасъл. В някои случаи е възможно мащабирането на изходите на модела да съответства по-тясно на базовия опит по подразбиране.
Техниката за моделиране, описана тук, може да се използва и за изчисляване на PD за големи корпорации. Има обаче много повече данни за големите фирми, тъй като обикновено те са публично изброени с търгуван собствен капитал и значителни изисквания за публично оповестяване. Тази наличност на данните дава възможност за създаване на други модели PD (известни като пазарно базирани модели), които са по-мощни от описаните по-горе.
заключение
Индустриалните специалисти и регулаторите са добре запознати с важността на моделите на PD и на техния основен недостиг на данни. Съответно, по целия свят бяха предприети различни усилия (под егидата на Базел II, например) за подобряване на способността на финансовите институции да събират полезни финансови данни, включително точното идентифициране на неизправните фирми. С увеличаването на размера и прецизността на тези набори от данни, качеството на получените модели също ще се подобри. (За повече информация по тази тема вижте Дебатът за рейтинг на дълга .)
