Forståelse av motparternes kredittverdighet er et avgjørende element i beslutningsprosesser for næringsliv. Investorer trenger å vite sannsynligheten for at pengene investert i obligasjoner eller i form av lån vil bli tilbakebetalt. Bedrifter må kvantifisere kredittverdigheten til leverandører, kunder, oppkjøpskandidater og konkurrenter.
Den tradisjonelle måten på kredittkvalitet er en bedriftsrating, som den som produseres av S & P, Moody's eller Fitch. Likevel er slike vurderinger bare tilgjengelig for de største bedriftene, ikke for millioner av mindre selskaper. For å kvantifisere deres kredittverdighet, blir mindre selskaper ofte analysert ved hjelp av alternative metoder, nemlig sannsynlighet for standardmodeller (PD). (For mer informasjon, se En kort historie om kredittvurderingsbyråer .)
- 9 ->TUTORIAL: Risiko og diversifisering
Beregning av PD'er Beregning av PD-er krever modelleringsfleksibilitet og et stort datasett av tidligere standardverdier, sammen med et komplett sett med grunnleggende finansielle variabler for et stort univers av bedrifter . For det meste selger selskaper som velger å bruke PD-modeller, lisensierer dem fra en håndfull tilbydere. Noen store finansinstitusjoner bygger imidlertid sine egne PD-modeller.
Å bygge en modell krever innsamling og analyse av data, inkludert å samle grunnleggende for så lenge en historie er tilgjengelig. Denne informasjonen kommer vanligvis fra regnskap. Når dataene er samlet, er det på tide å danne økonomiske forhold eller "drivere" - variabler som brenner resultatet. Disse sjåførene har en tendens til å falle i seks kategorier: innflytelsesforhold, likviditetsforhold, lønnsomhetsforhold, størrelsesforanstaltninger, utgiftskvoter og eiendomsforholdskvoter. Disse tiltakene er bredt akseptert av kredittanalysepersonell som er relevante for estimering av kredittverdighet. (For å lære mer, se vår veiledning for Nøkkeltall .)
Det neste trinnet er å identifisere hvilke av firmaene i prøven din er "defaulters" - de som faktisk har misligholdt sine økonomiske forpliktelser. Med denne informasjonen i hånden kan en "logistisk" regresjonsmodell anslås. Statistiske metoder brukes til å teste dusinvis av kandidatdrivere og deretter velge de som er mest betydningsfulle for å forklare fremtidige standardinnstillinger.
Regresjonsmodellen relaterer standardhendelser til de ulike driverne. Denne modellen er unik i at modellutgangene er begrenset mellom 0 og 1, som kan kartlegges til en skala fra 0-100% sannsynlighet for standard. Koeffisientene fra den endelige regresjonen representerer en modell for å anslå standard sannsynligheten for et firma basert på dets drivere.
Til slutt kan du undersøke ytelsesmålinger for den resulterende modellen. Disse vil sannsynligvis være statistiske tester som måler hvor godt modellen har spådd standardinnstillinger.For eksempel kan modellen estimeres ved hjelp av økonomiske data for en femårsperiode (2001-2005). Den resulterende modellen blir da brukt på data fra en annen periode (2006-2009) for å forutsi standardverdier. Siden vi vet hvilke firmaer som har misligholdt seg i perioden 2006-2009, kan vi fortelle hvor godt modellen utførte.
For å forstå hvordan modellen fungerer, vurder et lite firma med høy innflytelse og lav lønnsomhet. Vi har nettopp definert tre av modelldriverne for dette firmaet. Mest sannsynlig vil modellen forutse en relativt høy sannsynlighet for mislighold for dette firmaet fordi den er liten, og derfor kan inntektsstrømmen være uregelmessig. Firmaet har høy innflytelse og kan derfor ha en høy rente betalingsbyrde til kreditorer. Og firmaet har lav lønnsomhet, noe som betyr at det genererer lite penger for å dekke sine utgifter (inkludert den store gjeldsbyrden). Tatt som helhet, er firmaet sannsynlig å finne at det ikke klarer å gjøre godt på gjeldsbetalinger i nær fremtid. Dette betyr at den har stor sannsynlighet for mislighold. (Hvis du vil vite mer, se Grunnleggende om regresjon for forretningsanalyse .)
Art Vs. Science Til dette punktet har modellbyggingsprosessen vært helt mekanisk, ved hjelp av statistikk. Nå er det et behov for å ty til "kunst" av prosessen. Undersøk driverne som er valgt i den endelige modellen (sannsynligvis hvor som helst fra 6-10 drivere). Ideelt sett bør det være minst en driver fra hver av de seks kategoriene som er beskrevet tidligere.
Den mekaniske prosessen som er beskrevet ovenfor, kan imidlertid føre til en situasjon der en modell krever seks drivere, alle trukket fra løftekvotientkategorien, men ingen som representerer likviditet, lønnsomhet osv. Bankutlånsansvarlige som blir bedt om å bruke en slik modell for å hjelpe til med utlånsbeslutninger vil trolig klage. Den sterke intuisjon utviklet av slike eksperter, ville føre dem til å tro at andre sjåførkategorier også må være viktige. Fraværet av slike førere kan føre mange til å konkludere med at modellen er utilstrekkelig.
Den åpenbare løsningen er å erstatte noen av drivstoffdrivere med drivere fra manglende kategorier. Dette reiser imidlertid et problem. Den opprinnelige modellen ble utformet for å gi de høyeste statistiske resultatene. Ved å endre førersammensetningen er det sannsynlig at modellens ytelse vil avta fra et rent matematisk perspektiv.
Det må således gjøres en mellomvei mellom inkludering av et bredt utvalg av drivere for å maksimere intuitiv appell av modellen (kunst) og den potensielle reduksjonen i modellkraft basert på statistiske tiltak (vitenskap). (For mer les Style Matters In Financial Modeling .)
Kritikk av PD-modeller Kvaliteten på modellen er hovedsakelig avhengig av antall standardverdier som er tilgjengelige for kalibrering og renslighet av de økonomiske dataene . I mange tilfeller er dette ikke et trivielt krav, da mange datasett inneholder feil eller lider av manglende data.
Disse modellene benytter kun historisk informasjon, og noen ganger er inngangene utdaterte med opptil et år eller mer.Dette fortynner modellens prediktive kraft, spesielt hvis det har vært en betydelig endring som har gjort en sjåfør mindre relevant, for eksempel en endring i regnskapskonvensjoner eller forskrifter.
Modeller bør ideelt sett opprettes for en bestemt bransje innenfor et bestemt land. Dette sikrer at de unike økonomiske, juridiske og regnskapsmessige faktorene i landet og industrien kan tas ordentlig inn. Utfordringen er at det vanligvis er mangel på data til å begynne med, spesielt i antall identifiserte standardinnstillinger. Hvis de knappe dataene må segmenteres ytterligere i land-industrien skuffer, er det enda færre datapunkter for hver land-industri modell.
Siden manglende data er et faktum ved bygging av slike modeller, er det utviklet en rekke teknikker for å fylle ut disse tallene. Noen av disse alternativene kan imidlertid innføre unøyaktigheter. Data knapphet betyr også at standard sannsynlighetene beregnet ved hjelp av en liten dataprøve kan være forskjellig fra de underliggende faktiske standard sannsynlighetene for landet eller industrien i spørsmålet. I noen tilfeller er det mulig å skalere modellutgangene for å passe til den underliggende standardopplevelsen nærmere.
Modelleringsteknikken beskrevet her kan også brukes til å beregne PD for store selskaper. Det er imidlertid mye mer data tilgjengelig på store bedrifter, da de vanligvis er børsnotert med børsnotert egenkapital og betydelige krav til offentliggjøring. Denne datatilgjengeligheten gjør det mulig å opprette andre PD-modeller (kjent som markedsbaserte modeller) som er kraftigere enn de som er beskrevet ovenfor.
Konklusjon
Bransjeutøvere og regulatorer er godt klar over betydningen av PD-modeller og deres primære begrensningsdata-knapphet. Følgelig har rundt om i verden vært en rekke anstrengelser (for eksempel i Basel IIs regi) for å forbedre finansinstitusjonenees mulighet til å fange nyttige økonomiske data, inkludert presis identifisering av misligholdte firmaer. Etter hvert som størrelsen og presisjonen av disse datasettene øker, vil kvaliteten på de resulterende modellene også bli bedre. (For mer om dette emnet, se Debattkvot Debatt .)