Розуміння кредитоспроможності контрагентів є важливим елементом у прийнятті бізнес-рішень. Інвесторам необхідно знати ймовірність того, що гроші, вкладені в облігації або у вигляді позик, будуть повернені. Корпорації повинні кількісно оцінити кредитоспроможність постачальників, клієнтів, кандидатів на придбання та конкурентів.
Традиційним показником якості кредиту є корпоративний рейтинг, такий, який виробляють S&P, Moody's або Fitch. Однак такі рейтинги доступні лише для найбільших фірм, а не для мільйонів менших корпорацій. Для кількісної оцінки їхньої кредитоспроможності менші компанії часто аналізують за допомогою альтернативних методів, а саме ймовірності дефолтних моделей (PD). (Щоб дізнатися більше, перегляньте коротку історію агентств кредитного рейтингу .)
Підручник: ризик та диверсифікація
Розрахунок PD-файлів Обчислення PD-файлів вимагає моделювання складності та великого набору даних про попередні за замовчуванням, а також повний набір основних фінансових змінних для великого світобудови фірм. Здебільшого корпорації, які вирішили використовувати моделі PD, ліцензують їх у кількох постачальників. Однак деякі великі фінансові установи будують власні моделі ПД.
Побудова моделі вимагає збору та аналізу даних, включаючи збір основ, поки існує історія. Ця інформація зазвичай надходить із фінансової звітності. Після того, як дані будуть зібрані, настав час сформувати фінансові коефіцієнти або "драйвери" - змінні, що підживлюють результат. Ці драйвери, як правило, поділяються на шість категорій: коефіцієнти важеля, коефіцієнти ліквідності, коефіцієнти прибутковості, розмір заходів, коефіцієнти витрат та коефіцієнти якості активів. Ці заходи широко сприймаються фахівцями з кредитного аналізу як важливі для оцінки кредитоспроможності. (Щоб дізнатися більше, див. 6 базових фінансових коефіцієнтів та те, що вони показують. )
Наступний крок - визначити, які з фірм у вашій вибірці є "неплатниками" - ті, які фактично не виконали своїх фінансових зобов'язань. Маючи цю інформацію, можна оцінити "логістичну" регресійну модель. Статистичні методи використовуються для тестування десятків кандидатів-водіїв, а потім для вибору тих, які є найбільш важливими для пояснення майбутніх замовчувань.
Модель регресії пов'язує події за замовчуванням для різних драйверів. Ця модель унікальна тим, що результати випуску обмежені між 0 і 1, що може бути відображено в масштабі 0-100% ймовірності дефолту. Коефіцієнти від остаточної регресії є моделлю для оцінки ймовірності фірми за замовчуванням на основі її драйверів.
Нарешті, ви можете вивчити заходи щодо ефективності отриманої моделі. Ймовірно, це будуть статистичні тести, які вимірюють, наскільки добре модель спрогнозувала значення за замовчуванням. Наприклад, модель може бути оцінена, використовуючи фінансові дані за п'ятирічний період (2001-2005). Потім отримана модель використовується для даних різного періоду (2006-2009) для прогнозування значень за замовчуванням. Оскільки ми знаємо, які фірми дефолтували за період 2006–2009 років, ми можемо сказати, наскільки вдала модель.
Щоб зрозуміти, як працює модель, розгляньте невелику фірму з високим важелем і низькою прибутковістю. Ми тільки що визначили три драйвери моделей для цієї фірми. Швидше за все, модель передбачає відносно високу ймовірність дефолту для цієї фірми, оскільки вона невелика, а отже, потік її доходів може бути нестабільним. Фірма має високі важелі і, отже, може мати велике навантаження на оплату відсотків для кредиторів. А фірма має низьку прибутковість, а це означає, що вона приносить мало грошових коштів для покриття своїх витрат (включаючи її велике боргове навантаження). В цілому фірма, швидше за все, виявить, що не може в найближчому майбутньому виправити борги. Це означає, що вона має велику ймовірність дефолту. (Щоб дізнатися більше, див. Основи регресії для аналізу бізнесу .)
Мистецтво проти Наука На даний момент процес побудови моделі був повністю механічним, використовуючи статистику. Зараз є необхідність вдаватися до «мистецтва» процесу. Вивчіть драйвери, які були обрані в кінцевій моделі (ймовірно, десь 6-10 драйверів). В ідеалі повинен бути принаймні один водій з кожної з шести описаних раніше категорій.
Механічний процес, описаний вище, однак, може призвести до ситуації, коли модель вимагає шістьох водіїв, усіх витягнутих із категорії коефіцієнта важеля, але жодного, що представляє ліквідність, рентабельність тощо. Банківські кредитні працівники, яким пропонується використовувати таку модель щоб допомогти у прийнятті рішень про позики, ймовірно, скаржиться. Сильна інтуїція, розроблена такими експертами, змусить їх повірити в те, що інші категорії водіїв також повинні мати важливе значення. Відсутність таких драйверів може змусити багатьох зробити висновок про неадекватність моделі.
Очевидним рішенням є заміна деяких драйверів із залученням драйверів з відсутніх категорій. Однак це викликає питання. Оригінальна модель була розроблена для забезпечення найвищих показників статистичної ефективності. Змінюючи склад драйверів, цілком ймовірно, що продуктивність моделі знизиться з чисто математичної точки зору.
Таким чином, слід здійснити компроміс між включенням широкого вибору драйверів для максимальної інтуїтивної привабливості моделі (мистецтва) та потенційного зниження потужності моделі на основі статистичних заходів (науки). (Докладніше читайте питання стилів у фінансовому моделюванні .)
Критика моделей PD Якість моделі залежить насамперед від кількості доступних за замовчуванням для калібрування та чистоти фінансових даних. У багатьох випадках це не тривіальна вимога, оскільки багато наборів даних містять помилки або страждають від відсутніх даних.
Ці моделі використовують лише історичну інформацію, а іноді дані застаріли на рік і більше. Це зменшує передбачувальну силу моделі, особливо якщо відбулися якісь значні зміни, які зробили водія менш релевантним, наприклад, зміна конвенцій чи норм бухгалтерського обліку.
Моделі в ідеалі повинні бути створені для конкретної галузі в певній країні. Це забезпечує можливість належного врахування унікальних економічних, правових та облікових факторів країни та галузі. Проблема полягає в тому, що зазвичай існує дефіцит даних для початку, особливо в кількості виявлених за замовчуванням. Якщо ці дефіцитні дані необхідно додатково сегментувати у групи країн-галузей, для кожної моделі країни-галузі існує ще менше точок даних.
Оскільки відсутні дані є фактом життя при побудові таких моделей, було розроблено ряд методик для заповнення цих цифр. Однак деякі з цих варіантів можуть ввести неточності. Дефіцит даних також означає, що ймовірності за замовчуванням, обчислені за допомогою невеликої вибірки даних, можуть бути різними, ніж основні фактичні ймовірності за замовчуванням для країни чи галузі. У деяких випадках можливе масштабування результатів моделі для відповідності базовому досвіду за замовчуванням.
Описана тут техніка моделювання також може бути використана для обчислення PD для великих корпорацій. Однак, про великі фірми доступно набагато більше даних, оскільки вони, як правило, публічно перераховуються з торгуваним капіталом та значними вимогами до публічного розкриття інформації. Ця доступність даних дозволяє створити інші моделі PD (відомі як ринкові моделі), які є більш потужними, ніж описані вище.
Висновок
Працівники галузі та регулятори добре знають важливість моделей PD та їх первинного обмеження в даних щодо обмежень. Відповідно, у всьому світі докладено різноманітних зусиль (наприклад, під егідою Базеля II), щоб покращити здатність фінансових установ фіксувати корисні фінансові дані, включаючи точну ідентифікацію фірм, що не відповідають вимогам. Зі збільшенням розміру та точності цих наборів даних також покращиться якість отриманих моделей. (Докладніше з цієї теми див. У Дебаті щодо рейтингу боргу .)
