Понимание кредитоспособности контрагентов является ключевым элементом в принятии деловых решений. Инвесторам необходимо знать вероятность того, что деньги, вложенные в облигации или в форме займов, будут погашены. Корпорации должны количественно оценить кредитоспособность поставщиков, клиентов, кандидатов на приобретение и конкурентов.
Традиционной оценкой кредитного качества является корпоративный рейтинг, такой как рейтинг S & P, Moody's или Fitch. Тем не менее, такие рейтинги доступны только для крупнейших фирм, а не для миллионов небольших корпораций. Чтобы количественно оценить свою кредитоспособность, небольшие компании часто анализируют с использованием альтернативных методов, а именно моделей вероятности дефолта (PD). (Чтобы узнать больше, см . Краткая история рейтинговых агентств .)
Учебник: риск и диверсификация
Расчет ПД Расчет ПД требует сложности моделирования и большого набора данных о прошлых значениях по умолчанию, а также полного набора фундаментальных финансовых переменных для большой вселенной фирм. По большей части корпорации, которые выбирают модели PD, лицензируют их у нескольких поставщиков. Тем не менее, некоторые крупные финансовые институты создают свои собственные модели PD.
Построение модели требует сбора и анализа данных, в том числе сбора основных данных на протяжении всей истории. Эта информация обычно поступает из финансовой отчетности. Как только данные скомпилированы, пришло время сформировать финансовые коэффициенты или «движущие силы» - переменные, которые подпитывают результат. Эти факторы обычно делятся на шесть категорий: коэффициенты левереджа, коэффициенты ликвидности, коэффициенты рентабельности, показатели размера, коэффициенты расходов и коэффициенты качества активов. Эти меры широко признаны специалистами по кредитному анализу как имеющие отношение к оценке кредитоспособности. (Чтобы узнать больше, см. 6 основных финансовых коэффициентов и что они показывают. )
Следующий шаг - определить, какие из фирм в вашей выборке являются «неплательщиками» - те, которые фактически не выполнили свои финансовые обязательства. Имея эту информацию в руках, можно оценить «логистическую» регрессионную модель. Статистические методы используются для проверки десятков кандидатов в водители, а затем для выбора тех, которые наиболее важны для объяснения будущих значений по умолчанию.
Модель регрессии связывает события по умолчанию с различными драйверами. Эта модель уникальна тем, что выходные данные модели ограничены от 0 до 1, что может быть отображено в масштабе 0-100% вероятности дефолта. Коэффициенты из окончательной регрессии представляют модель для оценки вероятности дефолта фирмы на основе ее драйверов.
Наконец, вы можете проверить показатели производительности для полученной модели. Вероятно, это будут статистические тесты, измеряющие, насколько хорошо модель прогнозирует значения по умолчанию. Например, модель может быть оценена с использованием финансовых данных за пятилетний период (2001-2005 годы). Полученная модель затем используется на данных за другой период (2006-2009 гг.) Для прогнозирования значений по умолчанию. Поскольку мы знаем, какие фирмы объявили дефолт за период 2006-2009 гг., Мы можем сказать, насколько хорошо модель работала.
Чтобы понять, как работает модель, рассмотрим небольшую фирму с высоким кредитным плечом и низкой прибыльностью. Мы только что определили три модели драйверов для этой фирмы. Скорее всего, модель будет прогнозировать относительно высокую вероятность дефолта для этой фирмы, потому что она мала и, следовательно, поток ее доходов может быть неустойчивым. Фирма имеет высокий левередж и, следовательно, может иметь высокую нагрузку по выплате процентов для кредиторов. А у фирмы низкая прибыльность, что означает, что она генерирует мало денег для покрытия своих расходов (включая тяжелое долговое бремя). В целом, фирма, скорее всего, обнаружит, что в ближайшем будущем она не сможет выплатить долги. Это означает, что он имеет высокую вероятность дефолта. (Чтобы узнать больше, см. Основы регрессии для бизнес-анализа .)
Art Vs. Наука На данный момент процесс построения модели был полностью механическим, используя статистику. Теперь нужно прибегнуть к «искусству» процесса. Изучите драйверы, которые были выбраны в окончательной модели (вероятно, где-то из 6-10 водителей). В идеале должен быть хотя бы один драйвер из каждой из шести категорий, описанных ранее.
Механический процесс, описанный выше, однако, может привести к ситуации, когда модель требует шести драйверов, все из которых взяты из категории коэффициента левереджа, но ни один из них не представляет ликвидность, прибыльность и т. Д. Офицеры кредитования банка, которых просят использовать такую модель Чтобы помочь в принятии решения о кредитовании, вероятно, будет жаловаться. Сильная интуиция, разработанная такими экспертами, заставит их поверить, что другие категории водителей также должны быть важны. Отсутствие таких драйверов может привести многих к выводу, что модель неадекватна.
Очевидное решение заключается в замене некоторых рычагов-драйверов драйверами из отсутствующих категорий. Это поднимает проблему, однако. Первоначальная модель была разработана, чтобы обеспечить самые высокие статистические показатели эффективности. Изменяя состав драйвера, вполне вероятно, что производительность модели снизится с чисто математической точки зрения.
Таким образом, необходимо найти компромисс между включением широкого выбора движущих факторов, чтобы максимизировать интуитивную привлекательность модели (искусство), и потенциальным снижением мощности модели на основе статистических измерений (наука). (Для получения дополнительной информации прочитайте вопросы стиля в финансовом моделировании .)
Критика моделей PD. Качество модели зависит, прежде всего, от количества значений по умолчанию, доступных для калибровки, и чистоты финансовых данных. Во многих случаях это не тривиальное требование, так как многие наборы данных содержат ошибки или страдают от пропущенных данных.
Эти модели используют только историческую информацию, и иногда входные данные устаревают на год или более. Это ослабляет предсказательную силу модели, особенно если произошли некоторые существенные изменения, которые сделали драйвер менее актуальным, например, изменение в соглашениях или правилах бухгалтерского учета.
В идеале модели должны создаваться для конкретной отрасли в конкретной стране. Это гарантирует, что уникальные экономические, правовые и учетные факторы страны и отрасли могут быть должным образом отражены. Проблема заключается в том, что для начала, как правило, не хватает данных, особенно по количеству идентифицированных значений по умолчанию. Если эти скудные данные необходимо дополнительно сегментировать по группам стран-отраслей, для каждой модели отрасли-страны будет еще меньше точек данных.
Поскольку при построении таких моделей недостающие данные являются фактом жизни, был разработан ряд методов для заполнения этих чисел. Однако некоторые из этих альтернатив могут привести к неточностям. Дефицит данных также означает, что вероятности по умолчанию, рассчитанные с использованием небольшой выборки данных, могут отличаться от базовых фактических вероятностей по умолчанию для рассматриваемой страны или отрасли. В некоторых случаях можно масштабировать выходные данные модели, чтобы они более точно соответствовали базовому опыту по умолчанию.
Описанная здесь методика моделирования также может быть использована для расчета PD для крупных корпораций. Тем не менее, имеется гораздо больше данных о крупных фирмах, поскольку они, как правило, публично котируются с торгуемым капиталом и значительными требованиями к публичному раскрытию информации. Эта доступность данных позволяет создавать другие модели ЧР (известные как рыночные модели), которые являются более мощными, чем описанные выше.
Вывод
Специалисты отрасли и регулирующие органы хорошо знают о важности моделей ЧР и их первичном ограничении данных. Соответственно, во всем мире предпринимались различные усилия (например, под эгидой Базеля II), направленные на повышение способности финансовых учреждений собирать полезные финансовые данные, в том числе точное определение неплатежеспособных фирм. По мере увеличения размера и точности этих наборов данных качество получаемых моделей также улучшается. (Подробнее об этой теме см. «Дебаты по рейтингу долга» .)
