Sandorių šalių kreditingumo supratimas yra esminis verslo sprendimų priėmimo elementas. Investuotojai turi žinoti tikimybę, kad pinigai, investuoti į obligacijas ar paskolas, bus grąžinti. Korporacijos turi kiekybiškai įvertinti tiekėjų, klientų, įsigijimo kandidatų ir konkurentų kreditingumą.
Tradicinis kredito kokybės matas yra įmonės reitingas, toks, kokį sukuria „S&P“, „Moody's“ ar „Fitch“. Tačiau tokius reitingus gali gauti tik didžiausios firmos, o ne milijonai mažesnių korporacijų. Mažesnės įmonės, siekiant įvertinti jų kreditingumą, dažnai analizuojamos naudojant alternatyvius metodus, ty įsipareigojimų neįvykdymo tikimybės (PD) modelius. (Norėdami sužinoti daugiau, skaitykite trumpą kredito reitingų agentūrų istoriją .)
PAMOKOS: Rizika ir įvairinimas
PD apskaičiavimas PD apskaičiavimui reikalingas modeliavimo rafinuotumas ir didelis ankstesnių įsipareigojimų neįvykdymo duomenų rinkinys, taip pat visas pagrindinių finansinių kintamųjų rinkinys didelėje įmonių grupėje. Daugeliu atvejų korporacijos, kurios pasirenka naudoti PD modelius, jas licencijuoja iš keleto tiekėjų. Tačiau kai kurios didelės finansų įstaigos kuria savo PD modelius.
Norint sukurti modelį, reikia rinkti ir analizuoti duomenis, įskaitant pagrindų rinkimą tol, kol yra istorija. Paprastai ši informacija gaunama iš finansinės atskaitomybės. Surinkus duomenis, laikas suformuoti finansinius rodiklius arba „vairuotojus“ - kintamuosius, kurie skatina rezultatą. Šie veiksniai paprastai skirstomi į šešias kategorijas: sverto koeficientai, likvidumo koeficientai, pelningumo santykiai, dydžio rodikliai, išlaidų santykiai ir turto kokybės santykiai. Kredito analizės specialistai plačiai pripažįsta šias priemones kaip tinkamas kreditingumui įvertinti. (Norėdami sužinoti daugiau, skaitykite 6 pagrindinius finansinius rodiklius ir tai, ką jie atskleidžia. )
Kitas žingsnis yra nustatyti, kurios iš jūsų imties įmonių yra „įsipareigojimų nevykdančios“ - tos, kurios faktiškai neįvykdė savo finansinių įsipareigojimų. Turint šią informaciją, galima įvertinti „logistinį“ regresijos modelį. Statistiniai metodai naudojami išbandyti dešimtis vairuotojų kandidatų ir tada pasirinkti tuos, kurie yra svarbiausi paaiškinant būsimus įsipareigojimų neįvykdymus.
Regresijos modelis susieja numatytuosius įvykius su įvairiomis tvarkyklėmis. Šis modelis yra unikalus tuo, kad modelio išvestys yra apribotos nuo 0 iki 1, kurias galima suskirstyti į skalę nuo 0 iki 100% numatytosios tikimybės. Galutinės regresijos koeficientai parodo įmonės įsipareigojimų neįvykdymo tikimybės įvertinimo modelį, remiantis jos vairuotojais.
Galiausiai galite išnagrinėti gauto modelio efektyvumo rodiklius. Tai greičiausiai bus statistiniai testai, nustatantys, kaip gerai modelis numatė numatytuosius nustatymus. Pavyzdžiui, modelį galima įvertinti naudojant penkerių metų laikotarpio (2001–2005 m.) Finansinius duomenis. Gautas modelis tada naudojamas kito laikotarpio (2006–2009 m.) Duomenims numatyti numatytąsias vertes. Kadangi žinome, kurios firmos neįvykdė įsipareigojimų per 2006–2009 m., Galime pasakyti, kaip gerai modelis veikė.
Norėdami suprasti, kaip modelis veikia, apsvarstykite mažą įmonę, turinčią didelę svertą ir žemą pelningumą. Ką tik apibrėžėme tris šios firmos modelių tvarkykles. Labiausiai tikėtina, kad modelis numatys palyginti didelę šios įmonės įsipareigojimų neįvykdymo tikimybę, nes jis yra mažas, todėl jo pajamos gali būti klaidingos. Firma turi didelę svertą, todėl kreditoriams gali tekti mokėti dideles palūkanas. Ir firmos pelningumas yra mažas, tai reiškia, kad ji generuoja mažai pinigų savo išlaidoms padengti (įskaitant didelę skolų naštą). Apskritai, tikėtina, kad įmonė artimiausiu metu nesugebės susigrąžinti skolų. Tai reiškia, kad ji turi didelę įsipareigojimų neįvykdymo tikimybę. (Norėdami sužinoti daugiau, žr. Verslo analizės regresijos pagrindus .)
Art Vs. Mokslas Iki šiol modelio kūrimo procesas buvo visiškai mechaninis, naudojant statistiką. Dabar reikia kreiptis į proceso „meną“. Ištirkite vairuotojus, kurie buvo pasirinkti galutiniame modelyje (tikėtina, kad nuo 6-10 vairuotojų). Idealiu atveju turėtų būti bent vienas vairuotojas iš kiekvienos iš šešių anksčiau aprašytų kategorijų.
Tačiau dėl aukščiau aprašyto mechaninio proceso gali susidaryti situacija, kai modeliui reikia šešių vairuotojų, kurie visi yra pritraukti iš finansinio sverto koeficiento kategorijos, tačiau nė vienas iš jų nerodo likvidumo, pelningumo ir kt. Bankų skolintojų pareigūnai, kurių prašoma naudoti tokį modelį kad galėtų padėti priimti sprendimus dėl skolinimo, greičiausiai skundžiasi. Stipri intuicija, kurią sukūrė tokie ekspertai, priverstų juos manyti, kad kitos vairuotojų kategorijos taip pat turi būti svarbios. Jei tokių vairuotojų nėra, daugelis gali daryti išvadą, kad modelis yra netinkamas.
Akivaizdus sprendimas yra pakeisti kai kuriuos svertinius vairuotojus dingusių kategorijų vairuotojais. Tačiau tai kelia problemą. Originalus modelis buvo sukurtas taip, kad būtų teikiamos aukščiausios statistinės charakteristikos. Pakeitus vairuotojo sudėtį, tikėtina, kad modelio eksploatacinės savybės sumažės grynai iš matematinės perspektyvos.
Taigi, norint padidinti intuityvų modelio patrauklumą (menas) ir galimą modelio galios sumažėjimą, pagrįstą statistinėmis priemonėmis (mokslas), reikia kompensuoti platų vairuotojų pasirinkimą. (Norėdami sužinoti daugiau, skaitykite stiliaus modelį finansiniame modeliavime .)
PD modelių kritika Modelio kokybė pirmiausia priklauso nuo kalibravimui numatytų nutylėjimų skaičiaus ir finansinių duomenų švarumo. Daugeliu atvejų tai nėra nereikšmingas reikalavimas, nes daugelyje duomenų rinkinių yra klaidų arba trūksta duomenų.
Šie modeliai naudoja tik istorinę informaciją, o kartais įvestos informacijos pasensta iki vienerių ar daugiau metų. Tai praskleidžia modelio numatomąją galią, ypač jei įvyko kokie nors reikšmingi pokyčiai, dėl kurių vairuotojas tapo nebe toks svarbus, pavyzdžiui, apskaitos konvencijų ar taisyklių pakeitimas.
Idealiu atveju turėtų būti sukurti modeliai konkrečiai pramonei konkrečioje šalyje. Tai užtikrina, kad būtų galima tinkamai įvertinti unikalius šalies ir pramonės ekonominius, teisinius ir apskaitos veiksnius. Iššūkis yra tas, kad paprastai duomenų trūksta, ypač atsižvelgiant į nustatytus įsipareigojimų neįvykdymo atvejus. Jei tuos negausius duomenis reikia dar suskaidyti į šalies pramonės segmentus, duomenų apie kiekvieną šalies pramonės modelį yra dar mažiau.
Kuriant tokius modelius trūksta duomenų apie gyvenimo faktą, buvo sukurta nemažai metodų tiems skaičiams užpildyti. Tačiau kai kurios iš šių alternatyvų gali sukelti netikslumų. Duomenų trūkumas taip pat reiškia, kad įsipareigojimų neįvykdymo tikimybės, apskaičiuotos naudojant nedidelę duomenų imtį, gali skirtis nei pagrindinės faktinės įsipareigojimų neįvykdymo tikimybės tai šaliai ar pramonei. Kai kuriais atvejais modelio išvestis įmanoma suderinti taip, kad jos geriau atitiktų pagrindinę numatytąją patirtį.
Čia aprašytas modeliavimo metodas taip pat gali būti naudojamas apskaičiuojant PD didelėms korporacijoms. Tačiau apie dideles firmas yra daug daugiau duomenų, nes paprastai jos yra kotiruojamos viešai, kai prekiaujama nuosavybės vertybiniais popieriais ir taikomi dideli viešo paskelbimo reikalavimai. Šis duomenų prieinamumas leidžia sukurti kitus PD modelius (vadinamus rinkos modeliais), kurie yra galingesni nei aprašyti aukščiau.
Išvada
Pramonės specialistai ir reguliavimo institucijos gerai supranta PD modelių svarbą ir jų pirminį duomenų trūkumą. Atitinkamai visame pasaulyje buvo imtasi įvairių pastangų (pavyzdžiui, remiant „Bazelis II“), siekiant pagerinti finansų įstaigų galimybes kaupti naudingus finansinius duomenis, įskaitant tikslią įsipareigojimų nevykdančių įmonių identifikavimą. Didėjant šių duomenų rinkinių dydžiui ir tikslumui, gerės ir gaunamų modelių kokybė. (Norėdami daugiau sužinoti šia tema, skaitykite skiltyje „Skolų reitingas“ .)
