Η κατανόηση της φερεγγυότητας των αντισυμβαλλομένων αποτελεί βασικό στοιχείο για τη λήψη αποφάσεων στις επιχειρήσεις. Οι επενδυτές πρέπει να γνωρίζουν την πιθανότητα να επιστραφούν τα χρήματα που επενδύονται σε ομόλογα ή με τη μορφή δανείων. Οι εταιρείες πρέπει να ποσοτικοποιήσουν την πιστοληπτική ικανότητα των προμηθευτών, των πελατών, των υποψηφίων εξαγοράς και των ανταγωνιστών τους.
Το παραδοσιακό μέτρο της πιστωτικής ποιότητας είναι μια εταιρική διαβάθμιση, όπως αυτή που παράγει η S & P, η Moody's ή η Fitch. Ωστόσο, αυτές οι αξιολογήσεις είναι διαθέσιμες μόνο για τις μεγαλύτερες επιχειρήσεις, όχι για εκατομμύρια μικρότερες εταιρείες. Προκειμένου να ποσοτικοποιηθεί η πιστοληπτική τους ικανότητα, οι μικρότερες εταιρείες αναλύονται συχνά χρησιμοποιώντας εναλλακτικές μεθόδους, και συγκεκριμένα μοντέλα πιθανότητας αθέτησης (PD). (Για να μάθετε περισσότερα, ανατρέξτε στο Σύντομο ιστορικό των οργανισμών αξιολόγησης πιστοληπτικής ικανότητας .)
TUTORIAL: Κίνδυνος και Διαφοροποίηση
Υπολογισμός PD Οι υπολογισμοί PD απαιτούν πολυπλοκότητα μοντελοποίησης και ένα μεγάλο σύνολο παλαιών αθετήσεων, μαζί με ένα πλήρες σύνολο θεμελιωδών οικονομικών μεταβλητών για ένα μεγάλο σύμπλεγμα επιχειρήσεων. Ως επί το πλείστον, οι εταιρείες που επιλέγουν να χρησιμοποιούν μοντέλα PD τους χορηγούν άδεια από μια χούφτα παρόχους. Ωστόσο, ορισμένα μεγάλα χρηματοπιστωτικά ιδρύματα δημιουργούν τα δικά τους μοντέλα PD.
Η οικοδόμηση ενός μοντέλου απαιτεί τη συλλογή και ανάλυση δεδομένων, συμπεριλαμβανομένης της συλλογής θεμελιωδών στοιχείων για όσο διάστημα υπάρχει διαθέσιμο ιστορικό. Αυτές οι πληροφορίες συνήθως προέρχονται από οικονομικές καταστάσεις. Μόλις καταρτιστούν τα δεδομένα, ήρθε η ώρα να διαμορφώσουμε οικονομικούς λόγους ή "οδηγούς" - μεταβλητές που τροφοδοτούν το αποτέλεσμα. Αυτοί οι οδηγοί τείνουν να κατατάσσονται σε έξι κατηγορίες: δείκτες μόχλευσης, δείκτες ρευστότητας, δείκτες κερδοφορίας, μέτρα μεγέθους, δείκτες δαπανών και δείκτες ποιότητας στοιχείων ενεργητικού. Αυτά τα μέτρα είναι ευρέως αποδεκτά από τους επαγγελματίες της πιστωτικής ανάλυσης ως κατάλληλα για την εκτίμηση της πιστοληπτικής ικανότητας. (Για να μάθετε περισσότερα, δείτε 6 βασικούς χρηματοοικονομικούς δείκτες και τι αποκαλύπτουν. )
Το επόμενο βήμα είναι να προσδιορίσετε ποιες από τις επιχειρήσεις του δείγματός σας είναι "παραβάτες" - εκείνες που έχουν πραγματικά αθετήσει τις οικονομικές τους υποχρεώσεις. Με αυτές τις πληροφορίες, μπορεί να υπολογιστεί ένα μοντέλο "λογικής" παλινδρόμησης. Οι στατιστικές μέθοδοι χρησιμοποιούνται για να δοκιμάσουν δεκάδες υποψήφιοι οδηγοί και στη συνέχεια να επιλέξουν εκείνες που είναι πιο σημαντικές για την εξήγηση μελλοντικών αθετήσεων.
Το μοντέλο παλινδρόμησης αφορά τα προεπιλεγμένα συμβάντα στα διάφορα προγράμματα οδήγησης. Αυτό το μοντέλο είναι μοναδικό δεδομένου ότι οι έξοδοι μοντέλου οριοθετούνται μεταξύ 0 και 1, οι οποίες μπορούν να αντιστοιχιστούν σε μια κλίμακα 0-100% πιθανότητα προεπιλογής. Οι συντελεστές από την τελική παλινδρόμηση αντιπροσωπεύουν ένα μοντέλο για την εκτίμηση της πιθανότητας αθέτησης μιας επιχείρησης βάσει των οδηγών της.
Τέλος, μπορείτε να εξετάσετε τα μέτρα απόδοσης για το μοντέλο που προκύπτει. Αυτές πιθανότατα θα είναι στατιστικές δοκιμές που θα υπολογίζουν πόσο καλά το μοντέλο έχει προβλέψει προεπιλογές. Για παράδειγμα, το μοντέλο μπορεί να εκτιμηθεί χρησιμοποιώντας χρηματοοικονομικά στοιχεία για μια πενταετή περίοδο (2001-2005). Το μοντέλο που προκύπτει στη συνέχεια χρησιμοποιείται σε δεδομένα από διαφορετική περίοδο (2006-2009) για την πρόβλεψη προεπιλογών. Εφόσον γνωρίζουμε ποιες επιχειρήσεις αθετήθηκαν κατά την περίοδο 2006-2009, μπορούμε να πούμε πόσο καλά εκτελείται το μοντέλο.
Για να κατανοήσετε πώς λειτουργεί το μοντέλο, σκεφτείτε μια μικρή επιχείρηση με υψηλή μόχλευση και χαμηλή κερδοφορία. Μόλις ορίσαμε τρεις από τους οδηγούς μοντέλο για αυτήν την επιχείρηση. Πιθανότατα, το μοντέλο θα προβλέπει μια σχετικά υψηλή πιθανότητα αθέτησης για αυτήν την επιχείρηση επειδή είναι μικρή και συνεπώς η ροή εσόδων της μπορεί να είναι ασταθής. Η επιχείρηση έχει μεγάλη μόχλευση και, ως εκ τούτου, μπορεί να έχει μεγάλο φόρο πληρωμής τόκων για τους πιστωτές. Και η επιχείρηση έχει χαμηλή κερδοφορία, που σημαίνει ότι παράγει λίγα χρήματα για να καλύψει τα έξοδά της (συμπεριλαμβανομένου του μεγάλου χρέους της). Λαμβανόμενο συνολικά, η επιχείρηση είναι πιθανό να διαπιστώσει ότι δεν είναι σε θέση να καλύψει τις πληρωμές του χρέους στο εγγύς μέλλον. Αυτό σημαίνει ότι έχει υψηλή πιθανότητα αθέτησης. (Για να μάθετε περισσότερα, ανατρέξτε στην ενότητα Βασικά στοιχεία για την επιχειρησιακή ανάλυση .)
Art Vs. Επιστήμη Σε αυτό το σημείο, η διαδικασία κατασκευής μοντέλων ήταν εξ ολοκλήρου μηχανική, χρησιμοποιώντας στατιστικά στοιχεία. Τώρα υπάρχει ανάγκη να καταφύγουμε στην "τέχνη" της διαδικασίας. Εξετάστε τα προγράμματα οδήγησης που έχουν επιλεγεί στο τελικό μοντέλο (πιθανό, οπουδήποτε από 6-10 προγράμματα οδήγησης). Στην ιδανική περίπτωση, θα πρέπει να υπάρχει τουλάχιστον ένας οδηγός από καθεμία από τις έξι κατηγορίες που περιγράφηκαν προηγουμένως.
Ωστόσο, η μηχανική διαδικασία που περιγράφηκε παραπάνω μπορεί να οδηγήσει σε μια κατάσταση όπου ένα μοντέλο απαιτεί έξι οδηγούς, οι οποίοι προέρχονται από την κατηγορία του δείκτη μόχλευσης, αλλά κανένας δεν αντιπροσωπεύει ρευστότητα, κερδοφορία κλπ. Οι υπάλληλοι τραπεζικών δανείων που καλούνται να χρησιμοποιήσουν ένα τέτοιο μοντέλο να βοηθήσουν στις αποφάσεις δανεισμού πιθανόν να διαμαρτύρονται. Η ισχυρή διαίσθηση που αναπτύχθηκε από τέτοιους ειδικούς θα τους οδηγούσε στο συμπέρασμα ότι και άλλες κατηγορίες οδηγών πρέπει να είναι σημαντικές. Η απουσία τέτοιων οδηγών θα μπορούσε να οδηγήσει πολλούς στο συμπέρασμα ότι το μοντέλο είναι ανεπαρκές.
Η προφανής λύση είναι να αντικατασταθούν μερικοί από τους οδηγούς μόχλευσης με οδηγούς από τις ελλείπουσες κατηγορίες. Αυτό, όμως, εγείρει ένα ζήτημα. Το αρχικό μοντέλο σχεδιάστηκε για να παρέχει τα υψηλότερα στατιστικά μέτρα απόδοσης. Αλλάζοντας τη σύνθεση του οδηγού, είναι πιθανό ότι η απόδοση του μοντέλου θα μειωθεί από καθαρά μαθηματική άποψη.
Έτσι, πρέπει να γίνει μια ανταλλαγή μεταξύ της ενσωμάτωσης μιας ευρείας επιλογής οδηγών για τη μεγιστοποίηση της διαισθητικής προσέλκυσης του μοντέλου (τέχνη) και της πιθανής μείωσης της ισχύος του μοντέλου με βάση τα στατιστικά μέτρα (επιστήμη). (Για περισσότερες πληροφορίες, ανατρέξτε στο θέμα Στυλ στη Χρηματοοικονομική Μοντελοποίηση .)
Κρίσεις μοντέλων PD Η ποιότητα του μοντέλου εξαρτάται κυρίως από τον αριθμό των προεπιλογών που είναι διαθέσιμες για τη βαθμονόμηση και την καθαριότητα των οικονομικών στοιχείων. Σε πολλές περιπτώσεις, αυτό δεν είναι μια ασήμαντη απαίτηση, καθώς πολλά σύνολα δεδομένων περιέχουν σφάλματα ή υποφέρουν από ελλείποντα δεδομένα.
Αυτά τα μοντέλα χρησιμοποιούν μόνο ιστορικές πληροφορίες και μερικές φορές οι εισροές είναι ξεπερασμένες έως και ένα έτος ή περισσότερο. Αυτό αμβλύνει την προβλεπτική ισχύ του μοντέλου, ειδικά αν υπήρξε κάποια σημαντική αλλαγή που έχει καταστήσει τον οδηγό λιγότερο συναφή, όπως μια αλλαγή στις λογιστικές συμβάσεις ή κανονισμούς.
Τα μοντέλα θα πρέπει ιδανικά να δημιουργηθούν για έναν συγκεκριμένο κλάδο σε μια συγκεκριμένη χώρα. Αυτό εξασφαλίζει ότι οι μοναδικοί οικονομικοί, νομικοί και λογιστικοί παράγοντες της χώρας και της βιομηχανίας μπορούν να ληφθούν σωστά. Η πρόκληση είναι ότι συνήθως υπάρχει συνήθως μια έλλειψη δεδομένων, ιδίως στον αριθμό των εντοπισμένων αθετήσεων. Εάν τα εν λόγω σπάνια στοιχεία πρέπει να κατατμηθούν περαιτέρω σε κάδους χώρας-βιομηχανίας, υπάρχουν ακόμη λιγότερα δεδομένα για κάθε μοντέλο χώρας-βιομηχανίας.
Δεδομένου ότι τα δεδομένα που λείπουν είναι ένα γεγονός της ζωής κατά την κατασκευή τέτοιων μοντέλων, έχουν αναπτυχθεί αρκετές τεχνικές για να συμπληρώσουν αυτούς τους αριθμούς. Ορισμένες από αυτές τις εναλλακτικές λύσεις, εντούτοις, μπορεί να προκαλέσουν ανακρίβειες. Η έλλειψη δεδομένων σημαίνει επίσης ότι οι πιθανότητες αθέτησης που υπολογίστηκαν με τη χρήση ενός μικρού δείγματος δεδομένων ενδέχεται να διαφέρουν από τις υποκείμενες πραγματικές πιθανότητες αθέτησης για τη συγκεκριμένη χώρα ή βιομηχανία. Σε ορισμένες περιπτώσεις, είναι δυνατή η κλιμάκωση των εξόδων του μοντέλου ώστε να ταιριάζει καλύτερα η υποκείμενη εμπειρία προεπιλογής.
Η τεχνική μοντελοποίησης που περιγράφεται εδώ μπορεί επίσης να χρησιμοποιηθεί για τον υπολογισμό των PD για τις μεγάλες επιχειρήσεις. Ωστόσο, υπάρχουν πολύ περισσότερα διαθέσιμα στοιχεία για τις μεγάλες επιχειρήσεις, δεδομένου ότι συνήθως είναι εισηγμένα στο χρηματιστήριο με διαπραγματεύσιμα ίδια κεφάλαια και σημαντικές απαιτήσεις δημόσιας πληροφόρησης. Αυτή η διαθεσιμότητα δεδομένων καθιστά δυνατή τη δημιουργία άλλων μοντέλων PD (γνωστά ως μοντέλα βασισμένα στην αγορά) τα οποία είναι πιο ισχυρά από αυτά που περιγράφονται παραπάνω.
συμπέρασμα
Οι επαγγελματίες του κλάδου και οι ρυθμιστές γνωρίζουν πολύ καλά τη σημασία των μοντέλων PD και την κύρια έλλειψη δεδομένων περιορισμού. Συνεπώς, σε ολόκληρο τον κόσμο υπήρξαν διάφορες προσπάθειες (υπό την αιγίδα της Βασιλείας ΙΙ, για παράδειγμα) για τη βελτίωση της ικανότητας των χρηματοπιστωτικών ιδρυμάτων να συλλέγουν χρήσιμα οικονομικά στοιχεία, συμπεριλαμβανομένου του ακριβούς προσδιορισμού των αθετήσεων επιχειρήσεων. Καθώς αυξάνεται το μέγεθος και η ακρίβεια αυτών των συνόλων δεδομένων, βελτιώνεται επίσης η ποιότητα των μοντέλων που προκύπτουν. (Για περισσότερες πληροφορίες σχετικά με αυτό το θέμα, ανατρέξτε στην ενότητα Η συζήτηση για την αξιολόγηση του χρέους .)
