Att förstå motparternas kreditvärdighet är ett avgörande inslag i affärsbeslut. Investerare måste veta sannolikheten för att pengar som investerats i obligationer eller i form av lån återbetalas. Företag måste kvantifiera kreditvärdigheten hos leverantörer, kunder, förvärvskandidater och konkurrenter.
Det traditionella måttet på kreditkvalitet är ett företagsvärdering, till exempel det som produceras av S&P, Moody's eller Fitch. Men sådana betyg är endast tillgängliga för de största företagen, inte för miljoner mindre företag. För att kvantifiera deras kreditvärdighet analyseras mindre företag ofta med alternativa metoder, nämligen sannolikheten för standardmodeller (PD). (För mer information, se En kort historia om kreditvärderingsinstitut .)
TUTORIAL: Risk och diversifiering
Beräkning av PD: er Beräkning av PD: er kräver modelleringsförfining och ett stort datasats av tidigare standardvärden, tillsammans med en komplett uppsättning grundläggande finansiella variabler för ett stort universum av företag. För det mesta licensierar företag som väljer att använda PD-modeller från en handfull leverantörer. Vissa stora finansiella institutioner bygger dock sina egna PD-modeller.
Att bygga en modell kräver insamling och analys av data, inklusive insamling av grunder så länge en historik finns tillgänglig. Denna information kommer vanligtvis från finansiella rapporter. När uppgifterna har sammanställts är det dags att bilda ekonomiska förhållanden eller "drivrutiner" - variabler som bränsle till resultatet. Dessa drivrutiner tenderar att falla in i sex kategorier: hävstångsgraden, likviditetsgraden, lönsamhetsgraden, storleksmått, kostnadsförhållanden och tillgångskvalitetsförhållanden. Dessa åtgärder accepteras i allmänhet av kreditanalytiker som är relevanta för att uppskatta kreditvärdigheten. (För mer information, se 6 grundläggande ekonomiska förhållanden och vad de avslöjar. )
Nästa steg är att identifiera vilka av företagen i ditt urval som är "defaulters" - de som faktiskt har betalat sina ekonomiska åtaganden. Med denna information i handen kan en "logistisk" regressionsmodell uppskattas. Statistiska metoder används för att testa dussintals kandidatförare och sedan välja de som är mest betydelsefulla för att förklara framtida standardvärden.
Regressionsmodellen relaterar standardhändelser till de olika drivrutinerna. Denna modell är unik eftersom modellutgångar är begränsade mellan 0 och 1, vilket kan kartläggas till en skala från 0-100% sannolikhet för standard. Koefficienterna från den slutgiltiga regressionen representerar en modell för att uppskatta en sannolikhet för ett företag baserat på dess förare.
Slutligen kan du undersöka resultatmått för den resulterande modellen. Dessa kommer sannolikt att vara statistiska test som mäter hur väl modellen har förutspått standardvärden. Till exempel kan modellen beräknas med hjälp av finansiella data under en femårsperiod (2001-2005). Den resulterande modellen används sedan på data från en annan period (2006-2009) för att förutsäga standardvärden. Eftersom vi vet vilka företag som misslyckades under perioden 2006-2009 kan vi berätta hur bra modellen fungerade.
För att förstå hur modellen fungerar, överväga ett litet företag med hög hävstångseffekt och låg lönsamhet. Vi har precis definierat tre av drivrutinerna för detta företag. Troligtvis kommer modellen att förutsäga en relativt hög sannolikhet för att detta företag är fallet eftersom det är litet och därför kan dess intäktsström vara oriktiga. Företaget har hög hävstångseffekt och kan därför ha en hög ränta betalningsbörda till borgenärer. Och företaget har låg lönsamhet, vilket innebär att det genererar lite kontanter för att täcka sina utgifter (inklusive dess tunga skuldbörda). Sammantaget kommer företaget troligtvis att upptäcka att det inte kan löna sig med skuldbetalningar inom en snar framtid. Detta innebär att den har en stor sannolikhet för att misslyckas. (Mer information finns i Regression Basics For Business Analys .)
Art Vs. Vetenskap Fram till detta har modellbyggnadsprocessen varit helt mekanisk med hjälp av statistik. Nu finns det ett behov av att tillgripa processens "konst". Undersök de drivrutiner som har valts i den slutliga modellen (troligen var som helst från 6-10 förare). Helst bör det finnas minst en förare från var och en av de sex kategorier som beskrivits tidigare.
Den mekaniska processen som beskrivs ovan kan emellertid leda till en situation där en modell kräver sex förare, alla dragna från kategorin hävstångsgraden, men ingen representerar likviditet, lönsamhet etc. Bankutlåningsansvariga som uppmanas att använda en sådan modell att hjälpa till att låna ut beslut skulle troligen klaga. Den starka intuition som utvecklats av sådana experter skulle få dem att tro att andra förarkategorier också måste vara viktiga. Avsaknaden av sådana förare kan leda till att många drar slutsatsen att modellen är otillräcklig.
Den uppenbara lösningen är att ersätta några av hävstångsdrivrutinerna med förare från saknade kategorier. Detta väcker emellertid en fråga. Den ursprungliga modellen utformades för att tillhandahålla de högsta statistiska resultatmåtten. Genom att ändra förarens sammansättning är det troligt att modellens prestanda kommer att minska ur ett rent matematiskt perspektiv.
Således måste en avvägning göras mellan att inkludera ett brett urval av förare för att maximera intuitivt tilltalande av modellen (konst) och den potentiella minskningen av modellkraften baserat på statistiska åtgärder (vetenskap). (För mer, läs Style Matters In Financial Modeling .)
Kritik av PD-modeller Modellens kvalitet beror främst på antalet tillgängliga standardvärden för kalibrering och finansiella data. I många fall är detta inte ett triviellt krav, eftersom många datamängder innehåller fel eller lider av saknade data.
Dessa modeller använder endast historisk information, och ibland är ingångarna uppdaterade med upp till ett år eller mer. Detta utspädar modellens förutsägelseskraft, särskilt om det har skett någon betydande förändring som har gjort en förare mindre relevant, till exempel en ändring av redovisningskonventioner eller förordningar.
Modeller bör idealiskt skapas för en specifik bransch i ett specifikt land. Detta säkerställer att de unika ekonomiska, juridiska och redovisningsfaktorerna i landet och industrin kan fångas korrekt. Utmaningen är att det vanligtvis finns en brist på data till att börja med, särskilt i antalet identifierade standardvärden. Om de knappa uppgifterna måste delas upp ytterligare i landsindustriella skopor, finns det ännu färre datapunkter för varje landsindustrimodell.
Eftersom saknade data är ett faktum i livet när man bygger sådana modeller har ett antal tekniker utvecklats för att fylla i dessa nummer. Vissa av dessa alternativ kan dock ge upphov till felaktigheter. Dataknapphet innebär också att standard sannolikheter beräknade med hjälp av ett litet dataprov kan vara annorlunda än de underliggande faktiska standard sannolikheterna för landet eller branschen i fråga. I vissa fall är det möjligt att skala modellutgångarna så att de matchar den underliggande standardupplevelsen närmare.
Modelleringstekniken som beskrivs här kan också användas för att beräkna PD: er för stora företag. Det finns emellertid mycket mer information om stora företag, eftersom de vanligtvis är noterade med omsatt eget kapital och betydande krav på offentlig upplysning. Denna datatillgänglighet gör det möjligt att skapa andra PD-modeller (kända som marknadsbaserade modeller) som är mer kraftfulla än de som beskrivs ovan.
Slutsats
Branschutövare och tillsynsmyndigheter är väl medvetna om vikten av PD-modeller och deras primära begränsningsdataknapphet. Följaktligen har runt om i världen gjorts olika ansträngningar (till exempel i regi av Basel II) för att förbättra finansinstitutens förmåga att fånga in användbar finansiell information, inklusive exakt identifiering av fallande företag. När storleken och precisionen på dessa datasätt ökar kommer kvaliteten på de resulterande modellerna också att förbättras. (Mer information om detta ämne finns i Skuldbetalningsdebatten .)
