Forståelse af modparternes kreditværdighed er et afgørende element i beslutningsprocessen i erhvervslivet. Investorer skal vide sandsynligheden for, at penge investeret i obligationer eller i form af lån vil blive tilbagebetalt. Virksomheder skal kvantificere leverandørernes, kundernes, overtagelseskandidaternes og konkurrenternes kreditværdighed.

Den traditionelle måling af kreditkvalitet er en corporate rating, som den produceres af S & P, Moody's eller Fitch. Alligevel er sådanne vurderinger kun tilgængelige for de største virksomheder, ikke for millioner af mindre virksomheder. For at kvantificere deres kreditværdighed analyseres mindre virksomheder ofte ved hjælp af alternative metoder, nemlig sandsynligheden for standardmodeller (PD). (Se En kort historie om kreditvurderingsbureauer .)

- 9 ->

TUTORIAL: Risiko og diversificering

Beregning af PD'er Beregning af PD'er kræver modelleringsfinansiering og et stort datasæt af tidligere standardindstillinger sammen med et komplet sæt af grundlæggende finansielle variabler for et stort univers af virksomheder . For det meste køber virksomheder, som vælger at bruge PD-modeller, licens fra en håndfuld udbydere. Men nogle store finansielle institutioner bygger deres egne PD-modeller.

Opbygning af en model kræver indsamling og analyse af data, herunder indsamling af fundamentale, så længe en historie er tilgængelig. Disse oplysninger kommer typisk fra årsregnskaber. Når dataene er udarbejdet, er det tid til at danne økonomiske forhold eller "drivere" - variabler, der brænder resultatet. Disse chauffører har tendens til at falde i seks kategorier: gearingsforhold, likviditetsforhold, rentabilitetsforhold, størrelsesforanstaltninger, omkostningsforhold og værdikvoter. Disse foranstaltninger accepteres bredt af kreditanalysepersonale som relevante for vurderingen af ​​kreditværdigheden. (For at lære mere, se vores vejledning om Nøgletal .)

Det næste skridt er at identificere, hvilke af firmaerne i din stikprøve der er "defaulters" - dem, der faktisk har misligholdt deres økonomiske forpligtelser. Med denne information i hånden kan en "logistisk" regressionsmodel estimeres. Statistiske metoder bruges til at teste snesevis af kandidatdrivere og derefter vælge de mest betydningsfulde for at forklare fremtidige standardindstillinger.

Regressionsmodellen vedrører standardhændelser til de forskellige drivere. Denne model er unik i denne model udgange er afgrænset mellem 0 og 1, som kan kortlægges til en skala fra 0-100% sandsynlighed for standard. Koefficienterne fra den endelige regression repræsenterer en model til vurdering af standard sandsynligheden for et firma baseret på dets drivere.

Endelig kan du undersøge præstationsforanstaltninger for den resulterende model. Disse vil sandsynligvis være statistiske tests, der måler, hvor godt modellen har forudsagt standardindstillinger.For eksempel kan modellen estimeres ved hjælp af økonomiske data for en femårsperiode (2001-2005). Den resulterende model bruges derefter på data fra en anden periode (2006-2009) til at forudsige standardindstillinger. Da vi ved, hvilke firmaer der har misligholdt sig i perioden 2006-2009, kan vi fortælle, hvor godt modellen blev udført.

For at forstå, hvordan modellen virker, overveje et lille firma med høj gearing og lav rentabilitet. Vi har lige defineret tre af modeldriverne til dette firma. Mest sandsynligt vil modellen forudsige en relativt høj sandsynlighed for misligholdelse for dette firma, fordi den er lille, og derfor kan indtægtsstrømmen være uregelmæssig. Virksomheden har stor løftestang og kan derfor have en høj rente betalingsbyrde for kreditorer. Og firmaet har lav rentabilitet, hvilket betyder, at det genererer lidt kontanter for at dække sine udgifter (inklusive den store gældsbyrde). Taget som helhed vil firmaet sandsynligvis finde ud af, at det ikke er i stand til at tjene godt på gældsbetalinger i den nærmeste fremtid. Det betyder, at det har stor sandsynlighed for misligholdelse. (Se Regressionsgrundlag for virksomhedsanalyse .)

Art Vs. Science Til dette punkt har modelbyggeprocessen været helt mekanisk ved hjælp af statistikker. Nu er der et behov for at ty til "kunst" af processen. Undersøg de drivere, der er valgt i den endelige model (sandsynligvis hvor som helst fra 6-10 drivere). Ideelt set bør der være mindst en driver fra hver af de seks kategorier, der er beskrevet tidligere.

Den mekaniske proces, der er beskrevet ovenfor, kan imidlertid føre til en situation, hvor en model kræver seks chauffører, alle trukket fra gearings ratio-kategorien, men ingen der repræsenterer likviditet, rentabilitet mv. Banktilsynsmyndigheder, der bliver bedt om at bruge sådan en model til at bistå i udlån beslutninger vil sandsynligvis klage. Den stærke intuition udviklet af sådanne eksperter ville få dem til at tro, at andre førerkategorier også skal være vigtige. Manglen på sådanne førere kan føre mange til at konkludere, at modellen er utilstrækkelig.

Den indlysende løsning er at erstatte nogle af gearingsdriverne med drivere fra manglende kategorier. Dette rejser imidlertid et problem. Den oprindelige model blev designet til at levere de højeste statistiske præstationsforanstaltninger. Ved at ændre førersammensætningen er det sandsynligt, at modelens ydeevne vil falde fra et rent matematisk perspektiv.

Der skal således afvejes mellem inkludering af et bredt udvalg af chauffører for at maksimere intuitiv appel af modellen (kunst) og det potentielle fald i modelkraft baseret på statistiske foranstaltninger (videnskab). (Læs mere Stilspørgsmål i finansiel modellering .)

Kritik af PD-modeller Kvaliteten af ​​modellen afhænger primært af antallet af standardværdier, der er til rådighed for kalibrering og renheden af ​​de finansielle data . I mange tilfælde er dette ikke et trivielt krav, da mange datasæt indeholder fejl eller lider af manglende data.

Disse modeller bruger kun historisk information, og nogle gange er inputene forældede med op til et år eller mere.Dette fortynder modelens forudsigende kraft, især hvis der har været en betydelig ændring, der har gjort en chauffør mindre relevant, såsom en ændring i regnskabskonventioner eller regler.

Modeller bør ideelt set oprettes til en bestemt industri inden for et bestemt land. Dette sikrer, at de unikke økonomiske, juridiske og regnskabsmæssige faktorer i landet og industrien kan optages ordentligt. Udfordringen er, at der normalt er en mangel på data til at begynde med, især i antallet af identificerede standardindstillinger. Hvis de knappe data skal segmenteres yderligere i landindustrien skovle, er der endda færre datapunkter for hver landbranchemodel.

Da manglende data er en kendsgerning, når der bygges sådanne modeller, er der udviklet en række teknikker til at udfylde disse tal. Nogle af disse alternativer kan dog indføre unøjagtigheder. Dataskærhed betyder også, at standard sandsynlighederne, der beregnes ved hjælp af en lille dataprøve, kan være forskellige fra de underliggende faktiske standard sandsynligheder for det pågældende land eller industri. I nogle tilfælde er det muligt at skalere modeludgange, der svarer til den underliggende standardoplevelse nærmere.

Den modelleringsteknik, der beskrives her, kan også bruges til at beregne PD'er til store virksomheder. Der er dog langt flere data tilgængelige om store virksomheder, da de typisk er børsnoterede med børsnoterede aktier og væsentlige oplysningskrav. Denne datatilgængelighed gør det muligt at oprette andre PD-modeller (kendt som markedsbaserede modeller), der er stærkere end dem, der er beskrevet ovenfor.

Konklusion
Erhvervspraksis og reguleringsmyndigheder er velbevidste om betydningen af ​​PD-modeller og deres primære begrænsningsdata-knaphed. Derfor har der rundt om i verden været forskellige bestræbelser (bl.a. i Basel II's regi) for at forbedre finansielle institutioners evne til at indsamle nyttige økonomiske data, herunder præcis identifikation af misligholdende virksomheder. Da størrelsen og præcisionen af ​​disse datasæt stiger, vil kvaliteten af ​​de resulterende modeller også blive bedre. (For mere om dette emne, se Debtkreditdokumentet .)