Înțelegerea fiabilității contrapartidelor este un element crucial în luarea deciziilor de afaceri. Investitorii trebuie să știe probabilitatea ca banii investiți în obligațiuni sau sub formă de împrumuturi să fie rambursate. Corporațiile trebuie să cuantifice bonitatea furnizorilor, clienților, candidaților la achiziție și a concurenților.
Măsura tradițională a calității creditului este un rating corporativ, precum cel produs de S&P, Moody's sau Fitch. Cu toate acestea, astfel de evaluări sunt disponibile numai pentru cele mai mari firme, nu și pentru milioane de companii mai mici. Pentru a-și cuantifica valabilitatea creditului, companiile mai mici sunt adesea analizate folosind metode alternative, și anume probabilitatea de apariție a modelelor implicite (PD). (Pentru a afla mai multe, consultați o scurtă istorie a agențiilor de rating de credit .)
TUTORIAL: Risc și diversificare
Calcularea PD-urilor Calcularea PD-urilor necesită sofisticarea modelării și un set de date mari de valori implicite anterioare, împreună cu un set complet de variabile financiare fundamentale pentru un univers mare de firme. În cea mai mare parte, corporațiile care aleg să utilizeze modele PD le autorizează de la o mână de furnizori. Cu toate acestea, unele instituții financiare mari își construiesc propriile modele de PD.
Construirea unui model necesită colectarea și analiza datelor, inclusiv colectarea elementelor fundamentale atât timp cât este disponibil un istoric. Aceste informații provin de obicei din situații financiare. Odată ce datele sunt compilate, este timpul să formați raporturi financiare sau „drivere” - variabile care alimentează rezultatul. Acești factori tind să se încadreze în șase categorii: raporturi de pârghie, raporturi de lichiditate, raporturi de rentabilitate, măsuri de mărime, raporturi de cheltuieli și raporturi de calitate a activelor. Aceste măsuri sunt acceptate pe scară largă de către profesioniștii din analiza creditului ca fiind relevanți pentru estimarea bonității de credit. (Pentru a afla mai multe, consultați 6 rapoarte financiare de bază și ceea ce relevă. )
Următorul pas este să identifici care dintre firmele din eșantionul tău sunt „defaulatori” - cele care au defecționat efectiv obligațiile financiare. Cu aceste informații în mână, poate fi estimat un model de regresie „logistică”. Metodele statistice sunt utilizate pentru a testa zeci de șoferi candidați și apoi pentru a-i alege pe cei care sunt cei mai importanți în explicarea implicitelor viitoare.
Modelul de regresie raportează evenimentele implicite la diverși drivere. Acest model este unic în faptul că ieșirile modelului sunt delimitate între 0 și 1, care pot fi mapate la o scară de 0-100% probabilitate implicită. Coeficienții din regresia finală reprezintă un model de estimare a probabilității implicite a unei firme bazate pe driverele sale.
În cele din urmă, puteți examina măsurile de performanță pentru modelul rezultat. Acestea vor fi probabil teste statistice care măsoară cât de bine a prezis modelele implicite. De exemplu, modelul poate fi estimat folosind date financiare pentru o perioadă de cinci ani (2001-2005). Modelul rezultat este apoi utilizat pe datele dintr-o perioadă diferită (2006-2009) pentru a prezice implicitele. Întrucât știm ce firme au fost implicite în perioada 2006-2009, putem spune cât de bine a funcționat modelul.
Pentru a înțelege cum funcționează modelul, luați în considerare o firmă mică, cu un levier ridicat și rentabilitate redusă. Tocmai am definit trei dintre modelele de drivere pentru această firmă. Cel mai probabil, modelul va prezice o probabilitate relativ ridicată de implicare pentru această firmă, deoarece este mică și, prin urmare, fluxul de venituri al acesteia poate fi neregulat. Firma are un efect de levier ridicat și, prin urmare, poate avea o sarcină mare de plată a dobânzii pentru creditori. Și firma are o rentabilitate redusă, ceea ce înseamnă că generează puțini bani pentru a-și acoperi cheltuielile (inclusiv sarcina grea a datoriei). În general, firma este de natură să descopere că nu este în măsură să facă beneficii asupra plăților datoriei în viitorul apropiat. Aceasta înseamnă că are o probabilitate ridicată de implicit. (Pentru a afla mai multe, consultați Bazele regresiei pentru analiza afacerii .)
Art Vs. Știință În acest punct, procesul de construire a modelelor a fost complet mecanic, folosind statistici. Acum este nevoie să recurgem la „arta” procesului. Examinați driverele care au fost selectate în modelul final (probabil, oriunde de la 6-10 șoferi). În mod ideal, ar trebui să existe cel puțin un șofer din fiecare din cele șase categorii descrise anterior.
Totuși, procesul mecanic descris mai sus poate duce la o situație în care un model solicită șase șoferi, toate extrase din categoria raportului de pârghie, dar care nu reprezintă lichidități, rentabilitate etc. Ofițerii de credite bancare cărora li se cere să folosească un astfel de model pentru a ajuta la deciziile de creditare s-ar putea plânge. Intuiția puternică dezvoltată de astfel de experți i-ar duce să creadă că și alte categorii de șoferi trebuie să fie importante. Lipsa unor astfel de șoferi i-ar putea determina pe mulți să ajungă la concluzia că modelul este inadecvat.
Soluția evidentă este înlocuirea unora dintre driverele de pârghie cu șoferi din categorii dispărute. Acest lucru ridică totuși o problemă. Modelul original a fost conceput pentru a oferi cele mai înalte măsuri statistice de performanță. Prin schimbarea compoziției șoferului, este probabil ca performanța modelului să scadă dintr-o perspectivă pur matematică.
Astfel, trebuie făcută o întrerupere între includerea unei selecții largi de drivere pentru a maximiza apelul intuitiv al modelului (art) și scăderea potențială a puterii modelului bazată pe măsuri statistice (știință). (Pentru mai multe, citiți Probleme de stil în modelarea financiară .)
Criticiile modelelor PD Calitatea modelului depinde în primul rând de numărul implicit disponibil pentru calibrare și de curățenia datelor financiare. În multe cazuri, aceasta nu este o cerință banală, deoarece multe seturi de date conțin erori sau suferă de date lipsă.
Aceste modele utilizează doar informații istorice și, uneori, intrările sunt depășite cu până la un an sau mai mult. Aceasta diluează puterea predictivă a modelului, mai ales dacă a existat o modificare semnificativă care a făcut ca un șofer să fie mai puțin relevant, cum ar fi o modificare a convențiilor sau reglementărilor contabile.
În mod ideal, modelele ar trebui create pentru o anumită industrie dintr-o anumită țară. Acest lucru asigură că factorii economici, juridici și contabili unici ai țării și industriei pot fi surprinși în mod corespunzător. Provocarea constă în faptul că, de obicei, există o penurie de date, în special în numărul de valori implicite identificate. Dacă aceste date rare ar trebui să fie mai mult segmentate în secțiuni din industria țării, există și mai puține puncte de date pentru fiecare model de țară-industrie.
Deoarece datele care lipsesc reprezintă un fapt al vieții la construirea unor astfel de modele, au fost dezvoltate o serie de tehnici pentru a completa aceste numere. Totuși, unele dintre aceste alternative pot introduce inexactități. Lipsa de date înseamnă, de asemenea, că probabilitățile implicite calculate folosind un eșantion de date mici pot fi diferite decât probabilitățile implicite de bază pentru țara sau industria în cauză. În unele cazuri, este posibil să scalați rezultatele modelului pentru a se potrivi mai îndeaproape cu experiența implicită de bază.
Tehnica de modelare descrisă aici poate fi folosită și pentru calcularea PD-urilor pentru marile corporații. Cu toate acestea, există mult mai multe date disponibile pentru firmele mari, deoarece acestea sunt listate public în mod obișnuit cu capitaluri tranzacționate și cerințe semnificative de publicare. Această disponibilitate a datelor face posibilă crearea altor modele de PD (cunoscute sub numele de modele bazate pe piață) care sunt mai puternice decât cele descrise mai sus.
Concluzie
Practicanții și autoritățile de reglementare din industrie sunt conștienți de importanța modelelor de PD și de limitarea lor primară de limitare a datelor. În consecință, în întreaga lume au existat diverse eforturi (sub egida Basel II, de exemplu) pentru a îmbunătăți capacitatea instituțiilor financiare de a capta date financiare utile, inclusiv identificarea precisă a firmelor care nu sunt implicate. Pe măsură ce dimensiunea și precizia acestor seturi de date cresc, calitatea modelelor rezultate se va îmbunătăți și ea. (Pentru mai multe despre acest subiect, consultați Dezbaterea privind ratingul datoriei .)
