Å forstå motparternes kredittverdighet er et avgjørende element i beslutningen om virksomheten. Investorer må vite sannsynligheten for at penger investert i obligasjoner eller i form av lån vil bli tilbakebetalt. Bedrifter må tallfeste kredittverdigheten til leverandører, kunder, anskaffelseskandidater og konkurrenter.
Det tradisjonelle målet på kredittkvalitet er en bedriftsvurdering, som den produsert av S&P, Moody's eller Fitch. Likevel er slike rangeringer bare tilgjengelige for de største firmaene, ikke for millioner av mindre selskaper. For å kvantifisere deres kredittverdighet blir ofte mindre selskaper analysert ved bruk av alternative metoder, nemlig sannsynlighetsmodeller (PD). (Hvis du vil lære mer, se En kort historie om kredittvurderingsbyråer .)
TUTORIAL: Risiko og diversifisering
Beregne PD-er Beregning av PD-er krever modellering av raffinement og et stort datasett med tidligere standardverdier, sammen med et komplett sett med grunnleggende økonomiske variabler for et stort univers av firmaer. For det meste lisenser selskaper som velger å bruke PD-modeller fra en håndfull tilbydere. Noen store finansinstitusjoner bygger imidlertid sine egne PD-modeller.
Å bygge en modell krever innsamling og analyse av data, inkludert innsamling av grunnleggende så lenge en historie er tilgjengelig. Denne informasjonen kommer vanligvis fra regnskap. Når dataene er samlet, er det på tide å danne økonomiske forhold eller "drivere" - variabler som gir drivstoff til resultatet. Disse driverne har en tendens til å falle inn i seks kategorier: innflytelsesgrad, likviditetsforhold, lønnsomhetsforhold, størrelsesmålinger, utgiftsforhold og formuesforhold. Disse tiltakene er bredt akseptert av fagpersoner innen kredittanalyse som relevante for å estimere kredittverdighet. (For å lære mer, se 6 grunnleggende økonomiske forhold og hva de avslører. )
Neste trinn er å identifisere hvilke av firmaene i utvalget ditt som er "misligholdere" - de som faktisk har misligholdt sine økonomiske forpliktelser. Med denne informasjonen i hånden kan en "logistisk" regresjonsmodell estimeres. Statistiske metoder brukes til å teste dusinvis av kandidatførere og deretter velge de som er mest betydningsfulle for å forklare fremtidige mislighold.
Regresjonsmodellen knytter standardhendelser til de forskjellige driverne. Denne modellen er unik ved at modellutgangene er avgrenset mellom 0 og 1, som kan kartlegges til en skala fra 0-100% sannsynlighet for standard. Koeffisientene fra den endelige regresjonen representerer en modell for å estimere standard sannsynligheten for et firma basert på driverne.
Til slutt kan du undersøke ytelsestiltak for den resulterende modellen. Dette vil sannsynligvis være statistiske tester som måler hvor godt modellen har spådd mislighold. For eksempel kan modellen estimeres ved å bruke økonomiske data for en femårsperiode (2001-2005). Den resulterende modellen blir deretter brukt på data fra en annen periode (2006-2009) for å forutsi standardverdier. Siden vi vet hvilke firmaer som har misligholdt perioden 2006-2009, kan vi fortelle hvor bra modellen presterte.
For å forstå hvordan modellen fungerer, bør du vurdere et lite firma med høy gearing og lav lønnsomhet. Vi har nettopp definert tre av modelldriverne for dette firmaet. Mest sannsynlig vil modellen forutsi en relativt stor sannsynlighet for mislighold for dette firmaet fordi det er lite, og derfor kan inntektsstrømmen være uberegnelig. Selskapet har høy gearing og kan derfor ha en høy renteutbetaling til kreditorer. Og firmaet har lav lønnsomhet, noe som betyr at det genererer lite kontanter for å dekke utgiftene (inkludert den tunge gjeldsbelastningen). Sett under ett vil selskapet sannsynligvis oppdage at det ikke klarer å tjene penger på gjeldsutbetalinger i løpet av en nær fremtid. Dette betyr at den har stor sannsynlighet for mislighold. (For mer informasjon, se Regresjon Grunnleggende for forretningsanalyse .)
Art Vs. Vitenskap Til dette punktet har modellbyggingsprosessen vært helt mekanisk ved hjelp av statistikk. Nå er det behov for å ty til prosessens "kunst". Undersøk driverne som er valgt i den endelige modellen (sannsynligvis hvor som helst fra 6-10 sjåfører). Ideelt sett bør det være minst en sjåfør fra hver av de seks kategoriene beskrevet tidligere.
Den mekaniske prosessen beskrevet ovenfor kan imidlertid føre til en situasjon der en modell krever seks sjåfører, alle hentet fra kategorien gearingsgrad, men ingen som representerer likviditet, lønnsomhet, etc. Bankutlånsansvarlige som blir bedt om å bruke en slik modell å bistå i utlånsvedtak vil sannsynligvis klage. Den sterke intuisjonen som er utviklet av slike eksperter, vil føre dem til å tro at andre sjåførkategorier også må være viktige. Fraværet av slike sjåfører kan føre til at mange konkluderer med at modellen er mangelfull.
Den åpenbare løsningen er å erstatte noen av gearingsdriverne med drivere fra manglende kategorier. Dette reiser imidlertid et problem. Den opprinnelige modellen ble designet for å gi de høyeste statistiske ytelsesmål. Ved å endre førersammensetningen er det sannsynlig at modellens ytelse vil avta fra et rent matematisk perspektiv.
Dermed må det gjøres en avveining mellom inkludering av et bredt utvalg av drivere for å maksimere intuitiv appell av modellen (kunst) og den potensielle reduksjonen i modellkraften basert på statistiske tiltak (vitenskap). (For mer, les Style Matters In Financial Modelling .)
Kritikk av PD-modeller Kvaliteten på modellen avhenger først og fremst av antall tilgjengelige standarder for kalibrering og renslighet av økonomiske data. I mange tilfeller er dette ikke et bagatellmessig krav, siden mange datasett inneholder feil eller lider av manglende data.
Disse modellene bruker bare historisk informasjon, og noen ganger er innspillene utdatert med opptil et år eller mer. Dette utvanner modellens prediktive kraft, spesielt hvis det har skjedd en vesentlig endring som har gjort en driver mindre relevant, for eksempel en endring i regnskapskonvensjoner eller forskrifter.
Modeller bør ideelt sett opprettes for en bestemt bransje i et bestemt land. Dette sikrer at de unike økonomiske, juridiske og regnskapsmessige faktorene i landet og industrien kan fanges opp på riktig måte. Utfordringen er at det vanligvis er mangel på data til å begynne med, spesielt i antall identifiserte mislighold. Hvis de knappe dataene må videre segmenteres i land-bransjespann, er det enda færre datapunkter for hver land-bransjemodell.
Siden manglende data er et faktum når man bygger slike modeller, er det utviklet en rekke teknikker for å fylle ut disse tallene. Noen av disse alternativene kan imidlertid føre til unøyaktigheter. Dataknapphet betyr også at standardsannsynlighetene beregnet ved bruk av en liten dataprøve kan være annerledes enn de underliggende faktiske misligholdssannsynlighetene for det aktuelle landet eller bransjen. I noen tilfeller er det mulig å skalere modellutgangene for å matche den underliggende standardopplevelsen nærmere.
Modelleringsteknikken som er beskrevet her, kan også brukes til å beregne PD-er for store selskaper. Det er imidlertid mye mer data tilgjengelig om store firmaer, ettersom de vanligvis er børsnotert med omsatt egenkapital og betydelige krav til offentlig informasjon. Denne datatilgjengeligheten gjør det mulig å lage andre PD-modeller (kjent som markedsbaserte modeller) som er kraftigere enn de som er beskrevet ovenfor.
Konklusjon
Industriutøvere og regulatorer er godt klar over viktigheten av PD-modeller og deres primære begrensningsdata-knapphet. Følgelig har det i hele verden vært forskjellige anstrengelser (i regi av Basel II, for eksempel) for å forbedre finansinstitusjonenes evne til å fange nyttige økonomiske data, inkludert presis identifikasjon av misligholdte firmaer. Når størrelsen og presisjonen til disse datasettene øker, vil kvaliteten på de resulterende modellene også bli bedre. (For mer om dette emnet, se Debt Rating Debate .)
