Razumevanje kreditne sposobnosti nasprotnih strank je ključni element pri sprejemanju poslovnih odločitev. Vlagatelji morajo poznati verjetnost, da bo denar, vložen v obveznice ali v obliki posojil, poplačan. Korporacije morajo količinsko ovrednotiti kreditno sposobnost dobaviteljev, strank, kandidatov za nakup in konkurentov.
Tradicionalno merilo kreditne kakovosti je bonitetna ocena podjetja, kakršna je S&P, Moody's ali Fitch. Vendar so takšne ocene na voljo samo za največja podjetja, ne pa za milijone manjših korporacij. Manjša podjetja pogosto analizirajo z uporabo alternativnih metod, in sicer verjetnosti neplačila (PD). Da bi lahko ocenili njihovo kreditno sposobnost. (Če želite izvedeti več, glejte Kratko zgodovino agencij za bonitetno oceno .)
VODENJE: Tveganje in diverzifikacija
Izračun PD-jev Izračun PD-jev zahteva modeliranje izpopolnjenosti in veliko podatkov o preteklih privzetih vrednostih, skupaj s celotnim naborom temeljnih finančnih spremenljivk za veliko vesolje podjetij. Korporacije, ki se odločijo za uporabo modelov PD, jih večinoma licencirajo pri večini ponudnikov. Vendar nekatere velike finančne institucije gradijo svoje lastne modele PD.
Izdelava modela zahteva zbiranje in analizo podatkov, vključno z zbiranjem temeljev, dokler je zgodovina na voljo. Te informacije običajno izhajajo iz računovodskih izkazov. Ko so podatki zbrani, je čas, da oblikujete finančna razmerja ali "gonilnike" - spremenljivke, ki spodbudijo rezultat. Ti gonilniki ponavadi sodijo v šest kategorij: količniki finančnega vzvoda, količniki likvidnosti, količniki dobičkonosnosti, merila velikosti, razmerja stroškov in razmerja kakovosti sredstev. Strokovnjaki kreditne analize te ukrepe na splošno sprejemajo kot pomembne za ocenjevanje kreditne sposobnosti. (Če želite izvedeti več, glejte 6 osnovnih finančnih razmerij in kaj odkrivajo. )
Naslednji korak je ugotoviti, katera podjetja v vašem vzorcu so "neplačniki" - tista, ki dejansko niso izpolnila svojih finančnih obveznosti. S temi informacijami je mogoče oceniti "logistični" regresijski model. Statistične metode se uporabljajo za testiranje desetine voznikov, ki kandidirajo, in nato za izbiro tistih, ki so najpomembnejše za razlago prihodnjih privzetih vrednosti.
Regresijski model povezuje privzete dogodke z različnimi gonilniki. Ta model je edinstven po tem, da so izhodi modela omejeni med 0 in 1, kar je mogoče preslikati na lestvico 0-100% verjetnosti neplačila. Koeficienti iz končne regresije predstavljajo model za oceno privzete verjetnosti podjetja na podlagi njegovih gonil.
Končno lahko preučite ukrepe uspešnosti za nastali model. To bodo verjetno statistični testi, ki bodo merili, kako dobro je model predvidel privzete vrednosti. Model se lahko na primer oceni z uporabo finančnih podatkov za petletno obdobje (2001–2005). Nato dobljeni model se uporablja za podatke iz drugega obdobja (2006–2009) za napovedovanje privzetih vrednosti. Ker vemo, katera podjetja so v obdobju 2006–2009 neplačala, lahko povemo, kako uspešen je bil model.
Če želite razumeti, kako model deluje, razmislite o majhnem podjetju z visokim vzvodom in nizko donosnostjo. Pravkar smo določili tri gonilnike modelov za to podjetje. Najverjetneje bo model napovedoval razmeroma veliko verjetnost neplačila za to podjetje, ker je majhna, zato bo lahko njen tok prihodkov moten. Podjetje ima velik finančni vzvod in zato lahko upnikom povzroči veliko breme za obresti. Podjetje ima nizko donosnost, kar pomeni, da ustvari malo denarja za pokritje svojih stroškov (vključno z velikim dolgovnim bremenom). Kot celota bo podjetje verjetno ugotovilo, da v bližnji prihodnosti ne more nadoknaditi plačil dolga. To pomeni, da obstaja velika verjetnost neplačila. (Če želite izvedeti več, glejte Osnove regresije za analizo poslovanja .)
Art Vs. Znanost Do tega trenutka je bil postopek oblikovanja modelov v celoti mehaničen in je uporabil statistiko. Zdaj se je treba zateči k "umetnosti" postopka. Preglejte gonilnike, ki so bili izbrani v končnem modelu (verjetno, kjer koli od 6-10 gonilnikov). V idealnem primeru bi moral biti vsaj en voznik iz vsake od prej opisanih šestih kategorij.
Zgoraj opisani mehanski postopek lahko privede do situacije, ko model zahteva šest voznikov, vsi izhajajo iz kategorije razmerja finančnega vzvoda, vendar noben ne predstavlja likvidnosti, donosnosti itd. Bančniki, ki zaprosijo za uporabo takšnega modela za pomoč pri odločanju o posojanju bi se verjetno pritožili. Močna intuicija, ki so jo razvili takšni strokovnjaki, bi jih prepričala, da morajo biti pomembne tudi druge kategorije voznikov. Odsotnost takšnih voznikov bi mnoge lahko pripeljala do zaključka, da je model neustrezen.
Očitna rešitev je zamenjati nekatere gonilne vzvode z gonilniki iz manjkajočih kategorij. To pa sproža vprašanje. Prvotni model je bil zasnovan tako, da zagotavlja najvišje ukrepe za statistično uspešnost. S spremembo vozniške sestave je verjetno, da bo zmogljivost modela upadala s čisto matematične perspektive.
Zato je treba opraviti kompromis med vključitvijo širokega izbora gonilnikov, da se maksimira intuitivna privlačnost modela (umetnost) in potencialnim zmanjšanjem moči modela na podlagi statističnih ukrepov (znanosti). (Če želite več, preberite Vprašanja sloga v finančnem modeliranju .)
Kritike modelov PD Kakovost modela je odvisna predvsem od števila privzetih nastavitev za umerjanje in čistosti finančnih podatkov. V mnogih primerih to ni nepomembna zahteva, saj veliko naborov podatkov vsebuje napake ali trpi zaradi manjkajočih podatkov.
Ti modeli uporabljajo samo pretekle podatke, včasih pa so vnosi zastareli do enega leta ali več. To zmanjšuje napovedno moč modela, zlasti če je prišlo do kakšne pomembne spremembe, zaradi katere je voznik manj pomemben, na primer sprememba računovodskih konvencij ali predpisov.
V idealnem primeru bi bilo treba ustvariti modele za določeno panogo znotraj določene države. To zagotavlja, da je mogoče pravilno zajeti edinstvene ekonomske, pravne in računovodske dejavnike države in industrije. Izziv je, da je ponavadi za začetek pomanjkanje podatkov, zlasti pri številu ugotovljenih privzetih vrednosti. Če je treba te pomanjkljive podatke še naprej segmentirati v vedre držav, je za vsak model države posebej še manj podatkovnih točk.
Ker so manjkajoči podatki življenjska doba pri gradnji takšnih modelov, je bilo razvitih več tehnik za izpolnjevanje teh številk. Nekatere od teh možnosti pa lahko uvedejo netočnosti. Pomanjkanje podatkov pomeni tudi, da so privzete verjetnosti, izračunane z uporabo majhnega vzorca podatkov, lahko drugačne od osnovnih dejanskih privzetih verjetnosti za zadevno državo ali industrijo. V nekaterih primerih je možno obseg izhodov modela uskladiti z osnovno privzeto izkušnjo.
Tu opisana tehnika modeliranja se lahko uporablja tudi za izračun PD za velike korporacije. Vendar pa je na voljo veliko več podatkov o velikih podjetjih, saj so običajno javno kotirani s trgovalnim lastniškim kapitalom in pomembnimi zahtevami za javno razkritje. Ta razpoložljivost podatkov omogoča ustvarjanje drugih modelov PD (znanih kot tržno zasnovani modeli), ki so zmogljivejši od zgoraj opisanih.
Zaključek
Industrijski strokovnjaki in regulatorji se dobro zavedajo pomena modelov PD in njihovega primarnega pomanjkanja podatkov o omejitvah. V skladu s tem so po vsem svetu različna prizadevanja (na primer pod okriljem Basel II) izboljšala sposobnost finančnih institucij za zajemanje koristnih finančnih podatkov, vključno z natančno identifikacijo podjetij, ki ne izpolnjujejo obveznosti. Ko se velikost in natančnost teh nizov podatkov povečujeta, se bo izboljšala tudi kakovost nastalih modelov. (Več o tej temi si oglejte v razpravi o oceni dolga .)
