Понимание кредитоспособности контрагентов является ключевым элементом в принятии бизнес-решений. Инвесторы должны знать вероятность того, что деньги, вложенные в облигации или в виде займов, будут погашены. Корпорации должны оценивать кредитоспособность поставщиков, клиентов, кандидатов на приобретение и конкурентов.

Традиционная мера качества кредита - это корпоративный рейтинг, такой как S & P, Moody's или Fitch. Тем не менее, такие рейтинги доступны только для крупнейших фирм, а не для миллионов небольших корпораций. Для количественной оценки их кредитоспособности небольшие компании часто анализируются с использованием альтернативных методов, а именно вероятности дефолтных (PD) моделей. (Чтобы узнать больше, см. Краткая история кредитных рейтинговых агентств .)

Учебное пособие: риск и диверсификация

Вычисление PD Для расчета PD требуется сложность моделирования и большой набор данных прошлых дефолтов, а также полный набор фундаментальных финансовых переменных для большой вселенной фирм , По большей части корпорации, которые предпочитают использовать модели PD, лицензируют их у нескольких поставщиков. Однако некоторые крупные финансовые учреждения строят свои собственные модели ПД.

Построение модели требует сбора и анализа данных, включая сбор фундаментальных данных до тех пор, пока имеется история. Эта информация обычно поступает из финансовой отчетности. Как только данные будут скомпилированы, пришло время сформировать финансовые коэффициенты или «драйверы» - переменные, которые подпитывают результат. Эти драйверы, как правило, делятся на шесть категорий: коэффициенты кредитного плеча, коэффициенты ликвидности, коэффициенты рентабельности, размеры мер, коэффициенты расходов и коэффициенты качества активов. Эти меры широко признаны профессионалами кредитного анализа применимыми к оценке кредитоспособности. (Чтобы узнать больше, ознакомьтесь с нашим учебным пособием .)

Следующий шаг - определить, какие из фирм в вашей выборке являются «неплательщиками» - те, которые фактически не выполнили свои финансовые обязательства. С учетом этой информации можно оценить модель «логистической» регрессии. Статистические методы используются для тестирования десятков потенциальных драйверов, а затем для выбора тех, которые наиболее важны для объяснения будущих дефолтов.

Модель регрессии связывает события по умолчанию с различными драйверами. Эта модель уникальна в том, что выходы модели ограничены между 0 и 1, которые могут отображаться в масштабе 0-100% вероятности дефолта. Коэффициенты от окончательной регрессии представляют собой модель для оценки вероятности дефолта фирмы на основе ее драйверов.

Наконец, вы можете проверить показатели производительности для полученной модели. Скорее всего, это статистические тесты, измеряющие, насколько хорошо модель предсказала дефолты.Например, модель может быть оценена с использованием финансовых данных на пятилетний период (2001-2005 гг.). Полученная модель затем используется для данных за другой период (2006-2009 гг.) Для прогнозирования значений по умолчанию. Поскольку мы знаем, какие фирмы дефолтны в течение периода 2006-2009 годов, мы можем сказать, насколько хорошо выполнена модель.

Чтобы понять, как работает модель, рассмотрите небольшую фирму с высоким уровнем кредитного плеча и низкой доходностью. Мы только что определили три модели драйверов для этой фирмы. Скорее всего, модель будет прогнозировать относительно высокую вероятность дефолта для этой фирмы, поскольку она мала, и поэтому ее поток доходов может быть неустойчивым. Фирма имеет высокие кредитные плечи и, следовательно, может иметь кредитную ставку с высоким процентом для кредиторов. И фирма имеет низкую рентабельность, а это означает, что она генерирует небольшие денежные средства для покрытия своих расходов (включая ее тяжелую долговую нагрузку). В целом, фирма, скорее всего, найдет, что в ближайшем будущем она не сможет воспользоваться долговыми обязательствами. Это означает, что он имеет высокую вероятность дефолта. (Чтобы узнать больше, см. Основы регрессии для бизнес-анализа .)

Искусство Vs. Наука К этому моменту процесс построения модели был полностью механическим, используя статистику. Теперь необходимо прибегнуть к «искусству» процесса. Изучите драйверы, которые были выбраны в окончательной модели (вероятно, где угодно от 6-10 драйверов). В идеале должен быть по крайней мере один драйвер из каждой из шести категорий, описанных ранее.

Однако описанный выше механический процесс может привести к ситуации, когда модель требует шести водителей, все они взяты из категории коэффициентов плеча, но ни одна из них не представляет собой ликвидность, прибыльность и т. Д. Сотрудники банковского кредитования, которых просят использовать такая модель для оказания помощи в принятии решений о кредитовании, вероятно, будет жаловаться. Сильная интуиция, разработанная такими экспертами, заставит их поверить в то, что важны и другие категории водителей. Отсутствие таких драйверов может привести многих к выводу, что модель неадекватна.

Очевидным решением является замена некоторых драйверов рычагов драйверами из отсутствующих категорий. Однако это вызывает проблему. Первоначальная модель была разработана для обеспечения самых высоких показателей статистической эффективности. Изменяя состав драйвера, вполне вероятно, что производительность модели снизится с чисто математической точки зрения.

Таким образом, необходимо сделать компромисс между включением широкого выбора драйверов, чтобы максимизировать интуитивную привлекательность модели (искусства) и потенциальное снижение мощности модели на основе статистических мер (науки). (Подробнее см. Вопросы стиля в финансовом моделировании .)

Критика моделей PD Качество модели зависит в первую очередь от количества доступных по умолчанию калибровок и чистоты финансовых данных , Во многих случаях это не тривиальное требование, так как множество наборов данных содержит ошибки или страдает от недостающих данных.

Эти модели используют только историческую информацию, а иногда входы устарели до года или более.Это уменьшает прогностическую способность модели, особенно если произошли некоторые значительные изменения, которые сделали водителя менее релевантным, например изменение в условных обозначениях или правилах бухгалтерского учета.

Модели в идеале должны быть созданы для конкретной отрасли в конкретной стране. Это гарантирует, что уникальные экономические, юридические и учетные факторы страны и отрасли могут быть надлежащим образом захвачены. Задача состоит в том, что на начальном этапе обычно возникает нехватка данных, особенно в отношении количества выявленных дефолтов. Если эти дефицитные данные должны быть дополнительно сегментированы в ведра промышленности страны, то для каждой модели страны-отрасли еще меньше точек данных.

Поскольку отсутствующие данные являются фактом жизни при построении таких моделей, для заполнения этих чисел был разработан ряд методов. Однако некоторые из этих альтернатив могут привести к неточностям. Недостаток данных также означает, что вероятности по умолчанию, рассчитанные с использованием небольшой выборки данных, могут отличаться от фактических фактических вероятностей дефолта для рассматриваемой страны или отрасли. В некоторых случаях можно масштабировать результаты модели, чтобы они соответствовали основному опыту по умолчанию.

Методика моделирования, описанная здесь, также может быть использована для вычисления PD для крупных корпораций. Тем не менее, существует гораздо больше данных о крупных фирмах, поскольку они, как правило, публично перечисляются с учетом справедливого акционерного капитала и значительных требований к раскрытию информации. Эта доступность данных позволяет создавать другие модели PD (известные как рыночные модели), которые являются более мощными, чем те, которые описаны выше.

Заключение
Индустриальные специалисты и регуляторы хорошо осведомлены о важности моделей ПД и их первичной ограниченности данных. Соответственно, во всем мире предпринимались различные усилия (например, под эгидой Базеля II), чтобы улучшить способность финансовых учреждений извлекать полезные финансовые данные, в том числе точное определение дефолтных фирм. По мере увеличения размеров и точности этих наборов данных качество полученных моделей также улучшится. (Подробнее об этой теме см. В разделе Дебаты об оценке долговых обязательств .)