Razumijevanje kreditne sposobnosti ugovornih strana ključan je element u odlučivanju o poslovanju. Ulagači moraju znati vjerojatnost da će novac uložen u obveznice ili u obliku zajmova biti vraćen. Korporacije moraju kvantificirati kreditnu sposobnost dobavljača, klijenata, kandidata za kupnju i konkurencije.
Tradicionalna mjera kreditne kvalitete je korporativni rejting, poput onog koji proizvode S&P, Moody's ili Fitch. Ipak, takve su ocjene dostupne samo za najveće tvrtke, a ne za milijune manjih korporacija. Da bi se utvrdila njihova kreditna sposobnost, manje tvrtke često se analiziraju alternativnim metodama, odnosno vjerojatnošću zadanih (PD) modela. (Da biste saznali više, pogledajte Kratku povijest agencija za kreditni rejting .)
TUTORIJAL: Rizik i diverzifikacija
Izračunavanje PD-ova Izračunavanje PD-a zahtijeva sofisticiranje modeliranja i veliki skup prethodnih zadanih postavki, zajedno s potpunim setom temeljnih financijskih varijabli za veliki svemir tvrtki. Korporacije koje se odluče za korištenje PD modela uglavnom ih licenciraju od nekolicine pružatelja usluga. Međutim, neke velike financijske institucije grade svoje vlastite modele PD-a.
Izgradnja modela zahtijeva prikupljanje i analizu podataka, uključujući prikupljanje osnova sve dok je povijest dostupna. Te informacije obično dolaze iz financijskih izvještaja. Jednom kada se podaci prikupe, vrijeme je da se formiraju financijski omjeri ili "pokretači" - varijable koje potiču rezultat. Ovi pokretači uglavnom padaju u šest kategorija: omjeri utjecaja, omjeri likvidnosti, omjeri profitabilnosti, mjere veličine, omjeri troškova i omjeri kvalitete imovine. Stručnjaci kreditne analize općenito prihvaćaju ove mjere kao relevantne za procjenu kreditne sposobnosti. (Da biste saznali više, pogledajte 6 osnovnih financijskih omjer i što otkrivaju. )
Sljedeći korak je prepoznati koje su tvrtke u vašem uzorku "neplatnici" - one koje su stvarno propustile svoje financijske obveze. Imajući u vidu ove podatke, može se procijeniti "logistički" regresijski model. Statističke metode koriste se za testiranje desetaka potencijalnih vozača, a zatim za odabir onih koji su najvažniji u objašnjavanju budućih zadanih vrijednosti.
Regresijski model povezuje zadane događaje s različitim pokretačima. Ovaj je model jedinstven po tome što su izlazi modela ograničeni između 0 i 1, što se može preslikati na skali od 0-100% vjerojatnosti neplaćanja. Koeficijenti iz konačne regresije predstavljaju model za procjenu zadane vjerojatnosti tvrtke na temelju njenih pokretača.
Konačno, možete ispitati mjere performansi za rezultirajući model. To će vjerojatno biti statistički testovi koji mjere koliko je model predvidio zadane vrijednosti. Na primjer, model se može procijeniti pomoću financijskih podataka za petogodišnje razdoblje (2001.-2005.). Dobiveni model se zatim koristi na podacima iz različitog razdoblja (2006-2009) za predviđanje zadanih vrijednosti. Budući da znamo koje su tvrtke propustile poslovanje u razdoblju od 2006. do 2009., možemo reći koliko je model uspješan.
Da biste razumjeli kako model funkcionira, razmislite o maloj tvrtki s visokim utjecajem i niskom profitabilnošću. Upravo smo definirali tri pokretačka modela ove tvrtke. Najvjerojatnije, model će predvidjeti relativno visoku vjerojatnost neplaćanja za ovu tvrtku jer je mala i, samim tim, njen prihod može biti nepravilan. Tvrtka ima visok utjecaj i, stoga, može imati velik teret plaćanja kamata za vjerovnike. A firma ima nisku profitabilnost, što znači da stvara malo novca za pokriće svojih troškova (uključujući veliki teret duga). Kao cjelina uzeta, firma će vjerojatno otkriti da u skoroj budućnosti nije sposobna zaraditi na isplati duga. To znači da postoji velika vjerojatnost neplaćanja. (Da biste saznali više, pogledajte Osnove regresije za poslovnu analizu .)
Art Vs. Znanost Do ovog trenutka proces izrade modela bio je u potpunosti mehanički, koristeći statistike. Sada je potrebno pribjeći "umjetnosti" procesa. Ispitajte upravljačke programe koji su odabrani u konačnom modelu (vjerojatno, bilo gdje od 6-10 upravljačkih programa). U idealnom slučaju trebao bi postojati barem jedan vozač iz svake od ranije opisanih šest kategorija.
Mehanički postupak opisan, međutim, može dovesti do situacije u kojoj model traži šest vozača, a sve izvlači iz kategorije omjera utjecaja, ali nijedan ne predstavlja likvidnost, profitabilnost itd. Bankovni zajmodavci od kojih se traži korištenje takvog modela za pomoć u odlučivanju o kreditu vjerojatno će se žaliti. Snažna intuicija koju su razvili takvi stručnjaci navela bi ih da vjeruju da i druge kategorije vozača moraju biti važne. Odsustvo takvih pokretača moglo bi mnoge dovesti do zaključka da je model neadekvatan.
Očito je rješenje zamijeniti neke upravljačke programe utjecaja na vozače iz kategorija koje nedostaju. To, međutim, postavlja pitanje. Izvorni model je osmišljen da osigura najveće mjere statističke učinkovitosti. Promjenom sastava vozača, vjerovatno je da će performanse modela opadati iz čisto matematičke perspektive.
Stoga se mora napraviti kompromis između uključivanja širokog izbora pokretača kako bi se maksimizirala intuitivna privlačnost modela (umjetnost) i potencijalnog smanjenja snage modela temeljenog na statističkim mjerama (znanost). (Za više, pročitajte Pitanja stila u financijskom modeliranju .)
Kritike PD modela Kvaliteta modela prvenstveno ovisi o broju zadanih postavki za umjeravanje i čistoći financijskih podataka. U mnogim slučajevima to nije beznačajan zahtjev, jer mnoštvo podataka sadrži pogreške ili pate zbog nedostajućih podataka.
Ovi modeli koriste samo povijesne podatke, a ponekad su inputi zastarjeli i do godinu dana ili više. To umanjuje prediktivnu snagu modela, pogotovo ako je došlo do neke značajne promjene koje su vozaču učinile manje relevantnim, poput promjene računovodstvenih konvencija ili propisa.
Modeli bi se idealno trebali stvoriti za određenu industriju unutar određene zemlje. To osigurava da se jedinstveni ekonomski, pravni i računovodstveni čimbenici zemlje i industrije mogu ispravno iskoristiti. Izazov je što obično započinje nedostatak podataka, posebno u broju identificiranih zadanih postavki. Ako se ti oskudni podaci moraju dalje segmentirati u kante zemalja, za svaki model države-zemlje postoji još manje podataka.
Budući da nedostajući podaci predstavljaju životni vijek prilikom izgradnje takvih modela, razvijene su brojne tehnike za popunjavanje tih brojeva. Neke od tih mogućnosti, međutim, mogu uvesti netočnosti. Manjak podataka također znači da zadane vjerojatnosti izračunane korištenjem malog uzorka podataka mogu biti različite od osnovnih stvarnih zadanih vjerojatnosti za zemlju ili industriju u kojoj je riječ. U nekim je slučajevima moguće skalirati izlaze modela kako bi se pobliže podudarali s osnovnim zadanim iskustvom.
Ovdje opisana tehnika modeliranja također se može koristiti za izračun PD-a za velike korporacije. Dostupno je mnogo više podataka o velikim tvrtkama, jer se obično javno kotiraju na kojima se trguje glavnicom i značajnim zahtjevima za javnim objavljivanjem. Ova dostupnost podataka omogućuje stvaranje drugih PD modela (poznatih kao tržišni modeli) koji su snažniji od gore opisanih.
Zaključak
Industrijski stručnjaci i regulatori dobro su svjesni važnosti PD modela i njihovog primarnog nedostatka podataka. U skladu s tim, širom svijeta je bilo različitih napora (na primjer, pod okriljem Basela II) kako bi se poboljšala sposobnost financijskih institucija da prikupe korisne financijske podatke, uključujući precizno utvrđivanje firmi koje ne ispunjavaju vrijednosti. Kako se povećavaju veličina i preciznost tih skupova podataka, poboljšati će se i kvaliteta rezultirajućih modela. (Više o ovoj temi pogledajte u poglavlju Debata o rejtingu duga .)
