Att förstå motparternas kreditvärdighet är ett viktigt inslag i beslutsfattandet. Investerare behöver veta sannolikheten för att pengar som investeras i obligationer eller i form av lån återbetalas. Företagen måste kvantifiera kreditvärdigheten hos leverantörer, kunder, förvärvskandidater och konkurrenter.

Den traditionella kreditkvalitetsmåttet är ett företagsbetyg, som det produceras av S & P, Moody's eller Fitch. Ändå är sådana betyg endast tillgängliga för de största företagen, inte för miljoner mindre företag. För att kvantifiera sin kreditvärdighet analyseras mindre företag ofta med hjälp av alternativa metoder, nämligen sannolikheten för standardmodeller (PD). (För mer information, se En kort historia av kreditvärderingsinstitut .)

- 9 ->

TUTORIAL: Risk och diversifiering

Beräkna PDs Beräkning av PD: er kräver modellering av sofistikering och en stor dataset av tidigare standardvärden, tillsammans med en komplett uppsättning grundläggande finansiella variabler för ett stort universum av företag . För det mesta tillåter företag som väljer att använda PD-modeller dem från en handfull leverantörer. Vissa stora finansiella institutioner bygger emellertid sina egna PD-modeller.

Att bygga en modell kräver insamling och analys av data, inklusive insamling av grundprinciper så länge en historia är tillgänglig. Denna information kommer vanligen från bokslutet. När uppgifterna har sammanställts är det dags att bilda ekonomiska kvoter eller "drivrutiner" - variabler som bränner resultatet. Dessa chaufförer tenderar att falla i sex kategorier: hävstångsförhållanden, likviditetsförhållanden, lönsamhetsförhållanden, storlekstakt, utgiftskvoter och tillgångskvoten. Dessa åtgärder accepteras allmänt av kreditanalyspersonal som är relevanta för att bedöma kreditvärdighet. (För mer information, se vår handledning för Nyckeltal .)

Nästa steg är att identifiera vilka av företagen i ditt urval som "defaulters" - de som faktiskt har misslyckats med sina ekonomiska skyldigheter. Med den här informationen kan en "logistisk" regressionsmodell uppskattas. Statistiska metoder används för att testa dussintals kandidatdrivrutiner och sedan välja de som är mest betydelsefulla för att förklara framtida standardinställningar.

Regressionsmodellen relaterar standardhändelser till de olika drivrutinerna. Denna modell är unik i den modellutgången som är begränsad mellan 0 och 1, som kan kartläggas till en skala av 0-100% sannolikhet för standard. Koefficienterna från den slutliga regressionen representerar en modell för att beräkna standard sannolikheten för ett företag baserat på dess drivrutiner.

Slutligen kan du granska prestationsåtgärder för den resulterande modellen. Dessa kommer sannolikt att vara statistiska test som mäter hur bra modellen har förutsagt standardinställningar.Till exempel kan modellen beräknas med hjälp av finansiella data för en femårsperiod (2001-2005). Den resulterande modellen används sedan på data från en annan period (2006-2009) för att förutsäga standardvärden. Eftersom vi vet vilka företag som har misslyckats under perioden 2006-2009 kan vi berätta hur bra modellen utfördes.

För att förstå hur modellen fungerar, överväga ett litet företag med hög hävstång och låg lönsamhet. Vi har just definierat tre av modelldrivrutinerna för det här företaget. Mest sannolikt kommer modellen att förutsäga en relativt hög sannolikhet för standard för detta företag eftersom det är litet och därför kan dess intäktsström vara ojämn. Företaget har stor hävstång och kan därför ha en högbelastningsbelastning till fordringsägare. Och företaget har låg lönsamhet, vilket innebär att det genererar lite pengar för att täcka sina kostnader (inklusive dess stora skuldbörda). Tagen som helhet kommer företaget sannolikt att finna att det inte kan göra bra på skuldbetalningar inom en snar framtid. Det betyder att den har stor sannolikhet att misslyckas. (För mer information, se Regressionsunderlag för företagsanalys .)

Art Vs. Science Till denna punkt har modellbyggnadsprocessen varit helt mekanisk, med hjälp av statistik. Nu finns det ett behov av att tillgripa "arten" av processen. Undersök drivrutinerna som har valts i den slutliga modellen (sannolikt, var som helst från 6-10 förare). Helst bör det finnas minst en förare från var och en av de sex kategorier som beskrivits tidigare.

Den mekaniska processen som beskrivs ovan kan emellertid leda till en situation där en modell kräver sex chaufförer, alla dragna från hävstångsförhållande kategori, men ingen som representerar likviditet, lönsamhet etc. Bankkrediter som är ombedda att använda En sådan modell för att hjälpa till med utlåningsbeslut skulle troligen klaga. Den starka intuitionen som utvecklats av sådana experter skulle leda dem att tro att andra förarkategorier också måste vara viktiga. Frånvaron av sådana förare kan leda många att dra slutsatsen att modellen är otillräcklig.

Den uppenbara lösningen är att ersätta några av hävstångsförare med förare från saknade kategorier. Detta väcker emellertid ett problem. Den ursprungliga modellen utformades för att ge de högsta statistiska prestationsåtgärderna. Genom att ändra förarkompositionen är det troligt att modellens prestanda kommer att minska från rent matematiskt perspektiv.

Således måste man göra en avvägning mellan införandet av ett brett urval av drivrutiner för att maximera modellens intuitiva överklagande och den potentiella minskningen av modellstyrkan baserad på statistiska åtgärder (vetenskap). (För mer, läs Style Matters In Financial Modeling .)

Kritik av PD-modeller Kvaliteten på modellen beror främst på antalet standardvärden som är tillgängliga för kalibrering och renligheten av de finansiella data . I många fall är detta inte ett trivialt krav, eftersom många dataset innehåller fel eller lider av saknade data.

Dessa modeller använder endast historisk information, och ibland är ingångarna föråldrade med upp till ett år eller mer.Detta sparar modellens prediktiva kraft, särskilt om det har skett någon betydande förändring som har gjort en förare mindre relevant, till exempel en ändring av bokföringskonventioner eller förordningar.

Modeller ska helst skapas för en viss bransch inom ett visst land. Detta säkerställer att de unika ekonomiska, juridiska och redovisningsfaktorerna i landet och industrin kan fångas på rätt sätt. Utmaningen är att det vanligtvis finns en brist på data till att börja med, särskilt i antalet identifierade standardvärden. Om de knappa uppgifterna måste segmenteras ytterligare i lantbruksindustrin, finns det ännu färre datapunkter för varje landindustriell modell.

Eftersom saknade data är ett faktum vid byggandet av sådana modeller har ett antal tekniker utvecklats för att fylla i dessa nummer. Några av dessa alternativ kan emellertid införa felaktigheter. Dataskarphet betyder också att standardsannolikheterna som beräknas med hjälp av ett litet dataprov kan skilja sig från de underliggande faktiska sannolikheterna för det aktuella landet eller industrin. I vissa fall är det möjligt att skala modellutgångarna för att matcha den underliggande standardupplevelsen närmare.

Modelleringstekniken som beskrivs här kan också användas för att beräkna PD för stora företag. Det finns dock mycket mer data på stora företag, eftersom de vanligtvis är offentligt noterade med börsförvaltat kapital och betydande upplysningskrav. Denna tillgänglighet gör det möjligt att skapa andra PD-modeller (kända som marknadsbaserade modeller) som är starkare än de som beskrivs ovan.

Slutsats
Branschpraktiker och tillsynsmyndigheter är väl medvetna om vikten av PD-modeller och deras primära begränsningsdatabrist. Följaktligen har det funnits olika ansträngningar (bland annat i Basel II) runt om i världen för att förbättra finansiella institutioners möjligheter att fånga användbar ekonomisk data, inklusive exakt identifiering av försummande företag. Eftersom storleken och precisionen av dessa dataset ökar kommer kvaliteten på de resulterande modellerna också att förbättras. (För mer om detta ämne, se Debattklass Debat .)