Vastapuolten luottokelpoisuuden ymmärtäminen on keskeinen tekijä liiketoiminnan päätöksenteossa. Sijoittajien on tiedettävä todennäköisyys, että joukkovelkakirjalainoihin tai lainoihin sijoitetut varat maksetaan takaisin. Yritysten on määritettävä toimittajien, asiakkaiden, hankintaehdokkaiden ja kilpailijoiden luottokelpoisuus.
Perinteinen luottoluokituksen mittari on yritysluokitus, kuten S&P: n, Moody'sin tai Fitchin tuottama luottoluokitus. Tällaisia luottoluokituksia on kuitenkin saatavana vain suurimmalle yritykselle, ei miljoonille pienille yrityksille. Pienempiä yrityksiä analysoidaan usein luottokelpoisuuden määrittämiseksi vaihtoehtoisilla menetelmillä, nimittäin maksukyvyttömyyden (PD) malleilla. (Lisätietoja on kohdassa Lyhyt historia luottoluokituslaitoksista .)
OHJE: Riskit ja monipuolistaminen
PD: n laskeminen PD: n laskenta vaatii mallintamista hienostuneisuutta ja suurta tietojoukkoa aikaisemmista laiminlyönneistä sekä täydellisen joukon taloudellisia perustekijöitä suurelle joukolle yrityksiä. Suurimmaksi osaksi yrityksiä, jotka valitsevat käyttää PD-malleja, lisensoi ne kouralliselta palveluntarjoajalta. Jotkut suuret rahoituslaitokset kuitenkin rakentavat omat PD-mallinsa.
Mallin rakentaminen vaatii tietojen keräämistä ja analysointia, mukaan lukien perusteiden kerääminen niin kauan kuin historiaa on saatavana. Nämä tiedot ovat tyypillisesti tilinpäätöksiä. Kun tiedot on koottu, on aika muodostaa taloudelliset suhdeluvut tai "ohjaimet" - muuttujat, jotka lisäävät tulosta. Nämä ajurit jakautuvat yleensä kuuteen luokkaan: vipuvaikutussuhteet, likviditeettisuhteet, kannattavuusasteet, kokomitat, kulusuhteet ja omaisuuserien laatu -suhteet. Luottoanalyysialan ammattilaiset hyväksyvät nämä toimenpiteet laajalti merkityksellisinä luottokelpoisuuden arvioinnissa. (Jos haluat lisätietoja, katso 6 taloudellista perussuhdetta ja mitä ne paljastavat. )
Seuraava askel on selvittää, mitkä otoksesi yrityksistä ovat "maksukyvyttömiä" - ne, jotka ovat tosiasiallisesti laiminlyöneet taloudelliset velvoitteensa. Tämän tiedon ollessa kädessä voidaan arvioida "logistinen" regressiomalli. Tilastollisia menetelmiä käytetään testaamaan kymmeniä ehdokkaita kuljettajia ja valitsemaan sitten ne, jotka ovat merkittävimmät tulevien oletusten selittämisessä.
Regressiomalli liittää oletustapahtumat eri ohjaimiin. Tämä malli on ainutlaatuinen siinä mielessä, että mallilähdöt on rajoitettu välille 0 - 1, joka voidaan kartoittaa asteikkoon 0-100% oletusarvon todennäköisyydestä. Lopullisen regression kertoimet edustavat mallia estimoida yrityksen oletustodennäköisyys sen ohjaimien perusteella.
Lopuksi voit tarkastella tuloksena olevan mallin suorituskykymittareita. Nämä ovat todennäköisesti tilastollisia testejä, joilla mitataan kuinka hyvin malli on ennustanut oletusarvot. Esimerkiksi malli voidaan estimoida käyttämällä viiden vuoden ajanjakson (2001-2005) taloudellisia tietoja. Saatua mallia käytetään sitten toisen ajanjakson (2006-2009) tiedoissa oletusten ennustamiseen. Koska tiedämme, mitkä yritykset laiminlyövät ajanjaksolla 2006-2009, voimme kertoa, kuinka hyvin malli toimi.
Ymmärtääksesi mallin toimintaa, harkitse pientä yritystä, jolla on korkea vipuvaikutus ja heikko kannattavuus. Olemme juuri määritelleet kolme tämän yrityksen malliohjainta. Todennäköisesti malli ennustaa suhteellisen suuren maksukyvyttömyyden todennäköisyyden tälle yritykselle, koska se on pieni ja siksi sen tulovirrat voivat olla virheelliset. Yrityksellä on suuri vipuvaikutus, ja siksi sillä voi olla korkea korkojen maksamistaakka velkojille. Ja yrityksellä on heikko kannattavuus, mikä tarkoittaa, että se tuottaa vain vähän rahaa kulujensa kattamiseen (mukaan lukien raskas velkataakka). Kokonaisuutena katsottuna yritys todennäköisesti huomaa, että se ei pysty pärjäämään lainanmaksuilla lähitulevaisuudessa. Tämä tarkoittaa, että sillä on suuri todennäköisyys laiminlyödä. ( Lisätietoja on liiketoiminnan analyysin regression perusteet .)
Art Vs. Tiede Tähän asti mallinrakennusprosessi on ollut täysin mekaaninen, tilastotietojen avulla. Nyt on tarpeen turvautua prosessin "taiteeseen". Tutki lopulliseen malliin valitut ohjaimet (todennäköisesti missä tahansa 6-10 kuljettajaa). Ihannetapauksessa pitäisi olla vähintään yksi kuljettaja jokaisesta kuudesta aiemmin kuvaillusta luokasta.
Edellä kuvattu mekaaninen prosessi voi kuitenkin johtaa tilanteeseen, jossa malli vaatii kuutta ohjainta, jotka kaikki on otettu vivutussuhteen luokasta, mutta yksikään ei edusta likviditeettiä, kannattavuutta jne. Pankkien luotonantajat, joita pyydetään käyttämään tällaista mallia avustaa lainapäätöksissä todennäköisesti valittaa. Tällaisten asiantuntijoiden kehittämä vahva intuitio johtaisi heidän uskomaan, että myös muiden kuljettajaluokkien on oltava tärkeitä. Tällaisten kuljettajien puuttuminen voi johtaa moniin siihen johtopäätökseen, että malli on riittämätön.
Ilmeinen ratkaisu on korvata osa vipuvaikutteisista ajureista puuttuvien luokkien kuljettajilla. Tämä herättää kuitenkin ongelman. Alkuperäinen malli suunniteltiin tarjoamaan korkeimmat tilastolliset suorituskykymittarit. Vaihtamalla kuljettajan kokoonpanoa on todennäköistä, että mallin suorituskyky heikkenee puhtaasti matemaattisesta näkökulmasta.
Siksi on tehtävä kompromissi laajan ajurivalikoiman sisällyttämisen välillä mallin intuitiivisen vetovoiman (taide) maksimoimiseksi ja tilastollisiin mittoihin (tiede) perustuvan mallin tehon mahdollisen laskun välillä. (Lisätietoja on tyyliasiat rahoitusmallinnuksessa .)
PD-mallien kriitikot Mallin laatu riippuu ensisijaisesti kalibrointiin käytettävissä olevien oletusten lukumäärästä ja taloudellisten tietojen puhtaudesta. Monissa tapauksissa tämä ei ole vähäpätöinen vaatimus, koska monet tietojoukot sisältävät virheitä tai kärsivät puuttuvista tiedoista.
Nämä mallit hyödyntävät vain historiallista tietoa, ja joskus syöttötiedot ovat vanhentuneita jopa vuodessa tai enemmän. Tämä laimentaa mallin ennustevoimaa, varsinkin jos on tapahtunut jotain merkittävää muutosta, joka on vähentänyt kuljettajan merkitystä, kuten kirjanpitoperiaatteiden tai määräysten muutos.
Ihannetapauksessa mallit olisi luotava tietylle toimialalle tietyssä maassa. Tämä varmistaa, että maan ja teollisuuden ainutlaatuiset taloudelliset, oikeudelliset ja kirjanpidolliset tekijät voidaan ottaa asianmukaisesti huomioon. Haasteena on, että aluksi on yleensä niukasti tietoja, etenkin tunnistettujen oletusten lukumäärän suhteen. Jos nämä niukot tiedot on jaoteltava edelleen maasektoriteollisuuden kauhoihin, jokaisella maateollisuusmallilla on vielä vähemmän datapisteitä.
Koska puuttuva tieto on tosielämä tällaisten mallien rakentamisessa, näiden lukujen täyttämiseksi on kehitetty joukko tekniikoita. Jotkut näistä vaihtoehdoista saattavat kuitenkin aiheuttaa epätarkkuuksia. Tietojen niukkuus tarkoittaa myös sitä, että pienellä tietonäytteellä lasketut oletustodennäköisyydet saattavat poiketa kyseessä olevan maan tai toimialan taustalla olevista todellisista epätodennäköisyyksistä. Joissakin tapauksissa on mahdollista skaalata mallin tuotokset vastaamaan paremmin taustalla olevaa oletuskokemusta.
Tässä kuvattua mallintamistekniikkaa voidaan käyttää myös suurten yritysten PD: n laskemiseen. Suurista yrityksistä on kuitenkin saatavana paljon enemmän tietoja, koska ne ovat yleensä julkisesti noteerattuja kaupankäynnin kohteena olevasta pääomasta ja merkittävistä julkistamisvelvoitteista. Tämän tiedon saatavuus mahdollistaa muiden PD-mallien (ns. Markkinapohjaiset mallit) luomisen, jotka ovat tehokkaampia kuin edellä kuvatut.
johtopäätös
Alan ammattilaiset ja sääntelijät ovat hyvin tietoisia PD-mallien tärkeydestä ja niiden ensisijaisesta rajoitustiedon niukkuudesta. Niinpä ympäri maailmaa (esimerkiksi Basel II: n alaisuudessa) on pyritty parantamaan rahoituslaitosten kykyä kerätä hyödyllisiä taloudellisia tietoja, mukaan lukien maksukyvyttömien yritysten tarkka tunnistaminen. Näiden aineistojen koon ja tarkkuuden kasvaessa myös tuloksena olevien mallien laatu paranee. (Jos haluat lisätietoja tästä aiheesta, katso Debt Rating Debate .)
