Vastapuolten luottokelpoisuus on keskeinen tekijä liiketoiminnan päätöksenteossa. Sijoittajien on tiedettävä todennäköisyys, että joukkovelkakirjoihin tai lainoihin sijoitetut rahat maksetaan takaisin. Yritysten on mitattava toimittajien, asiakkaiden, hankintaehdotusten ja kilpailijoiden luottokelpoisuus.

Perinteinen luottoluokan mittari on yritysluokitus, kuten S & P: n, Moody'sin tai Fitchin tuottama yritysluokitus. Tällaiset luokitukset ovat kuitenkin käytettävissä vain suurimmille yrityksille, ei miljoonille pienemmille yrityksille. Luottokelpoisuutensa määrittämiseksi pienempiä yrityksiä analysoidaan usein vaihtoehtoisilla menetelmillä, eli oletusmallien todennäköisyydellä. (Lisätietoja Lyhyt historia luottoluokituslaitoksista .)

RATKAISU: Riski ja monipuolistaminen

PD: n laskeminen PD: n laskeminen edellyttää monimutkaisuuden mallintamista ja suurta joukkoa aikaisempien oletusarvojen joukosta sekä täydellisen joukon perustavanlaatuisia rahoitusmuuttujia suurelle universumille . Useimmiten yritykset, jotka valitsevat käyttää PD-malleja, myöntävät käyttöoikeudet kourallisista palveluntarjoajista. Jotkut suuret rahoituslaitokset rakentavat kuitenkin omia PD-mallejaan.

Mallin rakentaminen edellyttää tietojen keräämistä ja analysointia, mukaan lukien keräämisen perusteet niin kauan kuin historiaa on saatavilla. Nämä tiedot tulevat tyypillisesti tilinpäätöksestä. Kun tiedot on koottu, on aika muodostaa taloudellisia tunnuslukuja tai "kuljettajia" - muuttujia, jotka auttavat tulosta. Nämä kuljettajat kuuluvat yleensä kuuteen luokkaan: vipuvaikutussuhteet, likviditeettisuhteet, kannattavuussuhteet, koon toimenpiteet, kulusuhteet ja omaisuuserot. Luottotutkimuksen ammattilaiset hyväksyvät nämä toimenpiteet laajalti luottokelpoisuuden arvioimiseksi. (Lisätietoja on kohdassa Rahoitusnäkymien opetusohjelma .)

Seuraavassa vaiheessa on selvitettävä, mitkä otokseen kuuluneet yritykset ovat "defaulters" - ne, jotka ovat todellisuudessa luopuneet taloudellisista velvoitteistaan. Näiden tietojen avulla voidaan arvioida "logistista" regressiomallia. Tilastollisia menetelmiä käytetään testaamaan kymmeniä ehdokasajureita ja valitsemaan sitten ne, jotka ovat merkittävimpiä tulevien oletusarvojen selittämisessä.

Regressiomalli liittyy oletusarvoihin eri ohjaimille. Tämä malli on ainutlaatuinen, sillä mallilähdöt on rajattu välillä 0 ja 1, jotka voidaan kartoittaa asteikolla 0-100% oletusarvo. Lopullisesta regressiosta kertoimet edustavat mallia, jolla arvioidaan yrityksen oletus todennäköisyys kuljettajiensa perusteella.

Lopuksi voit tarkastella tuloksena olevan mallin suoritustasoja. Nämä ovat todennäköisesti tilastollisia testejä, jotka mittaavat kuinka hyvin malli on ennustanut oletusarvot.Esimerkiksi mallia voidaan arvioida taloudellisten tietojen avulla viiden vuoden ajanjaksolla (2001-2005). Tuloksena olevaa mallia käytetään sitten eri ajanjaksoissa (2006-2009) saadun datan ennustamiseen. Koska tiedämme, mitkä yritykset ovat toimittaneet väärennöksiä vuosille 2006-2009, voimme kertoa kuinka hyvin malli on suoritettu.

Jotta ymmärtäisit mallin toimivuuden, harkitse pienyritystä, jolla on korkea leverage-arvo ja alhainen kannattavuus. Olemme juuri määritelleet kolme mallin ohjaimia tälle yritykselle. Todennäköisesti malli ennakoi suhteellisen suurta oletusarvoa yritykselle, koska se on pieni ja siksi sen tulovirta saattaa olla virheellinen. Yrityksellä on suuri vipuvaikutus, ja siksi sillä voi olla korkeat korkojaksot velkojille. Yrityksellä on alhainen kannattavuus, mikä tarkoittaa, että se tuottaa vain vähän rahaa kattamaan sen kulut (mukaan lukien sen raskas velkataakka). Kokonaisuudessaan yritys voi todennäköisesti havaita, ettei se pysty lähitulevaisuudessa velkojen maksamiseen. Tämä tarkoittaa, että sillä on suuri todennäköisyys laiminlyönnistä. (Lisätietoja on kohdassa Regression perusteet liiketoiminnan analysointiin .)

Art Vs. Tiede Tähän vaiheeseen mallinrakentamisprosessi on ollut täysin mekaaninen, käyttäen tilastoja. Nyt on tarpeen turvautua prosessin "taiteeseen". Tarkastele ajurit, jotka on valittu lopullisessa mallissa (todennäköisesti mistä tahansa 6-10 ohjaimesta). Ihannetapauksessa olisi oltava vähintään yksi kuljettaja kutakin kuudesta edellä kuvatusta luokkaan.

Edellä kuvattu mekaaninen prosessi voi kuitenkin johtaa tilanteeseen, jossa malli vaatii kuutta kuljettajaa, jotka kaikki on otettu vipuvaikutussuhderyhmästä, muttei kukaan, joka edustaa likviditeettiä, kannattavuutta jne. Pankkien luotonantajat, joita pyydetään käyttämään tällainen malli auttaakseen lainauspäätöksissä todennäköisesti valittaisiin. Tällaisten asiantuntijoiden kehittämä voimakas intuitio johtaisi heitä uskomaan, että myös muiden kuljettajaryhmien on oltava tärkeitä. Tällaisten kuljettajien puuttuminen voisi johtaa monet päätellä, että malli on riittämätön.

Ilmeinen ratkaisu on korvata joitain vipuvaikutusajureita kuljettajista puuttuvista luokista. Tämä kuitenkin herättää kysymyksen. Alkuperäinen malli on suunniteltu tarjoamaan korkeimmat tilastolliset suorituskykytoimenpiteet. Muuttamalla ohjaimen koostumusta on todennäköistä, että mallin suorituskyky heikkenee puhtaasti matemaattisesta näkökulmasta.

Tästä syystä on tehtävä kompromissi, johon sisältyy laaja valikoima kuljettajia maksimoidakseen mallin (taiteen) intuitiivisen houkuttelevuuden ja mallitehokkuuden mahdollisen vähenemisen tilastollisten toimenpiteiden (tieteen) perusteella. . PD-mallien kritisointi

Mallin laatu riippuu ensisijaisesti kalibroinnin saatavuudesta ja taloudellisten tietojen puhtaudesta . Monissa tapauksissa tämä ei ole vähäpätöinen vaatimus, sillä monet tietueet sisältävät virheitä tai kärsivät puuttuvista tiedoista. Nämä mallit käyttävät vain historiallisia tietoja, ja joskus panokset ovat vanhentuneita jopa vuoden tai kauemmin.Tämä heikentää mallin ennakoivaa voimaa, etenkin jos on tapahtunut joitakin merkittäviä muutoksia, jotka ovat tehneet kuljettajalle vähemmän merkityksellisiä, kuten kirjanpitokäytäntöjen tai asetusten muutokset.

Mallit olisi luotava ihanteellisesti tietylle toimialalle tietyssä maassa. Näin varmistetaan, että maan ja teollisuuden ainutlaatuiset taloudelliset, oikeudelliset ja kirjanpidolliset tekijät voidaan ottaa asianmukaisesti huomioon. Haasteena on, että alussa on tavallisesti puutteita erityisesti tunnistettujen oletusarvojen lukumäärän suhteen. Jos tämä vähäinen tieto on edelleen segmentoitava maakauppaketjuihin, maakohtaisten mallien kohdalla on vielä vähemmän pisteitä.

Koska puuttuvat tiedot ovat tosiasia, kun rakennetaan tällaisia ​​malleja, on kehitetty useita tekniikoita näiden numeroiden täyttämiseksi. Jotkut näistä vaihtoehdoista voivat kuitenkin antaa epätarkkuuksia. Tiedon niukkuus tarkoittaa myös sitä, että pienen datanäytteen avulla lasketut oletusarvoiset todennäköisyydet voivat olla erilaisia ​​kuin maassa tai toimialalla vallitsevat todelliset oletusarvoiset todennäköisyydet. Joissakin tapauksissa on mahdollista skaalata mallin lähdöt vastaamaan taustalla olevaa oletuskokemusta tarkemmin.

Tässä kuvattua mallintamenetelmää voidaan käyttää myös suurten yritysten PD: iden laskemiseen. Suurten yritysten saatavilla on kuitenkin paljon enemmän tietoja, koska ne ovat tyypillisesti julkisesti noteerattuja kaupankäynnin kohteena olevan pääoman ja merkittävien julkistamisvaatimusten vuoksi. Tämän tiedon saatavuuden ansiosta on mahdollista luoda muita PD-malleja (tunnetaan markkinapohjaisina malleina), jotka ovat tehokkaampia kuin yllä kuvatut.

Johtopäätös

Teolliset toimijat ja sääntelyviranomaiset ovat hyvin tietoisia PD-malleista ja niiden ensisijaisesta rajoitustiedon puutteesta. Näin ollen eri puolilla maailmaa on toteutettu erilaisia ​​toimia (esimerkiksi Basel II: n alaisuudessa), jotta finanssilaitokset kykenisivät saamaan hyödyllisiä taloudellisia tietoja, mukaan lukien laiminlyövien yritysten tarkka tunnistaminen. Koska näiden tiedostojen koko ja tarkkuus lisääntyvät, tuloksena olevien mallien laatu paranee. (Lisätietoja tästä aiheesta on
Debt Rating Debate .)