Разумевање кредитне способности уговорних страна је пресудан елемент у доношењу пословних одлука. Улагачи морају знати вјероватноћу да ће новац уложен у обвезнице или у облику кредита бити враћен. Корпорације морају квантификовати кредитну способност добављача, клијената, кандидата за куповину и конкуренције.
Традиционална мера квалитета кредита је корпоративни рејтинг, какав је онај који производе С&П, Мооди'с или Фитцх. Ипак, такви рејтинги доступни су само за највеће компаније, а не за милионе мањих корпорација. Да би се утврдила њихова кредитна способност, мање компаније се често анализирају алтернативним методама, односно вероватноћом неплаћања (ПД) модела. (Да бисте сазнали више, погледајте кратку историју агенција за кредитни рејтинг .)
ТУТОРИЈАЛ: Ризик и диверзификација
Израчунавање ПД-ова Израчунавање ПД-а захтева софистицирање модела и велики скуп претходних заданих вредности, заједно са комплетним сетом основних финансијских променљивих за велики свемир компанија. Корпорације које се одлуче за употребу ПД модела углавном их лиценцирају од неколицине пружатеља услуга. Међутим, неке велике финансијске институције граде своје властите моделе ПД-а.
Изградња модела захтева прикупљање и анализу података, укључујући прикупљање основа све док је историја доступна. Ове информације обично потичу из финансијских извештаја. Једном када се подаци саставе, време је да се формирају финансијски омјери или „покретачи“ - варијабле које подстичу резултат. Ови покретачи углавном падају у шест категорија: коефицијенти левера, коефицијенти ликвидности, омјери профитабилности, мере величине, омјери трошкова и омјери квалитета имовине. Професионални стручњаци за кредитну анализу ове мере широко прихватају ове мере као релевантне за процену кредитне способности. (Да бисте сазнали више, погледајте 6 основних финансијских односа и шта откривају. )
Следећи корак је утврдити која су од предузећа у вашем узорку „неплатилаца“ - она која су заправо пропустила у својим финансијским обавезама. Имајући у виду ове информације, може се проценити "логистички" регресијски модел. Статистичке методе се користе за тестирање на десетине возача кандидата, а затим за одабир оних који су најважнији у објашњавању будућих заданих вредности.
Регресиони модел повезује подразумеване догађаје са различитим покретачима. Овај модел је јединствен по томе што су излази ограничени између 0 и 1, што се може пресликати на скали од 0-100% вероватноће неиспуњења. Коефицијенти из крајње регресије представљају модел за процену задане вероватноће фирме на основу њених покретача.
На крају, можете испитати мере перформанси за резултирајући модел. То ће вјероватно бити статистички тестови који мјере колико је модел предвидио задане вриједности. На пример, модел се може проценити користећи финансијске податке за петогодишњи период (2001-2005). Настали модел се затим користи на подацима из другог периода (2006-2009) за предвиђање заданих вредности. Будући да знамо које су фирме пропустиле обавезу током периода 2006-2009, можемо рећи колико је модел функционисао.
Да бисте разумели како модел функционише, узмите у обзир малу фирму високог полуга и ниске профитабилности. Управо смо дефинисали три покретачка програма ове компаније. Највјероватније, модел ће предвидјети релативно високу вјероватност неплаћања ове фирме јер је мала и, самим тим, њен ток прихода може бити неправилан. Предузеће има висок утицај и, према томе, може имати велики терет плаћања камата за повериоце. А фирма има ниску профитабилност, што значи да ствара мало готовине за покриће својих трошкова (укључујући велики терет дуга). Посматрано као целина, фирма ће вероватно открити да није у могућности да исплати дугове у скорој будућности. То значи да постоји велика вероватноћа неплаћања. (Да бисте сазнали више, погледајте Регресијске основе за пословну анализу .)
Арт Вс. Наука До сада је процес израде модела био у потпуности механички, користећи статистике. Сада постоји потреба да се прибегне "уметности" процеса. Испитајте управљачке програме који су изабрани у финалном моделу (вероватно, било где од 6-10 управљачких програма). У идеалном случају требало би да постоји најмање један возач из сваке од раније описаних шест категорија.
Механизам који је горе описан може, међутим, довести до ситуације у којој модел захтева шест возача, а све извлачи из категорије омјера полуге, али ниједног не представља ликвидност, профитабилност итд. Банковни кредитори од којих се тражи да користе такав модел за помоћ у одлучивању о позајмљивању вероватно ће се жалити. Снажна интуиција коју су развили такви стручњаци навела би их да верују да и друге категорије возача морају бити важне. Одсуство таквих покретача могло би многе навести да закључе да је модел неадекватан.
Очигледно решење је заменити неке управљачке програме покрета са управљачким програмима из категорија које недостају. Међутим, ово поставља питање. Оригинални модел је осмишљен да омогући највеће мере статистичког учинка. Променом састава возача, вероватно ће перформансе модела опадати са чисто математичке перспективе.
Стога се мора предузети компромис између укључивања широког избора покретача како би се максимизирала интуитивна привлачност модела (уметност) и потенцијалног смањења снаге модела заснованог на статистичким мерама (наука). (За више, прочитајте Питања стила у финансијском моделирању .)
Критике ПД модела Квалитета модела првенствено зависи од броја задатих поставки за калибрацију и чистоће финансијских података. У многим случајевима то није безначајан захтев, јер мноштво података садржи грешке или пате од података који недостају.
Ови модели користе само историјске податке, а понекад су уноси застарели и до годину дана или више. Ово умањује предиктивну моћ модела, посебно ако је дошло до неке значајне промене која је возачу учинила мање релевантним, попут промене рачуноводствених конвенција или прописа.
Модели би требали идеално да се креирају за одређену индустрију у одређеној земљи. То осигурава да се јединствени економски, правни и рачуноводствени фактори земље и индустрије могу правилно схватити. Изазов је што обично почиње недостатак података, посебно у броју идентификованих заданих вредности. Ако се ти оскудни подаци морају даље сегментирати у канте земаља, за сваки модел државе индустрије постоји још мање података.
Будући да недостајући подаци представљају живот у току израде таквих модела, развијене су бројне технике за попуњавање тих бројева. Неке од ових алтернатива, међутим, могу увести нетачности. Недостатак података такође значи да задате вероватноће израчунате коришћењем малог узорка података могу бити различите од основних стварних подразумеваних вероватноћа за земљу или индустрију о којој је реч. У неким је случајевима могуће скалирати излазе модела како би се потанко ускладили с основним заданим искуством.
Овде описана техника моделирања такође се може користити за прорачун ПД-а за велике корпорације. Међутим, на располагању је много више података о великим фирмама, јер се обично јавно котирају са тргованим капиталом и значајним захтевима за јавним обелодањивањем. Ова доступност података омогућава стварање других ПД модела (познатих као тржишни модели) који су моћнији од горе описаних.
Закључак
Индустријски практичари и регулатори добро су свесни важности ПД модела и њиховог примарног недостатка података. Сходно томе, широм света је било различитих напора (на пример, под окриљем Басела ИИ) да се побољша способност финансијских институција да прикупе корисне финансијске податке, укључујући прецизно идентификовање фирми које не испуњавају услове. Како се величина и прецизност ових скупова података повећавају, побољшаће се и квалитет насталих модела. (Више о овој теми погледајте у поглављу Дебата о рејтингу дуга .)
