Az ügyfelek hitelképességének megértése kulcsfontosságú elem az üzleti döntéshozatalban. A befektetőknek tudniuk kell annak valószínűségét, hogy a kötvényekbe vagy kölcsönökbe fektetett pénz visszafizetésre kerül. A vállalatoknak számszerűsíteniük kell a szállítók, ügyfelek, akvizíciós jelöltek és versenytársak hitelképességét.
A hitelminőség hagyományos mérőszáma a vállalati minősítés, például az S&P, a Moody's vagy a Fitch által készített hitelminősítés. Az ilyen besorolások azonban csak a legnagyobb cégek számára állnak rendelkezésre, nem pedig a millió kisebb társaság számára. Hitelképességük számszerűsítése érdekében a kisebb vállalatokat gyakran alternatív módszerekkel, nevezetesen a nemteljesítési valószínűség (PD) modellekkel elemzik. (További információkért lásd: A hitelminősítő intézetek rövid története .)
TUTORIAL: Kockázat és diverzifikáció
PD-k kiszámítása A PD- k kiszámítása megköveteli a kifinomultság modellezését és a múltbeli mulasztások nagy adatkészletét, valamint az alapvető pénzügyi változók teljes készletét a nagy társaságok számára. A PD modelleket választó vállalatok nagyrészt néhány szolgáltató engedélyezte őket. Néhány nagy pénzügyi intézmény azonban kidolgozza saját PD modelljét.
A modell felépítése megköveteli az adatok gyűjtését és elemzését, ideértve az alapok összegyűjtését is, mindaddig, amíg rendelkezésre áll a történelem. Ez az információ általában a pénzügyi kimutatásokból származik. Az adatok összeállítása után itt az ideje, hogy pénzügyi mutatókat vagy "illesztőprogramokat" alakítsunk ki - olyan változók, amelyek az eredményt táplálják. Ezek a tényezők általában hat kategóriába sorolhatók: tőkeáttételi mutatók, likviditási mutatók, jövedelmezőségi mutatók, méretmutatók, költségarányok és eszközminőségi mutatók. Ezeket az intézkedéseket a hitelanalízis-szakemberek általánosságban elfogadják, mint a hitelképesség becslése szempontjából relevánsak. (További információkért lásd a (z) 6 alapvető pénzügyi mutatószámot és azt, amit mutatnak. )
A következő lépés annak meghatározása, hogy a mintában szereplő vállalatok közül melyik "fizetésképtelen", és amelyik ténylegesen nem teljesítette pénzügyi kötelezettségeit. Ezen információkkal a "logisztikai" regressziós modell becsülhető meg. A statisztikai módszereket több tucat jelölt illesztőprogram tesztelésére használják, majd kiválasztják azokat, amelyek a legfontosabbak a jövőbeli mulasztások magyarázatában.
A regressziós modell az alapértelmezett eseményeket a különféle illesztőprogramokhoz kapcsolja. Ez a modell egyedülálló abban a tekintetben, hogy a modell kimeneteit 0 és 1 között határozzuk meg, amelyeket 0-100% -os valószínűségi skálára lehet leképezni. A végső regresszióból származó együtthatók modellt képviselnek egy vállalat alapértelmezett valószínűségének becsléséhez a vezetői alapján.
Végül megvizsgálhatja a kapott modell teljesítménymutatóit. Ezek valószínűleg statisztikai tesztek lesznek, amelyek megmérik, hogy a modell mennyire jósolta meg az alapértelmezéseket. Például a modell becsülhető meg egy ötéves időszakra (2001-2005) vonatkozó pénzügyi adatok felhasználásával. A kapott modellt ezután egy másik időszakra (2006-2009) vonatkozó adatokra használják az alapértelmezések előrejelzésére. Mivel tudjuk, hogy melyik vállalkozás mulasztotta el a 2006-2009-es időszakot, megmondhatjuk, hogy a modell mennyire teljesített jól.
A modell működésének megértéséhez vegye figyelembe egy nagy tőkeáttételű és alacsony jövedelmezőségű kisvállalkozást. Éppen most definiáltuk a modell három meghajtóprogramját. Valószínű, hogy a modell viszonylag magas nemteljesítési valószínűséget fog előre jelezni e vállalkozás számára, mivel kicsi, és ezért bevételi forrása hibás lehet. A vállalkozás magas tőkeáttétellel rendelkezik, és ezért magas kamatfizetési terhet róhat a hitelezőkre. És a cég alacsony jövedelmezőséggel rendelkezik, ami azt jelenti, hogy kevés pénzt generál költségeinek fedezésére (beleértve a nehéz adósságteherét). Összességében véve a cég valószínűleg rájön, hogy a közeljövőben nem képes megtérülni az adósságfizetésekkel. Ez azt jelenti, hogy nagy a valószínűsége a mulasztásnak. (További információkért lásd az üzleti elemzés regressziós alapjait .)
Art Vs. Tudomány Eddig a modellezési folyamat teljesen mechanikus volt, statisztikákat felhasználva. Most szükség van a folyamat "művészetére". Vizsgálja meg a végső modellben kiválasztott illesztőprogramokat (valószínűleg 6-10 illesztőprogram között). Ideális esetben a korábban leírt hat kategóriából legalább egynek kell lennie.
A fentiekben ismertetett mechanikus eljárás azonban olyan helyzethez vezethet, amikor egy modell hat vezetőre szólít fel, mind a tőkeáttételi mutató kategóriából kiindulva, de egyikük sem képviseli a likviditást, a jövedelmezőséget stb. valószínűleg panaszt fog tenni a hitelezési döntések elősegítése érdekében. Az ilyen szakértők által kifejlesztett erős intuíció arra készteti őket, hogy úgy gondolja, hogy a többi vezető kategóriának is fontosnak kell lennie. Az ilyen járművezetők hiánya sokan arra engednek következtetni, hogy a modell nem megfelelő.
Nyilvánvaló megoldás az, hogy néhány tőkeáttételű illesztőprogramot kicserélnek a hiányzó kategóriákba tartozó járművezetőkre. Ez azonban kérdést vet fel. Az eredeti modellt úgy tervezték, hogy a legmagasabb statisztikai teljesítménymutatókkal szolgáljon. A vezető összetételének megváltoztatásával valószínű, hogy a modell teljesítménye pusztán matematikai szempontból csökken.
Tehát kompromisszumot kell hozni az illesztőprogramok széles választéka bevonása között a modell intuitív vonzerejének maximalizálása érdekében (művészet) és a modell teljesítményének potenciális csökkenése statisztikai mérések alapján (tudomány). (További információ: A pénzügyi modellezés stílus szempontjai .)
A PD modellek kritikája A modell minősége elsősorban a kalibráláshoz rendelkezésre álló alapértelmezett számoktól és a pénzügyi adatok tisztaságától függ. Sok esetben ez nem triviális követelmény, mivel sok adatkészlet hibákat tartalmaz, vagy hiányzó adatok miatt szenved.
Ezek a modellek csak a történeti információkat használják fel, és a bemeneti adatok időnként akár egy évvel vagy annál is elavultak. Ez megrontja a modell prediktív erejét, különösen, ha történt olyan jelentős változás, amely a járművezetőt kevésbé relevánsnak tekinti, például a számviteli előírások vagy rendeletek megváltozása.
Ideális esetben modelleket kell létrehozni egy adott iparágban, egy adott iparágban. Ez biztosítja, hogy az ország és az ipar egyedi gazdasági, jogi és számviteli tényezői megfelelő módon be tudják szerepelni. A kihívás az, hogy általában elegendő adat áll kezdetben, különösen az azonosított nemteljesítések számában. Ha ezt a szűkös adatot tovább kell szegmentálni az országipar vödörbe, akkor még kevesebb adatpont van az egyes országipar-modellek esetében.
Mivel az adatok hiánya az élet ténye az ilyen modellek felépítésekor, számos technikát fejlesztettek ki ezen számok kitöltésére. Ezen alternatívák némelyike pontatlanságokat okozhat. Az adathiány azt is jelenti, hogy a kis adatmintával kiszámított nemteljesítési valószínűségek eltérhetnek a kérdéses ország vagy iparág tényleges alapértelmezett valószínűségének valószínűségétől. Bizonyos esetekben lehetséges a modell outputjainak méretezése, hogy jobban megfeleljenek az alapul szolgáló alapértelmezett tapasztalatoknak.
Az itt leírt modellezési technika a nagyvállalatok PD-jének kiszámításához is felhasználható. Sokkal több adat áll rendelkezésre a nagyvállalatokról, mivel ezek általában nyilvános tőzsdén vannak jegyezve a kereskedett részvényekkel és jelentős nyilvánosságra hozatali követelményekkel. Ez az adatok elérhetősége lehetővé teszi más PD modellek (úgynevezett piaci alapú modellek) létrehozását, amelyek erősebbek, mint a fentiek.
Következtetés
Az ipari szakemberek és a szabályozók jól tudják a PD-modellek fontosságát és az elsődleges korlátozó adatok hiányát. Ennek megfelelően a világ szerte különféle erőfeszítések történtek (például a Bázel II. Égisze alatt) a pénzügyi intézmények képességének javítása érdekében, hogy hasznos pénzügyi adatokat gyűjtsenek, ideértve a mulasztó cégek pontos azonosítását. Ahogy ezeknek az adatkészleteknek a mérete és pontossága növekszik, a kapott modellek minősége is javulni fog. (A témáról bővebben: Az adósságminősítési vita .)
