Porozumenie úverovej bonity protistrán je zásadným prvkom v obchodnom rozhodovaní. Investori musia poznať pravdepodobnosť, že peniaze investované do dlhopisov alebo vo forme pôžičiek budú splatené. Podniky musia kvantifikovať úverovú bonitu dodávateľov, klientov, záujemcov o akvizíciu a konkurentov.
Tradičným meradlom kreditnej kvality je rating spoločnosti, napríklad rating spoločnosti S&P, Moody's alebo Fitch. Takéto ratingy sú dostupné iba pre najväčšie firmy, nie pre milióny menších spoločností. S cieľom kvantifikovať svoju úverovú spôsobilosť sa menšie spoločnosti často analyzujú pomocou alternatívnych metód, konkrétne modelov pravdepodobnosti zlyhania (PD). (Viac informácií nájdete v časti Stručná história ratingových agentúr .)
TUTORIAL: Riziko a diverzifikácia
Vypočítanie PD Vypočítanie PD si vyžaduje modelovanie sofistikovanosti a rozsiahly súbor údajov o minulých predvolených hodnotách, spolu s kompletnou sadou základných finančných premenných pre veľké množstvo firiem. Spoločnosti, ktoré sa rozhodnú používať modely PD, ich väčšinou licenujú od hŕstky poskytovateľov. Niektoré veľké finančné inštitúcie si však vytvárajú svoje vlastné modely PD.
Vytvorenie modelu vyžaduje zhromažďovanie a analýzu údajov vrátane zhromažďovania základných údajov, pokiaľ je k dispozícii história. Tieto informácie obvykle pochádzajú z finančných výkazov. Po kompilácii údajov je čas vytvoriť finančné ukazovatele alebo „ovládače“ - premenné, ktoré podporujú výsledok. Tieto faktory majú tendenciu spadať do šiestich kategórií: ukazovatele finančnej páky, ukazovatele likvidity, ukazovatele ziskovosti, miery veľkosti, ukazovatele výdavkov a ukazovatele kvality aktív. Odborníci na úverovú analýzu všeobecne akceptujú tieto opatrenia ako relevantné pre odhad úverovej bonity. (Viac informácií nájdete v 6 základných finančných ukazovateľoch a ukazovateľoch. )
Ďalším krokom je zistiť, ktoré z firiem vo vašej vzorke sú „neplatiči“ - tie, ktoré skutočne nesplnili svoje finančné záväzky. S touto informáciou v ruke možno odhadnúť „logistický“ regresný model. Štatistické metódy sa používajú na testovanie desiatok kandidátov na vodiča a potom na výber tých, ktoré sú najdôležitejšie pri vysvetľovaní budúcich predvolených hodnôt.
Regresný model spája predvolené udalosti s rôznymi ovládačmi. Tento model je jedinečný v tom, že výstupy modelu sú ohraničené medzi 0 a 1, ktoré je možné mapovať na stupnici 0-100% pravdepodobnosti predvoleného nastavenia. Koeficienty z konečnej regresie predstavujú model na odhadovanie pravdepodobnosti zlyhania spoločnosti na základe jej faktorov.
Nakoniec môžete preskúmať výkonnostné parametre výsledného modelu. Toto budú pravdepodobne štatistické testy, ktoré merajú, ako dobre model predpovedal predvolené hodnoty. Napríklad model sa dá odhadnúť pomocou finančných údajov za päťročné obdobie (2001-2005). Výsledný model sa potom použije na údaje z iného obdobia (2006 - 2009) na predpovedanie predvolených hodnôt. Keďže vieme, ktoré firmy zlyhali v období rokov 2006 - 2009, môžeme povedať, ako dobre tento model fungoval.
Aby ste pochopili, ako model funguje, zvážte malú firmu s vysokou pákou a nízkou ziskovosťou. Práve sme definovali tri modelové ovládače pre túto firmu. Model s najväčšou pravdepodobnosťou predpovedá relatívne vysokú pravdepodobnosť zlyhania pre túto firmu, pretože je malý, a preto jej tok príjmov môže byť nevyspytateľný. Firma má vysoký pákový efekt, a preto môže mať pre veriteľov vysoké zaťaženie splácaním úrokov. Firma má nízku ziskovosť, čo znamená, že vytvára malé peniaze na pokrytie svojich výdavkov (vrátane veľkého zadlženia). Celkovo možno povedať, že spoločnosť pravdepodobne zistí, že v blízkej budúcnosti nedokáže splatiť dlhy. To znamená, že má vysokú pravdepodobnosť zlyhania. (Viac informácií nájdete v časti Základy regresie pre obchodné analýzy .)
Umenie Vs. Veda K tomuto bodu bol proces vytvárania modelov úplne mechanický, využívajúci štatistiky. Teraz je potrebné uchýliť sa k „umeniu“ procesu. Preskúmajte vodičov, ktorí boli vybraní v konečnom modeli (pravdepodobne kdekoľvek od 6 do 10 vodičov). Ideálne by mal byť aspoň jeden vodič z každej zo šiestich vyššie opísaných kategórií.
Mechanický proces opísaný vyššie však môže viesť k situácii, keď model vyžaduje šesť faktorov, z ktorých všetky sú čerpané z kategórie pákového pomeru, ale žiadny nepredstavuje likviditu, ziskovosť atď. Úverovníci banky, ktorí sú požiadaní o použitie takéhoto modelu pomoc pri rozhodovaní o pôžičkách by sa pravdepodobne sťažovala. Silná intuícia vyvinutá takýmito odborníkmi by ich viedla k presvedčeniu, že dôležité musia byť aj iné kategórie vodičov. Absencia takýchto vodičov by mohla mnohých viesť k záveru, že model je neadekvátny.
Zjavným riešením je nahradiť niektoré ovládače pákového efektu vodičmi z chýbajúcich kategórií. To však vyvoláva problém. Pôvodný model bol navrhnutý tak, aby poskytoval najvyššie miery štatistickej výkonnosti. Zmenou zloženia vodiča je pravdepodobné, že výkon modelu klesne z čisto matematického hľadiska.
Preto je potrebné urobiť kompromis medzi zahrnutím širokého výberu hnacích síl, aby sa maximalizovala intuitívna príťažlivosť modelu (umenia) a potenciálnym znížením sily modelu na základe štatistických opatrení (veda). (Ďalšie informácie nájdete v téme Style Matters In Financial Modeling .)
Kritika modelov PD Kvalita modelu závisí predovšetkým od počtu predvolených hodnôt dostupných pre kalibráciu a čistoty finančných údajov. V mnohých prípadoch to nie je triviálna požiadavka, pretože veľa súborov údajov obsahuje chyby alebo chýbajú údaje.
Tieto modely využívajú iba historické informácie a niekedy sú vstupy zastarané až o rok alebo viac. Tým sa oslabuje prediktívna sila modelu, najmä ak došlo k nejakým významným zmenám, vďaka ktorým je vodič menej relevantný, napríklad zmena v účtovných zvyklostiach alebo predpisoch.
V ideálnom prípade by sa modely mali vytvárať pre konkrétne odvetvie v konkrétnej krajine. Tým sa zabezpečí správne zachytenie jedinečných ekonomických, právnych a účtovných faktorov krajiny a priemyslu. Výzvou je, že zvyčajne je nedostatok údajov, najmä v počte zistených predvolených hodnôt. Ak sa tieto vzácne údaje musia ďalej rozdeliť do segmentov podľa odvetvia, existuje ešte menej údajových bodov pre každý model odvetvia.
Keďže chýbajúce údaje sú pri stavbe takýchto modelov skutočnosťou, bolo vyvinutých množstvo techník na ich vyplnenie. Niektoré z týchto alternatív však môžu spôsobiť nepresnosti. Nedostatok údajov tiež znamená, že predvolené pravdepodobnosti vypočítané pomocou malej vzorky údajov sa môžu líšiť od základných skutočných pravdepodobností zlyhania pre príslušnú krajinu alebo priemysel. V niektorých prípadoch je možné škálovať výstupy modelu tak, aby užšie zodpovedali základnej predvolenej skúsenosti.
Tu opísaná technika modelovania sa môže tiež použiť na výpočet PD pre veľké korporácie. K dispozícii je však oveľa viac údajov o veľkých firmách, pretože sú zvyčajne verejne kótované na zozname obchodovaných akcií a významných požiadaviek na zverejňovanie. Táto dostupnosť údajov umožňuje vytvárať ďalšie modely PD (známe ako trhové modely), ktoré sú výkonnejšie ako modely opísané vyššie.
záver
Odborníci v oblasti priemyslu a regulátori sú si dobre vedomí dôležitosti modelov PD a ich primárneho obmedzenia - nedostatku údajov. V súlade s tým sa na celom svete vynaložilo rôzne úsilie (napríklad pod záštitou Bazilej II) na zlepšenie schopnosti finančných inštitúcií zbierať užitočné finančné údaje vrátane presnej identifikácie spoločností, ktoré zlyhali. Keď sa veľkosť a presnosť týchto súborov údajov zvýši, zlepší sa aj kvalita výsledných modelov. (Viac informácií o tejto téme nájdete v Debate o hodnotení dlhov .)
![Výpočet (malého) úverového rizika spoločnosti Výpočet (malého) úverového rizika spoločnosti](https://img.icotokenfund.com/img/day-trading-introduction/199/calculating-company-credit-risk.jpg)