Obliczanie ryzyka kredytowego (małego) przedsiębiorstwa

Zrozumienie zdolności kredytowej kontrahentów jest kluczowym elementem podejmowania decyzji biznesowych. Inwestorzy muszą wiedzieć, jakie jest prawdopodobieństwo, że pieniądze zainwestowane w obligacje lub w formie pożyczek zostaną spłacone. Korporacje muszą oszacować zdolność kredytową dostawców, klientów, kandydatów do przejęcia i konkurentów.

Tradycyjną miarą jakości kredytowej jest rating korporacyjny, taki jak wystawiony przez S&P, Moody’s czy Fitch. Jednak takie oceny są dostępne tylko dla największych firm, a nie dla milionów mniejszych korporacji. W celu ilościowego określenia ich zdolności kredytowej mniejsze firmy są często analizowane przy użyciu metod alternatywnych, mianowicie modeli prawdopodobieństwa niewykonania zobowiązania (PD).

Obliczanie PD

Obliczanie PD wymaga wyrafinowanego modelowania i obszernego zestawu danych dotyczących wcześniejszych niewypłacalności, a także pełnego zestawu podstawowych zmiennych finansowych dla szerokiego wachlarza firm. W większości korporacje, które decydują się na korzystanie z modeli PD, udzielają im licencji od kilku dostawców. Jednak niektóre duże instytucje finansowe budują własne modele PD.

Budowanie modelu wymaga gromadzenia i analizy danych, w tym gromadzenia podstaw tak długo, jak dostępna jest historia. Te informacje zwykle pochodzą ze sprawozdań finansowych. Po zebraniu danych nadszedł czas na sformułowanie wskaźników finansowych lub „ czynników wpływających ” – zmiennych, które napędzają wynik. Sterowniki te mają tendencję spadkową w sześciu kategoriach: wskaźników dźwigni, wskaźniki płynności, wskaźniki rentowności, środki rozmiar, koszty przełożeniami i wskaźników jakości aktywów. Miary te są powszechnie akceptowane przez specjalistów ds. Analizy kredytowej jako istotne przy szacowaniu zdolności kredytowej.

Następnym krokiem jest określenie, które z firm w twojej próbie są „niewywiązującymi się” – tymi, które faktycznie nie wywiązały się ze swoich zobowiązań finansowych. Mając te informacje w ręku, można oszacować „logistyczny” model regresji. Metody statystyczne służą do testowania dziesiątek kandydatów na kierowców, a następnie do wybierania tych, które są najbardziej istotne w wyjaśnianiu przyszłych niewypłacalności.

Model regresji wiąże zdarzenia domyślne z różnymi sterownikami. Ten model jest wyjątkowy, ponieważ wyniki modelu są ograniczone od 0 do 1, co można odwzorować na skali 0-100% prawdopodobieństwa niewykonania zobowiązania. Współczynniki z końcowej regresji stanowią model szacowania prawdopodobieństwa niewykonania zobowiązania przez firmę w oparciu o jej czynniki motywacyjne.

Na koniec możesz zbadać miary wydajności dla powstałego modelu. Będą to prawdopodobnie testy statystyczne mierzące, jak dobrze model przewidział niewykonanie zobowiązania. Na przykład model można oszacować na podstawie danych finansowych za okres pięciu lat (2001-2005). Wynikowy model jest następnie używany na danych z innego okresu (2006-2009) do przewidywania niewykonania zobowiązań. Ponieważ wiemy, które firmy nie wywiązywały się z płatności w latach 2006-2009, możemy stwierdzić, jak dobrze model radził sobie.

Aby zrozumieć, jak działa ten model, rozważ małą firmę o dużej dźwigni finansowej i niskiej rentowności. Właśnie zdefiniowaliśmy trzy modele sterowników dla tej firmy. Najprawdopodobniej model będzie przewidywał stosunkowo wysokie prawdopodobieństwo niewypłacalności tej firmy, ponieważ jest ona mała, a zatem jej strumień przychodów może być nieregularny. Firma ma dużą dźwignię finansową, a zatem może być obciążona dużym obciążeniem spłatą odsetek wierzycielom. A firma ma niską rentowność, co oznacza, że ​​generuje niewiele gotówki na pokrycie swoich wydatków (w tym dużego zadłużenia). Ogólnie rzecz biorąc, firma prawdopodobnie stwierdzi, że nie jest w stanie spłacić długu w najbliższej przyszłości. Oznacza to, że istnieje duże prawdopodobieństwo niewykonania zobowiązania.

Sztuka kontra nauka

Do tej pory proces budowania modelu był całkowicie mechaniczny przy użyciu statystyk. Teraz trzeba odwołać się do „sztuki” tego procesu. Sprawdź sterowniki, które zostały wybrane w ostatecznym modelu (prawdopodobnie od sześciu do 10 kierowców). W idealnym przypadku powinien być co najmniej jeden kierowca z każdej z sześciu opisanych wcześniej kategorii.

Opisany powyżej proces mechaniczny może jednak doprowadzić do sytuacji, w której model wymaga sześciu czynników, z których wszystkie pochodzą z kategorii wskaźnika dźwigni, ale żadnego nie reprezentują płynności, rentowności itp. Osoby udzielające pożyczek bankowych proszone są o zastosowanie takiego modelu. pomoc w decyzjach kredytowych prawdopodobnie narzekałaby. Silna intuicja wypracowana przez takich ekspertów doprowadziłaby ich do przekonania, że ​​inne kategorie kierowców również muszą być ważne. Brak takich sterowników może doprowadzić wielu do wniosku, że model jest nieodpowiedni.

Oczywistym rozwiązaniem jest zastąpienie niektórych sterowników dźwigni sterownikami z brakujących kategorii. Rodzi to jednak problem. Oryginalny model został zaprojektowany w celu zapewnienia najwyższych statystycznych miar wydajności. Zmieniając skład sterowników, prawdopodobne jest, że wydajność modelu spadnie z czysto matematycznego punktu widzenia.

W związku z tym należy dokonać kompromisu między włączeniem szerokiego wyboru sterowników, aby zmaksymalizować intuicyjną atrakcyjność modelu (sztuka), a potencjalnym spadkiem mocy modelu w oparciu o miary statystyczne (nauka).

Krytyka modeli PD

Jakość modelu zależy przede wszystkim od liczby domyślnych ustawień dostępnych do kalibracji i czystości danych finansowych. W wielu przypadkach nie jest to trywialne wymaganie, ponieważ wiele zestawów danych zawiera błędy lub brakuje w nich danych.

Modele te wykorzystują tylko informacje historyczne, a czasami dane wejściowe są nieaktualne nawet o rok lub dłużej. Osłabia to moc predykcyjną modelu, zwłaszcza jeśli nastąpiła jakaś znacząca zmiana, która sprawiła, że ​​sterownik stał się mniej istotny, na przykład zmiana konwencji lub przepisów dotyczących rachunkowości.

Najlepiej byłoby, gdyby modele były tworzone dla określonej branży w określonym kraju. Zapewnia to właściwe uchwycenie wyjątkowych czynników ekonomicznych, prawnych i księgowych kraju i branży. Wyzwaniem jest to, że zazwyczaj istnieje niedostatek danych na początek, zwłaszcza w liczbie zidentyfikowanych domyślnych. Jeśli że ograniczone dane muszą być dalej podzielony na wiejskim przemysłu wiader, istnieje jeszcze mniej punktów danych dla każdego modelu country-przemysłowym.

Ponieważ brakujące dane są faktem podczas tworzenia takich modeli, opracowano szereg technik wypełniania tych liczb. Niektóre z tych alternatyw mogą jednak powodować nieścisłości. Niedobór danych oznacza również, że prawdopodobieństwa niewykonania zobowiązania obliczone przy użyciu małej próbki danych mogą różnić się od rzeczywistych podstawowych prawdopodobieństw niewykonania zobowiązania dla danego kraju lub branży. W niektórych przypadkach możliwe jest skalowanie wyników modelu w celu ściślejszego dopasowania do podstawowego doświadczenia domyślnego.

Opisana tutaj technika modelowania może być również używana do obliczania PD dla dużych korporacji. Dostępnych jest jednak znacznie więcej danych na temat dużych firm, ponieważ są one zazwyczaj notowane na giełdzie z udziałem kapitału będącego przedmiotem obrotu i znaczącymi wymogami dotyczącymi publicznego ujawniania informacji. Ta dostępność danych umożliwia tworzenie innych modeli PD (znanych jako modele rynkowe), które są bardziej wydajne niż te opisane powyżej.

Wniosek

Praktycy branżowi i organy regulacyjne doskonale zdają sobie sprawę ze znaczenia modeli wyładowań niezupełnych i ich podstawowego ograniczenia – niedoboru danych. W związku z tym na całym świecie podejmowano różne wysiłki (na przykład pod auspicjami Bazylei II ) w celu poprawy zdolności instytucji finansowych do przechwytywania użytecznych danych finansowych, w tym dokładnej identyfikacji firm niewywiązujących się z zobowiązań. Wraz ze wzrostem rozmiaru i precyzji tych zestawów danych poprawi się również jakość otrzymanych modeli.