Darījumu partneru kredītspējas izpratne ir būtisks elements biznesa lēmumu pieņemšanā. Investoriem jāzina iespējamība, ka nauda, kas ieguldīta obligācijās vai aizdevumu veidā, tiks atmaksāta. Korporācijām ir jānosaka piegādātāju, klientu, iegādes kandidātu un konkurentu kredītspēja.
Tradicionālais kredītkvalitātes rādītājs ir korporatīvais reitings, piemēram, S&P, Moody's vai Fitch izveidotais reitings. Tomēr šādi reitingi ir pieejami tikai lielākajām firmām, nevis miljoniem mazāku korporāciju. Lai noteiktu to kredītspēju, mazākos uzņēmumus bieži analizē, izmantojot alternatīvas metodes, proti, saistību neizpildes varbūtības (PD) modeļus. (Lai uzzinātu vairāk, skatiet īsu kredītreitingu aģentūru vēsturi .)
PAMĀCĪBA: Risks un diversifikācija
PD aprēķināšana PD aprēķināšanai ir nepieciešama sarežģīta modelēšana un liela iepriekšējo saistību neizpildes datu kopa, kā arī pilns finanšu mainīgo komplekts lielam uzņēmumu lokam. Lielākoties korporācijas, kuras izvēlas izmantot PD modeļus, tos licencē no dažiem piegādātājiem. Tomēr dažas lielas finanšu iestādes izveido savus PD modeļus.
Lai izveidotu modeli, ir jāvāc un jāanalizē dati, ieskaitot pamatdatu vākšanu, ja vien ir pieejama vēsture. Šī informācija parasti nāk no finanšu pārskatiem. Kad dati ir apkopoti, ir pienācis laiks izveidot finanšu rādītājus vai "draiverus" - mainīgos, kas veicina rezultātu. Šos faktorus mēdz iedalīt sešās kategorijās: aizņemto līdzekļu īpatsvars, likviditātes koeficienti, rentabilitātes koeficienti, lieluma rādītāji, izdevumu koeficienti un aktīvu kvalitātes rādītāji. Kredītanalīzes speciālisti šos pasākumus plaši atzīst par piemērotiem kredītspējas novērtēšanai. (Lai uzzinātu vairāk, skatiet 6 pamata finanšu rādītājus un to atklāsmi. )
Nākamais solis ir noteikt, kuras no izlasē iekļautajām firmām ir “maksātāji” - tie, kas faktiski nav izpildījuši savas finanšu saistības. Ar šo informāciju rokās var novērtēt "loģistikas" regresijas modeli. Statistiskās metodes tiek izmantotas, lai pārbaudītu desmitiem autovadītāju kandidātu un pēc tam izvēlētos tos, kas ir vissvarīgākie, izskaidrojot turpmākos noklusējumus.
Regresijas modelis noklusējuma notikumus saista ar dažādiem draiveriem. Šis modelis ir unikāls ar to, ka modeļa izvades robežas ir no 0 līdz 1, ko var samērot līdz 0-100% noklusējuma varbūtībai. Galīgās regresijas koeficienti atspoguļo modeli, kā novērtēt firmas noklusējuma varbūtību, pamatojoties uz tās vadītājiem.
Visbeidzot, jūs varat pārbaudīt iegūtā modeļa veiktspējas rādītājus. Tās, visticamāk, būs statistiskās pārbaudes, kas mērīs, cik labi modelis ir paredzējis noklusējumus. Piemēram, modeli var novērtēt, izmantojot finanšu datus par piecu gadu periodu (2001. – 2005. Gads). Pēc tam iegūtais modelis tiek izmantots datiem no cita perioda (2006. – 2009.), Lai prognozētu saistību nepildīšanu. Tā kā mēs zinām, kuras firmas nepilda saistības 2006. – 2009. Gadā, mēs varam pateikt, cik labi modelis darbojās.
Lai saprastu, kā modelis darbojas, apsveriet nelielu firmu ar lielu aizņemto līdzekļu daudzumu un zemu rentabilitāti. Mēs tikko definējām trīs šīs firmas modeļa draiverus. Visticamāk, modelis šim uzņēmumam prognozēs samērā lielu saistību neizpildes varbūtību, jo tas ir mazs, un tāpēc tā ieņēmumu plūsma var būt nepareiza. Firmai ir liels piesaistīto līdzekļu īpatsvars, un tāpēc kreditoriem tā var būt liela procentu maksājuma nasta. Un firmai ir zema rentabilitāte, kas nozīmē, ka tā rada maz naudas, lai segtu savus izdevumus (ieskaitot lielo parādu nastu). Kopumā, visticamāk, uzņēmums secinās, ka tuvākajā nākotnē nespēj nokārtot parāda maksājumus. Tas nozīmē, ka tai ir liela saistību neizpildes varbūtība. (Lai uzzinātu vairāk, skatiet regresijas pamatus uzņēmējdarbības analīzē .)
Art Vs. Zinātne Līdz šim modeļa veidošanas process ir bijis pilnīgi mehānisks, izmantojot statistiku. Tagad ir nepieciešams ķerties pie procesa "mākslas". Pārbaudiet galīgajā modelī atlasītos draiverus (iespējams, jebkur no 6-10 autovadītājiem). Ideālā gadījumā vajadzētu būt vismaz vienam vadītājam no katrām no sešām iepriekš aprakstītajām kategorijām.
Iepriekš aprakstītais mehāniskais process tomēr var novest pie situācijas, kad modelim ir nepieciešami seši draiveri, kurus visus ņem no aizņemto līdzekļu īpatsvara kategorijas, bet neviens neatspoguļo likviditāti, rentabilitāti utt. Banku kreditēšanas darbinieki, kuriem tiek lūgts izmantot šādu modeli lai palīdzētu pieņemt lēmumus par aizdevumu, iespējams, sūdzēsies. Šādu ekspertu spēcīgā intuīcija liks viņiem domāt, ka svarīgām ir jābūt arī citām autovadītāju kategorijām. Šādu vadītāju neesamība daudziem ļautu secināt, ka modelis ir neatbilstošs.
Acīmredzams risinājums ir aizstāt dažus sviras draiverus ar vadītājiem, kuriem trūkst kategoriju. Tomēr tas rada jautājumu. Sākotnējais modelis tika izstrādāts, lai nodrošinātu visaugstākos statistiskās veiktspējas rādītājus. Mainot vadītāja sastāvu, iespējams, ka modeļa veiktspēja samazināsies no tīri matemātiskas perspektīvas.
Tādējādi ir jāveic kompromiss starp plaša draiveru skaita iekļaušanu, lai maksimāli palielinātu modeļa intuitīvo pievilcību (māksla) un iespējamo modeļa jaudas samazināšanos, pamatojoties uz statistikas mērījumiem (zinātne). (Plašāku informāciju lasiet stila jautājumos finanšu modelēšanā .)
PD modeļu kritika Modeļa kvalitāte galvenokārt ir atkarīga no kalibrēšanai pieejamo noklusējumu skaita un finanšu datu tīrības. Daudzos gadījumos tā nav niecīga prasība, jo daudzās datu kopās ir kļūdas vai tajās trūkst datu.
Šajos modeļos tiek izmantota tikai vēsturiskā informācija, un dažreiz dati ir novecojuši līdz pat gadam vai ilgāk. Tas mazina modeļa paredzamās spējas, it īpaši, ja ir notikušas kādas būtiskas izmaiņas, kas padarījušas vadītāju mazāk būtisku, piemēram, izmaiņas grāmatvedības konvencijās vai noteikumos.
Ideālā gadījumā modeļi būtu jāizveido konkrētai nozarei noteiktā valstī. Tas nodrošina, ka tiek pareizi uztverti unikāli valsts un nozares ekonomiskie, juridiskie un grāmatvedības faktori. Problēma ir tā, ka parasti ir maz datu, jo īpaši attiecībā uz identificētajiem noklusējumiem. Ja šie ierobežotie dati ir sīkāk jāsadala valstu rūpniecības segmentos, katram valsts nozares modelim ir vēl mazāk datu punktu.
Tā kā, būvējot šādus modeļus, trūkstošie dati ir dzīves fakts, šo skaitļu aizpildīšanai ir izstrādāta virkne metožu. Tomēr dažas no šīm alternatīvām var radīt neprecizitātes. Datu deficīts nozīmē arī to, ka saistību neizpildes varbūtības, kas aprēķinātas, izmantojot nelielu datu izlasi, var atšķirties no faktiskajām saistību neizpildes varbūtībām attiecīgajā valstī vai nozarē. Dažos gadījumos ir iespējams izmērīt modeļa rezultātus, lai tie precīzāk atbilstu pamatā esošajai noklusējuma pieredzei.
Šeit aprakstīto modelēšanas paņēmienu var izmantot arī PD aprēķināšanai lielām korporācijām. Tomēr par lieliem uzņēmumiem ir pieejams daudz vairāk datu, jo tie parasti tiek kotēti publiskajā apgrozībā ar akcijām un ievērojamām publiskošanas prasībām. Šī datu pieejamība ļauj izveidot citus PD modeļus (pazīstamus kā tirgus modeļus), kas ir jaudīgāki nekā iepriekš aprakstītie.
Secinājums
Nozares praktiķi un regulatori labi zina PD modeļu nozīmi un to primāro datu trūkumu. Attiecīgi visā pasaulē ir veikti dažādi centieni (piemēram, Bāzeles II aizbildnībā), lai uzlabotu finanšu iestāžu iespējas iegūt noderīgus finanšu datus, ieskaitot precīzu uzņēmumu, kas nepilda saistības, identificēšanu. Palielinoties šo datu kopu apjomam un precizitātei, uzlabosies arī iegūto modeļu kvalitāte. (Plašāku informāciju par šo tēmu skat . Debatēs par parāda reitingu .)
