Calculul riscului de credit (mic) al companiei
Înțelegerea solvabilității contrapartidelor este un element crucial în luarea deciziilor în afaceri. Investitorii trebuie să cunoască probabilitatea ca banii investiți în obligațiuni sau sub formă de împrumuturi să fie rambursați. Corporațiile trebuie să cuantifice bonitatea furnizorilor, clienților, candidaților la achiziție și a concurenților.
Măsura tradițională a calității creditului este un rating corporativ, cum ar fi cel produs de S&P, Moody’s sau Fitch. Totuși, astfel de ratinguri sunt disponibile numai pentru cele mai mari firme, nu pentru milioane de corporații mai mici. Pentru a-și cuantifica bonitatea, companiile mai mici sunt adesea analizate folosind metode alternative, și anume modelele de probabilitate de neplată (PD).
Calculul PD-urilor
Calculul PD necesită sofisticare de modelare și un set mare de date de implicite din trecut, împreună cu un set complet de variabile financiare fundamentale pentru un univers larg de firme. În cea mai mare parte, corporațiile care aleg să utilizeze modele PD le acordă licență de la o mână de furnizori. Cu toate acestea, unele instituții financiare mari își construiesc propriile modele de PD.
Construirea unui model necesită colectarea și analiza datelor, inclusiv colectarea fundamentelor atâta timp cât este disponibil un istoric. Aceste informații provin de obicei din situațiile financiare. Odată ce datele sunt compilate, este timpul să formați rapoarte financiare sau „ factori determinanți ” – variabile care alimentează rezultatul. Acești factori tind să se încadreze în șase categorii: rate de pârghie, rate de lichiditate, rate de rentabilitate, măsuri de dimensiune, rate de cheltuieli și rate de calitate a activelor. Aceste măsuri sunt larg acceptate de profesioniștii în analiza creditelor ca relevante pentru estimarea bonității.
Următorul pas este să identificați care dintre firmele din eșantionul dvs. sunt „contraveniente” – cele care și-au îndeplinit de fapt obligațiile financiare. Cu aceste informații în mână, se poate estima un model de regresie „logistică”. Metodele statistice sunt folosite pentru a testa zeci de șoferi candidați și apoi pentru a alege pe cei care sunt cei mai semnificativi în explicarea valorilor implicite viitoare.
Modelul de regresie corelează evenimentele implicite cu diferiți driveri. Acest model este unic prin faptul că ieșirile modelului sunt delimitate între 0 și 1, care pot fi mapate la o scară de 0-100% probabilitate de implicit. Coeficienții din regresia finală reprezintă un model de estimare a probabilității implicite a unei firme pe baza factorilor săi.
În cele din urmă, puteți examina măsurile de performanță pentru modelul rezultat. Acestea vor fi probabil teste statistice care măsoară cât de bine a prezis modelul implicit. De exemplu, modelul poate fi estimat folosind date financiare pentru o perioadă de cinci ani (2001-2005). Modelul rezultat este apoi utilizat pe date dintr-o perioadă diferită (2006-2009) pentru a prezice valorile implicite. Din moment ce știm ce firme au intrat în neregulă în perioada 2006-2009, putem spune cât de bine a funcționat modelul.
Pentru a înțelege modul în care funcționează modelul, luați în considerare o firmă mică, cu pârghie ridicată și profitabilitate redusă. Tocmai am definit trei dintre driverele de model pentru această firmă. Cel mai probabil, modelul va prezice o probabilitate relativ mare de neplată pentru această firmă, deoarece este mică și, prin urmare, fluxul său de venituri poate fi neregulat. Firma are un efect de pârghie ridicat și, prin urmare, poate avea o sarcină mare de plată a dobânzilor pentru creditori. Și firma are o profitabilitate redusă, ceea ce înseamnă că generează puțini bani pentru a-și acoperi cheltuielile (inclusiv povara mare a datoriilor). Luată în ansamblu, este posibil ca firma să constate că nu este capabilă să facă față plăților datoriei în viitorul apropiat. Aceasta înseamnă că are o mare probabilitate de implicit.
Arta vs. Știință
Până în acest moment, procesul de construire a modelelor a fost în întregime mecanic, folosind statistici. Acum este nevoie să recurgem la „arta” procesului. Examinați driverele care au fost selectate în modelul final (probabil, de la șase la 10 drivere). În mod ideal, ar trebui să existe cel puțin un driver din fiecare dintre cele șase categorii descrise anterior.
Cu toate acestea, procesul mecanic descris mai sus poate duce la o situație în care un model necesită șase factori, toți trimiși din categoria raportului de pârghie, dar niciunul nu reprezintă lichiditate, profitabilitate, etc. pentru a ajuta la deciziile de împrumut s-ar plânge probabil. Intuiția puternică dezvoltată de astfel de experți i-ar determina să creadă că și alte categorii de șoferi trebuie să fie importante. Absența unor astfel de șoferi i-ar putea determina pe mulți să ajungă la concluzia că modelul este inadecvat.
Soluția evidentă este înlocuirea unora dintre driverele de pârghie cu driverele din categoriile lipsă. Cu toate acestea, acest lucru ridică o problemă. Modelul original a fost conceput pentru a oferi cele mai înalte măsuri de performanță statistică. Prin schimbarea compoziției driverului, este probabil ca performanța modelului să scadă dintr-o perspectivă pur matematică.
Astfel, trebuie realizat un compromis între includerea unei selecții largi de factori pentru a maximiza atracția intuitivă a modelului (artă) și scăderea potențială a puterii modelului pe baza măsurilor statistice (știință).
Critici asupra modelelor PD
Calitatea modelului depinde în primul rând de numărul de valori implicite disponibile pentru calibrare și de curățenia datelor financiare. În multe cazuri, aceasta nu este o cerință banală, deoarece o mulțime de seturi de date conțin erori sau suferă din lipsă de date.
Aceste modele utilizează doar informații istorice și, uneori, intrările sunt depășite cu până la un an sau mai mult. Acest lucru diluează puterea predictivă a modelului, mai ales dacă au existat unele modificări semnificative care au făcut ca un motor să fie mai puțin relevant, cum ar fi o modificare a convențiilor sau reglementărilor contabile.
În mod ideal, ar trebui create modele pentru o anumită industrie dintr-o anumită țară. Acest lucru asigură faptul că factorii economici, legali și contabili unici ai țării și ai industriei pot fi surprinși în mod corespunzător. Provocarea constă în faptul că există de obicei o penurie de date pentru început, în special în ceea ce privește numărul de valori implicite identificate. Dacă aceste date rare trebuie să fie segmentate în continuare în cupe de țară-industrie, există și mai puține puncte de date pentru fiecare model de țară-industrie.
Deoarece datele lipsă sunt un fapt de viață atunci când se construiesc astfel de modele, au fost dezvoltate o serie de tehnici pentru a completa aceste numere. Cu toate acestea, unele dintre aceste alternative pot introduce inexactități. Deficitul de date înseamnă, de asemenea, că probabilitățile implicite calculate utilizând un eșantion mic de date pot fi diferite de probabilitățile implicite reale de bază pentru țara sau industria în cauză. În unele cazuri, este posibil să scalați rezultatele modelului pentru a se potrivi mai îndeaproape cu experiența implicită de bază.
Tehnica de modelare descrisă aici poate fi utilizată și pentru calcularea PD pentru corporațiile mari. Cu toate acestea, sunt disponibile mult mai multe date despre firmele mari, deoarece acestea sunt de obicei listate public cu acțiuni tranzacționate și cerințe semnificative de publicitate. Această disponibilitate a datelor face posibilă crearea altor modele PD (cunoscute sub numele de modele bazate pe piață) care sunt mai puternice decât cele descrise mai sus.
Concluzie
Practicanții și autoritățile de reglementare din industrie sunt conștienți de importanța modelelor PD și de limitarea lor principală – lipsa datelor. În consecință, în întreaga lume s-au depus diverse eforturi (sub auspiciile Basel II, de exemplu) pentru a îmbunătăți capacitatea instituțiilor financiare de a capta date financiare utile, inclusiv identificarea precisă a firmelor care se află în incapacitate de plată. Pe măsură ce dimensiunea și precizia acestor seturi de date cresc, calitatea modelelor rezultate se va îmbunătăți, de asemenea.