Het begrijpen van de kredietwaardigheid van tegenpartijen is een cruciaal element in de zakelijke besluitvorming. Beleggers moeten weten hoe waarschijnlijk het is dat geld dat wordt belegd in obligaties of in de vorm van leningen, wordt terugbetaald. Bedrijven moeten de kredietwaardigheid van leveranciers, klanten, acquisitiekandidaten en concurrenten kwantificeren.

De traditionele maatstaf voor kredietkwaliteit is een bedrijfsclassificatie, zoals die van S & P, Moody's of Fitch. Toch zijn dergelijke ratings alleen beschikbaar voor de grootste bedrijven, niet voor miljoenen kleinere bedrijven. Om hun kredietwaardigheid te kwantificeren, worden kleinere bedrijven vaak geanalyseerd met behulp van alternatieve methoden, namelijk de kans op wanbetalingsmodellen (PD). (Voor meer informatie, zie Een korte geschiedenis van kredietbeoordelaars .)

AD:

TUTORIAL: Risico en diversificatie

PD's berekenen PD's berekenen vereist verfijning van de modellering en een grote dataset van eerdere standaardwaarden, samen met een complete set fundamentele financiële variabelen voor een groot universum van bedrijven . Voor het grootste deel, bedrijven die ervoor kiezen om PD-modellen te gebruiken, licentiëren ze van een handjevol providers. Sommige grote financiële instellingen bouwen echter hun eigen PD-modellen.

AD:

Het bouwen van een model vereist het verzamelen en analyseren van gegevens, inclusief het verzamelen van grondbeginselen zolang een geschiedenis beschikbaar is. Deze informatie komt meestal uit financiële overzichten. Zodra de gegevens zijn verzameld, is het tijd om financiële ratio's of "stuurprogramma's" te vormen - variabelen die het resultaat van brandstof voorzien. Deze factoren vallen in zes categorieën uiteen: hefboomratio's, liquiditeitsratio's, rentabiliteitsratio's, groottematen, kostenratio's en kwaliteitsverhoudingen van activa. Deze maatstaven worden door professionals op het gebied van kredietanalyse algemeen aanvaard als relevant voor het ramen van de kredietwaardigheid. (Raadpleeg voor meer informatie onze Financial Ratios-zelfstudie .)

AD:

De volgende stap is om vast te stellen welke van de bedrijven in uw steekproef "wanbetalers" zijn, degenen die feitelijk in gebreke zijn gebleven met betrekking tot hun financiële verplichtingen. Met deze informatie in de hand kan een "logistiek" regressiemodel worden geschat. Statistische methoden worden gebruikt om tientallen kandidaat-stuurprogramma's te testen en vervolgens die te kiezen die het belangrijkst zijn bij het uitleggen van toekomstige standaardwaarden.

Het regressiemodel relateert standaardgebeurtenissen aan de verschillende stuurprogramma's. Dit model is uniek in dat model uitgangen zijn begrensd tussen 0 en 1, die kunnen worden toegewezen aan een schaal van 0-100% kans op standaard. De coëfficiënten van de laatste regressie vertegenwoordigen een model voor het schatten van de standaardkans van een bedrijf op basis van de stuurprogramma's.

Tot slot kunt u prestatiemetingen voor het resulterende model bekijken. Dit zullen waarschijnlijk statistische tests zijn die meten hoe goed het model de standaardwaarden heeft voorspeld.Het model kan bijvoorbeeld worden geschat met behulp van financiële gegevens voor een periode van vijf jaar (2001-2005). Het resulterende model wordt vervolgens gebruikt voor gegevens uit een andere periode (2006-2009) om defaults te voorspellen. Omdat we weten welke bedrijven in de periode 2006-2009 in gebreke zijn gebleven, kunnen we zien hoe goed het model presteerde.

Om te begrijpen hoe het model werkt, overweeg dan een klein bedrijf met een hoge leverage en lage winstgevendheid. We hebben zojuist drie van de modelstuurprogramma's voor dit bedrijf gedefinieerd. Hoogstwaarschijnlijk zal het model een relatief hoge kans op wanbetaling voor dit bedrijf voorspellen omdat het klein is en daarom de inkomstenstroom onregelmatig kan zijn. Het bedrijf heeft een hoge leverage en kan daarom een ​​hoge rentelast voor schuldeisers hebben. En het bedrijf heeft een lage winstgevendheid, wat betekent dat het weinig geld genereert om zijn uitgaven te dekken (inclusief de zware schuldenlast). Over het geheel genomen zal het bedrijf waarschijnlijk merken dat het in de nabije toekomst niet in staat is om schulden terug te betalen. Dit betekent dat het een grote kans heeft om in gebreke te blijven. (Zie Regressiebeginselen voor bedrijfsanalyse voor meer informatie.)

Art Vs. Wetenschap Tot zover was het modelbouwproces volledig mechanisch, met behulp van statistieken. Nu is het nodig om terug te grijpen naar de "kunst" van het proces. Onderzoek de stuurprogramma's die zijn geselecteerd in het uiteindelijke model (waarschijnlijk ergens tussen 6-10 stuurprogramma's). Idealiter moet er ten minste één stuurprogramma van elk van de zes eerder beschreven categorieën zijn.

Het hierboven beschreven mechanische proces kan echter leiden tot een situatie waarin een model zes stuurprogramma's vereist, allemaal afkomstig uit de leverage ratio-categorie, maar geen enkele die liquiditeit, winstgevendheid, etc. vertegenwoordigt. Bankleenmedewerkers die worden gevraagd om te gebruiken een dergelijk model om te helpen bij het lenen van beslissingen zou waarschijnlijk klagen. De sterke intuïtie die door dergelijke experts is ontwikkeld, zou hen doen geloven dat andere categorieën van bestuurders ook belangrijk moeten zijn. De afwezigheid van dergelijke stuurprogramma's zou velen ertoe kunnen brengen te concluderen dat het model ontoereikend is.

De voor de hand liggende oplossing is om enkele van de hefboomstuurprogramma's te vervangen door stuurprogramma's uit ontbrekende categorieën. Dit werpt echter een probleem op. Het originele model is ontworpen om de hoogste statistische prestatiemaatstaven te bieden. Door de samenstelling van de driver te veranderen, is het waarschijnlijk dat de prestaties van het model zullen afnemen vanuit een puur wiskundig perspectief.

Er moet dus een compromis worden gevonden tussen de opname van een brede selectie van stuurprogramma's om de intuïtieve aantrekkingskracht van het model (kunst) en de potentiële afname van het modelvermogen op basis van statistische metingen (wetenschap) te maximaliseren. (Lees voor meer informatie Stijlaangelegenheden in financiële modellering .)

Kritieken van PD-modellen De kwaliteit van het model hangt in de eerste plaats af van het aantal beschikbare standaardinstellingen voor kalibratie en de netheid van de financiële gegevens. . In veel gevallen is dit geen triviale vereiste, omdat veel gegevenssets fouten bevatten of aan ontbrekende gegevens lijden.

Deze modellen maken alleen gebruik van historische informatie en soms zijn de ingangen tot een jaar of meer verouderd.Dit verdunt de voorspellende kracht van het model, vooral als er een significante verandering is geweest die een bestuurder minder relevant heeft gemaakt, zoals een verandering in boekhoudkundige conventies of regelgeving.

Modellen moeten idealiter worden gemaakt voor een specifieke branche binnen een specifiek land. Dit zorgt ervoor dat de unieke economische, juridische en boekhoudkundige factoren van het land en de industrie goed kunnen worden vastgelegd. De uitdaging is dat er om te beginnen meestal een tekort aan gegevens is, vooral in het aantal geïdentificeerde standaardwaarden. Als die schaarse gegevens verder moeten worden gesegmenteerd in emmers van een landbedrijf, zijn er nog minder gegevenspunten voor elk land-industriemodel.

Omdat ontbrekende gegevens een feit van het leven zijn bij het bouwen van dergelijke modellen, zijn een aantal technieken ontwikkeld om die aantallen in te vullen. Sommige van deze alternatieven kunnen echter onnauwkeurigheden introduceren. Dataschaarste betekent ook dat de standaardkansen die berekend zijn met behulp van een kleine datamonster verschillen van de onderliggende werkelijke standaardkansen voor het land of de industrie in kwestie. In sommige gevallen is het mogelijk om de modeluitgangen te schalen zodat ze beter aansluiten bij de onderliggende standaardervaring.

De modelleringstechniek die hier wordt beschreven, kan ook worden gebruikt om PD's voor grote bedrijven te berekenen. Er zijn echter veel meer gegevens beschikbaar over grote bedrijven, omdat deze doorgaans openbaar worden vermeld met verhandeld eigen vermogen en met aanzienlijke openbaarmakingsvereisten. Deze beschikbaarheid van gegevens maakt het mogelijk om andere PD-modellen (bekend als marktgebaseerde modellen) te maken die krachtiger zijn dan de hierboven beschreven.

Conclusie
Deskundigen en regelgevers in de industrie zijn zich terdege bewust van het belang van PD-modellen en de primaire beperking van gegevensschaarste. Dienovereenkomstig zijn er over de hele wereld verschillende inspanningen geleverd (onder de auspiciën van Bazel II) om het vermogen van financiële instellingen om nuttige financiële gegevens te verzamelen, inclusief de precieze identificatie van in gebreke blijvende bedrijven, te verbeteren. Naarmate de omvang en nauwkeurigheid van deze gegevenssets toenemen, zal de kwaliteit van de resulterende modellen ook verbeteren. (Zie voor meer informatie over dit onderwerp Debatteringsdebat .)