Memahami kelayakan kredit dari rakan niaga adalah elemen penting dalam membuat keputusan perniagaan. Pelabur perlu mengetahui kemungkinan bahawa wang yang dilaburkan dalam bon atau dalam bentuk pinjaman akan dibayar balik. Syarikat mesti mengira kelayakan kredit pembekal, pelanggan, calon pemerolehan dan pesaing.

Pengukuran tradisional kualiti kredit adalah penarafan korporat, seperti yang dihasilkan oleh S & P, Moody's atau Fitch. Namun, penarafan tersebut hanya tersedia untuk firma terbesar, bukan untuk berjuta-juta syarikat kecil. Untuk mengira kelayakan kredit mereka, syarikat-syarikat kecil sering dianalisis menggunakan kaedah alternatif, iaitu kebarangkalian model lalai (PD). (Untuk mengetahui lebih lanjut, lihat Sejarah Ringkas Agensi Penarafan Kredit .)

TUTORIAL: Risiko Dan Kepelbagaian

Menghitung PD Menghitung PD memerlukan kecanggihan pemodelan dan dataset besar kesilapan yang lalu, bersama dengan satu set lengkap pembolehubah kewangan asas untuk alam semesta besar firma . Untuk sebahagian besar, syarikat yang memilih untuk menggunakan model PD melesenkan mereka dari segelintir penyedia. Walau bagaimanapun, beberapa institusi kewangan besar membina model PD mereka sendiri.

Membina model memerlukan pengumpulan dan analisis data, termasuk mengumpul asas untuk selagi sejarah tersedia. Maklumat ini biasanya datang dari penyata kewangan. Apabila data dikumpulkan, sudah tiba masanya untuk membentuk nisbah kewangan atau "pemandu" - pemboleh ubah yang memicu hasilnya. Pemandu ini cenderung jatuh ke dalam enam kategori: nisbah leverage, nisbah kecairan, nisbah keuntungan, saiz ukuran, nisbah perbelanjaan dan nisbah kualiti aset. Langkah-langkah ini diterima secara meluas oleh profesional analisis kredit yang berkaitan dengan anggaran kredit. (Untuk mengetahui lebih lanjut, lihat Tutorial Kewangan Rasio kami .)

Langkah seterusnya ialah untuk mengenal pasti mana-mana firma dalam sampel anda adalah "peminjam" - yang telah memungkiri kewajipan kewangan mereka. Dengan maklumat ini, model regresi "logistik" boleh dianggarkan. Kaedah statistik digunakan untuk menguji berpuluh-puluh pemandu calon dan kemudian memilih mereka yang paling penting dalam menjelaskan kegagalan masa hadapan.

Model regresi mengaitkan peristiwa lalai kepada pelbagai pemandu. Model ini unik dalam output model dibatasi antara 0 dan 1, yang boleh dipetakan ke skala 0-100% kebarangkalian lalai. Koefisien dari regresi terakhir mewakili model untuk menganggarkan kebarangkalian lalai firma berdasarkan pemandunya.

Akhirnya, anda boleh memeriksa ukuran prestasi untuk model yang dihasilkan. Ini mungkin akan menjadi ujian statistik mengukur sejauh mana model telah meramalkan mungkir.Sebagai contoh, model boleh dianggarkan menggunakan data kewangan untuk tempoh lima tahun (2001-2005). Model yang dihasilkan kemudiannya digunakan pada data dari tempoh yang berbeza (2006-2009) untuk meramalkan mungkir. Oleh kerana kita tahu syarikat mana yang ingkar sepanjang tempoh 2006-2009, kita dapat mengetahui sejauh mana model yang dilakukan.

Untuk memahami bagaimana model berfungsi, pertimbangkan firma kecil dengan leverage tinggi dan keuntungan yang rendah. Kami baru mentakrif tiga pemandu model untuk firma ini. Kemungkinan besar, model itu akan meramalkan kebarangkalian yang agak tinggi untuk kegagalan syarikat ini kerana ia adalah kecil dan, dengan itu, aliran hasilnya mungkin tidak menentu. Firma itu mempunyai leverage tinggi dan, dengan itu, mungkin mempunyai beban pembayaran faedah yang tinggi kepada pemiutang. Dan firma itu mempunyai keuntungan yang rendah, yang bermaksud ia menghasilkan sedikit wang tunai untuk menampung perbelanjaannya (termasuk beban hutang beratnya). Diambil secara keseluruhannya, firma itu mungkin mendapati bahawa ia tidak mampu untuk membuat pembayaran hutang dalam masa terdekat. Ini bermakna ia mempunyai kemungkinan mungkir yang tinggi. (Untuk mengetahui lebih lanjut, lihat Asas Regresi Untuk Analisa Perniagaan .)

Art Vs. Sains Ke tahap ini, proses pembinaan model telah sepenuhnya mekanikal, menggunakan statistik. Kini terdapat keperluan untuk menggunakan "seni" proses itu. Periksa pemandu yang telah dipilih dalam model akhir (mungkin, di mana saja dari 6-10 pemandu). Idealnya, sekurang-kurangnya ada seorang pemandu dari setiap enam kategori yang dinyatakan sebelum ini. Namun demikian, proses mekanikal yang diterangkan di atas dapat membawa kepada keadaan di mana model memanggil enam pemandu, semuanya diambil dari kategori nisbah leverage, tetapi tidak ada yang mewakili kecairan, keuntungan, dll. Para pemberi pinjaman bank yang diminta untuk menggunakan model sedemikian untuk membantu dalam keputusan pemberian pinjaman mungkin akan mengadu. Gerak hati yang kuat yang dibangunkan oleh pakar-pakar itu akan membawa mereka untuk percaya bahawa kategori pemacu lain juga mesti penting. Ketiadaan pemandu sedemikian boleh membawa ramai untuk menyimpulkan bahawa model tidak mencukupi.

Penyelesaian yang jelas adalah menggantikan beberapa pemandu leverage dengan pemandu dari kategori yang hilang. Walau bagaimanapun, ini menimbulkan isu. Model asal direka untuk menyediakan langkah-langkah prestasi statistik tertinggi. Dengan mengubah komposisi pemandu, kemungkinan prestasi model akan merosot dari perspektif murni matematik.

Oleh itu, tradeoff harus dibuat antara pemilihan pemilihan yang luas untuk memaksimumkan daya tarik intuitif model (seni) dan kemungkinan penurunan kekuatan model berdasarkan langkah-langkah statistik (sains). (Untuk lebih, baca

Perkara Gaya Dalam Pemodelan Kewangan .) Kritikan Model PD

Kualiti model bergantung terutamanya pada jumlah kegagalan yang tersedia untuk penentukuran dan kebersihan data kewangan . Dalam banyak kes, ini bukan keperluan sepele, kerana banyak set data mengandungi ralat atau mengalami kehilangan data. Model-model ini hanya menggunakan maklumat sejarah, dan kadang-kadang inputnya sudah lapuk sehingga satu tahun atau lebih.Ini mencairkan kuasa ramalan model, terutamanya jika terdapat beberapa perubahan ketara yang menyebabkan pemandu kurang relevan, seperti perubahan dalam konvensyen perakaunan atau peraturan.

Model ideal untuk dicipta untuk industri tertentu dalam negara tertentu. Ini memastikan bahawa faktor ekonomi, perundangan dan perakaunan unik negara dan industri dapat ditangkap dengan betul. Cabarannya adalah bahawa biasanya terdapat kekurangan data untuk dimulakan, terutamanya dalam jumlah kegagalan yang dikenalpasti. Sekiranya data yang terhad itu perlu dibahagikan lagi ke dalam baldi industri negara, terdapat juga titik data yang lebih sedikit bagi setiap model industri negara.

Oleh kerana data yang hilang adalah fakta kehidupan ketika membina model tersebut, sejumlah teknik telah dikembangkan untuk mengisi angka tersebut. Sesetengah alternatif ini, bagaimanapun, boleh memperkenalkan ketidaktepatan. Kekurangan data juga bermakna kebarangkalian lalai dikira menggunakan sampel data kecil mungkin berbeza daripada kebarangkalian lalai sebenar yang berlaku bagi negara atau industri yang dipersoalkan. Dalam sesetengah kes, adalah mungkin untuk skala output model untuk menyesuaikan pengalaman lalai yang mendasari dengan lebih dekat.

Teknik pemodelan yang diterangkan di sini juga boleh digunakan untuk mengira PD untuk syarikat besar. Terdapat lebih banyak data yang terdapat pada firma besar, bagaimanapun, kerana ia biasanya disenaraikan secara terbuka dengan ekuiti yang diperdagangkan dan keperluan penzahiran awam yang ketara. Ketersediaan data ini memungkinkan untuk membuat model PD lain (dikenali sebagai model berasaskan pasaran) yang lebih berkuasa daripada yang diterangkan di atas.

Kesimpulan

Pengamal dan pengawal selia industri menyedari pentingnya model PD dan kekurangan data utama mereka. Sehubungan itu, di seluruh dunia terdapat pelbagai usaha (di bawah naungan Basel II, contohnya) untuk meningkatkan keupayaan institusi kewangan untuk mendapatkan data kewangan yang berguna, termasuk pengenalan tepat syarikat ingkar. Oleh kerana ukuran dan ketepatan set data ini meningkat, kualiti model yang dihasilkan juga akan bertambah baik. (Untuk lebih lanjut mengenai topik ini, lihat
Debt Rating Debt .)