הבנת האשראי של צדדים נגדיים הוא מרכיב חיוני בקבלת החלטות עסקיות. המשקיעים צריכים לדעת את הסבירות כי הכסף שהושקע אג"ח או בצורה של הלוואות יהיה נפרעו. תאגידים חייבים לכמת את האשראי של ספקים, לקוחות, מועמדים רכישה ומתחרים.

המדד המסורתי של איכות האשראי הוא דירוג תאגידי, כגון זה המיוצר על ידי S & P, Moody's או Fitch. עם זאת, דירוגים אלה זמינים רק עבור החברות הגדולות, לא עבור מיליוני תאגידים קטנים. על מנת לכמת את ערך האשראי שלהם, חברות קטנות יותר ניתחו לעתים קרובות באמצעות שיטות חלופיות, כלומר ההסתברות של ברירת המחדל (PD) מודלים. (למידע נוסף, ראה היסטוריה קצרה של סוכנויות דירוג אשראי .)

-> ->

TUTORIAL: סיכונים וגיוון

חישוב PDs חישוב PDs דורש מודלים תחכום ומערכת נתונים גדולה של ברירות מחדל בעבר, יחד עם סט שלם של משתנים פיננסיים בסיסיים עבור עולם גדול של חברות . על פי רוב, תאגידים שבחרו להשתמש במודלים PD מורשים אותם מקומץ ספקים. עם זאת, כמה מוסדות פיננסיים גדולים לבנות מודלים PD שלהם.

בניית מודל דורשת איסוף וניתוח של נתונים, כולל איסוף יסודות כל עוד ההיסטוריה זמין. מידע זה בא בדרך כלל מתוך הדוחות הכספיים. לאחר איסוף הנתונים, הגיע הזמן ליצור יחסים פיננסיים או "נהגים" - משתנים המניעים את התוצאה. נהגים אלה נוטים ליפול לשש קטגוריות: יחסי מינוף, יחסי נזילות, יחסי רווחיות, מדדי גודל, יחסי הוצאות ויחסי איכות נכסים. צעדים אלה מקובלים באופן כללי על ידי מקצועני ניתוח האשראי כבעלי ערך לאמידת האשראי. (לקבלת מידע נוסף, ראה את הדרכה פיננסית הדרכה .)

השלב הבא הוא לזהות אילו מהחברות במדגם שלך "סרבנים" - אלה שיש להם מחדל על חובותיהם הפיננסיות. עם מידע זה ביד, מודל רגרסיה "לוגיסטי" ניתן להעריך. שיטות סטטיסטיות משמשות לבדיקת עשרות נהגים מועמדים ולאחר מכן לבחור את אלה כי הם המשמעותיים ביותר להסביר את ברירת המחדל בעתיד.

מודל הרגרסיה מתייחס לאירועי ברירת המחדל לנהגים השונים. מודל זה הוא ייחודי בתפוקות מודל זה מגבילים בין 0 ל 1, אשר ניתן למפות בקנה מידה של 0-100% ההסתברות של ברירת המחדל. המקדמים מהרגרסיה הסופית מייצגים מודל לאמידת הסתברות ברירת המחדל של פירמה על סמך הנהגים שלה.

לבסוף, תוכל לבחון את ביצועי הביצועים של המודל המתקבל. סביר להניח שמדובר בבדיקות סטטיסטיות שמבחינות עד כמה המודל חזה את ברירת המחדל.לדוגמה, המודל ניתן לאמוד באמצעות נתונים כספיים לתקופה של 5 שנים (2001-2005). המודל המתקבל משמש לאחר מכן לנתונים מתקופה אחרת (2006-2009) כדי לחזות את ברירת המחדל. מאז אנחנו יודעים אילו פירעון פירעו על התקופה 2006-2009, אנחנו יכולים לספר עד כמה המודל ביצע.

כדי להבין איך המודל עובד, לשקול חברה קטנה עם מינוף גבוה ורווחיות נמוכה. אנחנו רק הגדירו שלושה מנהלי מודל עבור המשרד הזה. סביר להניח, המודל יהיה לחזות הסתברות גבוהה יחסית של ברירת המחדל עבור המשרד הזה כי זה קטן, ולכן, זרם ההכנסות שלה עשוי להיות יציב. לחברה מינוף גבוה, ולכן, ייתכן שיהיה נטל תשלום ריבית גבוהה לנושים. לחברה יש רווחיות נמוכה, מה שאומר שהיא מייצרת מעט מזומנים לכיסוי הוצאותיה (כולל נטל החוב הכבד שלה). ככלל, המשרד צפוי למצוא כי הוא אינו מסוגל לעשות טוב על תשלומי החוב בעתיד הקרוב. משמעות הדבר היא יש סבירות גבוהה של ברירת המחדל. (לקבלת מידע נוסף, ראה יסודות רגרסיה לניתוח עסקי .)

Art Vs. מדע עד כאן, תהליך בניית המודל היה מכני לחלוטין, תוך שימוש בסטטיסטיקה. עכשיו יש צורך לנקוט את "האמנות" של התהליך. בדוק את הנהגים שנבחרו במודל הסופי (סביר להניח, בכל מקום בין 6-10 נהגים). באופן אידיאלי, צריך להיות לפחות נהג אחד מכל אחת משש קטגוריות שתוארו קודם לכן.

התהליך המכני שתואר לעיל עשוי להוביל למצב שבו מודל קורא לשישה נהגים, כולם משורטטים מקטגוריית יחס המינוף, אך אף אחד מהם אינו מייצג נזילות, רווחיות וכו '. נושאי המלווה בבנק מתבקשים להשתמש מודל כזה כדי לסייע בהחלטות ההלוואות עשוי להתלונן. האינטואיציה החזקה שפותחה על ידי מומחים כאלה תוביל אותם להאמין כי קטגוריות אחרות הנהג חייב להיות גם חשוב. היעדרם של נהגים כאלה יכול להוביל רבים להסיק כי המודל אינו מספיק.

הפתרון הברור הוא להחליף כמה נהגי מינוף עם נהגים מקטגוריות חסרות. אבל זה מעלה נושא. המודל המקורי תוכנן לספק את מידות הביצועים הסטטיסטיות הגבוהות ביותר. על ידי שינוי הרכב הרכב, סביר להניח כי הביצועים של המודל יירד מנקודת מבט מתמטית גרידא.

לכן, יש לעשות חילופי דעות בין הכללת מגוון רחב של נהגים על מנת למקסם את הערעור האינטואיטיבי של המודל (art) ואת הירידה הפוטנציאלית בכוח המודל על סמך מדדים סטטיסטיים (מדע). (לקבלת מידע נוסף, קרא את סגנון עניינים במידול פיננסי )

בקורת על מודלים PD איכות המודל תלויה בעיקר במספר ברירות המחדל הזמינות לכיול וניקיון הנתונים הכספיים . במקרים רבים, זה לא דרישה טריוויאלית, כמו הרבה ערכות נתונים להכיל שגיאות או סובלים נתונים חסרים.

מודלים אלה משתמשים במידע היסטורי בלבד, ולפעמים התשומות אינן מעודכנות עד שנה או יותר.דבר זה מדלל את כוח הניבוי של המודל, בייחוד אם חל שינוי משמעותי כלשהו שהניע את הנהג פחות רלוונטי, כגון שינוי באמנות חשבונאיות או בתקנות.

מודלים צריכים להיות אידיאליים עבור תעשיית מסוימת בתוך מדינה מסוימת. זה מבטיח כי ייחודי כלכלי, משפטי וחשבונאי גורמים של המדינה והתעשייה יכול להיות שנתפסו כראוי. האתגר הוא כי יש בדרך כלל מחסור של נתונים מלכתחילה, במיוחד במספר ברירת המחדל מזוהה. אם הנתונים הנדירים חייבים להיות מפולחים עוד יותר לתוך דלי התעשייה במדינה, יש אפילו נקודות נתונים פחות עבור כל מדינה, מודל התעשייה.

מכיוון שחסרים נתונים הם עובדת חיים בבניית מודלים כאלה, פותחו מספר טכניקות כדי למלא את המספרים הללו. עם זאת, חלק מהחלופות הללו יכולות להציג אי-דיוקים. מחסור בנתונים משמעו גם שהסתברויות ברירת המחדל המחושבות באמצעות מדגם נתונים קטן עשויות להיות שונות מהסתברויות ברירת המחדל בפועל של המדינה או של התעשייה הנדונה. במקרים מסוימים, ניתן לשנות את קנה המידה של תפוקות המודל כך שיתאימו יותר לחוויית ברירת המחדל.

טכניקת דוגמנות המתואר כאן יכול לשמש גם לחישוב PDS עבור תאגידים גדולים. יש הרבה יותר נתונים זמינים על חברות גדולות, עם זאת, כפי שהם בדרך כלל המפורטים בפומבי עם הון עצמי סחיר דרישות גילוי משמעותי לציבור. זה זמינות נתונים מאפשר ליצור מודלים PD אחרים (המכונה מודלים מבוססי שוק), כי הם חזקים יותר מאלו שתוארו לעיל.

מסקנות
המתרגלים בתעשייה ו הרגולטורים מודעים היטב לחשיבות של מודלים PD ומחסור העיקרי שלהם נתונים מחסור. לפיכך, ברחבי העולם נעשו מאמצים שונים (בחסות באזל II, למשל) כדי לשפר את יכולתם של המוסדות הפיננסיים ללכוד נתונים כספיים שימושיים, כולל זיהוי מדויק של פירעונות. ככל שהגודל והדיוק של מערכי הנתונים הללו גדלים, איכות המודלים המתקבלים גם תשתפר. (למידע נוסף בנושא זה, ראה דיון בדירוג החוב .)