Karşı tarafların kredibilitesini anlamak, iş karar vermede çok önemli bir unsurdur. Yatırımcılar, tahvillere ya da krediler şeklinde ödenen paranın geri ödenmesi ihtimalini bilmelidirler. Şirketler, tedarikçilerin, müşterilerin, edinim adaylarının ve rakiplerinin kredibilitesini ölçmelidir.

Kredi kalitesinin geleneksel ölçüsü, S & P, Moody's veya Fitch tarafından üretilen kurumsal kredi notudur. Bununla birlikte, bu derecelendirme yalnızca milyonlarca küçük şirket için değil, en büyük firmalar için mevcuttur. Kredi değerliliğini ölçmek için, küçük şirketler çoğunlukla alternatif yöntemler, yani varsayılan olasılık (PD) modelleri kullanarak analiz edilir. (Daha fazla bilgi için bkz. Kredi Derecelendirme Kuruluşlarının Kısa Tarihi

TUTORIAL: Risk ve Çeşitlendirme

PD'leri hesaplama

PD'leri hesaplamak, büyük bir evrensel firma için eksiksiz bir temel finansal değişkenler kümesinin yanı sıra, gelişmişliği modelleme ve geçmiş varsayılanların büyük bir veri kümesini gerektirir . Çoğunlukla, PD modellerini kullanmayı seçen şirketler, onları bir avuç sağlayıcıdan lisanslar. Bununla birlikte, bazı büyük finansal kuruluşlar kendi PD modellerini oluşturmaktadır.

Bir model oluşturmak, bir geçmiş mevcut olduğu sürece temel bilgilerin toplanması da dahil olmak üzere verilerin toplanmasını ve analiz edilmesini gerektirir. Bu bilgiler genellikle mali tablolardan gelir. Veriler derlendiğinde, mali oranları veya "sürücüler" oluşturmanın tam zamanı - sonuca neden olan değişkenler. Bu sürücüler, kaldıraç oranları, likidite oranları, karlılık oranları, boyut ölçüleri, gider oranları ve aktif kalitesi oranları olmak üzere altı kategoriye girmektedir. Bu önlemler, kredibilitesinin tahmini için kredi analiz uzmanları tarafından geniş çapta kabul görür. (Daha fazla bilgi için,

Finansal Oranlar Öğretici 'ya bakın.)

Bir sonraki adım, numunenizdeki firmaların hangilerinin "borç verme" olduğunu belirlemektir - bunlar aslında finansal yükümlülüklerini yerine getirmemiş olanlar. Elde edilen bu bilgilerle "lojistik" bir regresyon modeli tahmin edilebilir. İstatistiksel yöntemler, düzinelerce aday sürücüyü test etmek ve daha sonra gelecekteki varsayılanları açıklamak için en önemli olanları seçmek için kullanılır.

Regresyon modeli varsayılan olayları çeşitli sürücülerle ilişkilendirir. Bu model, 0 ila 1 arasında sınırlandırılmış model çıktılarının varsayılanıdır ve bu da varsayılan% 0-100 olasılık skalasına eşlenebilir. Son regresyondaki katsayılar, bir firmanın sürücülerine dayalı varsayılan olasılığını tahmin etmek için bir modeli temsil eder.

Son olarak, ortaya çıkan modelin performans ölçümlerini inceleyebilirsiniz. Bunlar büyük olasılıkla modelin varsayılanları ne kadar iyi tahmin ettiğini ölçen istatistiksel testlerdir.Örneğin, model beş yıllık bir dönem için finansal verileri kullanarak (2001-2005) tahmin edilebilir. Elde edilen model, daha sonra varsayılanları tahmin etmek için farklı bir dönemdeki (2006-2009) verilere uygulanır. Hangi firmaların 2006-2009 döneminde varsayılan hale geldiğini bildiğimizden, modelin ne kadar iyi performans gösterdiğini anlayabiliriz.

Modelin nasıl çalıştığını anlamak için, yüksek kaldıraç ve düşük karlılık ile küçük bir firma düşünün. Bu firmanın model sürücülerinin üçünü tanımladık. Büyük olasılıkla, model bu firma için nispeten yüksek bir olasılık olasılığını öngörür çünkü küçüktür ve dolayısıyla gelir akışı düzensiz olabilir. Firma yüksek kaldıraç oranına sahiptir ve bu nedenle alacaklılara yüksek bir faiz ödemeli yük bindirebilir. Ve firmanın düşük karlılığı vardır, bu da giderlerini karşılamak için çok az nakit yarattığı anlamına gelir (ağır borç yükü dahil). Bir bütün olarak ele alındığında, firma yakın gelecekte borç ödemelerinde iyi sonuç alamadığını bulması muhtemeldir. Bu, varsayılan olasılığı yüksektir. (Daha fazla bilgi için bkz.

Ticari Analizde Regresyon Temelleri .) Sanat Vs. Science

Bu noktaya gelince, model oluşturma süreci istatistiksel olarak tamamen mekanik olmuştur. Şimdi, sürecin "sanatına" başvurmaya ihtiyaç var. Nihai modelde seçilmiş sürücüleri inceleyin (muhtemelen, 6-10 sürücülerden herhangi birinde). İdeal olarak, daha önce açıklanan altı kategoriden her birinden en az bir sürücü olmalıdır. Bununla birlikte, yukarıda açıklanan mekanik süreç, bir modelin kaldıraç oranı kategorisinden çekilmiş ancak hiçbiri likidite, karlılık vb. Gösteren altı sürücüye ihtiyaç duyduğu bir duruma neden olabilir. Kullanmaya davet edilen banka borç verme görevlileri borç verme kararlarında yardımcı olması için böyle bir model muhtemelen şikayet eder. Bu tür uzmanlar tarafından geliştirilen güçlü sezgi, diğer sürücü kategorilerinin de önemli olması gerektiğine inanmalarına neden olacaktı. Böyle bir sürücünün olmaması, birçoğunun modelin yetersiz olduğuna karar vermesine neden olabilir.

Açık çözüm, kaldıraç sürücülerinden bazılarının eksik kategorilerin sürücüleri ile değiştirilmesidir. Bununla birlikte, bu bir sorun yaratmaktadır. Orijinal model, en yüksek istatistiksel performans önlemlerini sağlamak üzere tasarlanmıştır. Sürücü kompozisyonunu değiştirerek, modelin performansı tamamen matematiksel bir perspektiften düşecek gibi görünüyor.

Dolayısıyla, modelin (sanat) sezgisel itirazını en üst düzeye çıkarmak için geniş bir sürücü seçimi ile istatistiksel önlemlere (bilim) dayanan model gücündeki potansiyel azalma arasında bir ödün verilmesi gerekir.

PD Modelleri Eleştirilerine bakınız

Modelin kalitesi öncelikle kalibrasyon için mevcut olan varsayılanların sayısına ve mali verilerin temizliğine bağlıdır . Birçok veri seti hatalar içerdiğinden veya eksik verilerden dolayı çoğu durumda bu önemsiz bir gereklilik değildir. Bu modeller yalnızca geçmiş bilgilerini kullanır ve bazen girdiler bir yıla kadar veya daha fazla geçerlidir.Bu, özellikle bir sürücünün daha az alakalı hale getirildiği, muhasebe sözleşmelerinde veya yönetmeliklerde bir değişiklik olması gibi önemli bir değişiklik olması durumunda, modelin tahmini gücünü hafifletir.

Belli bir ülkede belirli bir endüstri için modeller ideal bir şekilde oluşturulmalıdır. Bu, ülkenin ve sanayinin eşsiz ekonomik, yasal ve muhasebe unsurlarının doğru bir şekilde yakalanmasını sağlar. Meydan okuma, özellikle tanımlanan varsayılanların sayısıyla başlamak üzere genellikle bir veri kıtlığının bulunmasıdır. Bu kıt veriler ülke sanayi kovalarına daha da bölünmeliyse, her ülke endüstrisi modeli için daha az veri noktası vardır.

Kayıp veri, bu gibi modelleri oluştururken hayatın bir gerçeğidir, bu sayıları doldurmak için bir takım teknikler geliştirilmiştir. Bununla birlikte, bu alternatiflerden bazıları yanlışlar getirebilir. Veri kıtlığı, aynı zamanda, küçük bir veri örneği kullanılarak hesaplanan varsayılan olasılıkların söz konusu ülke veya endüstri için altta yatan gerçek varsayılan olasılıklardan farklı olabileceği anlamına gelir. Bazı durumlarda, temel çıkış deneyimini daha yakından uyacak şekilde model çıktılarını ölçeklemek mümkündür.

Burada açıklanan modelleme tekniği, büyük şirketler için PD'leri hesaplamak için de kullanılabilir. Bununla birlikte, büyük firmalar hakkında daha fazla veri mevcut, bunun nedeni, genellikle işlem gören öz sermaye ve önemli kamuyu aydınlatma şartlarıyla halka açık bir şekilde listeleniyor olmasıdır. Bu veri mevcudiyeti, yukarıda açıklananlardan daha güçlü olan diğer PD modellerini (piyasaya dayalı modeller olarak da bilinir) yaratmayı mümkün kılar.

Sonuç

Endüstri uygulayıcıları ve düzenleyicileri, PD modellerinin önemini ve birincil sınırlamaları-veri kıtlığının farkındalar. Buna göre, finansal kurumların, varsayılan firmaların kesin olarak tanımlanması da dahil olmak üzere faydalı mali verileri yakalama becerilerini arttırmak için, dünya çapında çeşitli çabalar (örneğin, Basel II'nin himayesinde) olmuştur. Bu veri kümelerinin boyutu ve hassaslığı arttıkça, ortaya çıkan modellerin kalitesi de gelişecektir. (Bu konu hakkında daha fazla bilgi için bkz.
Borç Derecelendirme Tartışması .