Ang pag-unawa sa pagiging kredito ng mga katapat ay isang mahalagang elemento sa paggawa ng desisyon sa negosyo. Kailangang malaman ng mga namumuhunan ang posibilidad na ang pera na namuhunan sa mga bono o sa anyo ng mga pautang ay babayaran. Dapat isusukat ng mga korporasyon ang pagiging kredensyal ng mga supplier, kliyente, mga kandidato sa acquisition at kakumpitensya.
Ang tradisyunal na sukat ng kalidad ng kredito ay isang rating ng korporasyon, tulad ng ginawa ng S&P, Moody o Fitch. Gayunpaman, magagamit lamang ang mga naturang rating para sa mga pinakamalaking kumpanya, hindi para sa milyon-milyong mga mas maliliit na korporasyon. Upang matukoy ang kanilang pagiging karapat-dapat sa kredito, ang mga maliliit na kumpanya ay madalas na nasuri gamit ang mga alternatibong pamamaraan, lalo na ang posibilidad ng mga modelo ng default (PD). (Upang malaman ang higit pa, tingnan ang Isang Maikling Kasaysayan Ng Mga Ahensya ng Rating ng Kredito .)
TUTORIAL: Panganib At Pagkakaiba-iba
Ang pagkalkula ng mga PD Kinakalkula ang mga PD ay nangangailangan ng pagmomodelo ng pagiging sopistikado at isang malaking pag-iiskedyul ng mga nakaraang mga default, kasama ang isang kumpletong hanay ng mga pangunahing variable na pinansyal para sa isang malaking uniberso ng mga kumpanya. Para sa karamihan, ang mga korporasyon na pumipili na gumamit ng mga modelo ng PD ay nagpapahintulot sa kanila mula sa isang dakot ng mga tagapagkaloob. Gayunpaman, ang ilang malalaking institusyong pampinansyal ay nagtatayo ng kanilang sariling mga modelo ng PD.
Ang pagtatayo ng isang modelo ay nangangailangan ng koleksyon at pagsusuri ng data, kabilang ang pagkolekta ng mga pangunahing kaalaman hangga't magagamit ang isang kasaysayan. Ang impormasyong ito ay karaniwang nagmumula sa mga pahayag sa pananalapi. Kapag ang data ay naipon, oras na upang makabuo ng mga pinansiyal na mga ratios o "driver" - mga variable na gasolina sa resulta. Ang mga drayber na ito ay may posibilidad na mahulog sa anim na kategorya: ang mga ratios ng pagkilos, mga ratio ng pagkatubig, mga ratio ng kakayahang kumita, mga sukat ng laki, mga ratio ng gastos at mga ratio ng kalidad ng pag-aari. Ang mga hakbang na ito ay malawak na tinatanggap ng mga propesyonal sa pagtatasa ng kredito bilang may kaugnayan sa pagtantya sa pagiging kredensyal. (Upang matuto nang higit pa, tingnan ang 6 Mga Basic na Ratios sa Pinansyal at Ano ang Ipakita nila. )
Ang susunod na hakbang ay upang matukoy kung alin sa mga kumpanya sa iyong sample ang "mga default" - yaong aktwal na na-default sa kanilang mga tungkulin sa pananalapi. Gamit ang impormasyon na ito sa kamay, ang isang modelong "logistic" na regression ay maaaring matantya. Ginagamit ang mga pamamaraan ng istatistika upang masubukan ang dose-dosenang mga driver ng kandidato at pagkatapos ay piliin ang mga pinakamahalaga sa pagpapaliwanag ng mga pagkukulang sa hinaharap.
Ang modelo ng regression ay nauugnay ang mga default na kaganapan sa iba't ibang mga driver. Ang modelong ito ay natatangi sa mga output na modelo ay nakasalalay sa pagitan ng 0 at 1, na maaaring mai-map sa isang scale ng 0-100% na posibilidad ng default. Ang mga coefficient mula sa panghuling regression ay kumakatawan sa isang modelo para sa pagtantya sa default na posibilidad ng isang firm batay sa mga driver nito.
Sa wakas, maaari mong suriin ang mga hakbang sa pagganap para sa nagresultang modelo. Ito ay malamang na mga istatistika na pagsukat na sumusukat kung gaano kahusay ang hinulaang modelo ng mga pagkukulang. Halimbawa, ang modelo ay maaaring tinantya gamit ang data sa pananalapi para sa isang limang taong panahon (2001-2005). Ang nagresultang modelo ay ginamit sa data mula sa ibang panahon (2006-2009) upang mahulaan ang mga pagkukulang. Dahil alam natin kung aling mga kumpanya ang nagsira sa panahon ng 2006-2009, masasabi natin kung gaano kahusay ang gumanap ng modelo.
Upang maunawaan kung paano gumagana ang modelo, isaalang-alang ang isang maliit na firm na may mataas na pagkilos at mababang kakayahang kumita. Inilarawan na lang namin ang tatlo sa mga driver ng modelo para sa firm na ito. Malamang, mahuhulaan ng modelo ang isang medyo mataas na posibilidad ng default para sa firm na ito sapagkat ito ay maliit at, samakatuwid, ang mga stream ng kita nito ay maaaring mali. Ang firm ay may mataas na pagkilos at, samakatuwid, maaaring magkaroon ng isang mataas na pasanin sa pagbabayad ng interes sa mga creditors. At ang firm ay may mababang kakayahang kumita, na nangangahulugang bumubuo ito ng kaunting cash upang masakop ang mga gastos nito (kabilang ang mabibigat na pasanin sa utang). Kinuha nang buo, ang firm ay malamang na makahanap na hindi magagawang gumawa ng mabuti sa mga pagbabayad ng utang sa malapit na hinaharap. Nangangahulugan ito na ito ay may mataas na posibilidad ng pag-default. (Upang matuto nang higit pa, tingnan ang Mga Pangunahing Kaalaman sa Regression Para sa Pagsusuri ng Negosyo .)
Mga Art Vs. Agham Hanggang sa puntong ito, ang proseso ng pagbuo ng modelo ay ganap na mechanical, gamit ang mga istatistika. Ngayon ay kailangang mag-resort sa "art" ng proseso. Suriin ang mga driver na napili sa panghuling modelo (malamang, saanman mula sa 6-10 driver). Sa isip, dapat mayroong hindi bababa sa isang driver mula sa bawat isa sa anim na mga kategorya na inilarawan nang mas maaga.
Ang mekanikal na proseso na inilarawan sa itaas, gayunpaman, ay maaaring humantong sa isang sitwasyon kung saan ang isang modelo ay tumawag para sa anim na mga driver, lahat ay iginuhit mula sa kategorya ng leverage ratio, ngunit wala na kumakatawan sa pagkatubig, kakayahang kumita, atbp. upang makatulong sa pagpapasiya ng pagpapahiram ay malamang na magreklamo. Ang malakas na intuwisyon na binuo ng naturang mga eksperto ay hahantong sa kanila na maniwala na ang iba pang mga kategorya ng driver ay dapat ding mahalaga. Ang kawalan ng gayong mga driver ay maaaring magdulot ng maraming magtapos na ang modelo ay hindi sapat.
Ang halatang solusyon ay upang palitan ang ilan sa mga driver ng pagkilos sa mga driver mula sa mga nawawalang kategorya. Nagtaas ito ng isang isyu, gayunpaman. Ang orihinal na modelo ay dinisenyo upang magbigay ng pinakamataas na mga hakbang sa istatistika ng pagganap. Sa pamamagitan ng pagpapalit ng komposisyon ng driver, malamang na ang pagganap ng modelo ay bababa mula sa isang panimulang matematika na pananaw.
Kaya, ang isang tradeoff ay dapat gawin sa pagitan ng pagsasama ng isang malawak na pagpili ng mga driver upang ma-maximize ang intuitive na apela ng modelo (art) at ang potensyal na pagbaba sa kapangyarihan ng modelo batay sa mga statistic na panukala (agham). (Para sa higit pa, basahin ang Mga Estudyante ng Estilo Sa Pananalapi sa Pananalapi .)
Mga Kritik sa Mga Modelong PD Ang kalidad ng modelo ay nakasalalay lalo na sa bilang ng mga pagkukulang na magagamit para sa pagkakalibrate at kalinisan ng data sa pananalapi. Sa maraming mga kaso, hindi ito isang kinakailangang mahalaga, dahil ang maraming mga set ng data ay naglalaman ng mga error o nagdurusa sa nawawalang data.
Ang mga modelong ito ay gumagamit lamang ng impormasyon sa kasaysayan, at kung minsan ang mga input ay hindi napapanahon hanggang sa isang taon o higit pa. Ito ay nagpapahiwatig ng mahuhulaan na kapangyarihan ng modelo, lalo na kung may ilang makabuluhang pagbabago na nagbigay ng driver na hindi gaanong nauugnay, tulad ng pagbabago sa mga kombensiyon o regulasyon sa accounting.
Ang mga modelo ay dapat na perpektong nilikha para sa isang tukoy na industriya sa loob ng isang tiyak na bansa. Tinitiyak nito na ang natatanging pang-ekonomiyang, ligal at accounting factor ng bansa at industriya ay maaaring makuha nang maayos. Ang hamon ay karaniwang may kakulangan ng data upang magsimula sa, lalo na sa bilang ng mga natukoy na pagkukulang. Kung ang data na mahirap makuha ay dapat na higit na mahati sa mga timba ng industriya ng bansa, mayroong mas kaunting mga puntos ng data para sa bawat modelo ng industriya ng bansa.
Dahil ang nawawalang data ay isang katotohanan ng buhay kapag nagtatayo ng mga nasabing mga modelo, ang isang bilang ng mga pamamaraan ay binuo upang punan ang mga numero. Ang ilan sa mga kahaliling ito, gayunpaman, ay maaaring magpakilala ng mga kamalian. Ang kakulangan ng data ay nangangahulugan din na ang mga default na probabilidad na kinakalkula gamit ang isang maliit na sample ng data ay maaaring naiiba kaysa sa pinagbabatayan ng aktwal na mga default na probabilidad para sa bansa o industriya na pinag-uusapan. Sa ilang mga kaso, posible na masukat ang mga output ng modelo upang tumugma sa pinagbabatayan ng default na karanasan nang mas malapit.
Ang pamamaraan ng pagmomolde na inilarawan dito ay maaari ding magamit upang makalkula ang mga PD para sa mga malalaking korporasyon. Marami pang data na magagamit sa mga malalaking kumpanya, gayunpaman, dahil kadalasan sila ay nakalista sa publiko na may traded equity at makabuluhang mga pagsisiwalat ng publiko. Ang kakayahang magamit ng data na ito ay posible upang lumikha ng iba pang mga modelo ng PD (na kilala bilang mga modelo na batay sa merkado) na mas malakas kaysa sa mga inilarawan sa itaas.
Konklusyon
Ang mga practitioner at regulator ng industriya ay may kamalayan sa kahalagahan ng mga modelo ng PD at ang kanilang pangunahing limitasyon-kakulangan ng data. Alinsunod dito, nagkaroon ng iba't ibang mga pagsisikap (sa ilalim ng mga auction ng Basel II, halimbawa) upang mapagbuti ang kakayahan ng mga institusyong pinansyal na makuha ang kapaki-pakinabang na data sa pananalapi, kabilang ang tumpak na pagkilala sa mga default na kumpanya. Tulad ng pagtaas ng laki at katumpakan ng mga datasets na ito, ang kalidad ng mga nagreresultang modelo ay mapapabuti din. (Para sa higit pa sa paksang ito, tingnan ang Debt Rating ng Utang .)
