Porozumění důvěryhodnosti protistran je klíčovým prvkem v obchodním rozhodování. Investoři musí znát pravděpodobnost, že peníze investované do dluhopisů nebo ve formě půjček budou splaceny. Podniky musí kvantifikovat bonitu dodavatelů, klientů, kandidátů na akvizici a konkurentů.
Tradičním měřítkem úvěrové kvality je firemní rating, jako je například rating společnosti S&P, Moody's nebo Fitch. Přesto jsou taková hodnocení dostupná pouze pro největší firmy, nikoli pro miliony menších společností. Za účelem kvantifikace jejich bonity jsou menší společnosti často analyzovány pomocí alternativních metod, konkrétně modelů pravděpodobnosti selhání (PD). (Další informace viz Stručná historie ratingových agentur .)
TUTORIAL: Riziko a diverzifikace
Výpočty PD Výpočty PD vyžadují sofistikovanost modelování a velký soubor dat o minulých implicitních hodnotách, spolu s kompletní sadou základních finančních proměnných pro velký vesmír firem. Z velké části společnosti, které se rozhodnou používat modely PD, jim udělují licenci od několika poskytovatelů. Některé velké finanční instituce však vytvářejí své vlastní modely PD.
Vytváření modelu vyžaduje shromažďování a analýzu dat, včetně shromažďování základů, dokud je k dispozici historie. Tyto informace obvykle pocházejí z finančních výkazů. Jakmile jsou data sestavena, je čas vytvořit finanční ukazatele nebo „ovladače“ - proměnné, které podporují výsledek. Tyto faktory mají tendenci spadat do šesti kategorií: ukazatele zadlužení, ukazatele likvidity, ukazatele ziskovosti, míry velikosti, ukazatele nákladů a ukazatele kvality aktiv. Tato opatření jsou odborníky na úvěrovou analýzu obecně přijímána jako relevantní pro odhad bonity. (Další informace naleznete v 6 základních finančních ukazatelích a co odhalují. )
Dalším krokem je zjistit, které z firem ve vašem vzorku jsou „neplatiči“ - ty, které skutečně nesplnily své finanční závazky. S touto informací v ruce lze odhadnout „logistický“ regresní model. Statistické metody se používají k testování desítek kandidátních ovladačů a poté k výběru těch, které jsou nejvýznamnější při vysvětlování budoucích výchozích hodnot.
Regresní model spojuje výchozí události s různými ovladači. Tento model je jedinečný v tom, že výstupy modelu jsou ohraničeny mezi 0 a 1, které lze mapovat na stupnici 0-100% pravděpodobnosti výchozí hodnoty. Koeficienty z konečné regrese představují model pro odhad výchozí pravděpodobnosti firmy na základě jejích ovladačů.
Nakonec si můžete prohlédnout výsledná měřítka výsledného modelu. Budou to pravděpodobně statistické testy, které měří, jak dobře model předpovídal výchozí hodnoty. Například model lze odhadnout pomocí finančních údajů za pětileté období (2001-2005). Výsledný model je pak použit pro data z jiného období (2006-2009) pro predikci výchozích hodnot. Protože víme, které firmy v období 2006–2009 selhaly, můžeme říct, jak dobře tento model fungoval.
Abychom pochopili, jak model funguje, zvažte malou firmu s vysokou pákou a nízkou ziskovostí. Právě jsme pro tuto firmu definovali tři modelové ovladače. Model s největší pravděpodobností předpovídá relativně vysokou pravděpodobnost selhání pro tuto firmu, protože je malý, a proto může být její příjmy nestabilní. Firma má vysoký pákový efekt, a proto může mít věřitele vysoké zatížení plateb. Firma má nízkou ziskovost, což znamená, že vytváří malé hotovost na pokrytí svých výdajů (včetně velké dluhové zátěže). Celkově lze říci, že firma pravděpodobně zjistí, že v blízké budoucnosti není schopna vydělat dluhy. To znamená, že má vysokou pravděpodobnost selhání. (Další informace viz Základy regrese pro obchodní analýzu .)
Art Vs. Věda K tomuto okamžiku byl proces vytváření modelů zcela mechanický a používal statistiky. Nyní je třeba uchýlit se k „umění“ procesu. Prohlédněte si ovladače, které byly vybrány v konečném modelu (pravděpodobně kdekoli od 6-10 řidičů). V ideálním případě by měl existovat alespoň jeden řidič z každé ze šesti výše popsaných kategorií.
Mechanický proces popsaný výše však může vést k situaci, kdy model vyžaduje šest řidičů, z nichž všechny jsou čerpány z kategorie pákového poměru, ale žádný nepředstavuje likviditu, ziskovost atd. Úředníci banky, kteří jsou požádáni o použití takového modelu pomoc při rozhodování o půjčce by si pravděpodobně stěžovala. Silná intuice, kterou tito odborníci vyvinuli, by je vedla k domněnce, že musí být důležité i jiné kategorie řidičů. Absence takových ovladačů by mohla vést mnoho k závěru, že model je nedostatečný.
Samozřejmým řešením je nahradit některé pákové ovladače řidiči z chybějících kategorií. To však vyvolává problém. Původní model byl navržen tak, aby poskytoval nejvyšší statistická výkonnostní měřítka. Změnou složení ovladače je pravděpodobné, že výkon modelu poklesne z čistě matematického hlediska.
Je tedy třeba provést kompromis mezi zahrnutím širokého výběru ovladačů, aby se maximalizovala intuitivní přitažlivost modelu (umění) a možným snížením síly modelu na základě statistických opatření (věda). (Pro více informací si přečtěte stylové záležitosti ve finančním modelování .)
Kritika modelů PD Kvalita modelu závisí primárně na počtu výchozích hodnot dostupných pro kalibraci a na čistotě finančních údajů. V mnoha případech to není triviální požadavek, protože mnoho souborů dat obsahuje chyby nebo trpí chybějícími daty.
Tyto modely využívají pouze historické informace a někdy jsou vstupy zastaralé až o rok nebo déle. Tím se zředí prediktivní síla modelu, zejména pokud došlo k nějaké významné změně, díky které je řidič méně relevantní, jako je změna v účetních zvyklostech nebo předpisech.
Modely by měly být v ideálním případě vytvořeny pro konkrétní odvětví v konkrétní zemi. To zajišťuje správné zachycení jedinečných ekonomických, právních a účetních faktorů země a průmyslu. Výzva spočívá v tom, že obvykle je nedostatek údajů, zejména v počtu zjištěných výchozích hodnot. Pokud musí být tato omezená data dále rozdělena do kbelíků pro jednotlivé země, existuje ještě méně datových bodů pro každý model země-odvětví.
Protože chybějící údaje jsou skutečnou skutečností při stavbě takových modelů, bylo vyvinuto množství technik pro vyplnění těchto čísel. Některé z těchto alternativ však mohou představovat nepřesnosti. Nedostatek dat také znamená, že výchozí pravděpodobnosti vypočtené pomocí malého vzorku údajů se mohou lišit od skutečných výchozích pravděpodobností výchozí pro danou zemi nebo průmysl. V některých případech je možné škálovat výstupy modelu tak, aby přesněji odpovídaly základní výchozí zkušenosti.
Zde popsaná technika modelování může být také použita pro výpočet PD pro velké korporace. K dispozici je však mnohem více údajů o velkých firmách, protože jsou obvykle veřejně obchodovány s obchodovanými akciemi a významnými požadavky na zveřejňování. Tato dostupnost dat umožňuje vytvářet další modely PD (známé jako tržní modely), které jsou výkonnější než modely popsané výše.
Závěr
Odborníci v oboru a regulátoři jsou si dobře vědomi důležitosti PD modelů a jejich primárního omezení - nedostatku dat. V souladu s tím se na celém světě vyvinulo různé úsilí (například pod záštitou Basel II) o zlepšení schopnosti finančních institucí shromažďovat užitečné finanční údaje, včetně přesné identifikace podniků, které selhaly. Jak se velikost a přesnost těchto datových sad zvětšuje, zlepší se také kvalita výsledných modelů. (Další informace k tomuto tématu najdete v Debatu o hodnocení dluhů .)
