Pochopení bonity protistran je rozhodujícím prvkem při rozhodování v oblasti podnikání. Investoři potřebují vědět, že peníze, které byly investovány do dluhopisů nebo ve formě půjček, budou splaceny. Korporace musí kvantifikovat bonitu dodavatelů, klientů, uchazečů o akvizici a konkurentů.

Tradičním měřítkem úvěrové kvality je rating společnosti, jako je společnost vyráběná společností S & P, Moody's nebo Fitch. Takové ratingy jsou však k dispozici pouze pro největší firmy, nikoliv pro miliony menších korporací. Kvůli kvantifikaci jejich bonity jsou menší společnosti často analyzovány pomocí alternativních metod, konkrétně modelů pravděpodobnosti selhání (PD). (Další informace naleznete v části Stručná historie ratingových agentur .

->

TUTORIAL: Rizika a diverzifikace

Výpočet PD Výpočet PD vyžaduje náročné modelování a rozsáhlý soubor dat minulých selhání spolu s kompletní sadou základních finančních proměnných pro velký vesmír firem . Většina firem, které se rozhodnou používat PD modely, je licencuje od několika poskytovatelů. Některé velké finanční instituce však budují vlastní PD modely.

Vytvoření modelu vyžaduje shromažďování a analýzu dat, včetně shromažďování základů po celou dobu, kdy je k dispozici historie. Tyto informace obvykle pocházejí z finančních výkazů. Jakmile jsou data sestavena, je na čase vytvořit finanční poměry nebo "řidiče" - proměnné, které podporují výsledek. Tito řidiči mají tendenci spadat do šesti kategorií: poměry pákového efektu, poměry likvidity, koeficienty ziskovosti, měřidla velikosti, poměry výdajů a poměry kvality aktiv. Tato opatření jsou široce akceptována odborníky v oblasti úvěrových analýz, které jsou relevantní pro odhad úvěruschopnosti. (Chcete-li se dozvědět více, podívejte se na Výukový program .)

Dalším krokem je zjistit, která z firem ve vašem výběrovém souboru jsou "neplatiči" - ti, kteří skutečně nesplnili své finanční závazky. Pomocí těchto informací lze odhadnout "logistický" regresní model. Statistické metody se používají k testování desítek kandidátských řidičů a poté ke výběru těch, které jsou nejdůležitější při vysvětlení budoucích selhání.

Regresní model odkazuje na výchozí události různým ovladačům. Tento model je jedinečný v tom, že výstupy modelu jsou ohraničeny mezi 0 a 1, které lze mapovat na stupnici 0-100% pravděpodobnosti selhání. Koeficienty z konečné regrese představují model pro odhad pravděpodobnosti selhání firmy založené na jejích ovladačích.

Konečně můžete prozkoumat výkonnostní opatření pro výsledný model. Jedná se pravděpodobně o statistické testy, které měří, jak dobře model předvídal výchozí hodnoty.Například model lze odhadnout pomocí finančních údajů za období pěti let (2001-2005). Výsledný model se poté použije na data z jiného období (2006-2009), aby se předvídaly výchozí hodnoty. Vzhledem k tomu, že víme, které firmy v období 2006-2009 neuspěly, můžeme říci, jak dobře funguje model.

Chcete-li pochopit, jak model funguje, zvažte malou firmu s vysokou pákou a nízkou ziskovost. Právě jsme pro tuto firmu definovali tři modelové ovladače. S největší pravděpodobností model předpovídá poměrně vysokou pravděpodobnost selhání pro tuto firmu, protože je malý, a proto její tok příjmů může být nepravdivý. Společnost má vysoký pákový efekt, a proto může mít věřitelé vysokou úrokovou zátěž. A firma má nízkou ziskovost, což znamená, že vytváří malou peněžní částku na pokrytí výdajů (včetně jejího velkého zadlužení). Celkově je pravděpodobné, že firma zjistí, že v blízké budoucnosti není schopna nahradit platby dluhů. To znamená, že má vysokou pravděpodobnost selhání. (Další informace naleznete v části Základy regresu pro analýzu podnikání .)

Umění Vs. Věda V tomto bodě byl proces budování modelů zcela mechanický, s využitím statistik. Nyní je třeba uchýlit se k "umění" procesu. Zkontrolujte ovladače, které byly vybrány v konečném modelu (pravděpodobně kdekoli od 6-10 ovladačů). V ideálním případě by měl být alespoň jeden řidič z každé ze šesti kategorií popsaných výše.

Výše ​​popsaný mechanický proces však může vést k situaci, kdy model vyžaduje šest řidičů, všechny vycházející z kategorie poměru pákového efektu, ale žádný z nich nereprezentuje likviditu, ziskovost apod. Bankovní úředníci, kteří jsou požádáni o použití takový model, který by pomohl při rozhodování o půjčování, by se pravděpodobně stěžoval. Silná intuice vyvinutá těmito odborníky by vedla k přesvědčení, že další kategorie řidičů musí být také důležité. Absence takových řidičů by mohla vést k závěru, že model je nedostatečný.

Zřejmým řešením je nahradit některé ovladače pákového efektu s ovladači z chybějících kategorií. To však vyvolává problém. Původní model byl navržen tak, aby poskytoval nejvyšší statistické ukazatele výkonnosti. Změnou kompozice řidiče je pravděpodobné, že výkonnost modelu klesne z čistě matematické perspektivy.

Je tedy třeba provést kompromis mezi zařazením širokého výběru ovladačů k maximalizaci intuitívního přitažlivost modelu (umění) a potenciálního snížení výkonu modelu na základě statistických opatření (vědy). (

Kritika modelů PD Kvalita modelu závisí především na počtu standardních hodnot, které jsou k dispozici pro kalibraci a čistotu finančních dat . V mnoha případech to není triviální požadavek, protože mnoho datových sad obsahuje chyby nebo trpí chybějícími daty.

Tyto modely využívají pouze historické informace a někdy jsou vstupy zastaralé až o rok nebo déle.Toto zhoršuje prediktivní výkonnost modelu, zejména pokud došlo k nějaké významné změně, která způsobila, že řidič je méně relevantní, jako je například změna účetních pravidel nebo předpisů.

Modely by měly být ideálně vytvořeny pro konkrétní odvětví v konkrétní zemi. Tím je zajištěno, že jedinečné ekonomické, právní a účetní faktory země a průmyslu lze řádně zachytit. Výzvou je, že je obvykle nejprve nedostatek dat, zejména v počtu zjištěných selhání. Pokud se tato vzácná data musí dále segmentovat do kbelíků země-průmyslu, existuje ještě méně datových bodů pro každý model země-průmysl.

Vzhledem k tomu, že při sestavování takových modelů chybějící údaje představují skutečnou skutečnost, byla vyvinuta řada technik pro vyplnění těchto čísel. Některé z těchto alternativ však mohou představovat nepřesnosti. Nedostatek dat také znamená, že pravděpodobnosti selhání vypočítané pomocí malého vzorku dat se mohou lišit od podkladových skutečných pravděpodobností selhání pro danou zemi nebo průmysl. V některých případech je možné měnit modelové výstupy tak, aby odpovídaly základnímu zážitku z výchozího nastavení.

Zde popsaná modelovací technika může být použita i pro výpočet PD pro velké korporace. Existují však mnohem více údajů o velkých firmách, neboť jsou typicky veřejně kótované s obchodovaným kapitálem a významnými požadavky na zveřejnění. Tato dostupnost dat umožňuje vytvořit další PD modely (známé jako tržní modely), které jsou silnější než ty, které jsou popsány výše.

Závěr
Odborníci z oboru a regulátoři si jsou dobře vědomi důležitosti PD modelů a jejich primárního omezení nedostatku dat. Proto se na celém světě vyvinulo mnoho úsilí (například pod záštitou Basel II), aby se zlepšila schopnost finančních institucí zachytit užitečné finanční údaje, včetně přesné identifikace selhávajících firem. Vzhledem k tomu, že velikost a přesnost těchto datových množin se zvyšuje, kvalita výsledných modelů se také zlepší. (Více o tomto tématu naleznete v části Debata o hodnocení dluhu .)