Karşı tarafların kredibilitesini anlamak, iş kararlarında önemli bir unsurdur. Yatırımcıların tahvillere veya krediler şeklinde yatırılan paranın geri ödenme olasılığını bilmesi gerekir. Şirketler, tedarikçilerin, müşterilerin, satın alma adaylarının ve rakiplerinin kredi değerliliğini ölçmelidir.
Geleneksel kredi kalitesi ölçüsü, S&P, Moody's veya Fitch tarafından üretilenler gibi kurumsal bir derecelendirmedir. Ancak, bu tür derecelendirmeler sadece en büyük şirketler için mevcuttur, milyonlarca küçük şirket için geçerli değildir. Kredi değerlerini ölçmek için, küçük şirketler genellikle alternatif yöntemler, yani varsayılan (PD) modellerin olasılığı kullanılarak analiz edilir. (Daha fazla bilgi için bkz. Kredi Derecelendirme Kuruluşlarının Kısa Tarihi .)
EĞİTİM: Risk ve Çeşitlendirme
PD'lerin hesaplanması PD'lerin hesaplanması, büyük bir firma evreni için eksiksiz bir temel finansal değişkenler setinin yanı sıra, karmaşıklığın modellenmesini ve geçmiş varsayılanların büyük bir veri kümesini gerektirir. Çoğunlukla, PD modellerini kullanmayı seçen şirketler, bunları bir avuç sağlayıcıdan lisanslar. Bununla birlikte, bazı büyük finans kurumları kendi PD modellerini oluşturur.
Bir model oluşturmak, bir tarih olduğu sürece temel bilgilerin toplanması da dahil olmak üzere verilerin toplanmasını ve analiz edilmesini gerektirir. Bu bilgiler genellikle finansal tablolardan gelir. Veriler derlendikten sonra, finansal oranları veya "sürücüleri" oluşturmanın zamanı geldi - sonucu besleyen değişkenler. Bu itici güçler altı kategoriye ayrılmaktadır: kaldıraç oranları, likidite oranları, kârlılık oranları, büyüklük ölçüleri, gider oranları ve varlık kalitesi oranları. Bu önlemler, kredi analizi uzmanları tarafından kredi değerliliğinin tahmin edilmesiyle ilgili olarak geniş ölçüde kabul edilmektedir. (Daha fazla bilgi için bkz. 6 Temel Finansal Oranlar ve Neler Gösterdik? )
Bir sonraki adım, numunenizdeki firmalardan hangisinin "temerrüt" olduğunu - mali yükümlülüklerini gerçekten temerrüde düşmüş olanları tespit etmektir. Elimizdeki bu bilgilerle "lojistik" bir regresyon modeli tahmin edilebilir. İstatistiksel yöntemler onlarca 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, model çıktılarının 0 ile 1 arasında sınırlandırılmış olması nedeniyle benzersizdir, bu da varsayılan% 0-100 olasılık ölçeğine eşleştirilebilir. Son regresyon katsayıları, bir firmanın sürücülerine dayanarak varsayılan olasılığını tahmin etmek için bir modeli temsil eder.
Son olarak, ortaya çıkan model için performans ölçülerini inceleyebilirsiniz. Bunlar muhtemelen modelin varsayılanları ne kadar iyi tahmin ettiğini ölçen istatistiksel testler olacaktır. Örneğin, model beş yıllık bir süre (2001-2005) için finansal veriler kullanılarak tahmin edilebilir. Elde edilen model daha sonra varsayılanları tahmin etmek için farklı bir döneme (2006-2009) ait verilerde kullanılır. 2006-2009 döneminde hangi firmaların temerrüde düştüğünü bildiğimizden, modelin ne kadar iyi performans gösterdiğini söyleyebiliriz.
Modelin nasıl çalıştığını anlamak için, yüksek kaldıraç ve düşük karlılığa sahip küçük bir firma düşünün. Bu firma için model sürücülerin üç tanesini yeni tanımladık. Büyük olasılıkla, model küçük olduğu için bu firma için nispeten yüksek bir temerrüt olasılığını tahmin edecektir ve bu nedenle gelir akışı düzensiz olabilir. Firma yüksek kaldıraca sahiptir ve bu nedenle alacaklılar için yüksek faiz ödeme yüküne sahip olabilir. Ve firma düşük kârlılığa sahiptir, bu da giderlerini karşılamak için çok az nakit ürettiği anlamına gelir (ağır borç yükü dahil). Bir bütün olarak ele alındığında, firma yakın gelecekte borç ödemelerinde iyilik yapamayacağını görecektir. Bu, yüksek bir temerrüt olasılığına sahip olduğu anlamına gelir. (Daha fazla bilgi için bkz. İşletme Analizi İçin Regresyon Temelleri .)
Sanat Vs. Bilim Bu noktaya kadar, model oluşturma süreci istatistik kullanılarak tamamen mekanik olmuştur. Şimdi sürecin "sanat" ına başvurmak gerekiyor. Son modelde seçilen sürücüleri inceleyin (muhtemelen, 6-10 sürücü arasında herhangi bir yerde). İdeal olarak, daha önce açıklanan altı kategorinin her birinden en az bir sürücü olmalıdır.
Bununla birlikte, yukarıda açıklanan mekanik işlem, bir modelin tümü kaldıraç oranı kategorisinden çizilen, ancak hiçbirinin likidite, karlılık, vb. Temsil etmeyen altı sürücüye ihtiyaç duyduğu bir duruma yol açabilir. borç verme kararlarına yardımcı olmak büyük olasılıkla şikayetçi olacaktır. Bu tür uzmanlar tarafından geliştirilen güçlü sezgi, onları diğer sürücü kategorilerinin de önemli olması gerektiğine inandırmaya itecektir. Bu tür sürücülerin yokluğu, birçok kişinin modelin yetersiz olduğu sonucuna varmasına neden olabilir.
Açık çözüm, kaldıraç sürücülerinin bazılarını eksik kategorilerden sürücülerle değiştirmektir. Ancak bu bir soruna yol açar. Orijinal model, en yüksek istatistiksel performans ölçümlerini sağlayacak şekilde tasarlanmıştır. Sürücü kompozisyonunu değiştirerek, modelin performansının tamamen matematiksel bir perspektiften düşmesi muhtemeldir.
Bu nedenle, modelin (sanat) sezgisel çekiciliğini en üst düzeye çıkarmak için geniş bir sürücü seçiminin dahil edilmesi ve istatistiksel önlemlere (bilim) dayalı olarak model gücünün potansiyel azalması arasında bir ödünleşim yapılmalıdır. (Daha fazla bilgi için, Finansal Modellemede Stil Önemlidir .)
PD Modellerinin Eleştirileri Modelin kalitesi öncelikle kalibrasyon için mevcut varsayılanların sayısına ve finansal verilerin temizliğine bağlıdır. Birçok veri kümesi hata içerdiğinden veya eksik verilerden muzdarip olduğundan, çoğu durumda bu önemsiz bir gereklilik değildir.
Bu modeller yalnızca geçmiş bilgileri kullanır ve bazen girdiler bir yıla kadar veya daha fazla güncel değildir. Bu, özellikle muhasebe sürücülerinde veya düzenlemelerde bir değişiklik gibi bir sürücüyü daha az alakalı hale getiren bazı önemli değişiklikler varsa, modelin tahmin gücünü azaltır.
Modeller ideal olarak belirli bir ülkedeki belirli bir endüstri için oluşturulmalıdır. Bu, ülkenin ve endüstrinin benzersiz ekonomik, yasal ve muhasebe faktörlerinin uygun şekilde yakalanmasını sağlar. Buradaki zorluk, özellikle tanımlanan varsayılanların sayısında, genellikle başlamak için yeterli veri bulunmamasıdır. Bu kıt verilerin ülke-sanayi gruplarına daha fazla bölümlere ayrılması gerekiyorsa, her ülke-sanayi modeli için daha az veri noktası vardır.
Eksik veriler, bu modelleri oluştururken hayatın bir gerçeği olduğundan, bu sayıları doldurmak için bir dizi teknik geliştirilmiştir. Ancak bu alternatiflerden bazıları yanlışlıklar doğurabilir. Veri kıtlığı aynı zamanda, küçük bir veri örneği kullanılarak hesaplanan varsayılan olasılıkların, söz konusu ülke veya endüstri için temeldeki varsayılan varsayılan olasılıklardan farklı olabileceği anlamına gelir. Bazı durumlarda, model çıktılarını temeldeki varsayılan deneyime daha yakın olacak şekilde ölçeklemek mümkündür.
Burada açıklanan modelleme tekniği aynı zamanda büyük şirketler için PD'leri hesaplamak için de kullanılabilir. Bununla birlikte, büyük şirketler hakkında, genellikle işlem gören özkaynaklar ve önemli kamuyu aydınlatma gereklilikleri ile halka açık olarak listelendikleri için çok daha fazla veri vardır. Bu veri kullanılabilirliği, yukarıda açıklananlardan daha güçlü olan diğer PD modellerinin (piyasa tabanlı modeller olarak bilinir) oluşturulmasını mümkün kılar.
Sonuç
Endüstri uygulayıcıları ve düzenleyicileri, PD modellerinin ve birincil sınırlama-veri kıtlığının öneminin farkındadır. Buna göre, dünyanın dört bir yanında (örneğin Basel II'nin himayesinde), finansal kuruluşların temerrüt veren firmaların kesin olarak tanımlanması da dahil olmak üzere yararlı finansal verileri yakalama yeteneğini geliştirmek için çeşitli çabalar olmuştur. Bu veri kümelerinin boyutu ve hassasiyeti arttıkça, ortaya çıkan modellerin kalitesi de artacaktır. (Bu konu hakkında daha fazla bilgi için Borç Derecelendirme Tartışması'na bakınız.)