הבנת ערך האשראי של צדדים נגדיים היא מרכיב מכריע בקבלת ההחלטות העסקיות. המשקיעים צריכים לדעת את הסבירות שיוחזרו כספים שהושקעו באגרות חוב או בצורה של הלוואות. על חברות לכמת את אמינות האשראי של ספקים, לקוחות, מועמדים לרכישה ומתחרים.
המדד המסורתי של איכות האשראי הוא דירוג תאגידי, כמו זה המיוצר על ידי S&P, Moody's או Fitch. עם זאת, דירוג כזה זמין רק עבור החברות הגדולות ביותר, ולא עבור מיליוני חברות קטנות יותר. על מנת לכמת את ערך האשראי שלהם, חברות קטנות יותר מנותחות לרוב בשיטות אלטרנטיביות, כלומר הסתברות למודלי ברירת מחדל (PD). (למידע נוסף ראה היסטוריה קצרה של סוכנויות לדירוג אשראי .)
הדרכה: סיכון וגיוון
חישוב מכשירי מחשבים אישיים חישוב מחשבי כף יד מחייב תחכום מודלים ומערך נתונים גדול של ברירות מחדל בעבר, יחד עם סט שלם של משתנים פיננסיים מהותיים עבור יקום גדול של חברות. לרוב, תאגידים שבוחרים להשתמש במודלים של PD מורשים אותם מקומץ ספקים. עם זאת, כמה מוסדות פיננסיים גדולים בונים דגמי PD משלהם.
בניית מודל דורשת איסוף וניתוח של נתונים, כולל איסוף יסודות כל עוד קיימת היסטוריה. מידע זה בדרך כלל מגיע מדוחות כספיים. לאחר איסוף הנתונים, הגיע הזמן ליצור יחסים פיננסיים או "נהגים" - משתנים שמזינים את התוצאה. נהגים אלה נוטים להיכנס לשש קטגוריות: יחסי מינוף, יחסי נזילות, יחסי רווחיות, מידות גודל, יחסי הוצאות ויחס איכות נכסים. אמצעים אלה מתקבלים באופן כללי על ידי אנשי מקצוע בתחום ניתוח האשראי כרלוונטיים להערכת רמת האשראי. (למידע נוסף ראה 6 יחסים פיננסיים בסיסיים ומה הם חושפים. )
השלב הבא הוא לזהות אילו מהחברות במדגם שלך הן "ברירת מחדל" - אלה שבאמת בררו את התחייבויותיהן הכספיות. עם מידע זה ביד, ניתן להעריך מודל רגרסיה "לוגיסטי". שיטות סטטיסטיות משמשות לבדיקת עשרות נהגים המועמדים ואז לבחירה באלה המשמעותיים ביותר בהסבר ברירת המחדל העתידית.
מודל הרגרסיה מתייחס לאירועי ברירת מחדל למנהלי ההתקנים השונים. מודל זה הוא ייחודי בכך שתפוקות הדגם מוגבלות בין 0 ל- 1, שניתן למפות אותן לסולם של 0-100% הסתברות לברירת מחדל. המקדמים מהנסיגה הסופית מייצגים מודל להערכת הסבירות המוגדרת כברירת מחדל של חברה בהתבסס על הנהגים שלה.
לבסוף, תוכלו לבחון מדדי ביצועים עבור המודל המתקבל. ככל הנראה אלה יהיו בדיקות סטטיסטיות המודדות עד כמה טוב המודל חזה ברירות מחדל. לדוגמה, ניתן להעריך את המודל באמצעות נתונים פיננסיים למשך חמש שנים (2001-2005). לאחר מכן משתמשים במודל המתקבל על נתונים מתקופה אחרת (2006-2009) כדי לחזות ברירות מחדל. מכיוון שאנו יודעים אילו חברות פירעו ברירת מחדל במהלך תקופת 2006-2009, אנו יכולים לדעת עד כמה ביצע הדגם.
כדי להבין כיצד המודל עובד, שקול חברה קטנה עם מינוף גבוה ורווחיות נמוכה. הגדרנו זה עתה שלושה ממנהלי ההתקנים המודליים של החברה הזו. ככל הנראה, המודל ינבא סבירות גבוהה יחסית של ברירת מחדל עבור חברה זו מכיוון שהוא קטן ולכן, זרם ההכנסות שלה עשוי להיות לא יציב. למשרד מנוף גבוה ולכן, עלול להיות נטל תשלום ריבית לנושים. ולמשרד רווחיות נמוכה, מה שאומר שהוא מייצר מעט מזומנים לכיסוי הוצאותיו (כולל נטל החוב הכבד). בפירושו ככל הנראה, החברה עשויה לגלות כי היא אינה מצליחה לפצות את תשלומי החוב בעתיד הקרוב. המשמעות היא שיש לה סבירות גבוהה להחדל. (למידע נוסף ראה יסודות רגרסיה לניתוח עסקי .)
Art Vs. מדע עד כה, תהליך בניית הדגם היה מכני לחלוטין תוך שימוש בסטטיסטיקה. כעת יש צורך לפנות ל"אמנות "התהליך. בחן את הנהגים שנבחרו בדגם הסופי (ככל הנראה בין 6-10 נהגים). באופן אידיאלי, צריך להיות לפחות נהג אחד מכל אחת משש הקטגוריות שתוארו קודם.
התהליך המכני שתואר לעיל, עם זאת, יכול להוביל למצב בו מודל דורש שישה נהגים, כולם נמשכים מקטגוריית יחס המינוף, אך אף אחד מהם אינו מייצג נזילות, רווחיות וכו '. נושאי משרות בנקאות אשר מתבקשים להשתמש במודל כזה. לסייע בהחלטות הלוואות סביר שתתלונן. האינטואיציה החזקה שפיתחו מומחים כאלה תוביל אותם להאמין שגם קטגוריות נהגים אחרות חייבות להיות חשובות. היעדרם של נהגים כאלה עלול לגרום לרבים להסיק כי הדגם אינו תקין.
הפיתרון המתבקש הוא להחליף חלק ממנהלי המינוף בנהגים מקטגוריות חסרות. אולם זה מעלה נושא. המודל המקורי תוכנן לספק את מדדי הביצועים הסטטיסטיים הגבוהים ביותר. על ידי שינוי הרכב הנהג, סביר להניח שביצועי הדגם יירדו מנקודת מבט מתמטית גרידא.
לפיכך, יש לבצע פיתרון בין הכללת מבחר רחב של נהגים בכדי למקסם את הערעור האינטואיטיבי של המודל (אמנות) לבין הירידה הפוטנציאלית בכוח המודל על בסיס מדדים סטטיסטיים (מדע). (לפרטים נוספים, קרא ענייני סגנון במודלים פיננסיים .)
ביקורות על דגמי PD איכות המודל תלויה בעיקר במספר ברירות המחדל הזמינות לכיול ובניקיון הנתונים הכספיים. במקרים רבים זו אינה דרישה של מה בכך, שכן הרבה מערכי נתונים מכילים שגיאות או סובלים מנתונים חסרים.
מודלים אלה משתמשים במידע היסטורי בלבד ולעיתים התשומות אינן מעודכנות עד שנה ומעלה. זה מדלל את כוח החיזוי של המודל, במיוחד אם חל שינוי משמעותי שהפך את הנהג פחות רלוונטי, כמו שינוי באמנות או בתקנות חשבונאיות.
באופן אידיאלי, יש ליצור מודלים לתעשייה ספציפית במדינה ספציפית. זה מבטיח שניתן יהיה לתפוס כראוי את הגורמים הכלכליים, החוקיים והחשבונאיים של המדינה והתעשייה. האתגר הוא שלרוב יש מחסור בנתונים, בעיקר במספר ברירות המחדל שזוהו. אם יש לחלק עוד יותר את הנתונים המעטים הללו לדליים התעשייתיים במדינה, ישנם נקודות פחות נתונים אפילו יותר עבור כל מודל ענף המדינה.
מכיוון שנתונים חסרים הם עובדת חיים בעת בניית מודלים כאלה, פותחו מספר טכניקות למילוי המספרים הללו. עם זאת, חלק מחלופות אלה עלולות לגרום לאי דיוקים. מחסור בנתונים פירושו גם כי הסתברויות ברירת המחדל המחושבות באמצעות מדגם נתונים קטן עשויות להיות שונות מהסבירות ברירת המחדל הבסיסית בפועל עבור המדינה או הענף המדובר. במקרים מסוימים, ניתן לשנות את גודל תפוקות המודל כך שיתאימו יותר לחוויית ברירת המחדל הבסיסית.
ניתן להשתמש בטכניקת הדוגמנות המתוארת כאן לחישוב מחשבי PD עבור חברות גדולות. עם זאת, קיימים הרבה יותר נתונים על חברות גדולות, מכיוון שהם בדרך כלל רשומים באופן ציבורי עם הון סחיר ודרישות גילוי ציבוריות משמעותיות. זמינות נתונים זו מאפשרת ליצור דגמי PD אחרים (הידועים כמודלים מבוססי שוק) שהם חזקים יותר מאלו שתוארו לעיל.
סיכום
מתרגלים ורגולטורים בתעשייה מודעים היטב לחשיבותם של מודלי PD ולמחסור במידע המגבלה העיקרי שלהם. לפיכך, ברחבי העולם נעשו מאמצים שונים (בחסות באזל II, למשל) לשפר את יכולתם של מוסדות פיננסיים לתפוס נתונים פיננסיים מועילים, כולל זיהוי מדויק של חברות המפקחות. עם הגדלת הגודל והדיוק של מערכי הנתונים הללו, גם האיכות של הדגמים המתקבלים תשתפר. (למידע נוסף בנושא זה, ראה דיון בדירוג חובות .)
