La comprensió de la solvència de les contrapartides és un element crucial en la presa de decisions empresarials. Els inversors han de conèixer la probabilitat que es tornin els diners invertits en bons o en forma de préstecs. Les corporacions han de quantificar la solvència de proveïdors, clients, candidats a l'adquisició i competidors.
La mesura tradicional de la qualitat del crèdit és una qualificació corporativa, com la produïda per S&P, Moody's o Fitch. No obstant això, aquestes valoracions només estan disponibles per a les empreses més grans, no per a milions de petites empreses. Per quantificar la seva solvència creditícia, les empreses més petites sovint s’analitzen mitjançant mètodes alternatius, és a dir, la probabilitat d’impagament (PD). (Per obtenir més informació, vegeu una breu història de les agències de qualificació de crèdits .)
TUTORIAL: Riscos i Diversificació
Càlcul de PDs El càlcul de PD requereix la sofisticació del model i un gran conjunt de dades de valors per defecte anteriors, juntament amb un conjunt complet de variables financeres fonamentals per a un gran univers d’empreses. En la seva majoria, les corporacions que opten per utilitzar models de PD se'ls concedeixen una llicència de diversos proveïdors. Tot i això, algunes grans institucions financeres construeixen els seus propis models de PD.
La creació d’un model requereix la recollida i l’anàlisi de dades, incloent la recollida de fonaments sempre que hi hagi un historial disponible. Aquesta informació prové normalment dels estats financers. Un cop recopilades les dades, és hora de formar relacions financeres o "controladors": variables que alimenten el resultat. Aquests motors solen incloure-se en sis categories: relacions de palanquejament, ràtios de liquiditat, ràtios de rendibilitat, mesures de mida, ràtios de despeses i ràtios de qualitat d'actius. Aquestes mesures són àmpliament acceptades pels professionals de l'anàlisi de crèdit com a rellevants per a l'estimació de la solvència de la solvència. (Per obtenir més informació, vegeu 6 ràtios financers bàsics i què revelen. )
El següent pas és identificar quines de les empreses de la vostra mostra són "morosos" - aquelles que en realitat han incomplert les seves obligacions financeres. Amb aquesta informació a la mà, es pot estimar un model de regressió "logística". S'utilitzen mètodes estadístics per provar desenes de controladors candidats i, a continuació, per triar els que siguin més significatius per explicar els valors predeterminats futurs.
El model de regressió relaciona els esdeveniments per defecte amb els diversos controladors. Aquest model és únic perquè les sortides del model estan delimitades entre 0 i 1, que es poden associar a una escala de 0-100% de probabilitat d’impagament. Els coeficients de la regressió final representen un model per estimar la probabilitat predeterminada d’una empresa en funció dels seus controladors.
Finalment, podeu examinar les mesures de rendiment del model resultant. Probablement seran proves estadístiques que mesuren el bé que el model ha predit els defectes. Per exemple, el model es pot estimar amb dades financeres per a un període de cinc anys (2001-2005). El model resultant s'utilitza en dades d'un període diferent (2006-2009) per predir els valors predeterminats. Com que sabem quines empreses van morir en el període 2006-2009, podem saber fins a quin punt el model va funcionar.
Per entendre el funcionament del model, considereu una petita empresa amb palanquejament elevat i rendibilitat baixa. Acabem de definir tres dels models de control d'aquesta empresa. El més probable és que el model prevegi una probabilitat d’impagament relativament elevada per a aquesta empresa perquè és petita i, per tant, el seu flux d’ingressos pot ser erràtic. L’empresa té un fort palanquejament i, per tant, pot tenir una càrrega de pagament d’interessos elevada per als creditors. I la signatura té una rendibilitat baixa, cosa que significa que genera pocs diners en efectiu per cobrir les seves despeses (inclosa la seva forta càrrega de deute). En conjunt, és probable que l'empresa es pugui trobar incapaç de beneficiar-se dels pagaments del deute en un futur pròxim. Això vol dir que té una alta probabilitat d’impossibilitat. (Per obtenir més informació, vegeu Fonaments bàsics sobre la regressió per a l'anàlisi empresarial .)
Art Vs. Ciència Fins a aquest punt, el procés de creació de models ha estat completament mecànic, mitjançant estadístiques. Ara cal recórrer a l '"art" del procés. Examineu els controladors seleccionats al model final (probablement, entre 6 i 10 controladors). L’ideal seria que hi hauria d’haver almenys un conductor de cadascuna de les sis categories descrites anteriorment.
El procés mecànic descrit anteriorment, però, pot donar lloc a una situació en la qual un model demana sis conductors, tots ells obtinguts de la categoria de relacions de palanquejament, però que no representin liquiditat, rendibilitat, etc. per ajudar-se en les decisions de préstecs es queixarien. La forta intuïció desenvolupada per aquests experts els portaria a creure que altres categories de conductors també han de ser importants. L'absència d'aquests conductors podria portar a molts a concloure que el model no és adequat.
La solució òbvia és substituir alguns dels motors d’aprofitament per conductors de categories que falten. Això planteja un problema, però. El model original es va dissenyar per proporcionar les mesures d’alt rendiment estadístic. Si canvieu la composició del controlador, és probable que el rendiment del model disminueixi des d'una perspectiva purament matemàtica.
Així, cal establir una compensació entre la inclusió d’una àmplia selecció de controladors per maximitzar l’atractiu intuïtiu del model (art) i la possible disminució de la potència del model basada en mesures estadístiques (ciència). (Per a més informació, consulteu Matèries d'estil a la modelització financera .)
Crítiques dels models PD La qualitat del model depèn principalment del nombre de valors per defecte disponibles per a la calibració i de la neteja de les dades financeres. En molts casos, aquest no és un requisit trivial, ja que molts conjunts de dades contenen errors o pateixen dades.
Aquests models només utilitzen informació històrica i, de vegades, les entrades no estan actualitzades fins a un any o més. Això dilueix el poder predictiu del model, sobretot si hi ha hagut algun canvi significatiu que ha convertit un conductor en menys rellevants, com ara un canvi en les convencions o regulacions comptables.
Idealment, els models haurien de ser creats per a una indústria específica dins d'un país concret. Això garanteix que es puguin capturar adequadament els factors econòmics, legals i comptables únics del país i de la indústria. El repte és que normalment hi ha una escassetat de dades, especialment en el nombre de valors per defecte identificats. Si aquestes dades escasses s'han de segmentar més en cubetes de la indústria del país, hi ha encara menys punts de dades per a cada model de la indústria del país.
Com que les dades que falten són un fet de la vida a l’hora de construir aquests models, s’han desenvolupat diverses tècniques per emplenar aquests números. Algunes d’aquestes alternatives, però, poden introduir inexactituds. L’escassetat de dades també significa que les probabilitats per defecte calculades mitjançant una petita mostra de dades poden ser diferents de les probabilitats de predeterminat real subjacents del país o indústria en qüestió. En alguns casos, és possible escalar les sortides del model perquè coincideixin amb més experiència amb les experiències predeterminades subjacents.
La tècnica de modelatge descrita aquí també es pot utilitzar per calcular els PD per a grans corporacions. Tanmateix, hi ha moltes més dades disponibles sobre les grans empreses, ja que es classifiquen en públic amb el patrimoni social i els requisits importants de divulgació pública. Aquesta disponibilitat de dades permet crear altres models de PD (coneguts com a models basats en el mercat) més potents que els descrits anteriorment.
Conclusió
Els professionals i els reguladors de la indústria saben bé la importància dels models de PD i la seva escassetat primària de limitació de dades. En conseqüència, a tot el món hi ha hagut diversos esforços (per exemple, sota els auspicis de Basilea II) per millorar la capacitat de les institucions financeres de captar dades financeres útils, incloent la identificació precisa de les empreses que s’estan morint. A mesura que la mida i la precisió d’aquests conjunts de dades augmenten, la qualitat dels models resultants també millorarà. (Per obtenir més informació sobre aquest tema, vegeu El debat sobre la qualificació del deute .)
