Das Verständnis der Kreditwürdigkeit von Gegenparteien ist ein entscheidendes Element bei der unternehmerischen Entscheidungsfindung. Anleger müssen wissen, wie wahrscheinlich es ist, dass in Anleihen oder in Form von Darlehen investiertes Geld zurückgezahlt wird. Unternehmen müssen die Kreditwürdigkeit von Lieferanten, Kunden, Übernahmekandidaten und Wettbewerbern quantifizieren.

Das traditionelle Maß für die Kreditqualität ist ein Unternehmensrating, wie es von S & P, Moody's oder Fitch produziert wird. Solche Ratings sind jedoch nur für die größten Unternehmen verfügbar, nicht für Millionen kleinerer Unternehmen. Um ihre Kreditwürdigkeit zu quantifizieren, werden kleinere Unternehmen häufig mit alternativen Methoden, nämlich Wahrscheinlichkeitsverteilungsmodellen, analysiert. (Um mehr zu erfahren, siehe Eine kurze Geschichte der Ratingagenturen .)

TUTORIAL: Risiko und Diversifizierung

Berechnung von PDs Die Berechnung von PDs erfordert Modellierungskomplexität und einen großen Datensatz vergangener Standardwerte sowie einen vollständigen Satz grundlegender finanzieller Variablen für ein großes Universum von Unternehmen. .. In den meisten Fällen lizenzieren Unternehmen, die PD-Modelle verwenden, diese von einer Handvoll Anbieter. Einige große Finanzinstitute bauen jedoch ihre eigenen PD-Modelle.

Das Erstellen eines Modells erfordert die Sammlung und Analyse von Daten, einschließlich der Erfassung von Grundlagen, solange eine Historie verfügbar ist. Diese Informationen stammen normalerweise aus Abschlüssen. Sobald die Daten kompiliert sind, ist es an der Zeit, Finanzkennzahlen oder "Treiber" zu bilden - Variablen, die das Ergebnis ankurbeln. Diese Faktoren lassen sich in sechs Kategorien unterteilen: Leverage Ratios, Liquiditätskennzahlen, Rentabilitätskennzahlen, Größenkennzahlen, Kostenquoten und Asset Quality Ratios. Diese Maßnahmen werden von Kreditanalysenfachleuten weitgehend als relevant für die Schätzung der Kreditwürdigkeit akzeptiert. (Weitere Informationen finden Sie in unserem Tutorial für Finanzkennzahlen .)

Der nächste Schritt besteht darin zu identifizieren, welche der Unternehmen in Ihrer Stichprobe "Säumige" sind - diejenigen, die ihre finanziellen Verpflichtungen tatsächlich nicht erfüllt haben. Mit diesen Informationen kann ein "logistisches" Regressionsmodell abgeschätzt werden. Statistische Verfahren werden verwendet, um Dutzende von in Frage kommenden Treibern zu testen und dann diejenigen auszuwählen, die für die Erklärung künftiger Vorgaben am wichtigsten sind.

Das Regressionsmodell verknüpft Standardereignisse mit den verschiedenen Treibern. Dieses Modell ist insofern einzigartig, als die Ausgaben des Modells zwischen 0 und 1 begrenzt sind, was einer Skala von 0-100% der Ausfallwahrscheinlichkeit zugeordnet werden kann. Die Koeffizienten aus der abschließenden Regression stellen ein Modell zur Schätzung der Ausfallwahrscheinlichkeit eines Unternehmens basierend auf seinen Treibern dar.

Schließlich können Sie Leistungsmessungen für das resultierende Modell untersuchen. Dies werden wahrscheinlich statistische Tests sein, die messen, wie gut das Modell Standardwerte vorhergesagt hat.Zum Beispiel kann das Modell anhand von Finanzdaten für einen Zeitraum von fünf Jahren (2001-2005) geschätzt werden. Das resultierende Modell wird dann auf Daten aus einem anderen Zeitraum (2006-2009) angewendet, um Standardwerte vorherzusagen. Da wir wissen, welche Firmen im Zeitraum 2006-2009 in Verzug geraten sind, können wir sagen, wie gut das Modell funktioniert hat.

Um zu verstehen, wie das Modell funktioniert, betrachten Sie eine kleine Firma mit hoher Hebelwirkung und geringer Rentabilität. Wir haben gerade drei der Modelltreiber für diese Firma definiert. Höchstwahrscheinlich wird das Modell eine relativ hohe Ausfallwahrscheinlichkeit für dieses Unternehmen vorhersagen, da es klein ist und daher seine Einnahmequelle unberechenbar sein kann. Die Firma hat einen hohen Leverage und kann daher eine hohe Zinslast für die Gläubiger haben. Und das Unternehmen hat eine niedrige Rentabilität, was bedeutet, dass es wenig Geld zur Deckung seiner Ausgaben (einschließlich seiner hohen Schuldenlast) erzeugt. Insgesamt dürfte das Unternehmen feststellen, dass es nicht in der Lage ist, Schulden in naher Zukunft zu begleichen. Das bedeutet, dass es eine hohe Ausfallwahrscheinlichkeit hat. (Weitere Informationen finden Sie unter Regressionsgrundlagen für die Unternehmensanalyse .)

Art Vs. Wissenschaft Bis zu diesem Punkt war der Modellbildungsprozess völlig statisch. Jetzt muss auf die "Kunst" des Prozesses zurückgegriffen werden. Untersuchen Sie die Treiber, die im endgültigen Modell ausgewählt wurden (wahrscheinlich zwischen 6 und 10 Treibern). Idealerweise sollte mindestens ein Fahrer aus jeder der sechs zuvor beschriebenen Kategorien vorhanden sein.

Der oben beschriebene mechanische Prozess kann jedoch dazu führen, dass ein Modell sechs Fahrer fordert, die alle aus der Leverage Ratio-Kategorie stammen, aber keine, die Liquidität, Rentabilität usw. repräsentiert. Bankkreditvermittler, die gebeten werden, Ein solches Modell zur Unterstützung von Kreditentscheidungen würde sich wahrscheinlich beschweren. Die von solchen Experten entwickelte starke Intuition würde sie glauben machen, dass auch andere Fahrerkategorien wichtig sein müssen. Das Fehlen solcher Treiber könnte viele zu der Schlussfolgerung führen, dass das Modell unzureichend ist.

Die offensichtliche Lösung besteht darin, einige der Hebel-Treiber durch Treiber aus fehlenden Kategorien zu ersetzen. Dies wirft jedoch ein Problem auf. Das ursprüngliche Modell wurde entworfen, um die höchsten statistischen Leistungsmaße bereitzustellen. Durch die Änderung der Treiberzusammensetzung ist es wahrscheinlich, dass die Leistung des Modells rein mathematisch abnimmt.

Daher muss ein Kompromiss gefunden werden zwischen der Einbeziehung einer breiten Auswahl von Treibern, um die intuitive Anziehungskraft des Modells (Kunst) zu maximieren, und der potentiellen Abnahme der Modellstärke basierend auf statistischen Messungen (Wissenschaft). (Lesen Sie dazu Stilangelegenheiten in der Finanzmodellierung .)

Kritiken von PD-Modellen Die Qualität des Modells hängt in erster Linie von der Anzahl der für die Kalibrierung verfügbaren Standardwerte und der Sauberkeit der Finanzdaten ab. .. In vielen Fällen ist dies keine triviale Anforderung, da viele Datensätze Fehler enthalten oder an fehlenden Daten leiden.

Diese Modelle verwenden nur historische Informationen, und manchmal sind die Eingaben um bis zu ein Jahr oder mehr veraltet.Dies schwächt die Vorhersagekraft des Modells, insbesondere wenn es einige signifikante Änderungen gegeben hat, die einen Fahrer weniger relevant gemacht haben, wie z. B. eine Änderung von Buchhaltungskonventionen oder Vorschriften.

Modelle sollten idealerweise für eine bestimmte Branche innerhalb eines bestimmten Landes erstellt werden. Dies stellt sicher, dass die einzigartigen wirtschaftlichen, rechtlichen und buchhalterischen Faktoren des Landes und der Industrie richtig erfasst werden können. Die Herausforderung besteht darin, dass in der Regel zunächst eine Datenknappheit besteht, insbesondere in Bezug auf die Anzahl der identifizierten Standardeinstellungen. Wenn diese knappen Daten weiter in Länder-Eimer eingeteilt werden müssen, gibt es noch weniger Datenpunkte für jedes Länder-Industriemodell.

Da fehlende Daten bei der Erstellung solcher Modelle eine Tatsache sind, wurden eine Reihe von Techniken entwickelt, um diese Zahlen auszufüllen. Einige dieser Alternativen können jedoch zu Ungenauigkeiten führen. Datenknappheit bedeutet auch, dass die mit einer kleinen Datenstichprobe berechneten Ausfallwahrscheinlichkeiten von den zugrunde liegenden tatsächlichen Ausfallwahrscheinlichkeiten für das betreffende Land oder die Branche abweichen können. In einigen Fällen ist es möglich, die Modellausgaben so zu skalieren, dass sie der zugrunde liegenden Standarderfahrung besser entsprechen.

Die hier beschriebene Modellierungstechnik kann auch zur Berechnung von PDs für große Unternehmen verwendet werden. Es gibt jedoch viel mehr Daten über große Firmen, da sie typischerweise mit gehandeltem Eigenkapital und bedeutenden Offenlegungspflichten börsennotiert sind. Diese Datenverfügbarkeit ermöglicht es, andere PD-Modelle (bekannt als marktbasierte Modelle) zu erstellen, die leistungsfähiger sind als die oben beschriebenen.

Fazit
Praktiker und Regulierer in der Industrie sind sich der Bedeutung von PD-Modellen und ihrer primären Beschränkung - Datenknappheit - bewusst. Weltweit gab es daher verschiedene Anstrengungen (zum Beispiel unter der Schirmherrschaft von Basel II), die Fähigkeit der Finanzinstitute zu verbessern, nützliche Finanzdaten zu erfassen, einschließlich der präzisen Identifizierung von säumigen Unternehmen. Mit zunehmender Größe und Genauigkeit dieser Datensätze wird sich auch die Qualität der resultierenden Modelle verbessern. (Weitere Informationen zu diesem Thema finden Sie unter Die Debatten-Rating-Debatte .)