La comprensione del merito creditizio delle controparti è un elemento cruciale nel processo decisionale delle imprese. Gli investitori devono sapere la probabilità che i fondi investiti in obbligazioni o in forma di prestiti saranno rimborsati. Le imprese devono quantificare il merito creditizio dei fornitori, dei clienti, dei candidati all'acquisizione e dei concorrenti.

La misura tradizionale della qualità del credito è un rating aziendale, come quello prodotto da S & P, Moody's o Fitch. Tuttavia, tali rating sono disponibili solo per le imprese più grandi, e non per milioni di imprese più piccole. Al fine di quantificare la loro capacità di credito, le aziende più piccole vengono spesso analizzate utilizzando metodi alternativi, vale a dire la probabilità di default (PD). (Per ulteriori informazioni, vedere Una breve storia di agenzie di rating del credito .)

TUTORIAL: Rischio e diversificazione

Calcolo PD Calcolare PDs richiede una modellazione di sofisticazione e un grande set di dati di default precedenti, insieme a un insieme completo di variabili finanziarie fondamentali per un grande universo di imprese . Per la maggior parte, le aziende che scelgono di utilizzare modelli PD li licenziano da una manciata di fornitori. Tuttavia, alcune grandi istituzioni finanziarie costruiscono i propri modelli di PD.

Costruire un modello richiede la raccolta e l'analisi dei dati, inclusi i fondamenti di raccolta fino a quando una storia è disponibile. Queste informazioni vengono fornite tipicamente dal bilancio. Una volta compilati i dati, è tempo di formare rapporti finanziari o "driver" - variabili che alimentano il risultato. Questi driver tendono a rientrare in sei categorie: rapporti di leverage, rapporti di liquidità, rapporti di redditività, misure di dimensioni, rapporti di spesa e rapporti di qualità degli asset. Queste misure sono ampiamente accettate da professionisti dell'analisi del credito come rilevanti per valutare il merito di credito. (Per ulteriori informazioni, vedere il nostro tutorial finanziari .)

Il prossimo passo è quello di identificare quali delle aziende del tuo campione sono "defaulters" - quelle che hanno effettivamente fallito sui loro obblighi finanziari. Con queste informazioni in mano, è possibile stimare un modello di regressione "logistica". I metodi statistici vengono utilizzati per testare decine di piloti candidati e quindi scegliere quelli che sono più significativi per spiegare i futuri valori predefiniti.

Il modello di regressione riferisce gli eventi di default ai vari driver. Questo modello è unico nel caso che le uscite del modello sono delimitate tra 0 e 1, che possono essere mappate ad una scala di probabilità 0-100% di default. I coefficienti della regressione finale rappresentano un modello per valutare la probabilità di default di un'impresa in base ai suoi driver.

Infine, è possibile esaminare le misure di prestazione per il modello risultante. Questi saranno probabilmente test statistici misurando quanto bene il modello ha previsto i valori predefiniti.Ad esempio, il modello può essere stimato utilizzando i dati finanziari per un periodo di cinque anni (2001-2005). Il modello risultante viene quindi utilizzato per i dati di un periodo diverso (2006-2009) per predire i valori predefiniti. Dal momento che sappiamo che le aziende hanno insolito nel periodo 2006-2009, possiamo dire quanto sia stato eseguito il modello.

Per capire come funziona il modello, consideri una piccola azienda con elevata leva finanziaria e bassa redditività. Abbiamo appena definito tre driver di modello per questa azienda. Molto probabilmente, il modello prevede una probabilità relativamente elevata di default per questa impresa perché è piccola e quindi il suo flusso di entrate può essere errato. L'impresa ha un'alta leva finanziaria e pertanto può avere un elevato onere di pagamento degli interessi ai creditori. E la società ha una bassa redditività, il che significa che genera poco denaro per coprire le sue spese (compreso il suo pesante debito). Tenuto nel suo complesso, l'impresa è probabile che scoprirà di non essere in grado di rimborsare i debiti nel prossimo futuro. Ciò significa che ha un'elevata probabilità di inadempimento. (Per ulteriori informazioni, vedere Nozioni di base della regressione per l'analisi aziendale .)

Art Vs. Scienza A questo punto, il processo di costruzione di modelli è stato completamente meccanico, utilizzando statistiche. Ora c'è la necessità di ricorrere all'arte del processo. Esaminare i driver che sono stati selezionati nel modello finale (probabile, ovunque da 6-10 driver). Idealmente, dovrebbero essere almeno un driver da ciascuna delle sei categorie descritte in precedenza.

Il processo meccanico sopra descritto può però condurre ad una situazione in cui un modello richiede sei autisti, tutti tratti dalla categoria di leva finanziaria, ma nessuno che rappresenta la liquidità, la redditività ecc. Gli agenti di prestito bancario che sono invitati a utilizzare un tale modello per aiutare le decisioni di prestito sarebbe probabilmente lamentarsi. La forte intuizione sviluppata da tali esperti li condurrebbe a credere che anche altre categorie di driver debbano essere importanti. L'assenza di tali conducenti potrebbe portare molti a concludere che il modello è inadeguato.

La soluzione ovvia è sostituire alcuni driver di leva con i driver delle categorie mancanti. Ciò solleva tuttavia un problema. Il modello originale è stato progettato per fornire le massime prestazioni statistiche. Cambiando la composizione del driver, è probabile che le prestazioni del modello declinino da una prospettiva puramente matematica.

Pertanto, occorre fare un compromesso tra l'inclusione di un'ampia gamma di driver per massimizzare l'appeal intuitivo del modello (art) e la potenziale diminuzione del potere del modello in base a misure statistiche (scienza). ( . Critica dei modelli PD

La qualità del modello dipende innanzitutto dal numero di valori predefiniti disponibili per la calibrazione e dalla pulizia dei dati finanziari . In molti casi, questo non è un requisito banale, in quanto molti set di dati contengono errori o soffrono di dati mancanti. Questi modelli utilizzano solo informazioni storiche e talvolta gli input sono obsoleti per un anno o più.Questo diluisce il potere predittivo del modello, soprattutto se c'è stata una modifica significativa che ha reso un driver meno rilevante, ad esempio una modifica delle convenzioni contabili o delle normative.

I modelli vanno idealmente creati per un settore specifico all'interno di un paese specifico. Ciò garantisce che i fattori economici, giuridici e contabili unici del paese e dell'industria possano essere catturati correttamente. La sfida è che di solito c'è una scarsità di dati da cominciare, in particolare nel numero di valori predefiniti identificati. Se questi scarsi dati devono essere ulteriormente segmentati nei secchielli di settore, ci sono ancora pochi punti dati per ogni modello di settore.

Dato che i dati mancanti sono un dato di fatto nella costruzione di tali modelli, sono state sviluppate diverse tecniche per riempire questi numeri. Alcune di queste alternative, tuttavia, possono presentare imprecisioni. La scarsità dei dati significa anche che le probabilità di default calcolate usando un piccolo esempio di dati possono essere diverse dalle probabilità di default predefinite sottostanti per il paese o l'industria in questione. In alcuni casi, è possibile scalare le uscite del modello in modo più adattabile all'esperienza predefinita di base.

La tecnica di modellazione qui descritta può essere utilizzata anche per calcolare PD per le grandi aziende. Ci sono tuttavia molti più dati disponibili sulle grandi imprese, in quanto tipicamente pubbliche quotate con equità negoziata e importanti obblighi di divulgazione pubblica. Questa disponibilità dei dati consente di creare altri modelli PD (noti come modelli di mercato) più potenti di quelli sopra descritti.

Conclusioni

I professionisti del settore e le autorità di regolamentazione sono ben consapevoli dell'importanza dei modelli PD e della loro scarsità primaria di limitazione dei dati. Di conseguenza, in tutto il mondo sono stati svariati sforzi (sotto l'egida di Basilea II) per migliorare la capacità degli istituti finanziari di acquisire dati finanziari utili, inclusa la precisa individuazione delle imprese inadempienti. Poiché aumenta la dimensione e la precisione di questi set di dati, migliorerà anche la qualità dei modelli risultanti. (Per ulteriori informazioni su questo argomento, vedere
Debate Debt Rating .)