Comprendere l'affidabilità creditizia delle controparti è un elemento cruciale nel processo decisionale aziendale. Gli investitori devono conoscere la probabilità che il denaro investito in obbligazioni o in forma di prestiti venga rimborsato. Le società devono quantificare l'affidabilità creditizia di fornitori, clienti, candidati all'acquisizione e 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 più grandi aziende, non per milioni di società più piccole. Al fine di quantificare il merito creditizio, le società più piccole vengono spesso analizzate utilizzando metodi alternativi, vale a dire i modelli di probabilità di default (PD). (Per ulteriori informazioni, consultare Una breve storia delle agenzie di rating del credito .)
TUTORIAL: Rischio e diversificazione
Calcolo dei PD Il calcolo dei PD richiede un livello di sofisticazione modellistico e un ampio set di dati di valori predefiniti passati, insieme a un set completo di variabili finanziarie fondamentali per un vasto universo di imprese. Per la maggior parte, le società che scelgono di utilizzare i modelli PD li concedono in licenza da una manciata di fornitori. Tuttavia, alcuni grandi istituti finanziari costruiscono i propri modelli di PD.
La costruzione di un modello richiede la raccolta e l'analisi dei dati, inclusa la raccolta di nozioni fondamentali finché è disponibile una cronologia. Queste informazioni provengono in genere dai bilanci. 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: indici di leva finanziaria, indici di liquidità, indici di redditività, indicatori di dimensione, indici di spesa e indici di qualità delle attività. Queste misure sono ampiamente accettate dai professionisti dell'analisi del credito in quanto rilevanti per la stima del merito creditizio. (Per ulteriori informazioni, vedere 6 indici finanziari di base e cosa rivelano. )
Il prossimo passo è identificare quali delle imprese del campione sono "inadempienti" - quelle che hanno effettivamente fallito nei loro obblighi finanziari. Con queste informazioni a disposizione, è possibile stimare un modello di regressione "logistica". I metodi statistici vengono utilizzati per testare dozzine di driver candidati e quindi per scegliere quelli che sono più significativi nello spiegare i valori predefiniti futuri.
Il modello di regressione collega gli eventi predefiniti ai vari driver. Questo modello è unico in quanto gli output del modello sono limitati tra 0 e 1, che può essere mappato su una scala con probabilità 0-100% di default. I coefficienti della regressione finale rappresentano un modello per stimare la probabilità di default di un'impresa sulla base dei suoi driver.
Infine, puoi esaminare le misure delle prestazioni per il modello risultante. Si tratterà probabilmente di test statistici che misurano la capacità del modello di prevedere i valori predefiniti. Ad esempio, il modello può essere stimato utilizzando dati finanziari per un periodo di cinque anni (2001-2005). Il modello risultante viene quindi utilizzato sui dati di un periodo diverso (2006-2009) per prevedere i valori predefiniti. Dal momento che sappiamo quali imprese sono state inadempienti nel periodo 2006-2009, possiamo dire quanto bene il modello ha funzionato.
Per capire come funziona il modello, prendere in considerazione una piccola azienda con un alto livello di leva finanziaria e bassa redditività. Abbiamo appena definito tre driver modello per questa azienda. Molto probabilmente, il modello prevede una probabilità relativamente alta di insolvenza per questa azienda perché è piccolo e, pertanto, il suo flusso di entrate può essere irregolare. La società ha un'elevata leva finanziaria e, pertanto, potrebbe avere un onere di pagamento degli interessi elevato per i creditori. E l'azienda ha una bassa redditività, il che significa che genera pochi soldi per coprire le sue spese (incluso il suo pesante debito). Nel complesso, è probabile che l'impresa non riesca a compensare i pagamenti del debito nel prossimo futuro. Ciò significa che ha un'alta probabilità di default. (Per ulteriori informazioni, vedere Informazioni di base sulla regressione per l'analisi aziendale .)
Art vs. Scienza A questo punto, il processo di costruzione del modello è stato interamente meccanico, usando le statistiche. Ora è necessario ricorrere all '"arte" del processo. Esaminare i driver che sono stati selezionati nel modello finale (probabilmente, ovunque tra 6-10 driver). Idealmente, dovrebbe esserci almeno un driver per ciascuna delle sei categorie descritte in precedenza.
Il processo meccanico sopra descritto, tuttavia, può portare a una situazione in cui un modello richiede sei driver, tutti ricavati dalla categoria del coefficiente di leva finanziaria, ma nessuno dei quali rappresenta liquidità, redditività, ecc. Funzionari di prestito bancario a cui viene chiesto di utilizzare tale modello assistere nelle decisioni di prestito probabilmente si lamenterebbe. La forte intuizione sviluppata da tali esperti li porterebbe a credere che anche altre categorie di conducenti debbano essere importanti. L'assenza di tali driver potrebbe portare molti a concludere che il modello è inadeguato.
La soluzione ovvia è quella di sostituire alcuni dei driver di leva con driver di categorie mancanti. Ciò solleva tuttavia un problema. Il modello originale è stato progettato per fornire le massime misurazioni delle prestazioni statistiche. Modificando la composizione del driver, è probabile che le prestazioni del modello diminuiscano da una prospettiva puramente matematica.
Pertanto, deve essere effettuato un compromesso tra l'inclusione di un'ampia selezione di driver per massimizzare l'appeal intuitivo del modello (arte) e la potenziale riduzione della potenza del modello basata su misure statistiche (scienza). (Per ulteriori informazioni, leggi gli argomenti relativi allo stile nella modellazione finanziaria .)
Critiche dei modelli PD La qualità del modello dipende principalmente dal numero di valori predefiniti disponibili per la calibrazione e dalla pulizia dei dati finanziari. In molti casi, questo non è un requisito banale, poiché molti set di dati contengono errori o soffrono di dati mancanti.
Questi modelli utilizzano solo informazioni storiche e, a volte, gli input non sono aggiornati per un anno o più. Ciò diluisce il potere predittivo del modello, soprattutto se si sono verificati cambiamenti significativi che hanno reso un driver meno rilevante, come un cambiamento delle convenzioni o dei regolamenti contabili.
Idealmente, i modelli dovrebbero essere creati per un settore specifico all'interno di un paese specifico. Ciò garantisce che gli unici fattori economici, legali e contabili del paese e dell'industria possano essere correttamente catturati. La sfida è che di solito c'è una scarsità di dati per cominciare, specialmente nel numero di valori predefiniti identificati. Se tali dati scarsi devono essere ulteriormente segmentati in segmenti di industria del paese, vi sono ancora meno punti dati per ciascun modello di industria del paese.
Dato che i dati mancanti sono un dato di fatto nella costruzione di tali modelli, sono state sviluppate una serie di tecniche per riempire quei numeri. Alcune di queste alternative, tuttavia, possono introdurre inesattezze. La scarsità di dati significa anche che le probabilità di default calcolate utilizzando un piccolo campione di dati potrebbero essere diverse dalle probabilità di default effettive sottostanti per il paese o il settore in questione. In alcuni casi, è possibile ridimensionare gli output del modello in modo che corrispondano più da vicino all'esperienza predefinita sottostante.
La tecnica di modellazione qui descritta può anche essere utilizzata per calcolare PD per grandi aziende. Ci sono molti più dati disponibili sulle grandi aziende, tuttavia, poiché sono generalmente quotati in borsa con azioni negoziate e requisiti significativi di divulgazione al pubblico. Questa disponibilità di dati consente di creare altri modelli PD (noti come modelli basati sul mercato) che sono più potenti di quelli sopra descritti.
Conclusione
I professionisti del settore e i regolatori sono ben consapevoli dell'importanza dei modelli PD e della loro principale scarsità di dati di limitazione. Di conseguenza, in tutto il mondo ci sono stati vari sforzi (sotto gli auspici di Basilea II, ad esempio) per migliorare la capacità degli istituti finanziari di acquisire dati finanziari utili, compresa l'identificazione precisa delle imprese inadempienti. Con l'aumentare delle dimensioni e della precisione di questi set di dati, migliorerà anche la qualità dei modelli risultanti. (Per ulteriori informazioni su questo argomento, consultare il dibattito sul rating del debito .)
