Hiểu được uy tín của các đối tác là một yếu tố quan trọng trong việc ra quyết định kinh doanh. Nhà đầu tư cần biết khả năng tiền đầu tư vào trái phiếu hoặc dưới hình thức cho vay sẽ được hoàn trả. Các tập đoàn phải định lượng uy tín tín dụng của các nhà cung cấp, khách hàng, ứng cử viên mua lại và đối thủ cạnh tranh.
Thước đo truyền thống về chất lượng tín dụng là xếp hạng doanh nghiệp, chẳng hạn như được sản xuất bởi S & P, Moody's hoặc Fitch. Tuy nhiên, xếp hạng như vậy chỉ có sẵn cho các công ty lớn nhất, không phải cho hàng triệu công ty nhỏ hơn. Để định lượng mức độ xứng đáng tín dụng của họ, các công ty nhỏ hơn thường được phân tích bằng các phương pháp thay thế, cụ thể là xác suất của các mô hình mặc định (PD). (Để tìm hiểu thêm, hãy xem Lịch sử tóm tắt về các cơ quan xếp hạng tín dụng .)
HƯỚNG DẪN: Rủi ro và đa dạng hóa
Tính toán PD Tính toán PD đòi hỏi phải tinh vi mô hình hóa và một bộ dữ liệu lớn về các mặc định trong quá khứ, cùng với một bộ đầy đủ các biến tài chính cơ bản cho một vũ trụ lớn của các công ty. Đối với hầu hết các phần, các công ty chọn sử dụng các mô hình PD cấp phép cho họ từ một số ít các nhà cung cấp. Tuy nhiên, một số tổ chức tài chính lớn xây dựng mô hình PD của riêng họ.
Xây dựng một mô hình đòi hỏi phải thu thập và phân tích dữ liệu, bao gồm cả việc thu thập các nguyên tắc cơ bản miễn là có sẵn lịch sử. Thông tin này thường xuất phát từ báo cáo tài chính. Sau khi dữ liệu được biên soạn, đã đến lúc hình thành các tỷ lệ tài chính hoặc "trình điều khiển" - các biến số tạo ra kết quả. Các trình điều khiển này có xu hướng rơi vào sáu loại: tỷ lệ đòn bẩy, tỷ lệ thanh khoản, tỷ suất sinh lời, thước đo kích thước, tỷ lệ chi phí và tỷ lệ chất lượng tài sản. Những biện pháp này được chấp nhận rộng rãi bởi các chuyên gia phân tích tín dụng có liên quan đến việc ước tính uy tín tín dụng. (Để tìm hiểu thêm, hãy xem 6 Tỷ lệ tài chính cơ bản và những gì họ tiết lộ. )
Bước tiếp theo là xác định công ty nào trong mẫu của bạn là "người mặc định" - những công ty đã thực sự mặc định về nghĩa vụ tài chính của họ. Với thông tin này trong tay, mô hình hồi quy "logistic" có thể được ước tính. Phương pháp thống kê được sử dụng để kiểm tra hàng chục trình điều khiển ứng cử viên và sau đó chọn những phương pháp có ý nghĩa nhất trong việc giải thích các mặc định trong tương lai.
Mô hình hồi quy liên quan đến các sự kiện mặc định cho các trình điều khiển khác nhau. Mô hình này là duy nhất trong đó các đầu ra mô hình được giới hạn trong khoảng từ 0 đến 1, có thể được ánh xạ tới tỷ lệ 0-100% xác suất mặc định. Các hệ số từ hồi quy cuối cùng đại diện cho một mô hình để ước tính xác suất mặc định của một công ty dựa trên các trình điều khiển của nó.
Cuối cùng, bạn có thể kiểm tra các biện pháp hiệu suất cho mô hình kết quả. Đây có thể sẽ là các thử nghiệm thống kê đo lường mức độ mà mô hình đã dự đoán mặc định. Ví dụ, mô hình có thể được ước tính bằng cách sử dụng dữ liệu tài chính trong khoảng thời gian năm năm (2001-2005). Mô hình kết quả sau đó được sử dụng trên dữ liệu từ một giai đoạn khác (2006-2009) để dự đoán mặc định. Vì chúng tôi biết các công ty mặc định trong giai đoạn 2006-2009, chúng tôi có thể cho biết mô hình hoạt động tốt như thế nào.
Để hiểu cách thức hoạt động của mô hình, hãy xem xét một công ty nhỏ có đòn bẩy cao và lợi nhuận thấp. Chúng tôi vừa xác định ba trong số các trình điều khiển mô hình cho công ty này. Nhiều khả năng, mô hình sẽ dự đoán xác suất vỡ nợ tương đối cao cho công ty này vì nó nhỏ và do đó, dòng doanh thu của nó có thể thất thường. Công ty có đòn bẩy cao và do đó, có thể có gánh nặng thanh toán lãi cao cho các chủ nợ. Và công ty có lợi nhuận thấp, có nghĩa là nó tạo ra ít tiền để trang trải chi phí (bao gồm cả gánh nặng nợ nần). Nhìn chung, công ty có khả năng thấy rằng họ không thể thực hiện tốt việc thanh toán nợ trong tương lai gần. Điều này có nghĩa là nó có xác suất vỡ nợ cao. (Để tìm hiểu thêm, hãy xem Thông tin cơ bản về hồi quy để phân tích kinh doanh .)
Nghệ thuật Vs. Khoa học Đến thời điểm này, quá trình xây dựng mô hình đã hoàn toàn cơ học, sử dụng số liệu thống kê. Bây giờ cần phải sử dụng đến "nghệ thuật" của quy trình. Kiểm tra các trình điều khiển đã được chọn trong mô hình cuối cùng (có thể, bất cứ nơi nào từ 6-10 trình điều khiển). Lý tưởng nhất, nên có ít nhất một trình điều khiển từ mỗi trong số sáu loại được mô tả trước đó.
Tuy nhiên, quy trình cơ học được mô tả ở trên có thể dẫn đến tình huống một mô hình yêu cầu sáu trình điều khiển, tất cả được rút ra từ danh mục tỷ lệ đòn bẩy, nhưng không đại diện cho thanh khoản, lợi nhuận, v.v. Các nhân viên cho vay của ngân hàng được yêu cầu sử dụng mô hình như vậy để hỗ trợ trong các quyết định cho vay có thể sẽ khiếu nại. Trực giác mạnh mẽ được phát triển bởi các chuyên gia như vậy sẽ khiến họ tin rằng các loại trình điều khiển khác cũng phải quan trọng. Sự vắng mặt của các trình điều khiển như vậy có thể khiến nhiều người kết luận rằng mô hình là không đủ.
Giải pháp rõ ràng là thay thế một số trình điều khiển đòn bẩy bằng trình điều khiển từ các danh mục bị thiếu. Điều này đặt ra một vấn đề, tuy nhiên. Mô hình ban đầu được thiết kế để cung cấp các biện pháp hiệu suất thống kê cao nhất. Bằng cách thay đổi thành phần trình điều khiển, có khả năng hiệu suất của mô hình sẽ giảm từ góc độ toán học thuần túy.
Do đó, một sự đánh đổi phải được thực hiện giữa việc bao gồm nhiều lựa chọn trình điều khiển để tối đa hóa sự hấp dẫn trực quan của mô hình (nghệ thuật) và khả năng giảm sức mạnh mô hình dựa trên các biện pháp thống kê (khoa học). (Để biết thêm, hãy đọc các vấn đề về Phong cách trong Mô hình tài chính .)
Các chỉ trích về Mô hình PD Chất lượng của mô hình phụ thuộc chủ yếu vào số lượng mặc định có sẵn để hiệu chuẩn và độ sạch của dữ liệu tài chính. Trong nhiều trường hợp, đây không phải là một yêu cầu tầm thường, vì rất nhiều bộ dữ liệu có lỗi hoặc bị thiếu dữ liệu.
Những mô hình này chỉ sử dụng thông tin lịch sử và đôi khi các đầu vào đã hết hạn đến một năm hoặc hơn. Điều này làm loãng sức mạnh dự đoán của mô hình, đặc biệt là nếu có một số thay đổi đáng kể khiến trình điều khiển ít liên quan hơn, chẳng hạn như thay đổi quy ước hoặc quy định kế toán.
Các mô hình lý tưởng nên được tạo ra cho một ngành cụ thể trong một quốc gia cụ thể. Điều này đảm bảo rằng các yếu tố kinh tế, pháp lý và kế toán độc đáo của quốc gia và ngành công nghiệp có thể được nắm bắt một cách chính xác. Thách thức là thường có sự khan hiếm dữ liệu để bắt đầu, đặc biệt là về số lượng mặc định được xác định. Nếu dữ liệu khan hiếm đó phải được phân đoạn thành các nhóm công nghiệp quốc gia, thậm chí còn có ít điểm dữ liệu hơn cho mỗi mô hình công nghiệp quốc gia.
Vì dữ liệu bị thiếu là một thực tế của cuộc sống khi xây dựng các mô hình như vậy, một số kỹ thuật đã được phát triển để điền vào những con số đó. Một số trong những lựa chọn thay thế, tuy nhiên, có thể giới thiệu không chính xác. Sự khan hiếm dữ liệu cũng có nghĩa là xác suất mặc định được tính bằng cách sử dụng một mẫu dữ liệu nhỏ có thể khác với xác suất mặc định thực tế tiềm ẩn cho quốc gia hoặc ngành đang được đề cập. Trong một số trường hợp, có thể chia tỷ lệ đầu ra mô hình để phù hợp với trải nghiệm mặc định cơ bản chặt chẽ hơn.
Kỹ thuật mô hình được mô tả ở đây cũng có thể được sử dụng để tính toán PD cho các tập đoàn lớn. Tuy nhiên, có nhiều dữ liệu hơn về các công ty lớn, vì chúng thường được niêm yết công khai với vốn chủ sở hữu được giao dịch và các yêu cầu công khai quan trọng. Tính khả dụng của dữ liệu này cho phép tạo các mô hình PD khác (được gọi là các mô hình dựa trên thị trường) mạnh hơn các mô hình được mô tả ở trên.
Phần kết luận
Các nhà thực hành và các nhà quản lý trong ngành nhận thức rõ tầm quan trọng của các mô hình PD và sự khan hiếm dữ liệu giới hạn chính của chúng. Theo đó, trên khắp thế giới đã có nhiều nỗ lực khác nhau (ví dụ dưới sự bảo trợ của Basel II) để cải thiện khả năng của các tổ chức tài chính để thu thập dữ liệu tài chính hữu ích, bao gồm cả việc xác định chính xác các công ty vỡ nợ. Khi kích thước và độ chính xác của các bộ dữ liệu này tăng lên, chất lượng của các mô hình kết quả cũng sẽ được cải thiện. (Để biết thêm về chủ đề này, hãy xem Cuộc tranh luận về xếp hạng nợ .)
