إن فهم الجدارة الائتمانية للأطراف المقابلة هو عنصر حاسم في اتخاذ القرارات التجارية. يحتاج المستثمرون إلى معرفة احتمال سداد الأموال المستثمرة في السندات أو في شكل قروض. يجب على الشركات تحديد الجدارة الائتمانية للموردين والعملاء ومرشحي الاستحواذ والمنافسين.
المقياس التقليدي لجودة الائتمان هو تصنيف الشركات ، كتلك التي تنتجها S&P أو Moody's أو Fitch. ومع ذلك ، فهذه التصنيفات متاحة فقط لأكبر الشركات ، وليس لملايين الشركات الأصغر. من أجل تحديد مدى ملاءمتها الائتمانية ، غالبًا ما يتم تحليل الشركات الأصغر باستخدام طرق بديلة ، أي احتمال نماذج العجز عن السداد (PD). (لمعرفة المزيد ، راجع نبذة مختصرة عن وكالات تصنيف الائتمان .)
البرنامج التعليمي: المخاطر وتنويع
حساب PDs يتطلب حساب PDs تطور النماذج ووضع مجموعة كبيرة من الإعدادات الافتراضية السابقة ، جنبًا إلى جنب مع مجموعة كاملة من المتغيرات المالية الأساسية لعالم كبير من الشركات. بالنسبة للجزء الأكبر ، تقوم الشركات التي تختار استخدام نماذج PD بترخيصها من عدد قليل من مقدمي الخدمات. ومع ذلك ، تقوم بعض المؤسسات المالية الكبيرة ببناء نماذج PD خاصة بها.
يتطلب بناء نموذج جمع وتحليل البيانات ، بما في ذلك جمع الأساسيات طالما أن السجل متاح. هذه المعلومات عادة ما تأتي من البيانات المالية. بمجرد تجميع البيانات ، حان الوقت لتكوين نسب مالية أو "محركات" - المتغيرات التي تغذي النتيجة. تميل هذه العوامل إلى أن تنقسم إلى ست فئات: نسب الرفع المالي ، نسب السيولة ، نسب الربحية ، مقاييس الحجم ، نسب النفقات ونسب جودة الأصول. يتم قبول هذه التدابير على نطاق واسع من قبل المتخصصين في تحليل الائتمان باعتبارها ذات صلة بتقدير الجدارة الائتمانية. (لمعرفة المزيد ، راجع 6 النسب المالية الأساسية وما يكشفونه ) .
والخطوة التالية هي تحديد أي من الشركات في عينتك هي "المتعثرين" - تلك التي تعثرت فعليًا في التزاماتها المالية. مع هذه المعلومات في متناول اليد ، يمكن تقدير نموذج الانحدار "اللوجستي". يتم استخدام الأساليب الإحصائية لاختبار العشرات من السائقين المرشحين ثم لاختيار تلك الأكثر أهمية في شرح الافتراضات المستقبلية.
يربط نموذج الانحدار الأحداث الافتراضية بمختلف برامج التشغيل. هذا النموذج فريد من نوعه في أن مخرجات النموذج مقيدة بين 0 و 1 ، والتي يمكن تعيينها على مقياس من 0-100 ٪ من احتمال الافتراضي. تمثل معاملات الانحدار النهائي نموذجًا لتقدير الاحتمال الافتراضي للشركة بناءً على برامج التشغيل الخاصة بها.
أخيرًا ، يمكنك فحص مقاييس الأداء للنموذج الناتج. من المحتمل أن تكون هذه اختبارات إحصائية تقيس مدى تنبؤات النموذج بالنجاح. على سبيل المثال ، يمكن تقدير النموذج باستخدام البيانات المالية لفترة خمس سنوات (2001-2005). ثم يتم استخدام النموذج الناتج على بيانات من فترة مختلفة (2006-2009) للتنبؤ بالافتراضات. بما أننا نعرف الشركات التي تخلفت عن سدادها خلال الفترة 2006-2009 ، يمكننا أن نحدد مدى جودة أداء النموذج.
لفهم كيفية عمل النموذج ، فكر في شركة صغيرة ذات رافعة مالية عالية وربحية منخفضة. لقد حددنا للتو ثلاثة من برامج التشغيل لهذه الشركة. على الأرجح ، سوف يتنبأ النموذج باحتمال كبير نسبيا للتخلف عن سداد هذه الشركة لأنها صغيرة ، وبالتالي ، قد يكون تدفق إيراداتها غير منتظم. تمتلك الشركة رافعة مالية عالية ، وبالتالي ، قد يكون لها عبء كبير على دفع الفائدة على الدائنين. وللشركة ربحية منخفضة ، مما يعني أنها تولد القليل من المال لتغطية نفقاتها (بما في ذلك أعباء الديون الثقيلة). ككل ، من المحتمل أن تجد الشركة أنها غير قادرة على تحقيق مدفوعات الديون في المستقبل القريب. هذا يعني أن لديه احتمال كبير من التخلف عن السداد. (لمعرفة المزيد ، راجع أساسيات الانحدار لتحليل الأعمال .)
الفن مقابل العلوم حتى هذه اللحظة ، كانت عملية بناء النموذج ميكانيكية بالكامل ، باستخدام الإحصائيات. الآن هناك حاجة إلى اللجوء إلى "فن" العملية. فحص برامج التشغيل التي تم تحديدها في النموذج النهائي (على الأرجح ، في أي مكان من 6 إلى 10 برامج تشغيل). من الناحية المثالية ، يجب أن يكون هناك برنامج تشغيل واحد على الأقل من كل فئة من الفئات الست الموضحة مسبقًا.
ومع ذلك ، يمكن أن تؤدي العملية الميكانيكية الموضحة أعلاه إلى وضع يستدعي فيه النموذج ستة محركات ، وكلها مستمدة من فئة نسبة الرافعة المالية ، لكن لا يمثل أي منها السيولة والربحية وما إلى ذلك ، مسؤولو الإقراض المصرفي الذين يطلب منهم استخدام مثل هذا النموذج للمساعدة في قرارات الإقراض من المرجح أن يشكو. الحدس القوي الذي طوره هؤلاء الخبراء من شأنه أن يقودهم إلى الاعتقاد بأن فئات السائقين الأخرى يجب أن تكون مهمة أيضًا. قد يؤدي غياب مثل هذه المحركات إلى استنتاج أن النموذج غير كافٍ.
الحل الواضح هو استبدال بعض برامج تشغيل الروافع المالية ببرامج التشغيل من الفئات المفقودة. هذا يثير مشكلة ، ولكن. تم تصميم النموذج الأصلي لتوفير أعلى مقاييس الأداء الإحصائي. من خلال تغيير تكوين برنامج التشغيل ، من المحتمل أن ينخفض أداء النموذج من منظور رياضي بحت.
وبالتالي ، يجب إجراء مقايضة بين إدراج مجموعة واسعة من برامج التشغيل لزيادة الجاذبية البديهية للنموذج (الفن) والنقص المحتمل في قوة النموذج بناءً على مقاييس إحصائية (العلوم). (لمزيد من المعلومات ، اقرأ Style Matters in Financial Modelling .)
انتقادات نماذج PD تعتمد جودة النموذج في المقام الأول على عدد الإعدادات الافتراضية المتاحة للمعايرة ونظافة البيانات المالية. في كثير من الحالات ، لا يعد هذا مطلبًا تافهًا ، حيث تحتوي الكثير من مجموعات البيانات على أخطاء أو تعاني من نقص البيانات.
تستخدم هذه النماذج المعلومات التاريخية فقط ، وأحيانًا تكون المدخلات قديمة حتى عام أو أكثر. هذا يخفف من القدرة التنبؤية للنموذج ، خاصة إذا كان هناك بعض التغييرات المهمة التي جعلت السائق أقل أهمية ، مثل التغيير في قواعد أو لوائح المحاسبة.
يجب إنشاء النماذج بشكل مثالي لصناعة معينة داخل بلد معين. هذا يضمن أن العوامل الاقتصادية والقانونية والمحاسبية الفريدة للبلد والصناعة يمكن تسجيلها بشكل صحيح. التحدي هو أن هناك عادةً شح في البيانات لتبدأ ، خاصةً في عدد الإعدادات الافتراضية المحددة. إذا كان من الضروري تقسيم هذه البيانات النادرة إلى مجموعات الصناعة القطرية ، فهناك نقاط بيانات أقل لكل نموذج من مجالات الصناعة.
نظرًا لأن البيانات المفقودة هي حقيقة واقعة عند إنشاء مثل هذه النماذج ، فقد تم تطوير عدد من التقنيات لملء هذه الأرقام. بعض هذه البدائل ، ومع ذلك ، قد يقدم معلومات غير دقيقة. تعني ندرة البيانات أيضًا أن الاحتمالات الافتراضية المحسوبة باستخدام نموذج بيانات صغير قد تختلف عن الاحتمالات الافتراضية الفعلية الكامنة للبلد أو الصناعة المعنية. في بعض الحالات ، من الممكن توسيع نطاق مخرجات النموذج لمطابقة التجربة الافتراضية الأساسية بشكل أوثق.
يمكن أيضًا استخدام تقنية النمذجة الموضحة هنا لحساب PDs للشركات الكبيرة. ومع ذلك ، هناك الكثير من البيانات المتاحة عن الشركات الكبيرة ، حيث إنها عادة ما تكون مدرجة في البورصة مع الأسهم المتداولة ومتطلبات الإفصاح العامة الهامة. يتيح توفر البيانات هذا إنشاء نماذج PD أخرى (تُعرف بالنماذج القائمة على السوق) والتي تكون أقوى من تلك الموضحة أعلاه.
استنتاج
يدرك الممارسون والمنظمون في الصناعة أهمية نماذج PD وندرة بيانات قيودها الأساسية. وفقًا لذلك ، كانت هناك جهود مختلفة في جميع أنحاء العالم (تحت رعاية بازل II ، على سبيل المثال) لتحسين قدرة المؤسسات المالية على التقاط البيانات المالية المفيدة ، بما في ذلك التحديد الدقيق للشركات المتعثرة. مع زيادة حجم ودقة مجموعات البيانات هذه ، ستتحسن أيضًا جودة النماذج الناتجة. (لمزيد من المعلومات حول هذا الموضوع ، راجع نقاش تصنيف الديون .)
