Berekening van het (kleine) bedrijfskredietrisico
Inzicht in de kredietwaardigheid van tegenpartijen is een cruciaal element bij zakelijke besluitvorming. Beleggers moeten weten hoe groot de kans is dat geld dat in obligaties of in de vorm van leningen is geïnvesteerd, wordt terugbetaald. Bedrijven moeten de kredietwaardigheid van leveranciers, klanten, overnamekandidaten en concurrenten kwantificeren.
De traditionele maatstaf voor kredietkwaliteit is een bedrijfsrating, zoals die van S&P, Moody’s of Fitch. Dergelijke beoordelingen zijn echter alleen beschikbaar voor de grootste bedrijven, niet voor miljoenen kleinere bedrijven. Om hun kredietwaardigheid te kwantificeren, worden kleinere bedrijven vaak geanalyseerd met behulp van alternatieve methoden, namelijk probability of default (PD) -modellen.
PD’s berekenen
Het berekenen van PD’s vereist verfijning van het modelleren en een grote gegevensset van eerdere wanbetalingen, samen met een complete set fundamentele financiële variabelen voor een groot universum van bedrijven. Bedrijven die ervoor kiezen om PD-modellen te gebruiken, hebben voor het grootste deel een licentie van een handvol providers. Sommige grote financiële instellingen bouwen echter hun eigen PD-modellen.
Het bouwen van een model vereist het verzamelen en analyseren van gegevens, inclusief het verzamelen van basisprincipes zolang er een geschiedenis beschikbaar is. Deze informatie is doorgaans afkomstig uit financiële overzichten. Zodra de gegevens zijn verzameld, is het tijd om financiële ratio’s of ” drijfveren ” te vormen – variabelen die het resultaat voeden. Deze factoren vallen meestal in zes categorieën: hefboomratio’s, liquiditeitsratio’s, winstgevendheidsratio’s, groottematen, kostenratio’s en activakwaliteitsratio’s. Deze maatstaven worden door professionals op het gebied van kredietanalyse algemeen aanvaard als relevant voor het schatten van de kredietwaardigheid.
De volgende stap is om te bepalen welke van de bedrijven in uw steekproef “wanbetalers” zijn – degenen die daadwerkelijk in gebreke zijn gebleven hun financiële verplichtingen na te komen. Met deze informatie in de hand kan een “logistiek” regressiemodel worden geschat. Er worden statistische methoden gebruikt om tientallen kandidaat-chauffeurs te testen en vervolgens die te kiezen die het belangrijkst zijn bij het verklaren van toekomstige standaardinstellingen.
Het regressiemodel relateert standaardgebeurtenissen aan de verschillende drijfveren. Dit model is uniek omdat de uitvoer van het model wordt begrensd tussen 0 en 1, wat kan worden toegewezen aan een schaal van 0-100% kans op wanbetaling. De coëfficiënten van de uiteindelijke regressie vertegenwoordigen een model voor het schatten van de standaardkans van een bedrijf op basis van zijn drijfveren.
Ten slotte kunt u prestatiemaatstaven voor het resulterende model onderzoeken. Dit zullen waarschijnlijk statistische tests zijn die meten hoe goed het model defaults heeft voorspeld. Het model kan bijvoorbeeld worden geschat op basis van financiële gegevens voor een periode van vijf jaar (2001-2005). Het resulterende model wordt vervolgens gebruikt op gegevens uit een andere periode (2006-2009) om defaults te voorspellen. Aangezien we weten welke bedrijven in de periode 2006-2009 in gebreke zijn gebleven, kunnen we zien hoe goed het model heeft gepresteerd.
Overweeg een klein bedrijf met een hoge hefboomwerking en lage winstgevendheid om te begrijpen hoe het model werkt. We hebben zojuist drie van de modeldrivers voor dit bedrijf gedefinieerd. Hoogstwaarschijnlijk zal het model een relatief grote kans op wanbetaling voor dit bedrijf voorspellen, omdat het klein is en daarom kan de inkomstenstroom grillig zijn. Het bedrijf heeft een hoge hefboomwerking en kan daarom een hoge rentelast voor crediteuren hebben. En het bedrijf heeft een lage winstgevendheid, wat betekent dat het weinig geld genereert om zijn uitgaven te dekken (inclusief zijn zware schuldenlast). Over het geheel genomen zal het bedrijf waarschijnlijk merken dat het in de nabije toekomst niet in staat zal zijn om schulden af te lossen. Dit betekent dat het een grote kans heeft om in gebreke te blijven.
Kunst versus wetenschap
Tot nu toe is het modelbouwproces volledig mechanisch verlopen, waarbij gebruik is gemaakt van statistieken. Nu is het nodig om toevlucht te nemen tot de “kunst” van het proces. Onderzoek de stuurprogramma’s die zijn geselecteerd in het uiteindelijke model (waarschijnlijk ergens tussen de zes en tien stuurprogramma’s). Idealiter zou er ten minste één bestuurder moeten zijn uit elk van de zes eerder beschreven categorieën.
Het hierboven beschreven mechanische proces kan echter leiden tot een situatie waarin een model zes drijfveren nodig heeft, allemaal afkomstig uit de categorie leverage ratio, maar geen enkele vertegenwoordigt liquiditeit, winstgevendheid, enz. Bancaire kredietverleners die worden gevraagd om een dergelijk model te gebruiken om te helpen bij het nemen van beslissingen, zou waarschijnlijk klagen. De sterke intuïtie die door dergelijke experts is ontwikkeld, zou hen doen geloven dat andere categorieën bestuurders ook belangrijk moeten zijn. Het ontbreken van dergelijke drijfveren zou ertoe kunnen leiden dat velen tot de conclusie komen dat het model inadequaat is.
De voor de hand liggende oplossing is om enkele van de hefboomstuurprogramma’s te vervangen door stuurprogramma’s uit ontbrekende categorieën. Dit werpt echter een probleem op. Het oorspronkelijke model is ontworpen om de hoogste statistische prestatiemaatstaven te bieden. Door de samenstelling van de driver te veranderen, is het waarschijnlijk dat de prestaties van het model vanuit een puur wiskundig perspectief zullen afnemen.
Er moet dus een afweging worden gemaakt tussen het opnemen van een brede selectie van drijfveren om de intuïtieve aantrekkingskracht van het model (kunst) te maximaliseren en de mogelijke afname van modelkracht op basis van statistische metingen (wetenschap).
Kritiek op PD-modellen
De kwaliteit van het model hangt voornamelijk af van het aantal standaardinstellingen dat beschikbaar is voor kalibratie en de zuiverheid van de financiële gegevens. In veel gevallen is dit geen triviale vereiste, aangezien veel datasets fouten bevatten of last hebben van ontbrekende data.
Deze modellen gebruiken alleen historische informatie en soms is de invoer tot een jaar of langer verouderd. Dit verzwakt de voorspellende kracht van het model, vooral als er een belangrijke verandering heeft plaatsgevonden die een drijfveer minder relevant heeft gemaakt, zoals een verandering in boekhoudkundige conventies of regelgeving.
Idealiter zouden er modellen moeten worden gemaakt voor een specifieke branche binnen een bepaald land. Dit zorgt ervoor dat de unieke economische, juridische en boekhoudkundige factoren van het land en de industrie goed kunnen worden vastgelegd. De uitdaging is dat er in het begin meestal een schaarste aan gegevens is, vooral wat betreft het aantal geïdentificeerde wanbetalingen. Als die schaarse gegevens verder moeten worden gesegmenteerd in land-industrie- buckets, zijn er nog minder datapunten voor elk land-bedrijfstak-model.
Omdat ontbrekende gegevens een feit zijn bij het bouwen van dergelijke modellen, zijn er een aantal technieken ontwikkeld om die cijfers in te vullen. Sommige van deze alternatieven kunnen echter onnauwkeurigheden introduceren. Dataschaarste betekent ook dat de wanbetalingskansen die zijn berekend met een kleine gegevenssteekproef, kunnen verschillen van de onderliggende werkelijke wanbetalingskansen voor het land of de bedrijfstak in kwestie. In sommige gevallen is het mogelijk om de modeloutputs te schalen om deze beter af te stemmen op de onderliggende standaardervaring.
De hier beschreven modelleringstechniek kan ook worden gebruikt om PD’s voor grote bedrijven te berekenen. Er zijn echter veel meer gegevens beschikbaar over grote bedrijven, aangezien deze doorgaans beursgenoteerd zijn met verhandelde aandelen en aanzienlijke openbaarmakingsvereisten. Deze beschikbaarheid van gegevens maakt het mogelijk om andere PD-modellen (bekend als marktgebaseerde modellen) te creëren die krachtiger zijn dan de hierboven beschreven.
Conclusie
Praktijkmensen uit de industrie en toezichthouders zijn zich terdege bewust van het belang van PD-modellen en hun voornaamste beperking: gegevensschaarste. Dienovereenkomstig zijn er over de hele wereld verschillende inspanningen geleverd (bijvoorbeeld onder auspiciën van Bazel II ) om het vermogen van financiële instellingen om nuttige financiële gegevens vast te leggen, te verbeteren, waaronder de nauwkeurige identificatie van in gebreke blijvende bedrijven. Naarmate de omvang en precisie van deze datasets toenemen, zal ook de kwaliteit van de resulterende modellen verbeteren.