Компанияның несиелік тәуекелін есептеу (шағын)

Контрагенттердің несиелік қабілеттілігін түсіну іскерлік шешімдер қабылдаудың шешуші элементі болып табылады. Инвесторлар облигацияларға немесе несие түрінде салынған ақшаның қайтарылу ықтималдығын білуі керек. Корпорациялар жеткізушілердің, клиенттердің, сатып алуға үміткерлердің және бәсекелестердің несиелік қабілеттілігін анықтауы керек.

Дәстүрлі несие сапасының өлшемі – бұл S&P, Moody’s немесе Fitch шығарған корпоративтік рейтинг. Мұндай рейтингтер миллиондаған ұсақ корпорациялар үшін емес, тек ірі фирмалар үшін қол жетімді. Несиелік қабілеттілігін анықтау үшін кішігірім компанияларға альтернативті әдістер, көбінесе, төлемдердің орындалмау ықтималдығы (PD) модельдерін қолдана отырып талдау жасалады.

ПД есептеу

PD есептеу үшін фирмалардың үлкен әлемі үшін қаржылық іргелі айнымалылардың толық жиынтығымен бірге талғампаздықты модельдеу және өткен стандартты деректердің үлкен жиынтығы қажет. Көбіне PD модельдерін пайдалануды таңдаған корпорациялар оларды бірнеше провайдерлерден лицензиялайды. Алайда, кейбір ірі қаржы институттары өздерінің PD модельдерін жасайды.

Модель құру үшін деректерді жинау мен талдау қажет, оның ішінде тарих қол жетімді болғанша негіздерді жинау қажет. Бұл ақпарат әдетте қаржылық есептіліктен алынады. Деректер жинақталғаннан кейін, қаржылық коэффициенттерді немесе « драйверлерді » – нәтижеге ықпал ететін айнымалыларды қалыптастыру уақыты келді. Бұл драйверлер алты санатқа бөлінеді: левередж коэффициенттері, өтімділік коэффициенттері, кірістілік коэффициенттері, өлшемдер өлшемдері, шығындар коэффициенттері және активтер сапасының коэффициенттері. Бұл шараларды несиелік талдау бойынша мамандар несиелік қабілеттілікті бағалауға қатысты кеңінен қабылдайды.

Келесі қадам – ​​сіздің үлгіңіздегі фирмалардың қайсысы «міндеттемелерді» анықтау – қаржылық міндеттемелерін нақты орындамаған. Осы ақпараттың қолында «логистикалық» регрессия моделін бағалауға болады. Статистикалық әдістер ондаған үміткер драйверлерді тестілеу үшін қолданылады, содан кейін болашақ дефолттарды түсіндіруде маңыздыларды таңдайды.

Регрессия моделі әдепкі оқиғаларды әртүрлі драйверлермен байланыстырады. Бұл модель бірегей болып табылады, өйткені модель нәтижелері 0-ден 1-ге дейін шектеледі, оны 0-100% дефолт ықтималдығының масштабына келтіруге болады. Соңғы регрессияның коэффициенттері оның драйверлері негізінде фирманың дефолт ықтималдығын бағалаудың үлгісін білдіреді.

Соңында, алынған модель үшін өнімділік өлшемдерін тексеруге болады. Бұл статистикалық сынақтар болуы мүмкін, бұл модельдің дефолттарды қаншалықты болжағанын өлшейді. Мысалы, модельді бес жылдық кезеңдегі (2001-2005) қаржылық деректерді пайдалана отырып бағалауға болады. Алынған модель әр түрлі кезеңдегі (2006-2009 ж.ж.) деректерде дефолттарды болжау үшін қолданылады. 2006-2009 жылдар аралығында қандай фирмалардың дефолтқа ұшырағанын білетіндіктен, модельдің қаншалықты жақсы жұмыс істегенін айта аламыз.

Модель қалай жұмыс істейтінін түсіну үшін левереджі жоғары және табысы төмен шағын фирманы қарастырыңыз. Біз осы фирманың үш драйверін анықтадық. Сірә, модель бұл фирма үшін дефолттың салыстырмалы түрде жоғары ықтималдығын болжайды, өйткені ол аз, демек, оның кіріс ағыны тұрақсыз болуы мүмкін. Фирма жоғары левереджге ие, сондықтан несие берушілерге жоғары пайыздық төлем ауыртпалығы болуы мүмкін. Ал фирманың рентабельділігі төмен, демек ол шығындарын жабу үшін аз ақша қаражатын өндіреді (оның ауыр қарыз жүктемесін қоса). Тұтасымен алғанда, фирма жақын арада қарыз төлемдерін өтей алмайтынын анықтауы мүмкін. Бұл оның дефолт ықтималдығы жоғары екенін білдіреді.

Өнер ғылымға қарсы

Осы уақытқа дейін модель құру процесі статистикалық мәліметтерді қолдана отырып, толығымен механикалық болды. Енді процестің «өнеріне» жүгіну қажет. Соңғы модельде таңдалған драйверлерді тексеріңіз (мүмкін, алтыдан 10-ға дейін жүргізушілер). Ең дұрысы, бұрын сипатталған алты санаттың әрқайсысынан кем дегенде бір жүргізуші болуы керек.

Жоғарыда сипатталған механикалық процесс модельге алты драйверді шақыратын жағдайға әкелуі мүмкін, олардың барлығы левередж коэффициенті санатынан алынған, бірақ өтімділікті, кірістілікті және т.с.с. жоқ несиелік шешімдерге көмектесу шағымдануы мүмкін. Мұндай сарапшылардың дамыған интуициясы оларды басқа жүргізушілер санаттары да маңызды болуы керек деп санауға мәжбүр етеді. Мұндай драйверлердің болмауы көпшілікке модель жеткіліксіз деген қорытынды жасауға әкелуі мүмкін.

Айқын шешім – кейбір левередж драйверлерін жетіспейтін санаттардағы драйверлермен ауыстыру. Бұл мәселе көтереді, дегенмен. Түпнұсқа модель ең жоғары статистикалық көрсеткіштерді қамтамасыз етуге арналған. Драйвер құрамын өзгерту арқылы модельдің жұмысы тек математикалық тұрғыдан төмендеуі мүмкін.

Осылайша, модельдің (өнердің) интуитивті тартымдылығын максимизациялау үшін драйверлердің кең таңдауын қосу мен статистикалық шараларға (ғылымға) негізделген модель қуаттылығының әлеуетті төмендеуі арасында айырбас жасау керек.

PD модельдерінің сындары

Модельдің сапасы, ең алдымен, калибрлеу үшін берілген дефолттардың санына және қаржылық деректердің тазалығына байланысты. Көптеген жағдайларда бұл маңызды емес талап емес, өйткені көптеген деректер жиынтығында қателер бар немесе олар жоғалған мәліметтерден зардап шегеді.

Бұл модельдер тек тарихи ақпаратты пайдаланады, ал кейде кірістер ескіріп, бір жылға дейін немесе одан да көп уақытты алады. Бұл модельдің болжамды күшін азайтады, әсіресе, егер жүргізушіге онша маңызды емес әсер еткен елеулі өзгерістер болған болса, мысалы, бухгалтерлік конвенциялар немесе ережелердегі өзгеріс.

Модельдер белгілі бір елдің ішінде белгілі бір сала үшін жасалуы керек. Бұл елдің және саланың бірегей экономикалық, құқықтық және бухгалтерлік факторларын дұрыс ұстап алуға мүмкіндік береді. Қиындық – әдетте деректердің жетіспеушілігі, әсіресе анықталған дефолттар санында. Егер бұл сирек деректерді ел-индустрия шелектеріне бөлу қажет болса, әр ел-индустрия моделі үшін деректер нүктелері аз болады.

Мұндай модельдерді құру кезінде жетіспейтін деректер өмірде кездесетін факт болғандықтан, сол сандарды толтырудың бірқатар әдістері жасалды. Бұл баламалардың кейбіреулері дәлсіздіктерді енгізуі мүмкін. Деректердің жетіспеушілігі сонымен қатар шағын деректер үлгісі арқылы есептелген әдепкі ықтималдықтар қарастырылып отырған ел немесе сала үшін негізгі нақты ықтималдықтардан өзгеше болуы мүмкін дегенді білдіреді. Кейбір жағдайларда модельдің нәтижелерін негізгі стандартты тәжірибеге сәйкес келтіру үшін масштабтауға болады.

Мұнда сипатталған модельдеу техникасы ірі корпорациялар үшін PD есептеу үшін де қолданыла алады. Ірі фирмаларда көбірек мәліметтер бар, дегенмен, олар әдетте акциялардың саудаланатын меншікті капиталымен және қоғамның ашылуына қатысты маңызды талаптармен тізімге енгізілгендіктен. Бұл деректердің қол жетімділігі жоғарыда сипатталғаннан гөрі қуатты басқа PD модельдерін (нарыққа негізделген модельдер) жасауға мүмкіндік береді.

Қорытынды

Салалық практиктер мен реттеушілер PD модельдерінің маңыздылығын және олардың негізгі шектеулері – деректердің жетіспеушілігін жақсы біледі. Тиісінше, бүкіл әлемде қаржы институттарының пайдалы қаржылық мәліметтерді жинау мүмкіндігін, оның ішінде дефолтқа ұшыраған фирмаларды нақты сәйкестендіруді жақсарту бойынша (мысалы, Базель II қолдауымен) әртүрлі күш-жігер жұмсалды. Осы мәліметтер жиынтығының мөлшері мен дәлдігі жоғарылаған сайын, алынған модельдердің сапасы да жақсарады.