การทำความเข้าใจเกี่ยวกับความน่าเชื่อถือของคู่สัญญาเป็นองค์ประกอบสำคัญในการตัดสินใจทางธุรกิจ นักลงทุนจำเป็นต้องทราบถึงโอกาสที่เงินที่ลงทุนในพันธบัตรหรือในรูปของเงินให้กู้ยืมจะได้รับการชำระคืน บริษัท ต้องระบุปริมาณเครดิตของซัพพลายเออร์ลูกค้าผู้ซื้อและคู่แข่ง

การวัดคุณภาพเครดิตแบบเดิมคือการให้คะแนนขององค์กรเช่น S & P, Moody's หรือ Fitch อย่างไรก็ตามการให้คะแนนดังกล่าวมีให้เฉพาะสำหรับ บริษัท ที่ใหญ่ที่สุดไม่ใช่ของ บริษัท ขนาดเล็กหลายล้านแห่ง เพื่อที่จะหาปริมาณความน่าเชื่อถือของเครดิต บริษัท ขนาดเล็กมักจะได้รับการวิเคราะห์โดยใช้วิธีอื่น ๆ ได้แก่ ความเป็นไปได้ของรูปแบบการผิดนัด (PD) (หากต้องการเรียนรู้เพิ่มเติมดู ประวัติโดยย่อของหน่วยงานจัดอันดับเครดิต .)

ความเสี่ยงและความหลากหลาย

การคำนวณ PD

การคำนวณตัวเลข PD ต้องใช้ความซับซ้อนของแบบจำลองและชุดข้อมูลขนาดใหญ่ของค่าเริ่มต้นที่ผ่านมารวมถึงชุดตัวแปรทางการเงินขั้นพื้นฐานสำหรับ บริษัท ขนาดใหญ่ . สำหรับส่วนใหญ่ บริษัท ที่เลือกใช้โมเดล PD อนุญาตให้พวกเขาจากผู้ให้บริการไม่มากนัก อย่างไรก็ตามบางสถาบันการเงินขนาดใหญ่สร้างโมเดล PD ของตนเอง

การสร้างโมเดลจำเป็นต้องมีการรวบรวมและวิเคราะห์ข้อมูลรวมถึงการเก็บรวบรวมพื้นฐานสำหรับตราบเท่าที่ประวัติมีอยู่ ข้อมูลนี้มักมาจากงบการเงิน เมื่อข้อมูลถูกรวบรวมแล้วก็ถึงเวลาที่จะสร้างอัตราส่วนทางการเงินหรือ "ไดรเวอร์" - ตัวแปรที่เป็นตัวขับเคลื่อนผลลัพธ์ ไดรเวอร์เหล่านี้มีแนวโน้มที่จะแบ่งออกเป็น 6 ประเภท ได้แก่ อัตราส่วนหนี้สินต่อหนี้สินอัตราส่วนสภาพคล่องอัตราส่วนกำไรอัตราส่วนขนาดอัตราส่วนค่าใช้จ่ายและอัตราส่วนคุณภาพสินทรัพย์ มาตรการเหล่านี้ได้รับการยอมรับอย่างกว้างขวางจากผู้เชี่ยวชาญด้านการวิเคราะห์สินเชื่อที่เกี่ยวข้องกับการประเมินความน่าเชื่อถือ (หากต้องการเรียนรู้เพิ่มเติมดู

อัตราส่วนการให้คำปรึกษาทางการเงิน ของเรา) ขั้นตอนต่อไปคือการระบุว่า บริษัท ใดในกลุ่มตัวอย่างของคุณคือ "defaulters" ซึ่งเป็นผู้ที่ผิดนัดชำระหนี้ทางการเงิน ด้วยข้อมูลนี้อยู่ในมือคุณสามารถคาดการณ์รูปแบบการถดถอยโลจิสติกส์ได้ วิธีการทางสถิติจะใช้ในการทดสอบโปรแกรมควบคุมของผู้สมัครหลายสิบคนและเลือกผู้ที่มีความสำคัญมากที่สุดในการอธิบายการผิดนัดในอนาคต

รูปแบบการถดถอยที่เกี่ยวข้องกับเหตุการณ์เริ่มต้นกับไดรเวอร์ต่างๆ โมเดลนี้มีลักษณะเฉพาะในผลลัพธ์ของรูปแบบที่ถูก จำกัด ด้วย 0 และ 1 ซึ่งสามารถจับคู่กับความน่าจะเป็นค่าเริ่มต้นของ 0-100% ได้ สัมประสิทธิ์จากการถดถอยสุดท้ายเป็นแบบจำลองสำหรับประเมินความน่าจะเป็นค่าเริ่มต้นของ บริษัท ตามไดรเวอร์

สุดท้ายคุณสามารถตรวจสอบมาตรการประสิทธิภาพสำหรับโมเดลที่เป็นผลลัพธ์ได้ เหล่านี้น่าจะเป็นการทดสอบทางสถิติที่วัดว่าโมเดลนั้นทำนายค่าเริ่มต้นได้ดีเพียงใดตัวอย่างเช่นแบบจำลองอาจมีการประมาณโดยใช้ข้อมูลทางการเงินสำหรับระยะเวลาห้าปี (พ.ศ. 2544-2548) แบบจำลองที่ได้จะถูกนำมาใช้กับข้อมูลจากระยะเวลาต่างๆ (พ.ศ. 2549-2552) เพื่อคาดการณ์ค่าเริ่มต้น เนื่องจากเราทราบว่า บริษัท ใดผิดนัดในช่วงปี 2549-2552 เราสามารถบอกได้ว่าแบบจำลองดังกล่าวดำเนินการได้ดีเพียงใด

เพื่อให้เข้าใจถึงรูปแบบการทำงานให้พิจารณา บริษัท เล็ก ๆ ที่มีการยกระดับสูงและมีผลกำไรต่ำ เราได้กำหนดสามแบบของไดรเวอร์สำหรับ บริษัท นี้ น่าจะเป็นเพราะรูปแบบนี้น่าจะเป็นไปได้ค่อนข้างสูงที่จะเริ่มผิดนัดใน บริษัท นี้เนื่องจากมีขนาดเล็กและดังนั้นกระแสรายได้อาจไม่แน่นอน บริษัท มีอัตราส่วนหนี้สินต่อทุนสูงและอาจมีภาระดอกเบี้ยจ่ายสูงแก่เจ้าหนี้ และ บริษัท มีความสามารถในการทำกำไรต่ำซึ่งหมายความว่า บริษัท มีเงินสดเพียงเล็กน้อยเพื่อชดเชยค่าใช้จ่าย (รวมถึงภาระหนี้ที่หนักหน่วง) ในภาพรวม บริษัท มีแนวโน้มที่จะพบว่าไม่สามารถชำระหนี้ได้ในอนาคตอันใกล้นี้ ซึ่งหมายความว่ามีความเป็นไปได้สูงที่จะผิดนัด (หากต้องการเรียนรู้เพิ่มเติมดู

พื้นฐานเกี่ยวกับการถดถอยสำหรับการวิเคราะห์ธุรกิจ

.) Vs. ศิลปกรรม วิทยาศาสตร์ จนถึงจุดนี้กระบวนการสร้างแบบจำลองนั้นเป็นไปอย่างสมบูรณ์โดยใช้สถิติ ตอนนี้จำเป็นต้องใช้ "ศิลปะ" ของกระบวนการ ตรวจสอบไดรเวอร์ที่ได้รับเลือกไว้ในรุ่นสุดท้าย (มีแนวโน้มที่จะได้จากไดรเวอร์ 6-10) ควรมีอย่างน้อยหนึ่งคนขับรถจากหกประเภทที่อธิบายไว้ก่อนหน้านี้

กระบวนการทางกลที่ได้กล่าวไว้ข้างต้นอาจนำไปสู่สถานการณ์ที่โมเดลเรียกร้องให้ขับรถ 6 รายทั้งหมดที่ดึงออกมาจากอัตราส่วนของอัตราส่วนหนี้สินเบิกจ่าย แต่ไม่มีผู้ใดเป็นตัวแทนของสภาพคล่องการทำกำไร ฯลฯ เจ้าหน้าที่ธนาคารที่ขอให้ใช้ เช่นรูปแบบเพื่อช่วยในการตัดสินใจให้กู้ยืมอาจจะบ่น สัญชาตญาณที่แข็งแกร่งที่พัฒนาโดยผู้เชี่ยวชาญดังกล่าวจะทำให้พวกเขาเชื่อว่าคนขับรถประเภทอื่น ๆ จะต้องมีความสำคัญ การขาดงานของไดรเวอร์ดังกล่าวอาจทำให้หลายคนสรุปได้ว่าแบบจำลองนั้นไม่เพียงพอ วิธีแก้ปัญหาที่เห็นได้ชัดก็คือการแทนที่ไดร์เวอร์ยกระดับจากไดร์เวอร์จากหมวดที่ขาดหายไป เรื่องนี้ทำให้เกิดปัญหาขึ้นอย่างไรก็ตาม แบบจำลองเดิมได้รับการออกแบบมาเพื่อให้มีประสิทธิภาพสูงสุดในการวัดผลทางสถิติ การเปลี่ยนแปลงองค์ประกอบของโปรแกรมควบคุมอาจเป็นไปได้ว่าประสิทธิภาพของโมเดลจะลดลงจากมุมมองทางคณิตศาสตร์อย่างหมดจด

ดังนั้นการถ่วงดุลจะต้องเกิดขึ้นระหว่างการรวมตัวเลือกต่างๆเพื่อเพิ่มโอกาสในการดึงดูดใจแบบจำลอง (ศิลปะ) และการลดศักยภาพของโมเดลโดยใช้มาตรการทางสถิติ (วิทยาศาสตร์) (อ่านเพิ่มเติม

รูปแบบในการสร้างโมเดลทางการเงิน

.) การวิพากษ์วิจารณ์โมเดล PD คุณภาพของโมเดลขึ้นอยู่กับจำนวนค่าเริ่มต้นที่ใช้ในการสอบเทียบและความสะอาดของข้อมูลทางการเงิน . ในหลายกรณีนี่ไม่ใช่ความต้องการเล็กน้อยเนื่องจากชุดข้อมูลจำนวนมากมีข้อผิดพลาดหรือประสบกับข้อมูลที่ขาดหายไป

โมเดลเหล่านี้ใช้ข้อมูลทางประวัติศาสตร์เพียงอย่างเดียวและบางครั้งปัจจัยการผลิตล้าสมัยไม่เกินหนึ่งปีหรือมากกว่านี่ทำให้เจตนารมณ์ในการคาดเดาของรุ่นโดยเฉพาะอย่างยิ่งหากมีการเปลี่ยนแปลงที่สำคัญซึ่งทำให้ผู้ขับขี่มีความเกี่ยวข้องน้อยลงเช่นการเปลี่ยนแปลงข้อกำหนดหรือข้อบังคับทางบัญชี ควรสร้างโมเดลสำหรับอุตสาหกรรมเฉพาะในประเทศที่เฉพาะเจาะจง เพื่อให้แน่ใจได้ว่าสามารถจับภาพปัจจัยด้านเศรษฐกิจกฎหมายและการบัญชีของประเทศและอุตสาหกรรมได้อย่างเหมาะสม ความท้าทายคือโดยปกติแล้วจะมีข้อมูลที่ขาดแคลนโดยเฉพาะอย่างยิ่งในจำนวนค่าเริ่มต้นที่ระบุไว้ หากข้อมูลที่ขาดแคลนต้องถูกแยกออกเป็นกลุ่มอุตสาหกรรมในประเทศจะมีจุดข้อมูลน้อยกว่าสำหรับแต่ละรูปแบบอุตสาหกรรมในแต่ละประเทศ

เนื่องจากข้อมูลที่ขาดหายไปคือความเป็นจริงของชีวิตเมื่อสร้างโมเดลดังกล่าวจึงได้มีการพัฒนาเทคนิคต่างๆเพื่อเติมตัวเลขเหล่านี้ บางส่วนของทางเลือกเหล่านี้ แต่อาจนำมาไม่ถูกต้อง ความขาดแคลนข้อมูลยังหมายถึงความน่าจะเป็นค่าเริ่มต้นที่คำนวณโดยใช้ตัวอย่างข้อมูลขนาดเล็กอาจแตกต่างจากความน่าจะเป็นค่าเริ่มต้นจริงที่แท้จริงของประเทศหรืออุตสาหกรรมที่เป็นปัญหา ในบางกรณีคุณสามารถปรับขนาดเอาต์พุตของรูปแบบเพื่อให้ตรงกับประสบการณ์การใช้งานเริ่มต้นพื้นฐานใกล้ชิดมากขึ้น

เทคนิคการสร้างแบบจำลองที่อธิบายไว้ที่นี่สามารถใช้ในการคำนวณ PD สำหรับองค์กรขนาดใหญ่ มีข้อมูลเพิ่มเติมเกี่ยวกับ บริษัท ขนาดใหญ่ แต่เนื่องจากโดยปกติแล้วจะมีการเปิดเผยต่อสาธารณชนทั่วไปโดยมีส่วนของการซื้อขายและข้อกำหนดในการเปิดเผยข้อมูลสาธารณะอย่างมีนัยสำคัญ ความพร้อมใช้งานข้อมูลนี้ช่วยให้สามารถสร้างโมเดล PD อื่น ๆ (เรียกได้ว่าเป็นโมเดลที่อิงตลาด) ที่มีประสิทธิภาพมากกว่าที่ได้กล่าวไว้ข้างต้น

บทสรุป

ผู้ปฏิบัติงานภาคอุตสาหกรรมและหน่วยงานกำกับดูแลตระหนักดีถึงความสำคัญของโมเดล PD และข้อ จำกัด ด้านข้อมูลที่ขาดไม่ได้ ดังนั้นทั่วโลกจึงมีความพยายามหลายอย่าง (ภายใต้การอุปถัมภ์ของ Basel II) เพื่อปรับปรุงความสามารถของสถาบันการเงินในการรวบรวมข้อมูลทางการเงินที่เป็นประโยชน์รวมทั้งการระบุ บริษัท ที่ผิดนัดได้อย่างแม่นยำ เนื่องจากขนาดและความแม่นยำของชุดข้อมูลเหล่านี้จะเพิ่มขึ้นคุณภาพของรูปแบบที่เป็นผลลัพธ์จะดีขึ้นด้วย (สำหรับข้อมูลเพิ่มเติมในหัวข้อนี้ดู

Debate Debate Review
.)