การทำความเข้าใจความน่าเชื่อถือของคู่ค้าเป็นองค์ประกอบสำคัญในการตัดสินใจทางธุรกิจ ผู้ลงทุนจำเป็นต้องทราบถึงโอกาสที่เงินที่ลงทุนในพันธบัตรหรือในรูปแบบของสินเชื่อจะได้รับการชำระคืน บริษัท จะต้องประเมินปริมาณความน่าเชื่อถือของซัพพลายเออร์ลูกค้าผู้สมัครที่ได้มาและคู่แข่ง
การวัดคุณภาพเครดิตแบบดั้งเดิมนั้นเป็นการจัดอันดับองค์กรเช่นที่จัดทำโดย S&P, Moody's หรือ Fitch ทว่าการให้คะแนนดังกล่าวมีให้สำหรับ บริษัท ที่ใหญ่ที่สุดเท่านั้นไม่ใช่สำหรับ บริษัท ขนาดเล็กหลายล้านแห่ง เพื่อให้ได้ปริมาณเครดิตที่คุ้มค่า บริษัท ขนาดเล็กมักถูกวิเคราะห์โดยใช้วิธีทางเลือกคือความน่าจะเป็นของโมเดลเริ่มต้น (PD) (หากต้องการเรียนรู้เพิ่มเติมดู ประวัติย่อของ บริษัท จัดอันดับเครดิต )
การสอน: ความเสี่ยงและการกระจายความเสี่ยง
การคำนวณ PDs การคำนวณ PDs ต้องการการสร้างแบบจำลองความซับซ้อนและชุดข้อมูลขนาดใหญ่ของค่าเริ่มต้นที่ผ่านมาพร้อมกับชุดตัวแปรทางการเงินพื้นฐานที่สมบูรณ์สำหรับ บริษัท ขนาดใหญ่ในจักรวาล ส่วนใหญ่แล้ว บริษัท ที่เลือกใช้แบบจำลอง PD นั้นให้สิทธิ์ผู้ใช้เหล่านี้จากผู้ให้บริการจำนวนหนึ่ง อย่างไรก็ตามสถาบันการเงินขนาดใหญ่บางแห่งสร้างโมเดล PD ของตนเอง
การสร้างแบบจำลองจำเป็นต้องมีการรวบรวมและวิเคราะห์ข้อมูลรวมถึงการรวบรวมพื้นฐานตราบเท่าที่มีประวัติ โดยทั่วไปข้อมูลนี้มาจากงบการเงิน เมื่อรวบรวมข้อมูลแล้วก็ถึงเวลาสร้างอัตราส่วนทางการเงินหรือ "ไดรเวอร์" - ตัวแปรที่เติมเต็มผลลัพธ์ ไดรเวอร์เหล่านี้มีแนวโน้มที่จะแบ่งออกเป็นหกประเภท: อัตราส่วนการใช้ประโยชน์อัตราส่วนสภาพคล่องอัตราส่วนการทำกำไรการวัดขนาดอัตราส่วนค่าใช้จ่ายและอัตราส่วนคุณภาพสินทรัพย์ มาตรการเหล่านี้ได้รับการยอมรับอย่างกว้างขวางจากผู้เชี่ยวชาญด้านการวิเคราะห์สินเชื่อซึ่งเกี่ยวข้องกับการประเมินความน่าเชื่อถือ (หากต้องการเรียนรู้เพิ่มเติมดู 6 อัตราส่วนทางการเงินพื้นฐานและสิ่งที่เปิดเผย )
ขั้นตอนต่อไปคือการระบุว่า บริษัท ใดในกลุ่มตัวอย่างของคุณคือ "ผู้สั่งจ่าย" ซึ่งเป็น บริษัท ที่ผิดนัดชำระภาระผูกพันทางการเงิน ด้วยข้อมูลนี้อยู่ในมือรูปแบบการถดถอย "โลจิสติก" สามารถประมาณได้ วิธีการทางสถิติถูกใช้เพื่อทดสอบไดรเวอร์ที่มีตัวเลือกมากมายแล้วเลือกวิธีที่มีความสำคัญที่สุดในการอธิบายค่าเริ่มต้นในอนาคต
แบบจำลองการถดถอยเกี่ยวข้องกับเหตุการณ์เริ่มต้นกับไดรเวอร์ต่างๆ รุ่นนี้มีความพิเศษในรูปแบบผลลัพธ์ที่ถูกผูกไว้ระหว่าง 0 และ 1 ซึ่งสามารถแมปกับมาตราส่วนความน่าจะเป็น 0-100% ของค่าเริ่มต้น ค่าสัมประสิทธิ์จากการถดถอยครั้งสุดท้ายเป็นตัวแทนของแบบจำลองสำหรับการประมาณค่าความน่าจะเป็นเริ่มต้นของ บริษัท โดยพิจารณาจากไดรเวอร์
สุดท้ายคุณสามารถตรวจสอบการวัดประสิทธิภาพสำหรับโมเดลที่ได้ สิ่งเหล่านี้น่าจะเป็นการทดสอบทางสถิติที่วัดว่าแบบจำลองทำนายค่าเริ่มต้นได้ดีเพียงใด ตัวอย่างเช่นแบบจำลองอาจถูกประเมินโดยใช้ข้อมูลทางการเงินสำหรับรอบระยะเวลาห้าปี (2001-2005) แบบจำลองผลลัพธ์จะถูกใช้กับข้อมูลจากช่วงเวลาที่แตกต่างกัน (2549-2552) เพื่อทำนายค่าเริ่มต้น เนื่องจากเรารู้ว่า บริษัท ใดผิดนัดในช่วงปี 2549-2552 เราจึงสามารถบอกได้ว่าแบบจำลองนั้นมีประสิทธิภาพดีเพียงใด
เพื่อให้เข้าใจถึงรูปแบบการทำงานให้พิจารณา บริษัท ขนาดเล็กที่มีความสามารถในการก่อหนี้สูงและผลกำไรต่ำ เราเพิ่งกำหนดไดร์เวอร์โมเดลสามตัวสำหรับ บริษัท นี้ ส่วนใหญ่โมเดลจะทำนายความน่าจะเป็นค่าเริ่มต้นที่ค่อนข้างสูงสำหรับ บริษัท นี้เนื่องจากมีขนาดเล็กและดังนั้นรายได้อาจไม่แน่นอน บริษัท มีความสามารถในการก่อหนี้สูงและอาจมีภาระในการจ่ายดอกเบี้ยแก่เจ้าหนี้ และ บริษัท มีผลกำไรต่ำซึ่งหมายความว่า บริษัท จะสร้างเงินสดเพียงเล็กน้อยเพื่อครอบคลุมค่าใช้จ่าย (รวมถึงภาระหนี้ที่หนัก) โดยรวมแล้ว บริษัท มีแนวโน้มที่จะพบว่า บริษัท ไม่สามารถชำระหนี้ได้ดีในอนาคตอันใกล้ ซึ่งหมายความว่ามีโอกาสสูงที่จะผิดนัดชำระ (หากต้องการเรียนรู้เพิ่มเติมดูที่ พื้นฐานการถดถอยสำหรับการวิเคราะห์ธุรกิจ )
ศิลปะกับ วิทยาศาสตร์ จนถึงจุดนี้กระบวนการสร้างแบบจำลองได้รับกลไกโดยใช้สถิติ ขณะนี้มีความต้องการรีสอร์ทเพื่อ "ศิลปะ" ของกระบวนการ ตรวจสอบไดรเวอร์ที่ถูกเลือกในรุ่นสุดท้าย (น่าจะอยู่ที่ใดก็ได้จากไดรเวอร์ 6-10) ตามหลักแล้วควรมีอย่างน้อยหนึ่งไดรเวอร์จากแต่ละหมวดหมู่หกที่อธิบายไว้ก่อนหน้านี้
อย่างไรก็ตามกระบวนการทางกลที่อธิบายข้างต้นสามารถนำไปสู่สถานการณ์ที่แบบจำลองเรียกหาไดรเวอร์หกตัวซึ่งทั้งหมดมาจากหมวดอัตราส่วนความสามารถในการก่อหนี้ แต่ไม่มีตัวแทนใดแสดงถึงสภาพคล่องการทำกำไร ฯลฯ เจ้าหน้าที่สินเชื่อของธนาคาร เพื่อช่วยในการตัดสินใจในการปล่อยสินเชื่ออาจจะบ่น สัญชาตญาณที่แข็งแกร่งที่พัฒนาโดยผู้เชี่ยวชาญดังกล่าวจะทำให้พวกเขาเชื่อว่าหมวดหมู่ไดรเวอร์อื่น ๆ จะต้องมีความสำคัญ การไม่มีไดรเวอร์ดังกล่าวอาจทำให้หลายคนสรุปว่าโมเดลไม่เพียงพอ
ทางออกที่ชัดเจนคือการแทนที่ไดรเวอร์เลเวอเรจบางส่วนด้วยไดรเวอร์จากหมวดที่ขาดหายไป อย่างไรก็ตามสิ่งนี้ทำให้เกิดปัญหา โมเดลดั้งเดิมได้รับการออกแบบมาเพื่อให้การวัดประสิทธิภาพทางสถิติสูงสุด โดยการเปลี่ยนองค์ประกอบของไดรเวอร์มีโอกาสที่ประสิทธิภาพของโมเดลจะลดลงจากมุมมองทางคณิตศาสตร์ล้วนๆ
ดังนั้นการแลกเปลี่ยนจะต้องทำขึ้นระหว่างการรวมตัวเลือกที่หลากหลายของไดรเวอร์เพื่อเพิ่มความน่าสนใจในแบบจำลอง (ศิลปะ) และการลดลงของศักยภาพของแบบจำลองพลังงานบนพื้นฐานของการวัดทางสถิติ (วิทยาศาสตร์) (สำหรับข้อมูลเพิ่มเติมอ่าน เรื่องสไตล์ในการสร้างแบบจำลองทางการเงิน )
คำติชมของแบบจำลอง PD คุณภาพของแบบจำลองนั้นขึ้นอยู่กับจำนวนของค่าเริ่มต้นสำหรับการสอบเทียบและความสะอาดของข้อมูลทางการเงินเป็นหลัก ในหลายกรณีนี่ไม่ใช่ข้อกำหนดเล็กน้อยเนื่องจากชุดข้อมูลจำนวนมากมีข้อผิดพลาดหรือมีข้อมูลขาดหาย
โมเดลเหล่านี้ใช้ข้อมูลในอดีตเท่านั้นและบางครั้งข้อมูลจะล้าสมัยไม่เกินปีหรือมากกว่า สิ่งนี้ทำให้เจือจางพลังการทำนายของแบบจำลองโดยเฉพาะอย่างยิ่งหากมีการเปลี่ยนแปลงที่สำคัญบางอย่างที่ทำให้ผู้ขับขี่มีความเกี่ยวข้องน้อยลงเช่นการเปลี่ยนแปลงในอนุสัญญาหรือข้อบังคับทางบัญชี
แบบจำลองควรถูกสร้างขึ้นสำหรับอุตสาหกรรมเฉพาะภายในประเทศที่เฉพาะเจาะจง สิ่งนี้ทำให้มั่นใจได้ว่าปัจจัยทางเศรษฐกิจกฎหมายและบัญชีที่เป็นเอกลักษณ์ของประเทศและอุตสาหกรรมสามารถถูกจับได้อย่างเหมาะสม ความท้าทายคือมักจะมีข้อมูลไม่เพียงพอที่จะเริ่มต้นโดยเฉพาะในจำนวนค่าเริ่มต้นที่ระบุ หากข้อมูลที่ขาดแคลนนั้นจะต้องแบ่งกลุ่มออกเป็นส่วนย่อย ๆ ของอุตสาหกรรมประเทศมีจุดข้อมูลที่น้อยลงสำหรับแต่ละรูปแบบอุตสาหกรรมของประเทศ
เนื่องจากข้อมูลที่ขาดหายไปนั้นเป็นความจริงของชีวิตเมื่อสร้างแบบจำลองดังกล่าวจึงมีการพัฒนาเทคนิคต่าง ๆ เพื่อเติมตัวเลขเหล่านั้น อย่างไรก็ตามทางเลือกเหล่านี้อาจนำไปสู่ความไม่ถูกต้อง การขาดแคลนข้อมูลยังหมายความว่าความน่าจะเป็นเริ่มต้นที่คำนวณโดยใช้ตัวอย่างข้อมูลขนาดเล็กอาจแตกต่างจากความน่าจะเป็นพื้นฐานเริ่มต้นที่แท้จริงสำหรับประเทศหรืออุตสาหกรรมที่มีปัญหา ในบางกรณีมีความเป็นไปได้ที่จะปรับขนาดเอาต์พุตของโมเดลเพื่อให้ตรงกับประสบการณ์เริ่มต้นที่สำคัญยิ่งขึ้น
เทคนิคการสร้างแบบจำลองที่อธิบายที่นี่ยังสามารถใช้ในการคำนวณ PDs สำหรับองค์กรขนาดใหญ่ มีข้อมูลจำนวนมากที่มีอยู่ใน บริษัท ขนาดใหญ่อย่างไรก็ตามเนื่องจากโดยทั่วไปแล้วพวกเขาจะถูกเปิดเผยต่อสาธารณชนพร้อมกับการซื้อขายหลักทรัพย์และข้อกำหนดการเปิดเผยข้อมูลสาธารณะที่สำคัญ ความพร้อมใช้งานของข้อมูลนี้ทำให้สามารถสร้างโมเดล PD อื่น ๆ (ซึ่งรู้จักกันในชื่อรุ่นตามตลาด) ซึ่งมีประสิทธิภาพมากกว่ารุ่นที่อธิบายไว้ข้างต้น
ข้อสรุป
ผู้ปฏิบัติงานในอุตสาหกรรมและหน่วยงานกำกับดูแลตระหนักดีถึงความสำคัญของโมเดล PD และความขาดแคลนข้อมูลหลักที่ จำกัด ดังนั้นทั่วโลกมีความพยายามต่าง ๆ (ภายใต้การอุปถัมภ์ของ Basel II เป็นต้น) เพื่อปรับปรุงความสามารถของสถาบันการเงินในการเก็บข้อมูลทางการเงินที่เป็นประโยชน์รวมถึงการระบุที่แม่นยำของ บริษัท ที่ผิดนัด เมื่อขนาดและความแม่นยำของชุดข้อมูลเหล่านี้เพิ่มขึ้นคุณภาพของโมเดลที่ได้ก็จะดีขึ้นเช่นกัน (สำหรับข้อมูลเพิ่มเติมในหัวข้อนี้โปรดดู การอภิปรายการจัดอันดับหนี้ )
