Das Verständnis der Kreditwürdigkeit von Gegenparteien ist ein entscheidendes Element bei der Entscheidungsfindung in Unternehmen. Anleger müssen die Wahrscheinlichkeit kennen, dass in Anleihen oder in Form von Darlehen investiertes Geld zurückgezahlt wird. Unternehmen müssen die Kreditwürdigkeit von Lieferanten, Kunden, Übernahmekandidaten und Wettbewerbern quantifizieren.
Das traditionelle Maß für die Kreditqualität ist ein Unternehmensrating wie das von S & P, Moody's oder Fitch. Solche Ratings sind jedoch nur für die größten Unternehmen verfügbar, nicht für Millionen kleinerer Unternehmen. Um ihre Kreditwürdigkeit zu quantifizieren, werden kleinere Unternehmen häufig mit alternativen Methoden analysiert, nämlich mit Wahrscheinlichkeitsausfallmodellen (PD-Modellen). (Weitere Informationen finden Sie unter Ein kurzer Überblick über Ratingagenturen .)
TUTORIAL: Risiko und Diversifikation
Berechnung von PDs Die Berechnung von PDs erfordert eine ausgefeilte Modellierung und einen großen Datensatz früherer Standardwerte sowie einen vollständigen Satz grundlegender finanzieller Variablen für ein großes Universum von Unternehmen. In den meisten Fällen lizenzieren Unternehmen, die PD-Modelle verwenden, diese von einer Handvoll Anbietern. Einige große Finanzinstitute bauen jedoch ihre eigenen PD-Modelle auf.
Das Erstellen eines Modells erfordert das Sammeln und Analysieren von Daten, einschließlich des Sammelns von Grundlagen, solange eine Historie verfügbar ist. Diese Informationen stammen normalerweise aus Abschlüssen. Sobald die Daten zusammengestellt sind, ist es Zeit, finanzielle Kennzahlen oder "Treiber" zu bilden - Variablen, die das Ergebnis befeuern. Diese Treiber lassen sich in sechs Kategorien einteilen: Verschuldungsquoten, Liquiditätsquoten, Rentabilitätsquoten, Größenkennzahlen, Kostenquoten und Qualitätsquoten von Vermögenswerten. Diese Maßnahmen werden von Fachleuten der Kreditanalyse allgemein als relevant für die Einschätzung der Kreditwürdigkeit akzeptiert. (Weitere Informationen finden Sie unter 6 Grundlegende Finanzkennzahlen und was sie enthüllen. )
Der nächste Schritt besteht darin, herauszufinden, welche der in Ihrer Stichprobe enthaltenen Unternehmen "säumig" sind - diejenigen, die tatsächlich ihren finanziellen Verpflichtungen nicht nachgekommen sind. Mit diesen Informationen kann ein "logistisches" Regressionsmodell geschätzt werden. Statistische Methoden werden verwendet, um Dutzende von möglichen Fahrern zu testen und dann diejenigen auszuwählen, die für die Erklärung zukünftiger Standardeinstellungen am wichtigsten sind.
Das Regressionsmodell verknüpft Standardereignisse mit den verschiedenen Treibern. Dieses Modell ist insofern einzigartig, als die Modellausgaben zwischen 0 und 1 liegen, was auf eine Skala von 0 bis 100% Ausfallwahrscheinlichkeit abgebildet werden kann. Die Koeffizienten aus der endgültigen Regression stellen ein Modell für die Schätzung der Ausfallwahrscheinlichkeit eines Unternehmens auf der Grundlage seiner Treiber dar.
Schließlich können Sie die Leistungskennzahlen für das resultierende Modell untersuchen. Dies werden wahrscheinlich statistische Tests sein, die messen, wie gut das Modell Standardwerte vorhergesagt hat. Beispielsweise kann das Modell unter Verwendung von Finanzdaten für einen Fünfjahreszeitraum (2001-2005) geschätzt werden. Das resultierende Modell wird dann für Daten aus einem anderen Zeitraum (2006-2009) verwendet, um Standardwerte vorherzusagen. Da wir wissen, welche Unternehmen im Zeitraum 2006-2009 in Verzug waren, können wir feststellen, wie gut das Modell abgeschnitten hat.
Um zu verstehen, wie das Modell funktioniert, betrachten Sie ein kleines Unternehmen mit hohem Verschuldungsgrad und geringer Rentabilität. Wir haben gerade drei der Modelltreiber für diese Firma definiert. Höchstwahrscheinlich wird das Modell eine relativ hohe Ausfallwahrscheinlichkeit für dieses Unternehmen vorhersagen, da es klein ist und seine Einnahmequelle daher möglicherweise fehlerhaft ist. Das Unternehmen verfügt über einen hohen Verschuldungsgrad und kann daher eine hohe Zinsbelastung für die Gläubiger darstellen. Und das Unternehmen weist eine geringe Rentabilität auf, was bedeutet, dass es wenig Geld zur Deckung seiner Ausgaben (einschließlich seiner hohen Schuldenlast) generiert. Insgesamt dürfte das Unternehmen feststellen, dass es in naher Zukunft nicht in der Lage ist, seine Schulden zu begleichen. Dies bedeutet eine hohe Ausfallwahrscheinlichkeit. (Weitere Informationen finden Sie unter Grundlagen der Regression für die Unternehmensanalyse .)
Art Vs. Wissenschaft Bis jetzt war der Modellbildungsprozess rein mechanisch und stützte sich auf Statistiken. Jetzt muss auf die "Kunst" des Prozesses zurückgegriffen werden. Untersuchen Sie die im endgültigen Modell ausgewählten Treiber (wahrscheinlich zwischen 6 und 10). Idealerweise sollte es mindestens einen Fahrer aus jeder der sechs zuvor beschriebenen Kategorien geben.
Der oben beschriebene mechanische Prozess kann jedoch dazu führen, dass für ein Modell sechs Fahrer erforderlich sind, die alle aus der Kategorie der Verschuldungsquoten stammen, aber keine Liquidität, Rentabilität usw. repräsentieren. Beauftragte für die Kreditvergabe, die gebeten werden, ein solches Modell zu verwenden bei Kreditentscheidungen zu helfen, würde sich wahrscheinlich beschweren. Die ausgeprägte Intuition solcher Experten lässt sie glauben, dass auch andere Fahrerkategorien wichtig sein müssen. Das Fehlen solcher Treiber könnte viele zu dem Schluss führen, dass das Modell unangemessen ist.
Die naheliegende Lösung besteht darin, einige der Hebeleffekttreiber durch Treiber aus fehlenden Kategorien zu ersetzen. Dies wirft jedoch ein Problem auf. Das ursprüngliche Modell wurde entwickelt, um die höchsten statistischen Leistungsmessungen bereitzustellen. Durch eine Änderung der Treiberzusammensetzung ist es wahrscheinlich, dass die Leistung des Modells aus rein mathematischer Sicht abnimmt.
Daher muss ein Kompromiss zwischen der Einbeziehung einer breiten Auswahl von Treibern zur Maximierung der intuitiven Attraktivität des Modells (Kunst) und der potenziellen Abnahme der Modellleistung basierend auf statistischen Maßen (Wissenschaft) geschlossen werden. (Weitere Informationen finden Sie unter Stilfragen in der Finanzmodellierung .)
Kritikpunkte von PD-Modellen Die Qualität des Modells hängt in erster Linie von der Anzahl der für die Kalibrierung verfügbaren Standardwerte und der Sauberkeit der Finanzdaten ab. In vielen Fällen ist dies keine triviale Anforderung, da viele Datensätze Fehler enthalten oder unter fehlenden Daten leiden.
Diese Modelle verwenden nur historische Informationen, und manchmal sind die Eingaben bis zu einem Jahr oder länger veraltet. Dies schwächt die Vorhersagekraft des Modells ab, insbesondere wenn wesentliche Änderungen vorgenommen wurden, die einen Fahrer weniger relevant gemacht haben, z. B. Änderungen der Rechnungslegungskonventionen oder -vorschriften.
Modelle sollten idealerweise für eine bestimmte Branche in einem bestimmten Land erstellt werden. Dies stellt sicher, dass die einzigartigen wirtschaftlichen, rechtlichen und buchhalterischen Faktoren des Landes und der Branche richtig erfasst werden können. Die Herausforderung besteht darin, dass in der Regel zunächst nur wenige Daten vorliegen, insbesondere in Bezug auf die Anzahl der identifizierten Standardwerte. Wenn diese knappen Daten weiter in länderspezifische Bereiche unterteilt werden müssen, gibt es für jedes länderspezifische Modell noch weniger Datenpunkte.
Da das Fehlen von Daten bei der Erstellung solcher Modelle eine Tatsache ist, wurden eine Reihe von Techniken entwickelt, um diese Zahlen auszufüllen. Einige dieser Alternativen können jedoch zu Ungenauigkeiten führen. Datenknappheit bedeutet auch, dass die mit einer kleinen Datenstichprobe berechneten Ausfallwahrscheinlichkeiten von den zugrunde liegenden tatsächlichen Ausfallwahrscheinlichkeiten für das betreffende Land oder die betreffende Branche abweichen können. In einigen Fällen ist es möglich, die Modellausgaben so zu skalieren, dass sie der zugrunde liegenden Standarderfahrung besser entsprechen.
Die hier beschriebene Modellierungstechnik kann auch zur Berechnung von PDs für große Unternehmen verwendet werden. Zu großen Unternehmen sind jedoch wesentlich mehr Daten verfügbar, da sie in der Regel mit gehandeltem Eigenkapital und erheblichen Offenlegungspflichten an der Börse notiert sind. Diese Datenverfügbarkeit ermöglicht es, andere PD-Modelle (sogenannte marktbasierte Modelle) zu erstellen, die leistungsstärker sind als die oben beschriebenen.
Fazit
Branchenkenner und Aufsichtsbehörden sind sich der Bedeutung von PD-Modellen und ihrer primären Datenknappheit bewusst. Dementsprechend wurden weltweit verschiedene Anstrengungen unternommen (zum Beispiel unter der Schirmherrschaft von Basel II), um die Fähigkeit von Finanzinstituten zu verbessern, nützliche Finanzdaten zu erfassen, einschließlich der genauen Identifizierung von säumigen Unternehmen. Mit zunehmender Größe und Genauigkeit dieser Datensätze wird sich auch die Qualität der resultierenden Modelle verbessern. (Weitere Informationen zu diesem Thema finden Sie unter Debatte über die Schuldenbewertung .)
