상대방의 신용도를 이해하는 것은 비즈니스 의사 결정에서 결정적인 요소입니다. 투자자들은 채권이나 대출 형태로 투자 한 돈이 상환 될 가능성을 알아야합니다. 기업은 공급 업체, 고객, 인수 후보 및 경쟁 업체의 신용도를 수량화해야합니다.
신용 품질의 전통적인 척도는 S & P, Moody 's 또는 Fitch와 같은 회사 등급입니다. 그러나 이러한 등급은 수백만 개의 소규모 기업이 아닌 대기업에만 제공됩니다. 신용 가치를 정량화하기 위해 소규모 회사는 대체 방법, 즉 기본 확률 (PD) 모델을 사용하여 분석하는 경우가 많습니다. (자세한 내용은 신용 평가 기관의 간략한 역사를 참조하십시오.)
튜토리얼: 위험 및 다양 화
PD 계산 PD 계산에는 모델링의 정교함과 과거의 불이행에 대한 대규모 데이터 세트와 함께 많은 회사의 기본 재무 변수 세트가 필요합니다. 대부분의 경우, PD 모델을 사용하기로 선택한 회사는 소수의 공급자로부터 라이센스를 얻습니다. 그러나 일부 대형 금융 기관은 자체 PD 모델을 구축합니다.
모델을 구축하려면 기록을 사용할 수있는 한 기본 정보 수집을 포함하여 데이터 수집 및 분석이 필요합니다. 이 정보는 일반적으로 재무 제표에서 나옵니다. 데이터가 컴파일되면 재무 비율 또는 "드라이버"를 형성해야합니다. 결과는 결과를 가져옵니다. 이러한 동인은 레버리지 비율, 유동성 비율, 수익성 비율, 규모 측정, 비용 비율 및 자산 품질 비율의 6 가지 범주로 분류되는 경향이 있습니다. 이러한 측정은 신용도 추정과 관련하여 신용 분석 전문가들에 의해 광범위하게 수용됩니다. (자세한 내용은 6 가지 기본 재무 비율 및 공개 내용을 참조하십시오 . )
다음 단계는 표본에서 어떤 기업이 "채무 불이행자"인지 확인하는 것입니다 – 실제로 재정적 의무가 불이행 한 회사입니다. 이 정보를 이용하여 "물류"회귀 모델을 추정 할 수 있습니다. 통계 방법은 수십 개의 후보 드라이버를 테스트 한 다음 향후 기본값을 설명하는 데 가장 중요한 드라이버를 선택하는 데 사용됩니다.
회귀 모델은 기본 이벤트를 다양한 드라이버와 관련시킵니다. 이 모델은 모델 출력이 0과 1 사이로 제한되어 있으며 기본 확률은 0-100 %의 척도로 매핑 될 수 있습니다. 최종 회귀의 계수는 동인을 기준으로 회사의 기본 확률을 추정하기위한 모델을 나타냅니다.
마지막으로 결과 모델의 성능 측정 값을 검사 할 수 있습니다. 모형이 기본값을 얼마나 잘 예측했는지 측정하는 통계 테스트 일 것입니다. 예를 들어, 모델은 5 년 동안 (2001-2005) 재무 데이터를 사용하여 추정 할 수 있습니다. 결과 모델은 다른 기간 (2006-2009)의 데이터에 사용되어 기본값을 예측합니다. 2006-2009 년 기간 동안 어떤 회사가 불이행을했는지 알기 때문에 모델이 얼마나 잘 수행되었는지 알 수 있습니다.
모델의 작동 방식을 이해하려면 레버리지가 높고 수익성이 낮은 소규모 회사를 고려하십시오. 우리는이 회사를 위해 세 가지 모델 드라이버를 정의했습니다. 대부분의 경우, 이 회사는 규모가 작기 때문에이 회사에 대해 상대적으로 높은 채무 불이행 가능성을 예측할 것이므로 수익 흐름이 불규칙 할 수 있습니다. 회사는 레버리지가 높기 때문에 채권자에 대한이자 지불 부담이 높을 수 있습니다. 또한이 회사는 수익성이 낮기 때문에 부채 부담을 포함하여 비용을 충당 할 현금이 거의 없습니다. 전체적으로 볼 때, 회사는 가까운 장래에 부채 상환을 잘 할 수 없다는 것을 알게 될 것입니다. 이는 기본 설정 가능성이 높다는 것을 의미합니다. 자세한 내용은 비즈니스 분석의 회귀 기본 사항을 참조하십시오.
예술 대. 과학 지금까지, 모델 구축 프로세스는 통계를 사용하여 완전히 기계적으로 이루어졌습니다. 이제 프로세스의 "예술"에 의지 할 필요가 있습니다. 최종 모델에서 선택한 드라이버를 검사하십시오 (예: 6-10 드라이버). 이상적으로는 앞에서 설명한 6 가지 범주 각각에서 하나 이상의 드라이버가 있어야합니다.
그러나 위에서 설명한 기계적 프로세스는 모델이 모두 레버리지 비율 범주에서 도출되었지만 유동성, 수익성 등을 나타내지 않는 6 명의 운전자를 요구하는 상황으로 이어질 수 있습니다. 대출 결정에 도움이 될 수 있습니다. 이러한 전문가들이 개발 한 강력한 직관은 다른 운전자 카테고리도 중요해야한다고 믿게 할 것입니다. 그러한 동인이 없으면 많은 사람들이 모델이 부적절하다고 결론 내릴 수 있습니다.
확실한 해결책은 일부 레버리지 드라이버를 누락 된 범주의 드라이버로 교체하는 것입니다. 그러나 이것은 문제를 일으킨다. 원래 모델은 최고의 통계 성능 측정을 제공하도록 설계되었습니다. 드라이버 구성을 변경하면 순전히 수학적인 관점에서 모델의 성능이 저하 될 수 있습니다.
따라서, 모델 (예술)의 직관적 인 호소를 극대화하기 위해 광범위한 선택 드라이버를 포함시키는 것과 통계적 측정 (과학)에 기초한 모델 전력의 잠재적 감소를 절충해야합니다. 자세한 내용은 재무 모델링의 스타일 문제 를 참조하십시오.
PD 모델 의 비판 모델 의 품질은 주로 보정에 사용할 수있는 기본값의 수와 재무 데이터의 청결도에 달려 있습니다. 많은 데이터 세트에 오류가 있거나 데이터 누락으로 어려움을 겪는 경우가 많으므로 사소한 요구 사항은 아닙니다.
이 모델은 과거 정보 만 사용하며 때로는 입력 내용이 최대 1 년 이상 오래되었습니다. 이는 특히 회계 규칙이나 규정의 변경과 같이 운전자의 관련성을 떨어 뜨리는 중대한 변화가있는 경우 모델의 예측력을 희석시킵니다.
특정 국가의 특정 산업에 적합한 모델을 만들어야합니다. 이를 통해 국가 및 산업의 고유 한 경제적, 법적 및 회계 요소를 올바르게 파악할 수 있습니다. 문제는 일반적으로 특히 식별 된 기본값의 수가 많기 때문에 데이터가 부족하다는 점입니다. 부족한 데이터를 국가 별 산업 버킷으로 더 세분화해야하는 경우 각 국가 별 산업 모델에 대한 데이터 포인트가 훨씬 적습니다.
데이터를 잃어버린 데이터는 그러한 모델을 만들 때 실제로 존재하기 때문에 그 수를 채우기 위해 많은 기술이 개발되었습니다. 그러나 이러한 대안 중 일부는 부정확성을 초래할 수 있습니다. 데이터 부족은 작은 데이터 샘플을 사용하여 계산 된 기본 확률이 해당 국가 또는 산업의 기본 실제 기본 확률과 다를 수 있음을 의미합니다. 경우에 따라 기본 기본 환경에 더 가깝게 모델 출력을 확장 할 수 있습니다.
여기에 설명 된 모델링 기술을 사용하여 대기업의 PD를 계산할 수도 있습니다. 그러나 대기업에는 일반적으로 거래되는 주식 및 중요한 공개 공개 요구 사항이 공개되어 있기 때문에 더 많은 데이터가 제공됩니다. 이 데이터 가용성을 통해 위에서 설명한 것보다 더 강력한 다른 PD 모델 (시장 기반 모델)을 만들 수 있습니다.
결론
업계 종사자 및 규제 기관은 PD 모델의 중요성과 주요 제한 데이터 부족을 잘 알고 있습니다. 따라서 전 세계적으로 (예를 들어 바젤 II의 후원하에) 금융 기관이 채무 불이행 회사를 정확하게 식별하는 등 유용한 재무 데이터를 수집하는 능력을 향상시키기위한 다양한 노력이있었습니다. 이러한 데이터 세트의 크기와 정밀도가 증가함에 따라 결과 모델의 품질도 향상됩니다. (이 주제에 대한 자세한 내용 은 부채 등급 토론을 참조하십시오.)
