거래 상대방의 신용도를 이해하는 것은 비즈니스 의사 결정에서 중요한 요소입니다. 투자자는 채권에 투자 한 돈이나 대출 형태로 상환 될 가능성을 알아야합니다. 기업은 공급 업체, 고객, 인수 후보자 및 경쟁 업체의 신용도를 계량화해야합니다.

신용 품질의 전통적인 척도는 S & P, Moody 's 또는 Fitch가 산출 한 것과 같은 기업 신용 등급입니다. 그러나 이러한 등급은 대기업 만 사용할 수 있으며 수백만 개의 소규모 기업은 사용할 수 없습니다. 그들의 신용 가치를 정량화하기 위해 중소기업은 종종 대체 방법, 즉 디폴트 확률 (PD) 모델을 사용하여 분석됩니다. (자세한 내용은 신용 평가 기관의 연혁 참조)

PD 계산하기 PD를 계산하려면 대규모 기업 집단을위한 완벽한 재무 변수 집합과 함께 과거의 디폴트의 복잡한 데이터 집합과 모델링이 필요합니다. . 대부분의 경우 PD 모델을 사용하기로 선택한 기업은 소수의 제공 업체로부터 라이센스를 취득합니다. 그러나 일부 대형 금융 기관에서는 자체 PD 모델을 구축합니다.

모델을 구축하려면 역사가 가능한 한 기본을 수집하는 것을 포함하여 데이터 수집 및 분석이 필요합니다. 이 정보는 일반적으로 재무 제표에서 비롯됩니다. 일단 데이터가 수집되면 재무 비율 또는 "운전자"- 결과에 영향을 미치는 변수 -를 형성 할 때입니다. 이러한 운전자는 레버리지 비율, 유동성 비율, 수익성 비율, 크기 측정, 비용 비율 및 자산 품질 비율의 6 가지 범주로 분류되는 경향이 있습니다. 이러한 측정은 신용 분석 전문가가 신용도를 평가하는 것과 관련하여 널리 수용됩니다. (자세한 내용은 재무 비율 자습서

를 참조하십시오.)

다음 단계는 귀하의 견본에있는 회사 중 "불이익자"(실제로는 채무 불이행 사실이있는 회사)를 식별하는 것입니다. 이 정보를 이용하여 회귀 모형을 추정 할 수 있습니다. 통계 방법은 수십 명의 후보 운전자를 테스트 한 후 미래의 기본값을 설명하는 데 가장 중요한 운전자를 선택하는 데 사용됩니다. 회귀 모델은 기본 이벤트를 다양한 드라이버와 관련시킵니다. 이 모델은 모델 출력이 0에서 1 사이로 제한되어 있다는 점에서 독특합니다. 기본값은 0-100 %의 확률로 매핑 할 수 있습니다. 최종 회귀 분석의 계수는 운전자를 기반으로 한 회사의 기본 확률을 추정하기위한 모델을 나타냅니다. 마지막으로 결과 모델의 성능 측정 값을 검사 할 수 있습니다. 이는 모델이 채무 불이행을 얼마나 잘 예측했는지를 측정하는 통계 테스트 일 가능성이 높습니다.예를 들어, 모델은 5 년 간 재무 데이터를 사용하여 추정 할 수 있습니다 (2001-2005). 그런 다음 결과 모델을 다른 기간의 데이터 (2006-2009)에 사용하여 기본값을 예측합니다. 2006-2009 기간 동안 어느 기업이 채무 불이행을했는지 알기 때문에 모델이 얼마나 잘 수행되었는지 알 수 있습니다.

모델이 어떻게 작동하는지 이해하려면 레버리지가 높고 수익성이 낮은 작은 회사를 생각해보십시오. 우리는이 회사의 세 가지 모델 드라이버를 정의했습니다. 대부분이 모델은 규모가 작기 때문에이 회사의 채무 불이행 확률이 상대적으로 높다는 것을 예측할 수 있습니다. 따라서 수익 흐름이 불규칙 할 수 있습니다. 회사는 높은 레버리지를 가지고 있기 때문에 채권단에게 높은이자 지불 부담을 줄 수 있습니다. 그리고 회사는 낮은 수익성을 가지고 있습니다. 즉, 과다한 부채 부담을 포함하여 비용을 충당하기위한 현금이 거의 생성되지 않습니다. 전반적으로 볼 때, 회사는 가까운 장래에 채무 상환을 잘 할 수 없다는 것을 알게 될 것입니다. 즉, 채무 불이행 가능성이 높습니다. (더 자세한 내용은

비즈니스 분석을위한 회귀 분석

참조)

Art Vs. 과학

지금까지 모델 구축 프로세스는 통계를 사용하여 완전히 기계적이었습니다. 이제는 프로세스의 "예술"에 의지 할 필요가 있습니다. 최종 모델에서 선택된 드라이버를 확인하십시오 (6-10 드라이버에서 가능). 이상적으로는 앞에서 설명한 6 가지 범주 각각에서 적어도 하나의 드라이버가 있어야합니다. 그러나 전술 한 기계적 과정은 6 가지 운전자 (모두 레버리지 비율 범주에서 추출되었지만 유동성, 수익성 등은 아님)을 요구하는 상황을 초래할 수 있습니다. 사용을 요청하는 은행 대출 담당자 대출 결정에 도움이되는 그러한 모델은 아마도 불평 할 것이다. 그러한 전문가가 개발 한 강한 직감은 다른 운전자 범주도 중요해야한다고 생각하게합니다. 그런 운전자가 없다면 많은 사람들이 그 모델이 부적절하다고 결론 내릴 수 있습니다. 명백한 해결책은 일부 차용 증서 운전사를 누락 된 카테고리의 운전사로 교체하는 것입니다. 그러나 이것은 문제를 제기합니다. 원래 모델은 가장 높은 통계적 성능 측정을 제공하도록 설계되었습니다. 드라이버 구성을 변경하면 순수 수학적 관점에서 모델의 성능이 저하 될 수 있습니다. 따라서, 모델 (아트)의 직관적 인 매력을 극대화하기위한 다양한 드라이버와 통계적 측정 (과학)을 기반으로 한 모델 파워의 잠재적 인 감소 사이에는 절충안이 필요하다. PD 모델의 비판

모델의 품질은 주로 교정에 사용할 수있는 기본값의 수와 재무 데이터의 청결성에 달려있다. . 대부분의 경우, 많은 데이터 세트에 오류가 있거나 데이터 누락으로 어려움을 겪기 때문에 사소한 요구 사항은 아닙니다. 이 모델은 역사적인 정보만을 사용하며 때로는 입력 내용이 최대 1 년 이상 유효하지 않습니다.이는 특히 회계 관행이나 규정의 변경과 같이 운전자의 관련성이 덜한 중요한 변화가있는 경우 모델의 예측력을 희석시킵니다.

모델은 특정 국가 내의 특정 산업에 이상적으로 만들어야합니다. 이는 국가와 산업의 고유 한 경제적, 법적 및 회계 적 요소가 적절하게 포착 될 수 있음을 보장합니다. 문제는 대개 특정 데이터의 부족, 특히 식별 된 기본값의 수가 부족하다는 것입니다. 그 부족한 데이터를 국가 별 산업 버킷으로 더 세분화해야한다면 각 국가 - 산업 모델별로 데이터 포인트가 훨씬 적습니다. 그러한 모델을 구축 할 때 누락 된 데이터는 실제 생활이기 때문에 이러한 수치를 채우기 위해 많은 기술이 개발되었습니다. 그러나 이러한 대안 중 일부는 부정확성을 초래할 수 있습니다. 데이터 부족은 또한 작은 데이터 샘플을 사용하여 계산 된 기본 확률이 해당 국가 또는 산업의 기본 실제 확률과 다를 수 있음을 의미합니다. 경우에 따라 모델 출력을 기본 기본 환경과보다 일치하도록 확장 할 수 있습니다.

여기에 설명 된 모델링 기법은 대기업의 PD를 계산하는 데 사용될 수도 있습니다. 그러나 대기업에는 거래 된 주식 및 중요한 공시 요구 사항이있는 공개적으로 상장되어 있으므로 더 많은 데이터가 대기업에 제공됩니다. 이러한 데이터 가용성 덕분에 위에 설명 된 것보다 더 강력한 다른 PD 모델 (시장 기반 모델이라고 함)을 만들 수 있습니다. 결론

산업 종사자와 규제 당국은 PD 모델의 중요성과 데이터 부족이라는 주요 한계를 잘 알고 있습니다. 따라서 전 세계에 걸쳐 부도 기업의 정확한 식별을 포함하여 유용한 금융 데이터를 포착하기위한 금융 기관의 능력을 향상시키기위한 다양한 노력 (예 : 바젤 II의 지원하에)이있었습니다. 이러한 데이터 세트의 크기와 정밀도가 높아지면 결과 모델의 품질도 향상됩니다. (이 주제에 대한 자세한 내용은 부채 비율 토론 참조)