Berechnung des Kreditrisikos von (kleinen) Unternehmen
Das Verständnis der Kreditwürdigkeit von Gegenparteien ist ein entscheidendes Element bei der Entscheidungsfindung von Unternehmen. Anleger müssen die Wahrscheinlichkeit kennen, dass in Anleihen oder in Form von Krediten angelegtes Geld zurückgezahlt wird. Unternehmen müssen die Kreditwürdigkeit von Lieferanten, Kunden, Akquisitionskandidaten und Wettbewerbern quantifizieren.
Das traditionelle Maß für die Kreditqualität ist ein Unternehmensrating, wie es beispielsweise von S&P, Moody’s oder Fitch erstellt wird. 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, namentlich Wahrscheinlichkeitsmodellen (PD), analysiert.
PDs berechnen
Die Berechnung von PDs erfordert eine ausgeklügelte Modellierung und einen großen Datensatz vergangener Ausfälle sowie einen vollständigen Satz fundamentaler Finanzvariablen für ein großes Universum von Unternehmen. In den meisten Fällen lizenzieren Unternehmen, die sich für die Verwendung von PD-Modellen entscheiden, diese von einer Handvoll Anbietern. Einige große Finanzinstitute bauen jedoch ihre eigenen PD-Modelle.
Die Erstellung eines Modells erfordert die Sammlung und Analyse von Daten, einschließlich der Sammlung von Grundlagen, solange eine Historie verfügbar ist. Diese Informationen stammen normalerweise aus Abschlüssen. Sobald die Daten zusammengestellt sind, ist es an der Zeit, Finanzkennzahlen oder „ Treiber “ zu bilden – Variablen, die das Ergebnis befeuern. Diese Faktoren lassen sich in der Regel in sechs Kategorien unterteilen: Leverage Ratio, Liquiditätskennzahlen, Rentabilitätskennzahlen, Größenkennzahlen, Kostenquoten und Asset Quality Ratio. Diese Maßnahmen werden von Fachleuten der Kreditanalyse allgemein als relevant für die Einschätzung der Kreditwürdigkeit akzeptiert.
Der nächste Schritt besteht darin, zu ermitteln, welche der Unternehmen in Ihrer Stichprobe „Säumige“ sind – diejenigen, die ihren finanziellen Verpflichtungen tatsächlich nicht nachgekommen sind. Mit diesen Informationen kann ein „logistisches“ Regressionsmodell geschätzt werden. Statistische Methoden werden verwendet, um Dutzende von Kandidatentreibern zu testen und dann diejenigen auszuwählen, die für die Erklärung zukünftiger Fehler am wichtigsten sind.
Das Regressionsmodell bezieht die Standardereignisse auf die verschiedenen Treiber. Dieses Modell ist insofern einzigartig, als die Modellausgaben zwischen 0 und 1 liegen, was auf eine Skala mit einer Ausfallwahrscheinlichkeit von 0 bis 100% abgebildet werden kann. Die Koeffizienten aus der endgültigen Regression stellen ein Modell zur Schätzung der Ausfallwahrscheinlichkeit eines Unternehmens auf der Grundlage seiner Treiber dar.
Schließlich können Sie Leistungskennzahlen für das resultierende Modell untersuchen. Dies werden wahrscheinlich statistische Tests sein, die messen, wie gut das Modell Ausfälle vorhergesagt hat. Das Modell kann beispielsweise anhand von Finanzdaten für einen Fünfjahreszeitraum (2001-2005) geschätzt werden. Das resultierende Modell wird dann mit Daten aus einem anderen Zeitraum (2006-2009) verwendet, um Ausfälle vorherzusagen. Da wir wissen, welche Unternehmen im Zeitraum 2006-2009 ausgefallen sind, können wir die Leistung des Modells beurteilen.
Um zu verstehen, wie das Modell funktioniert, stellen Sie sich ein kleines Unternehmen mit hohem Leverage und geringer Rentabilität vor. Wir haben gerade drei der Modelltreiber für diese Firma definiert. Höchstwahrscheinlich prognostiziert das Modell für dieses Unternehmen eine relativ hohe Ausfallwahrscheinlichkeit, da es klein ist und seine Einnahmequelle daher unregelmäßig sein kann. Das Unternehmen hat eine hohe Hebelwirkung und kann daher eine hohe Zinszahlungslast für die Gläubiger haben. Und das Unternehmen hat eine geringe Rentabilität, was bedeutet, dass es wenig Geld erwirtschaftet, um seine Ausgaben (einschließlich seiner hohen Schuldenlast) zu decken. Insgesamt wird das Unternehmen wahrscheinlich feststellen, dass es in naher Zukunft nicht in der Lage ist, die Schuldenzahlungen zu begleichen. Dadurch besteht eine hohe Ausfallwahrscheinlichkeit.
Kunst vs. Wissenschaft
Bis zu diesem Punkt war der Modellbildungsprozess rein mechanisch unter Verwendung von Statistiken. Jetzt muss auf die „Kunst“ des Prozesses zurückgegriffen werden. Untersuchen Sie die Treiber, die im endgültigen Modell ausgewählt wurden (wahrscheinlich zwischen sechs und 10 Treiber). Idealerweise sollte es mindestens einen Fahrer aus jeder der sechs zuvor beschriebenen Kategorien geben.
Der oben beschriebene mechanische Prozess kann jedoch dazu führen, dass ein Modell sechs Treiber benötigt, die alle aus der Kategorie der Leverage Ratio stammen, aber keine für Liquidität, Rentabilität usw bei Kreditentscheidungen zu helfen, würde sich wahrscheinlich beschweren. Die starke Intuition solcher Experten lässt sie glauben, dass auch andere Fahrerkategorien wichtig sein müssen. Das Fehlen solcher Treiber könnte viele zu der Schlussfolgerung führen, dass das Modell unzureichend ist.
Die offensichtliche Lösung besteht darin, einige der Hebelwirkungstreiber durch Treiber aus fehlenden Kategorien zu ersetzen. Dies wirft jedoch ein Problem auf. Das ursprüngliche Modell wurde entwickelt, um die höchsten statistischen Leistungsmaße zu liefern. Durch die Änderung der Treiberzusammensetzung ist es wahrscheinlich, dass die Leistung des Modells aus rein mathematischer Sicht nachlässt.
Daher muss ein Kompromiss zwischen der Einbeziehung einer breiten Auswahl von Treibern zur Maximierung der intuitiven Attraktivität des Modells (Kunst) und der potenziellen Verringerung der Modellleistung auf der Grundlage statistischer Maßnahmen (Wissenschaft) geschlossen werden.
Kritik an PD-Modellen
Die Qualität des Modells hängt in erster Linie von der Anzahl der für die Kalibrierung verfügbaren Voreinstellungen 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 um bis zu einem Jahr oder mehr veraltet. Dies schwächt die Vorhersagekraft des Modells, insbesondere wenn eine wesentliche Änderung eingetreten ist, die einen Einflussfaktor weniger relevant gemacht hat, wie beispielsweise eine Änderung der Rechnungslegungskonventionen oder -vorschriften.
Modelle sollten idealerweise für eine bestimmte Branche innerhalb eines bestimmten Landes erstellt werden. Dadurch wird sichergestellt, 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 vorhanden sind, insbesondere in Bezug auf die Anzahl der identifizierten Standardeinstellungen. Wenn diese knappen Daten weiter in Länder-Branchen- Buckets unterteilt werden müssen, gibt es noch weniger Datenpunkte für jedes Länder-Branchen-Modell.
Da fehlende Daten bei der Erstellung solcher Modelle eine Tatsache sind, wurden eine Reihe von Techniken entwickelt, um diese Zahlen auszufüllen. Einige dieser Alternativen können jedoch zu Ungenauigkeiten führen. Datenknappheit bedeutet auch, dass die anhand 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. Es sind jedoch viel mehr Daten über große Unternehmen verfügbar, da sie in der Regel mit gehandeltem Eigenkapital und erheblichen Offenlegungspflichten börsennotiert sind. Diese Datenverfügbarkeit ermöglicht es, andere PD-Modelle (sogenannte marktbasierte Modelle) zu erstellen, die leistungsfähiger sind als die oben beschriebenen.
Fazit
Branchenexperten und Aufsichtsbehörden sind sich der Bedeutung von PD-Modellen und ihrer hauptsächlichen Einschränkung – der Datenknappheit – bewusst. Dementsprechend wurden weltweit verschiedene Anstrengungen unternommen (beispielsweise 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.