Comprender la solvencia de las contrapartes es un elemento crucial en la toma de decisiones empresariales. Los inversores deben saber la probabilidad de que el dinero invertido en bonos o en forma de préstamos sea reembolsado. Las corporaciones deben cuantificar la solvencia de los proveedores, clientes, candidatos de adquisición y competidores.
La medida tradicional de la calidad crediticia es una calificación corporativa, como la producida por S&P, Moody’s o Fitch. sin embargo, tales calificaciones están disponibles solo para las empresas más grandes, no para millones de corporaciones más pequeñas. Con el fin de cuantificar su solvencia crediticia, las compañías más pequeñas a menudo se analizan utilizando métodos alternativos, a saber, modelos de probabilidad de incumplimiento (pd). (para obtener más información, consulte una breve historia de las agencias de calificación crediticia ).
tutorial: riesgo y diversificación
calcular pds calcular pds requiere sofisticación de modelado y un gran conjunto de datos de incumplimientos pasados, junto con un conjunto completo de variables financieras fundamentales para un gran universo de empresas. en su mayor parte, las corporaciones que eligen usar modelos pd los licencian de un puñado de proveedores. sin embargo, algunas instituciones financieras grandes construyen sus propios modelos de PD.
la construcción de un modelo requiere la recopilación y el análisis de datos, incluida la recopilación de los fundamentos mientras exista un historial disponible. esta información generalmente proviene de estados financieros. Una vez que se compilan los datos, es hora de formar índices financieros o “impulsores”, variables que impulsan el resultado. Estos factores tienden a caer en seis categorías: índices de apalancamiento, índices de liquidez, índices de rentabilidad, medidas de tamaño, índices de gastos y índices de calidad de activos. Estas medidas son ampliamente aceptadas por los profesionales de análisis de crédito como relevantes para estimar la solvencia. (para obtener más información, consulte 6 razones financieras básicas y lo que revelan ) .
El siguiente paso es identificar cuáles de las empresas de su muestra son “morosas”, aquellas que realmente han incumplido sus obligaciones financieras. Con esta información en mano, se puede estimar un modelo de regresión “logística”. Los métodos estadísticos se utilizan para probar docenas de conductores candidatos y luego elegir aquellos que son más importantes para explicar los futuros valores predeterminados.
El modelo de regresión relaciona los eventos predeterminados con los distintos controladores. Este modelo es único en el sentido de que las salidas del modelo están limitadas entre 0 y 1, que pueden asignarse a una escala de 0-100% de probabilidad de incumplimiento. Los coeficientes de la regresión final representan un modelo para estimar la probabilidad de incumplimiento de una empresa en función de sus impulsores.
Finalmente, puede examinar las medidas de rendimiento para el modelo resultante. Es probable que sean pruebas estadísticas que midan qué tan bien el modelo ha predicho los valores predeterminados. por ejemplo, el modelo puede estimarse utilizando datos financieros para un período de cinco años (2001-2005). el modelo resultante se usa luego en datos de un período diferente (2006-2009) para predecir los valores predeterminados. Como sabemos qué empresas incumplieron durante el período 2006-2009, podemos determinar qué tan bien funcionó el modelo.
Para comprender cómo funciona el modelo, considere una pequeña empresa con alto apalancamiento y baja rentabilidad. Acabamos de definir tres de los controladores modelo para esta empresa. Lo más probable es que el modelo prediga una probabilidad relativamente alta de incumplimiento para esta empresa porque es pequeña y, por lo tanto, su flujo de ingresos puede ser errático. la empresa tiene un alto apalancamiento y, por lo tanto, puede tener una alta carga de pago de intereses para los acreedores. y la empresa tiene una baja rentabilidad, lo que significa que genera poco efectivo para cubrir sus gastos (incluida su pesada carga de deuda). En su conjunto, es probable que la empresa descubra que no puede cumplir con los pagos de la deuda en el futuro cercano. Esto significa que tiene una alta probabilidad de incumplimiento. (para obtener más información, consulte los conceptos básicos de regresión para el análisis empresarial ).
arte versus ciencia hasta este punto, el proceso de construcción del modelo ha sido completamente mecánico, utilizando estadísticas. ahora es necesario recurrir al “arte” del proceso. examine los controladores que se seleccionaron en el modelo final (probablemente, entre 6 y 10 controladores). idealmente, debería haber al menos un controlador de cada una de las seis categorías descritas anteriormente.
Sin embargo, el proceso mecánico descrito anteriormente puede conducir a una situación en la que un modelo requiere seis conductores, todos ellos tomados de la categoría de coeficiente de apalancamiento, pero ninguno representa liquidez, rentabilidad, etc. ayudar en las decisiones de préstamo probablemente se quejaría. La fuerte intuición desarrollada por tales expertos los llevaría a creer que otras categorías de conductores también deben ser importantes. La ausencia de tales controladores podría llevar a muchos a concluir que el modelo es inadecuado.
La solución obvia es reemplazar algunos de los controladores de apalancamiento con controladores de categorías faltantes. Sin embargo, esto plantea un problema. El modelo original fue diseñado para proporcionar las medidas estadísticas de rendimiento más altas. Al cambiar la composición del controlador, es probable que el rendimiento del modelo disminuya desde una perspectiva puramente matemática.
por lo tanto, se debe hacer una compensación entre la inclusión de una amplia selección de impulsores para maximizar el atractivo intuitivo del modelo (arte) y la posible disminución en el poder del modelo basado en medidas estadísticas (ciencia). (Para más información, lea el estilo importa en el modelado financiero ).
En las críticas a los modelos PD, la calidad del modelo depende principalmente de la cantidad de valores predeterminados disponibles para la calibración y la limpieza de los datos financieros. En muchos casos, este no es un requisito trivial, ya que muchos conjuntos de datos contienen errores o carecen de datos.
estos modelos utilizan solo información histórica y, a veces, las entradas están desactualizadas por hasta un año o más. esto diluye el poder predictivo del modelo, especialmente si ha habido algún cambio significativo que ha hecho que un controlador sea menos relevante, como un cambio en las convenciones o regulaciones contables.
Idealmente, los modelos deben crearse para una industria específica dentro de un país específico. esto asegura que los factores económicos, legales y contables únicos del país y la industria puedan ser capturados adecuadamente. El desafío es que generalmente hay una escasez de datos para empezar, especialmente en el número de valores predeterminados identificados. si esos escasos datos deben segmentarse aún más en categorías de industria de país, hay aún menos puntos de datos para cada modelo de industria de país.
Dado que la falta de datos es una realidad cuando se construyen dichos modelos, se han desarrollado una serie de técnicas para completar esos números. Sin embargo, algunas de estas alternativas pueden introducir imprecisiones. La escasez de datos también significa que las probabilidades predeterminadas calculadas usando una pequeña muestra de datos pueden ser diferentes a las probabilidades predeterminadas reales subyacentes para el país o la industria en cuestión. En algunos casos, es posible escalar los resultados del modelo para que coincidan más estrechamente con la experiencia predeterminada subyacente.
La técnica de modelado descrita aquí también se puede utilizar para calcular los PD para grandes corporaciones. Sin embargo, hay muchos más datos disponibles sobre las grandes empresas, ya que generalmente se enumeran públicamente con capital negociado y requisitos importantes de divulgación pública. Esta disponibilidad de datos permite crear otros modelos de PD (conocidos como modelos basados en el mercado) que son más potentes que los descritos anteriormente.
Conclusión Los
profesionales de la industria y los reguladores son conscientes de la importancia de los modelos de PD y su principal escasez de limitación de datos. en consecuencia, en todo el mundo se han realizado diversos esfuerzos (bajo los auspicios de basel ii, por ejemplo) para mejorar la capacidad de las instituciones financieras para capturar datos financieros útiles, incluida la identificación precisa de las empresas en incumplimiento. A medida que aumente el tamaño y la precisión de estos conjuntos de datos, la calidad de los modelos resultantes también mejorará. (para más información sobre este tema, consulte el debate sobre la calificación de la deuda ).
