Calcolo del rischio di credito delle (piccole) società
Comprendere l’affidabilità creditizia delle controparti è un elemento cruciale nel processo decisionale aziendale. Gli investitori devono conoscere la probabilità che il denaro investito in obbligazioni o sotto forma di prestiti venga rimborsato. Le aziende devono quantificare l’ affidabilità creditizia di fornitori, clienti, candidati all’acquisizione e concorrenti.
La misura tradizionale della qualità del credito è un rating aziendale, come quello prodotto da S&P, Moody’s o Fitch. Tuttavia, tali valutazioni sono disponibili solo per le aziende più grandi, non per milioni di società più piccole. Al fine di quantificare il loro merito creditizio, le aziende più piccole vengono spesso analizzate utilizzando metodi alternativi, ovvero modelli di probabilità di default (PD).
Calcolo delle PD
Il calcolo delle PD richiede una modellazione sofisticata e un ampio set di dati di valori predefiniti passati, insieme a un set completo di variabili finanziarie fondamentali per un vasto universo di aziende. Per la maggior parte, le società che scelgono di utilizzare i modelli PD li concedono in licenza da una manciata di fornitori. Tuttavia, alcune grandi istituzioni finanziarie costruiscono i propri modelli PD.
La creazione di un modello richiede la raccolta e l’analisi dei dati, inclusa la raccolta dei fondamentali per tutto il tempo in cui è disponibile una cronologia. Queste informazioni provengono tipicamente dai rendiconti finanziari. Una volta compilati i dati, è il momento di formare rapporti finanziari o ” driver “, variabili che alimentano il risultato. Questi fattori tendono a rientrare in sei categorie: rapporti di leva, rapporti di liquidità, rapporti di redditività, misure di dimensione, rapporti di spesa e rapporti di qualità degli asset. Queste misure sono ampiamente accettate dai professionisti dell’analisi del credito come rilevanti per la stima del merito creditizio.
Il passaggio successivo consiste nell’identificare quali delle imprese del campione sono “inadempienti”, ovvero quelle che sono effettivamente inadempienti rispetto ai propri obblighi finanziari. Con queste informazioni in mano, è possibile stimare un modello di regressione “logistico”. I metodi statistici vengono utilizzati per testare dozzine di conducenti candidati e quindi per scegliere quelli più significativi per spiegare le impostazioni predefinite future.
Il modello di regressione mette in relazione gli eventi di default con i vari driver. Questo modello è unico in quanto gli output del modello sono limitati tra 0 e 1, che può essere mappato su una scala di probabilità di default 0-100%. I coefficienti della regressione finale rappresentano un modello per stimare la probabilità di insolvenza di un’impresa in base ai suoi driver.
Infine, puoi esaminare le misure delle prestazioni per il modello risultante. Questi saranno probabilmente test statistici che misurano quanto bene il modello ha previsto i valori predefiniti. Ad esempio, il modello può essere stimato utilizzando dati finanziari per un periodo di cinque anni (2001-2005). Il modello risultante viene quindi utilizzato sui dati di un periodo diverso (2006-2009) per prevedere i valori predefiniti. Poiché sappiamo quali aziende sono andate in default nel periodo 2006-2009, possiamo dire quanto bene il modello abbia funzionato.
Per capire come funziona il modello, si consideri una piccola impresa con elevata leva finanziaria e bassa redditività. Abbiamo appena definito tre dei driver di modello per questa azienda. Molto probabilmente, il modello prevederà una probabilità di insolvenza relativamente alta per questa impresa perché è piccola e, quindi, il suo flusso di entrate potrebbe essere irregolare. L’azienda ha una leva finanziaria elevata e, pertanto, può avere un onere di pagamento di interessi elevato per i creditori. E l’azienda ha una bassa redditività, il che significa che genera poco denaro per coprire le proprie spese (compreso il pesante fardello del debito). Nel complesso, è probabile che l’impresa si accorga di non essere in grado di compensare i pagamenti del debito nel prossimo futuro. Ciò significa che ha un’alta probabilità di insolvenza.
Arte contro scienza
A questo punto, il processo di costruzione del modello è stato interamente meccanico, utilizzando le statistiche. Ora è necessario ricorrere all ‘”arte” del processo. Esamina i driver che sono stati selezionati nel modello finale (probabilmente, da sei a 10 driver). Idealmente, dovrebbe esserci almeno un pilota da ciascuna delle sei categorie descritte in precedenza.
Il processo meccanico sopra descritto, tuttavia, può portare a una situazione in cui un modello richiede sei driver, tutti tratti dalla categoria del coefficiente di leva finanziaria, ma nessuno che rappresenta liquidità, redditività, ecc. per assistere nelle decisioni di prestito probabilmente si lamenterebbe. La forte intuizione sviluppata da tali esperti li porterebbe a credere che anche altre categorie di piloti debbano essere importanti. L’assenza di tali driver potrebbe portare molti a concludere che il modello è inadeguato.
La soluzione ovvia è sostituire alcuni dei driver di leva con driver di categorie mancanti. Ciò solleva tuttavia un problema. Il modello originale è stato progettato per fornire le più alte misurazioni delle prestazioni statistiche. Modificando la composizione del driver, è probabile che le prestazioni del modello diminuiranno da una prospettiva puramente matematica.
Pertanto, è necessario fare un compromesso tra l’inclusione di un’ampia selezione di driver per massimizzare l’attrattiva intuitiva del modello (arte) e la potenziale diminuzione della potenza del modello basata su misure statistiche (scienza).
Critiche ai modelli PD
La qualità del modello dipende principalmente dal numero di impostazioni predefinite disponibili per la calibrazione e dalla pulizia dei dati finanziari. In molti casi, questo non è un requisito banale, poiché molti set di dati contengono errori o soffrono di dati mancanti.
Questi modelli utilizzano solo informazioni storiche e talvolta gli input non sono aggiornati fino a un anno o più. Ciò diluisce il potere predittivo del modello, soprattutto se si è verificato un cambiamento significativo che ha reso un driver meno rilevante, come un cambiamento nelle convenzioni o nei regolamenti contabili.
I modelli dovrebbero idealmente essere creati per un settore specifico all’interno di un paese specifico. Ciò garantisce che i fattori economici, legali e contabili unici del paese e dell’industria possano essere rilevati correttamente. La sfida è che di solito c’è una scarsità di dati per cominciare, soprattutto nel numero di impostazioni predefinite identificate. Se i dati scarse devono essere ulteriormente suddiviso in paese settore secchi, ci sono anche un minor numero di punti dati per ogni modello country-industria.
Poiché i dati mancanti sono un dato di fatto quando si costruiscono tali modelli, sono state sviluppate numerose tecniche per riempire questi numeri. Alcune di queste alternative, tuttavia, possono introdurre imprecisioni. La scarsità di dati significa anche che le probabilità di insolvenza calcolate utilizzando un piccolo campione di dati possono essere diverse dalle probabilità di insolvenza effettive sottostanti per il paese o il settore in questione. In alcuni casi, è possibile ridimensionare gli output del modello in modo che corrispondano maggiormente all’esperienza predefinita sottostante.
La tecnica di modellazione qui descritta può essere utilizzata anche per calcolare PD per grandi aziende. Tuttavia, sono disponibili molti più dati sulle grandi aziende, in quanto sono generalmente quotate in borsa con azioni negoziate e importanti requisiti di informativa al pubblico. Questa disponibilità di dati consente di creare altri modelli PD (noti come modelli basati sul mercato) più potenti di quelli descritti sopra.
Conclusione
I professionisti del settore e le autorità di regolamentazione sono ben consapevoli dell’importanza dei modelli PD e del loro limite principale: la scarsità di dati. Di conseguenza, in tutto il mondo sono stati compiuti vari sforzi (sotto gli auspici di Basilea II, ad esempio) per migliorare la capacità delle istituzioni finanziarie di acquisire dati finanziari utili, inclusa l’identificazione precisa delle imprese inadempienti. Con l’aumentare delle dimensioni e della precisione di questi set di dati, migliorerà anche la qualità dei modelli risultanti.