Memahami kelayakan kredit dari counterparty merupakan elemen penting dalam pengambilan keputusan bisnis. Investor perlu mengetahui kemungkinan uang yang diinvestasikan dalam bentuk obligasi atau dalam bentuk pinjaman akan dilunasi. Korporasi harus mengukur kelayakan kredit pemasok, klien, kandidat akuisisi dan pesaing.

Ukuran kualitas kredit tradisional adalah peringkat perusahaan, seperti yang dihasilkan oleh S & P, Moody's atau Fitch. Namun, peringkat semacam itu hanya tersedia untuk perusahaan terbesar, bukan untuk jutaan perusahaan kecil. Untuk mengukur kelayakan kreditnya, perusahaan kecil sering dianalisis dengan menggunakan metode alternatif, yaitu probabilitas model default (PD). (Untuk mempelajari lebih lanjut, lihat Sejarah Singkat Agen Rating Kredit .)

- Menghitung PD membutuhkan ketangguhan pemodelan dan dataset yang besar dari default masa lalu, bersama dengan satu set lengkap variabel keuangan fundamental untuk alam semesta besar perusahaan. . Untuk sebagian besar, perusahaan yang memilih untuk menggunakan model PD melisensikan mereka dari segelintir penyedia layanan. Namun, beberapa lembaga keuangan besar membangun model PD mereka sendiri.

Membangun model memerlukan pengumpulan dan analisis data, termasuk mengumpulkan dasar-dasar selama sejarah tersedia. Informasi ini biasanya berasal dari laporan keuangan. Begitu data dikompilasi, saatnya membentuk rasio keuangan atau "driver" - variabel yang memberi bahan bakar hasilnya. Driver ini cenderung masuk dalam enam kategori: rasio leverage, rasio likuiditas, rasio profitabilitas, ukuran ukuran, rasio biaya dan rasio kualitas aset. Langkah-langkah ini diterima secara luas oleh profesional analisis kredit yang relevan untuk memperkirakan kelayakan kredit. (Untuk mempelajari lebih lanjut, lihat Rasio Keuangan Rasio

.

Langkah selanjutnya adalah mengidentifikasi perusahaan mana dalam sampel Anda adalah "orang yang mangkir" - mereka yang benar-benar gagal memenuhi kewajiban finansial mereka. Dengan informasi ini di tangan, model regresi "logistik" dapat diperkirakan. Metode statistik digunakan untuk menguji lusinan calon pembalap dan kemudian memilih yang paling penting dalam menjelaskan default di masa depan. Model regresi menghubungkan kejadian default dengan berbagai driver. Model ini unik karena output model dibatasi antara 0 dan 1, yang dapat dipetakan ke skala probabilitas 0-100% dari default. Koefisien dari regresi akhir merupakan model untuk memperkirakan probabilitas default sebuah perusahaan berdasarkan pembalapnya.

Akhirnya, Anda dapat memeriksa ukuran kinerja untuk model yang dihasilkan. Ini kemungkinan akan menjadi uji statistik yang mengukur seberapa baik model tersebut memprediksi default.Misalnya, model dapat diperkirakan menggunakan data keuangan untuk periode lima tahun (2001-2005). Model yang dihasilkan kemudian digunakan pada data dari periode yang berbeda (2006-2009) untuk memprediksi default. Karena kita tahu perusahaan mana yang mengalami gagal bayar selama periode 2006-2009, kita dapat mengetahui seberapa baik model tersebut dilakukan.

Untuk memahami bagaimana model bekerja, pertimbangkan sebuah perusahaan kecil dengan tingkat leverage tinggi dan profitabilitas rendah. Kami baru saja mendefinisikan tiga driver model untuk perusahaan ini. Kemungkinan besar, model ini akan memprediksi probabilitas default yang relatif tinggi untuk perusahaan ini karena kecil dan, oleh karena itu, arus pendapatannya mungkin tidak menentu. Perusahaan memiliki leverage yang tinggi dan oleh karena itu, mungkin memiliki beban pembayaran bunga yang tinggi bagi para kreditur. Dan perusahaan memiliki profitabilitas rendah, yang berarti menghasilkan sedikit uang untuk menutupi pengeluarannya (termasuk beban utangnya yang berat). Secara keseluruhan, perusahaan cenderung menemukan bahwa ia tidak dapat melakukan pembayaran hutang dengan baik dalam waktu dekat. Ini berarti memiliki probabilitas tinggi untuk gagal bayar. (Untuk mempelajari lebih lanjut, lihat

Dasar-Dasar Regresi Untuk Analisis Bisnis

.)

Art Vs. Ilmu Pengetahuan Sampai saat ini, proses pembuatan model telah sepenuhnya mekanis, dengan menggunakan statistik. Sekarang ada kebutuhan untuk menggunakan "seni" proses. Periksa driver yang telah dipilih pada model akhir (kemungkinan, di mana saja dari 6-10 driver). Idealnya, setidaknya harus ada satu pengemudi dari masing-masing dari enam kategori yang dijelaskan sebelumnya. Proses mekanis yang dijelaskan di atas, bagaimanapun, dapat menyebabkan situasi di mana model memanggil enam pembalap, semuanya berasal dari kategori rasio leverage, namun tidak ada yang mewakili likuiditas, profitabilitas, dan lain-lain. Petugas peminjam bank yang diminta untuk menggunakan Model seperti itu untuk membantu keputusan pemberian pinjaman mungkin akan mengeluh. Intuisi kuat yang dikembangkan oleh para ahli semacam itu akan membuat mereka percaya bahwa kategori pengemudi lain juga penting. Tidak adanya pengemudi seperti itu dapat menyebabkan banyak orang menyimpulkan bahwa modelnya tidak memadai.

Solusi yang jelas adalah mengganti beberapa driver pengungkit dengan driver dari kategori yang hilang. Ini menimbulkan masalah, namun. Model asli dirancang untuk memberikan ukuran kinerja statistik tertinggi. Dengan mengubah komposisi pengemudi, kemungkinan kinerja model akan menurun dari perspektif matematis murni. Dengan demikian, tradeoff harus dilakukan antara memasukkan berbagai pilihan driver untuk memaksimalkan daya tarik intuitif model (seni) dan potensi penurunan model power berdasarkan ukuran statistik (sains). Kritik Model PD

Kriteria Model PD

Kriteria Model PD

Kualitas model sangat tergantung pada jumlah default yang tersedia untuk kalibrasi dan kebersihan data keuangan. . Dalam banyak kasus, ini bukan persyaratan sepele, karena banyak kumpulan data mengandung kesalahan atau kehilangan data. Model ini hanya memanfaatkan informasi historis, dan kadang-kadang masukannya kadaluwarsa hingga satu tahun atau lebih.Ini mencairkan kekuatan prediktif model, terutama jika ada beberapa perubahan signifikan yang membuat pengemudi kurang relevan, seperti perubahan dalam konvensi atau peraturan akuntansi. Model idealnya harus dibuat untuk industri tertentu di negara tertentu. Ini memastikan bahwa faktor ekonomi, hukum dan akuntansi unik dari negara dan industri dapat ditangkap dengan benar. Tantangannya adalah bahwa biasanya ada kelangkaan data yang akan dimulai, terutama dalam jumlah default yang teridentifikasi. Jika data yang langka itu harus tersegmentasi lebih jauh ke dalam ember industri-negara, bahkan ada sedikit titik data untuk masing-masing model industri negara.

Karena data yang hilang adalah fakta kehidupan saat membangun model semacam itu, sejumlah teknik telah dikembangkan untuk mengisi angka-angka tersebut. Beberapa alternatif ini, bagaimanapun, mungkin mengenalkan ketidakakuratan. Kelangkaan data juga berarti bahwa probabilitas default yang dihitung dengan menggunakan sampel data kecil mungkin berbeda dari probabilitas default aktual yang mendasarinya untuk negara atau industri yang bersangkutan. Dalam beberapa kasus, adalah mungkin untuk mengukur keluaran model agar sesuai dengan pengalaman bawaan yang mendasarinya lebih dekat. Teknik pemodelan yang dijelaskan di sini juga dapat digunakan untuk menghitung PD untuk perusahaan besar. Ada lebih banyak data yang tersedia di perusahaan besar, namun, karena biasanya terdaftar secara publik dengan ekuitas yang diperdagangkan dan persyaratan pengungkapan publik yang signifikan. Ketersediaan data ini memungkinkan untuk membuat model PD lainnya (dikenal sebagai model berbasis pasar) yang lebih kuat daripada yang dijelaskan di atas.

Kesimpulan

Praktisi industri dan regulator sangat menyadari pentingnya model PD dan keterbatasan data utama mereka. Dengan demikian, di seluruh dunia ada berbagai upaya (di bawah naungan Basel II, misalnya) untuk memperbaiki kemampuan lembaga keuangan untuk mendapatkan data keuangan yang bermanfaat, termasuk identifikasi perusahaan default yang tepat. Seiring ukuran dan ketepatan dataset ini meningkat, kualitas model yang dihasilkan juga akan meningkat. (Untuk informasi lebih lanjut tentang topik ini, lihat

Debt Rating Debate

.)