Cálculo do risco de crédito da (pequena) empresa

Compreender a qualidade de crédito das contrapartes é um elemento crucial na tomada de decisões de negócios. Os investidores precisam saber a probabilidade de o dinheiro investido em títulos ou na forma de empréstimos ser reembolsado. As empresas devem quantificar a qualidade de crédito de fornecedores, clientes, candidatos a aquisição e concorrentes.

A medida tradicional de qualidade de crédito é um rating corporativo, como aquele produzido pela S&P, Moody’s ou Fitch. No entanto, essas classificações estão disponíveis apenas para as maiores empresas, não para milhões de corporações menores. De forma a quantificar a sua qualidade de crédito, as empresas de menor dimensão são frequentemente analisadas utilizando métodos alternativos, nomeadamente modelos de probabilidade de incumprimento (PD).

Calculando PDs

O cálculo de PDs requer sofisticação de modelagem e um grande conjunto de dados de padrões anteriores, junto com um conjunto completo de variáveis ​​financeiras fundamentais para um grande universo de empresas. Na maioria das vezes, as empresas que optam por usar modelos de PD os licenciam de um punhado de provedores. No entanto, algumas grandes instituições financeiras constroem seus próprios modelos de PD.

A construção de um modelo requer a coleta e análise de dados, incluindo a coleta de fundamentos enquanto houver um histórico disponível. Essas informações normalmente vêm de demonstrações financeiras. Uma vez que os dados são compilados, é hora para formar índices financeiros ou ” motoristas ” -variables que o combustível o resultado. Esses fatores tendem a se enquadrar em seis categorias: índices de alavancagem, índices de liquidez, índices de lucratividade, medidas de tamanho, índices de despesas e índices de qualidade de ativos. Essas medidas são amplamente aceitas por profissionais de análise de crédito como relevantes para estimar a qualidade de crédito.

A próxima etapa é identificar quais empresas em sua amostra são “inadimplentes” – aquelas que realmente entraram em default em suas obrigações financeiras. Com essas informações em mãos, um modelo de regressão “logística” pode ser estimado. Métodos estatísticos são usados ​​para testar dezenas de drivers candidatos e, em seguida, escolher aqueles que são mais significativos para explicar padrões futuros.

O modelo de regressão relaciona eventos de default a vários fatores. Este modelo é único em que as saídas do modelo são limitadas entre 0 e 1, que pode ser mapeado para uma escala de 0-100% de probabilidade de inadimplência. Os coeficientes da regressão final representam um modelo para estimar a probabilidade de inadimplência de uma empresa com base em seus drivers.

Finalmente, você pode examinar as medidas de desempenho do modelo resultante. Provavelmente, serão testes estatísticos que medem quão bem o modelo previu os padrões. Por exemplo, o modelo pode ser estimado usando dados financeiros para um período de cinco anos (2001-2005). O modelo resultante é então usado em dados de um período diferente (2006-2009) para prever defaults. Como sabemos quais empresas entraram em default no período de 2006-2009, podemos dizer o quão bem o modelo foi executado.

Para entender como o modelo funciona, considere uma pequena empresa com alta alavancagem e baixa lucratividade. Acabamos de definir três dos drivers modelo para esta empresa. Muito provavelmente, o modelo irá prever uma probabilidade relativamente alta de inadimplência para essa empresa porque ela é pequena e, portanto, seu fluxo de receita pode ser irregular. A empresa possui alta alavancagem e, portanto, pode ter um alto encargo de pagamento de juros aos credores. E a empresa tem baixa lucratividade, o que significa que gera pouco caixa para cobrir suas despesas (incluindo seu pesado endividamento). Como um todo, é provável que a empresa descubra que não será capaz de cumprir os pagamentos de dívidas em um futuro próximo. Isso significa que tem uma alta probabilidade de inadimplência.

Arte vs. Ciência

Até este ponto, o processo de construção do modelo tem sido inteiramente mecânico, usando estatísticas. Agora é preciso recorrer à “arte” do processo. Examine os drivers que foram selecionados no modelo final (provavelmente, de seis a 10 drivers). Idealmente, deve haver pelo menos um driver de cada uma das seis categorias descritas anteriormente.

O processo mecânico descrito acima, no entanto, pode levar a uma situação em que um modelo exige seis drivers, todos retirados da categoria de índice de alavancagem, mas nenhum representando liquidez, lucratividade etc. para ajudar nas decisões de empréstimo provavelmente reclamaria. A forte intuição desenvolvida por tais especialistas os levaria a acreditar que outras categorias de drivers também devem ser importantes. A ausência de tais condutores pode levar muitos a concluir que o modelo é inadequado.

A solução óbvia é substituir alguns dos motivadores de alavancagem por motivadores de categorias ausentes. Isso levanta um problema, no entanto. O modelo original foi projetado para fornecer as mais altas medidas de desempenho estatístico. Ao alterar a composição do driver, é provável que o desempenho do modelo diminua de uma perspectiva puramente matemática.

Assim, uma compensação deve ser feita entre a inclusão de uma ampla seleção de drivers para maximizar o apelo intuitivo do modelo (arte) e a diminuição potencial no poder do modelo com base em medidas estatísticas (ciência).

Críticas aos Modelos PD

A qualidade do modelo depende principalmente do número de padrões disponíveis para calibração e da limpeza dos dados financeiros. Em muitos casos, esse não é um requisito trivial, pois muitos conjuntos de dados contêm erros ou sofrem com a falta de dados.

Esses modelos utilizam apenas informações históricas e, às vezes, as entradas estão desatualizadas em até um ano ou mais. Isso dilui o poder preditivo do modelo, especialmente se houver alguma mudança significativa que tenha tornado um driver menos relevante, como uma mudança nas convenções ou regulamentos contábeis.

O ideal é que os modelos sejam criados para uma indústria específica em um país específico. Isso garante que os fatores econômicos, jurídicos e contábeis exclusivos do país e da indústria possam ser capturados de maneira adequada. O desafio é que geralmente há uma escassez de dados para começar, especialmente no número de padrões identificados. Se esses dados escassos deve ainda ser dividido em country-indústria baldes, há ainda menos pontos de dados para cada modelo de país-indústria.

Uma vez que dados ausentes são um fato da vida ao construir tais modelos, várias técnicas foram desenvolvidas para preencher esses números. Algumas dessas alternativas, entretanto, podem apresentar imprecisões. A escassez de dados também significa que as probabilidades de inadimplência calculadas usando uma pequena amostra de dados podem ser diferentes das probabilidades de inadimplência reais subjacentes para o país ou setor em questão. Em alguns casos, é possível dimensionar as saídas do modelo para corresponder mais de perto à experiência padrão subjacente.

A técnica de modelagem descrita aqui também pode ser usada para calcular PDs para grandes corporações. No entanto, há muito mais dados disponíveis sobre grandes empresas, já que normalmente são listadas publicamente com ações negociadas e requisitos de divulgação pública significativos. Essa disponibilidade de dados possibilita a criação de outros modelos de PD (conhecidos como modelos baseados no mercado) mais poderosos do que os descritos acima.

Conclusão

Os profissionais e reguladores da indústria estão bem cientes da importância dos modelos de PD e de sua limitação primária – a escassez de dados. Conseqüentemente, em todo o mundo, tem havido vários esforços (sob os auspícios do Basiléia II, por exemplo) para melhorar a capacidade das instituições financeiras de capturar dados financeiros úteis, incluindo a identificação precisa de empresas inadimplentes. Conforme o tamanho e a precisão desses conjuntos de dados aumentam, a qualidade dos modelos resultantes também melhora.