गणना (लघु) कंपनी क्रेडिट जोखिम

व्यापार निर्णय लेने में समकक्षों की साख को समझना एक महत्वपूर्ण तत्व है। निवेशकों को इस बात की संभावना जानने की जरूरत है कि बांड या ऋण के रूप में निवेश किया गया धन चुकाया जाएगा। निगमों को आपूर्तिकर्ताओं, ग्राहकों, अधिग्रहण उम्मीदवारों और प्रतियोगियों की साख की मात्रा निर्धारित करनी चाहिए ।

क्रेडिट गुणवत्ता का पारंपरिक माप एक कॉर्पोरेट रेटिंग है, जैसे कि एसएंडपी, मूडीज या फिच द्वारा निर्मित । फिर भी, इस तरह की रेटिंग केवल सबसे बड़ी कंपनियों के लिए उपलब्ध है, लाखों छोटे निगमों के लिए नहीं। अपनी साख को निर्धारित करने के लिए, छोटी कंपनियों को अक्सर वैकल्पिक तरीकों का उपयोग करके विश्लेषण किया जाता है, अर्थात् डिफ़ॉल्ट (पीडी) मॉडल की संभावना ।

पीडी की गणना

पीडी की गणना के लिए मॉडलिंग परिष्कार और पिछले चूक के एक बड़े डेटा सेट के साथ-साथ फर्मों के एक बड़े ब्रह्मांड के लिए मौलिक वित्तीय चर का एक पूरा सेट आवश्यक है। अधिकांश भाग के लिए, निगम जो पीडी मॉडल का उपयोग करने का चुनाव करते हैं, उन्हें मुट्ठी भर प्रदाताओं से लाइसेंस मिलता है। हालांकि, कुछ बड़े वित्तीय संस्थान अपने पीडी मॉडल का निर्माण करते हैं।

एक मॉडल के निर्माण के लिए डेटा के संग्रह और विश्लेषण की आवश्यकता होती है, जिसमें एक इतिहास उपलब्ध होने तक बुनियादी बातों को इकट्ठा करना शामिल है। यह जानकारी आम तौर पर वित्तीय विवरणों से आती है । एक बार डेटा संकलित करने के बाद, वित्तीय अनुपात या ” ड्राइवर ” बनाने के लिए समय है – परिणाम को ईंधन देने वाले चर। ये ड्राइवर छह श्रेणियों में आते हैं: उत्तोलन अनुपात, तरलता अनुपात, लाभप्रदता अनुपात, आकार उपाय, व्यय अनुपात और परिसंपत्ति गुणवत्ता अनुपात। इन उपायों को मोटे तौर पर क्रेडिट विश्लेषण पेशेवरों द्वारा स्वीकार किया जाता है, जो कि साख के आकलन के लिए प्रासंगिक हैं।

अगला कदम यह है कि आपके नमूने में कौन सी फर्में “डिफॉल्टर्स” हैं – यह वास्तव में उनके वित्तीय दायित्वों पर डिफॉल्ट किया गया है। हाथ में इस जानकारी के साथ, एक “लॉजिस्टिक” प्रतिगमन मॉडल का अनुमान लगाया जा सकता है। सांख्यिकीय तरीकों का उपयोग दर्जनों उम्मीदवार ड्राइवरों का परीक्षण करने और फिर उन लोगों को चुनने के लिए किया जाता है जो भविष्य की चूक को समझाने में सबसे महत्वपूर्ण हैं।

प्रतिगमन मॉडल विभिन्न ड्राइवरों के लिए डिफ़ॉल्ट घटनाओं से संबंधित है। यह मॉडल अद्वितीय है कि मॉडल आउटपुट 0 और 1 के बीच में बंधे हैं, जिसे डिफ़ॉल्ट के 0-100% की संभावना के पैमाने पर मैप किया जा सकता है। अंतिम प्रतिगमन के गुणांक इसके चालकों के आधार पर एक फर्म की डिफ़ॉल्ट संभावना का आकलन करने के लिए एक मॉडल का प्रतिनिधित्व करते हैं।

अंत में, आप परिणामी मॉडल के लिए प्रदर्शन उपायों की जांच कर सकते हैं। ये संभवतः सांख्यिकीय परीक्षण होंगे जो यह मापेंगे कि मॉडल ने कितनी अच्छी तरह से चूक की भविष्यवाणी की है। उदाहरण के लिए, पांच-वर्ष की अवधि (2001-2005) के लिए वित्तीय आंकड़ों का उपयोग करके मॉडल का अनुमान लगाया जा सकता है। परिणामी मॉडल का उपयोग डिफॉल्ट्स की भविष्यवाणी करने के लिए एक अलग अवधि (2006-2009) के डेटा पर किया जाता है। चूँकि हम जानते हैं कि 2006-2009 की अवधि में कौन सी कंपनियाँ चूक गईं, हम बता सकते हैं कि मॉडल ने कितना अच्छा प्रदर्शन किया।

यह समझने के लिए कि मॉडल कैसे काम करता है, उच्च लाभ और कम लाभप्रदता के साथ एक छोटी सी फर्म पर विचार करें । हमने इस फर्म के लिए केवल तीन मॉडल ड्राइवरों को परिभाषित किया है। सबसे अधिक संभावना है, मॉडल इस फर्म के लिए डिफ़ॉल्ट की अपेक्षाकृत उच्च संभावना की भविष्यवाणी करेगा क्योंकि यह छोटा है और इसलिए, इसकी राजस्व धारा अनियमित हो सकती है। फर्म के पास उच्च उत्तोलन है और इसलिए, लेनदारों के लिए उच्च ब्याज भुगतान बोझ हो सकता है । और फर्म के पास कम लाभप्रदता है, जिसका अर्थ है कि यह अपने खर्चों को कवर करने के लिए बहुत कम नकदी उत्पन्न करता है (इसके भारी ऋण भार सहित)। समग्र रूप से लिया गया, फर्म को यह पता लगने की संभावना है कि यह निकट भविष्य में ऋण भुगतान पर अच्छा नहीं कर सकता है। इसका मतलब है कि इसमें चूक की संभावना अधिक है।

कला बनाम विज्ञान

इस बिंदु पर, मॉडल-निर्माण की प्रक्रिया पूरी तरह से यांत्रिक रही है, आंकड़ों का उपयोग करते हुए। अब प्रक्रिया की “कला” का सहारा लेने की आवश्यकता है। उन ड्राइवरों की जांच करें जिन्हें अंतिम मॉडल में चुना गया है (संभवतः, छह से 10 ड्राइवरों से कहीं भी)। आदर्श रूप से, पहले वर्णित छह श्रेणियों में से प्रत्येक में कम से कम एक चालक होना चाहिए।

उपरोक्त वर्णित यांत्रिक प्रक्रिया, हालांकि, एक ऐसी स्थिति का कारण बन सकती है जिसमें एक मॉडल छह ड्राइवरों के लिए कहता है, जो सभी लीवरेज अनुपात श्रेणी से तैयार किए गए हैं, लेकिन कोई भी तरलता, लाभप्रदता आदि का प्रतिनिधित्व नहीं करता है । बैंक उधार देने वाले अधिकारी जिन्हें इस तरह के मॉडल का उपयोग करने के लिए कहा जाता है। उधार निर्णय लेने में सहायता के लिए शिकायत की जाएगी। ऐसे विशेषज्ञों द्वारा विकसित मजबूत अंतर्ज्ञान उन्हें विश्वास दिलाता है कि अन्य चालक श्रेणियों को भी महत्वपूर्ण होना चाहिए। ऐसे ड्राइवरों की अनुपस्थिति से कई लोग निष्कर्ष निकाल सकते हैं कि मॉडल अपर्याप्त है।

स्पष्ट समाधान यह है कि कुछ लाभ उठाने वाले ड्राइवरों को लापता श्रेणियों के ड्राइवरों से बदल दिया जाए। हालाँकि यह एक मुद्दा उठाता है। मूल मॉडल उच्चतम सांख्यिकीय प्रदर्शन उपायों को प्रदान करने के लिए डिज़ाइन किया गया था। चालक संरचना को बदलने से, यह संभावना है कि मॉडल का प्रदर्शन शुद्ध रूप से गणितीय दृष्टिकोण से घट जाएगा।

इस प्रकार, मॉडल (कला) की सहज अपील को अधिकतम करने के लिए ड्राइवरों का एक व्यापक चयन शामिल करने और सांख्यिकीय उपायों (विज्ञान) के आधार पर मॉडल शक्ति में संभावित कमी को शामिल करने के बीच एक व्यापार बनाया जाना चाहिए।

पीडी मॉडल्स की आलोचना

मॉडल की गुणवत्ता मुख्य रूप से अंशांकन के लिए उपलब्ध चूक की संख्या और वित्तीय आंकड़ों की स्वच्छता पर निर्भर करती है। कई मामलों में, यह एक तुच्छ आवश्यकता नहीं है, क्योंकि बहुत सारे डेटा सेट में त्रुटियां हैं या लापता डेटा से पीड़ित हैं।

ये मॉडल केवल ऐतिहासिक जानकारी का उपयोग करते हैं, और कभी-कभी इनपुट एक वर्ष या उससे अधिक की तारीख से बाहर हो जाते हैं। यह मॉडल की पूर्वानुमेय शक्ति को पतला करता है, खासकर अगर कुछ महत्वपूर्ण परिवर्तन हुए हैं जो एक ड्राइवर को कम प्रासंगिक बना दिया है, जैसे कि लेखांकन सम्मेलनों या नियमों में बदलाव ।

आदर्श रूप से एक विशिष्ट देश के भीतर एक विशिष्ट उद्योग के लिए मॉडल बनाए जाने चाहिए। यह सुनिश्चित करता है कि देश और उद्योग के अनूठे आर्थिक, कानूनी और लेखांकन कारकों को ठीक से पकड़ा जा सके। चुनौती यह है कि आमतौर पर शुरू करने के लिए डेटा की कमी है, विशेष रूप से पहचान की गई चूक की संख्या में। यदि उस दुर्लभ डेटा को देश-उद्योग की बाल्टियों में विभाजित किया जाना चाहिए, तो प्रत्येक देश-उद्योग मॉडल के लिए कम डेटा बिंदु भी होते हैं।

चूंकि ऐसे मॉडलों का निर्माण करते समय लापता डेटा जीवन का एक तथ्य है, इसलिए उन संख्याओं को भरने के लिए कई तकनीकों का विकास किया गया है। इन विकल्पों में से कुछ, हालांकि, अशुद्धि का परिचय दे सकते हैं। डेटा कमी का मतलब यह भी है कि एक छोटे डेटा नमूने का उपयोग करके गणना की गई डिफ़ॉल्ट संभावनाएं देश या उद्योग के लिए अंतर्निहित वास्तविक डिफ़ॉल्ट संभावनाओं से अलग हो सकती हैं। कुछ मामलों में, अंतर्निहित डिफ़ॉल्ट अनुभव को अधिक बारीकी से मिलान करने के लिए मॉडल आउटपुट को स्केल करना संभव है।

यहां वर्णित मॉडलिंग तकनीक का उपयोग बड़े निगमों के लिए पीडी की गणना करने के लिए भी किया जा सकता है। बड़ी फर्मों पर बहुत अधिक डेटा उपलब्ध है, हालांकि, जैसा कि वे आम तौर पर सार्वजनिक रूप से व्यापार इक्विटी और महत्वपूर्ण सार्वजनिक प्रकटीकरण आवश्यकताओं के साथ सूचीबद्ध होते हैं। यह डेटा उपलब्धता अन्य पीडी मॉडल (बाजार आधारित मॉडल के रूप में जाना जाता है) बनाने के लिए संभव बनाता है जो ऊपर वर्णित लोगों की तुलना में अधिक शक्तिशाली हैं।

निष्कर्ष

इंडस्ट्री के प्रैक्टिशनर और रेगुलेटर पीडी मॉडल्स की अहमियत और उनकी प्राथमिक सीमा- डेटा की कमी के बारे में अच्छी तरह जानते हैं। तदनुसार, दुनिया भर में डिफ़ॉल्ट फर्मों की सटीक पहचान सहित उपयोगी वित्तीय डेटा पर कब्जा करने के लिए वित्तीय संस्थानों की क्षमता में सुधार करने के लिए (उदाहरण के लिए, बेसल II के तत्वावधान में ) कई प्रयास किए गए हैं। जैसे-जैसे इन डेटा सेटों का आकार और सटीक बढ़ता जाता है, परिणामस्वरूप मॉडल की गुणवत्ता में भी सुधार होगा।