Memahami kelayakan kredit dari rekanan adalah elemen penting dalam pengambilan keputusan bisnis. Investor perlu mengetahui kemungkinan bahwa uang yang diinvestasikan dalam obligasi atau dalam bentuk pinjaman akan dilunasi. Perusahaan harus mengukur kelayakan kredit dari pemasok, klien, kandidat akuisisi, dan pesaing.
Ukuran tradisional kualitas kredit adalah peringkat perusahaan, seperti yang diproduksi oleh S&P, Moody's atau Fitch. Namun, peringkat tersebut hanya tersedia untuk perusahaan terbesar, bukan untuk jutaan perusahaan kecil. Untuk mengukur kelayakan kredit mereka, perusahaan kecil sering dianalisis menggunakan metode alternatif, yaitu model probabilitas default (PD). (Untuk mempelajari lebih lanjut, lihat Sejarah Singkat Lembaga Pemeringkat Kredit .)
TUTORIAL: Risiko Dan Diversifikasi
Menghitung PD Menghitung PD membutuhkan kecanggihan pemodelan dan set data besar dari standar masa lalu, bersama dengan seperangkat variabel keuangan fundamental untuk sebuah perusahaan besar. Sebagian besar, perusahaan yang memilih untuk menggunakan model PD melisensikan mereka dari beberapa penyedia. Namun, beberapa lembaga keuangan besar membangun model PD mereka sendiri.
Membangun model membutuhkan pengumpulan dan analisis data, termasuk pengumpulan fundamental selama sejarah tersedia. Informasi ini biasanya berasal dari laporan keuangan. Setelah data dikompilasi, saatnya untuk membentuk rasio keuangan atau "driver" - variabel yang memicu hasilnya. Penggerak ini cenderung jatuh ke dalam enam kategori: rasio leverage, rasio likuiditas, rasio profitabilitas, ukuran ukuran, rasio pengeluaran dan rasio kualitas aset. Langkah-langkah ini diterima secara luas oleh para profesional analisis kredit yang relevan untuk memperkirakan kelayakan kredit. (Untuk mempelajari lebih lanjut, lihat 6 Rasio Keuangan Dasar Dan Apa Yang Mereka Mengungkapkan. )
Langkah selanjutnya adalah mengidentifikasi perusahaan mana di dalam sampel Anda yang "mangkir" - mereka yang benar-benar gagal membayar kewajiban keuangannya. Dengan informasi ini di tangan, model regresi "logistik" dapat diperkirakan. Metode statistik digunakan untuk menguji lusinan calon pengemudi dan kemudian memilih mereka yang paling signifikan dalam menjelaskan standar masa depan.
Model regresi mengaitkan peristiwa default dengan berbagai driver. Model ini unik karena keluaran model dibatasi antara 0 dan 1, yang dapat dipetakan ke skala 0-100% probabilitas default. Koefisien dari regresi akhir merupakan model untuk memperkirakan probabilitas default suatu perusahaan berdasarkan driver-nya.
Akhirnya, Anda dapat memeriksa ukuran kinerja untuk model yang dihasilkan. Ini akan menjadi tes statistik yang mengukur seberapa baik model telah memperkirakan standar. Sebagai contoh, 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 gagal selama periode 2006-2009, kita dapat mengetahui seberapa baik kinerja model tersebut.
Untuk memahami cara kerja model, pertimbangkan perusahaan kecil dengan leverage tinggi dan profitabilitas rendah. Kami baru saja mendefinisikan tiga driver model untuk perusahaan ini. Kemungkinan besar, model akan memprediksi probabilitas default yang relatif tinggi untuk perusahaan ini karena kecil dan, oleh karena itu, aliran pendapatannya mungkin tidak menentu. Perusahaan memiliki leverage tinggi dan, karenanya, mungkin memiliki beban pembayaran bunga yang tinggi kepada kreditor. Dan perusahaan memiliki profitabilitas yang rendah, yang berarti menghasilkan sedikit uang tunai untuk menutupi pengeluarannya (termasuk beban utang yang besar). Secara keseluruhan, perusahaan cenderung menemukan bahwa ia tidak dapat menghasilkan pembayaran hutang dalam waktu dekat. Ini berarti ia memiliki kemungkinan gagal bayar yang tinggi. (Untuk mempelajari lebih lanjut, lihat Dasar-Dasar Regresi Untuk Analisis Bisnis .)
Seni Vs. Sains Sampai saat ini, proses pembuatan model sepenuhnya mekanis, menggunakan statistik. Sekarang ada kebutuhan untuk menggunakan "seni" proses. Periksa driver yang telah dipilih dalam model akhir (kemungkinan, di mana saja dari 6-10 driver). Idealnya, harus ada setidaknya satu driver dari masing-masing dari enam kategori yang dijelaskan sebelumnya.
Namun, proses mekanis yang dijelaskan di atas, dapat mengarah pada situasi di mana model meminta enam pengemudi, semuanya diambil dari kategori rasio leverage, tetapi tidak ada yang mewakili likuiditas, profitabilitas, dll. Petugas pemberi pinjaman bank yang diminta untuk menggunakan model seperti itu untuk membantu dalam keputusan pinjaman kemungkinan akan mengeluh. Intuisi yang kuat yang dikembangkan oleh para ahli akan membuat mereka percaya bahwa kategori pengemudi lain juga harus penting. Ketiadaan driver seperti itu bisa membuat banyak orang menyimpulkan bahwa modelnya tidak memadai.
Solusi yang jelas adalah mengganti beberapa driver leverage dengan driver dari kategori yang hilang. Namun hal ini menimbulkan masalah. Model asli dirancang untuk memberikan ukuran kinerja statistik tertinggi. Dengan mengubah komposisi driver, ada kemungkinan bahwa kinerja model akan menurun dari perspektif matematika murni.
Dengan demikian, tradeoff harus dilakukan antara dimasukkannya pilihan driver yang luas untuk memaksimalkan daya tarik intuitif model (seni) dan potensi penurunan kekuatan model berdasarkan langkah-langkah statistik (sains). (Untuk lebih lanjut, baca Style Matters In Financial Modeling .)
Kritik Model PD Kualitas model terutama tergantung pada jumlah default yang tersedia untuk kalibrasi dan kebersihan data keuangan. Dalam banyak kasus, ini bukan persyaratan sepele, karena banyak set data mengandung kesalahan atau menderita dari data yang hilang.
Model-model ini hanya menggunakan informasi historis, dan kadang-kadang inputnya ketinggalan zaman hingga satu tahun atau lebih. Ini melemahkan 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. Hal ini memastikan bahwa faktor ekonomi, hukum, dan akuntansi negara dan industri yang unik dapat ditangkap dengan baik. Tantangannya adalah bahwa biasanya ada kelangkaan data untuk memulai, terutama dalam jumlah default yang diidentifikasi. Jika data yang langka itu harus lebih lanjut disegmentasi ke dalam ember negara-industri, bahkan ada lebih sedikit titik data untuk setiap model negara-industri.
Karena data yang hilang adalah fakta kehidupan ketika membangun model seperti itu, sejumlah teknik telah dikembangkan untuk mengisi angka-angka itu. Namun, beberapa alternatif ini dapat menyebabkan ketidakakuratan. Kelangkaan data juga berarti bahwa probabilitas default yang dihitung menggunakan sampel data kecil mungkin berbeda dari probabilitas default aktual yang mendasari untuk negara atau industri yang bersangkutan. Dalam beberapa kasus, dimungkinkan untuk skala keluaran model untuk mencocokkan pengalaman default yang mendasarinya lebih dekat.
Teknik pemodelan yang dijelaskan di sini juga dapat digunakan untuk menghitung PD untuk perusahaan besar. Namun, ada lebih banyak data yang tersedia pada perusahaan besar, karena mereka 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 dan regulator industri sangat menyadari pentingnya model PD dan keterbatasan utama-kelangkaan data mereka. Dengan demikian, di seluruh dunia telah ada berbagai upaya (di bawah naungan Basel II, misalnya) untuk meningkatkan kemampuan lembaga keuangan untuk menangkap data keuangan yang berguna, termasuk identifikasi yang tepat dari perusahaan-perusahaan yang gagal bayar. Karena ukuran dan ketepatan data ini meningkat, kualitas model yang dihasilkan juga akan meningkat. (Untuk lebih lanjut tentang topik ini, lihat Debat Peringkat Hutang .)
