Comprender la solvencia de las contrapartes es un elemento crucial en la toma de decisiones empresariales. Los inversionistas necesitan saber la probabilidad de que el dinero invertido en bonos o en forma de préstamos sea reembolsado. Las empresas deben cuantificar la solvencia de proveedores, clientes, candidatos de adquisición y competidores.

La medida tradicional de la calidad crediticia es una calificación corporativa, como la producida por S & P, Moody's o Fitch. Sin embargo, tales calificaciones están disponibles solo para las firmas más grandes, no para millones de pequeñas corporaciones. Para cuantificar su solvencia crediticia, las empresas más pequeñas a menudo se analizan utilizando métodos alternativos, a saber, modelos de probabilidad de incumplimiento (PD). (Para obtener más información, consulte Una breve historia de las agencias de calificación crediticia .)

TUTORIAL: Riesgo y Diversificación

Cálculo de PDs El cálculo de PD requiere sofisticación de modelado y un gran conjunto de datos de valores predeterminados pasados, junto con un conjunto completo de variables financieras fundamentales para un gran universo de empresas . En su mayor parte, las empresas que optan por usar modelos de PD los licencian de un puñado de proveedores. Sin embargo, algunas grandes instituciones financieras construyen sus propios modelos de DP.

La construcción de un modelo requiere la recopilación y el análisis de datos, incluida la recopilación de datos fundamentales durante el tiempo que haya un historial disponible. Esta información generalmente proviene de estados financieros. Una vez que se compilan los datos, es hora de formar razones financieras o "controladores", variables que potencian el resultado. Estos controladores tienden a clasificarse en seis categorías: índices de apalancamiento, índices de liquidez, índices de rentabilidad, medidas de tamaño, índices de gastos y relaciones de calidad de activos. Estas medidas son ampliamente aceptadas por los profesionales de análisis de crédito como relevantes para estimar la solvencia crediticia. (Para obtener más información, consulte nuestro Financial Ratios Tutorial .)

El siguiente paso es identificar cuáles de las firmas en su muestra son "incumplidoras", es decir, aquellas que incumplieron sus obligaciones financieras. Con esta información a mano, se puede estimar un modelo de regresión "logística". Los métodos estadísticos se usan para probar docenas de candidatos y luego elegir aquellos que son más importantes para explicar futuros incumplimientos.

El modelo de regresión relaciona los eventos por defecto con los diversos controladores. Este modelo es único ya que las salidas del modelo están limitadas entre 0 y 1, que se pueden asignar a una escala de 0-100% de probabilidad de incumplimiento. Los coeficientes de la regresión final representan un modelo para estimar la probabilidad de incumplimiento de una empresa en función de sus controladores.

Finalmente, puede examinar las medidas de rendimiento para el modelo resultante. Es probable que sean pruebas estadísticas que midan qué tan bien el modelo ha predicho los valores predeterminados.Por ejemplo, el modelo puede estimarse utilizando datos financieros por un período de cinco años (2001-2005). El modelo resultante se utiliza luego en datos de un período diferente (2006-2009) para predecir los valores predeterminados. Dado que sabemos qué empresas incumplieron durante el período 2006-2009, podemos decir qué tan bien funcionó el modelo.

Para comprender cómo funciona el modelo, considere una pequeña empresa con alto apalancamiento y baja rentabilidad. Acabamos de definir tres de los controladores de modelo para esta firma. Lo más probable es que el modelo pronostique una probabilidad relativamente alta de incumplimiento para esta empresa porque es pequeña y, por lo tanto, su flujo de ingresos puede ser errático. La empresa tiene un alto apalancamiento y, por lo tanto, puede tener una carga de pago de interés alto para los acreedores. Y la empresa tiene una baja rentabilidad, lo que significa que genera poco dinero en efectivo para cubrir sus gastos (incluida la pesada carga de la deuda). En su conjunto, es probable que la empresa descubra que no puede pagar los pagos de la deuda en el futuro cercano. Esto significa que tiene una alta probabilidad de incumplimiento. (Para obtener más información, consulte Conceptos básicos de regresión para Business Analysis .)

Arte vs. Ciencia Hasta este punto, el proceso de creación de modelos ha sido completamente mecánico, usando estadísticas. Ahora hay una necesidad de recurrir al "arte" del proceso. Examine los controladores que se han seleccionado en el modelo final (probablemente, entre 6 y 10 controladores). Idealmente, debería haber al menos un controlador de cada una de las seis categorías descritas anteriormente.

El proceso mecánico descrito anteriormente, sin embargo, puede conducir a una situación en la que un modelo requiere seis conductores, todos extraídos de la categoría del índice de apalancamiento, pero ninguno representa la liquidez, la rentabilidad, etc. Los funcionarios de préstamos del Banco a los que se les solicita utilizar tal modelo para ayudar en las decisiones de préstamo probablemente se quejaría. La fuerte intuición desarrollada por tales expertos los llevaría a creer que otras categorías de conductores también deben ser importantes. La ausencia de tales controladores podría llevar a muchos a concluir que el modelo es inadecuado.

La solución obvia es reemplazar algunos de los controladores de apalancamiento con controladores de categorías faltantes. Esto plantea un problema, sin embargo. El modelo original fue diseñado para proporcionar las mejores medidas de rendimiento estadístico. Al cambiar la composición del controlador, es probable que el rendimiento del modelo disminuya desde una perspectiva puramente matemática.

Por lo tanto, se debe realizar un intercambio entre la inclusión de una amplia selección de controladores para maximizar el atractivo intuitivo del modelo (arte) y la posible disminución del poder del modelo en base a medidas estadísticas (ciencia). (Para obtener más información, lea Style Matters en Financial Modeling .)

Crítica de los modelos PD La calidad del modelo depende principalmente del número de valores predeterminados disponibles para la calibración y la limpieza de los datos financieros . En muchos casos, este no es un requisito trivial, ya que muchos conjuntos de datos contienen errores o faltan datos.

Estos modelos solo utilizan información histórica y, a veces, las entradas están desactualizadas hasta en un año o más.Esto diluye el poder predictivo del modelo, especialmente si ha habido algún cambio significativo que ha vuelto menos relevante a un conductor, como un cambio en las convenciones o regulaciones contables.

Idealmente, los modelos deberían crearse para una industria específica dentro de un país específico. Esto asegura que los factores económicos, legales y contables únicos del país y la industria se puedan capturar adecuadamente. El desafío es que generalmente hay una escasez de datos para comenzar, especialmente en el número de valores predeterminados identificados. Si los escasos datos se segmentan aún más en sectores de la industria nacional, hay incluso menos puntos de datos para cada modelo de país-industria.

Dado que los datos faltantes son una realidad cuando se construyen dichos modelos, se han desarrollado varias técnicas para completar esos números. Algunas de estas alternativas, sin embargo, pueden introducir imprecisiones. La escasez de datos también significa que las probabilidades de incumplimiento calculadas utilizando una pequeña muestra de datos pueden ser diferentes de las probabilidades de incumplimiento reales subyacentes para el país o la industria en cuestión. En algunos casos, es posible escalar los resultados del modelo para que coincida más estrechamente con la experiencia predeterminada subyacente.

La técnica de modelado que se describe aquí también se puede usar para calcular PD para grandes corporaciones. Sin embargo, hay muchos más datos disponibles sobre las grandes empresas, ya que normalmente se cotizan en bolsa con capital negociado y requisitos significativos de divulgación pública. Esta disponibilidad de datos hace posible crear otros modelos de PD (conocidos como modelos basados ​​en el mercado) que son más poderosos que los descritos anteriormente.

Conclusión
Los profesionales de la industria y los reguladores son muy conscientes de la importancia de los modelos de PD y su principal limitación: la escasez de datos. En consecuencia, en todo el mundo se han realizado diversos esfuerzos (bajo los auspicios de Basilea II, por ejemplo) para mejorar la capacidad de las instituciones financieras para capturar datos financieros útiles, incluida la identificación precisa de empresas incumplidas. A medida que aumenta el tamaño y la precisión de estos conjuntos de datos, la calidad de los modelos resultantes también mejorará. (Para obtener más información sobre este tema, consulte El debate sobre la calificación de la deuda .)