प्रतिपक्षों की साख को समझना व्यवसाय निर्णय लेने में एक महत्वपूर्ण तत्व है। निवेशकों को यह पता होना चाहिए कि बांड में या ऋण के रूप में निवेश किए गए धन का भुगतान किया जाएगा। निगमों को आपूर्तिकर्ताओं, ग्राहकों, अधिग्रहण के उम्मीदवारों और प्रतिद्वंद्वियों की साख को मापना चाहिए।

क्रेडिट गुणवत्ता का पारंपरिक उपाय एक कॉर्पोरेट रेटिंग है, जैसे कि एस एंड पी, मूडी या फिच द्वारा उत्पादित। फिर भी, ऐसी रेटिंग्स केवल सबसे बड़ी कंपनियों के लिए उपलब्ध हैं, न कि लाखों छोटे निगमों के लिए अपने क्रेडिट योग्यता का अनुमान लगाने के लिए, छोटी कंपनियों का अक्सर वैकल्पिक तरीकों का उपयोग करके विश्लेषण किया जाता है, अर्थात् डिफ़ॉल्ट (पीडी) मॉडल की संभावना (अधिक जानने के लिए, क्रेडिट रेटिंग एजेंसियों का संक्षिप्त इतिहास देखें ।)

ट्यूटोरियल: जोखिम और विविधीकरण

पीडी की गणना करना पीडी की गणना करना परिष्कार मॉडलिंग की आवश्यकता होती है और अतीत के एक बड़े डाटासेट के साथ-साथ फर्मों के एक बड़े ब्रह्मांड के लिए मौलिक वित्तीय चर का एक पूरा सेट । अधिकांश भाग के लिए, उन निगमों, जो पीडी मॉडल का उपयोग करने का चुनाव करते हैं, उन्हें प्रदाताओं की एक मुट्ठी भर से लाइसेंस प्रदान करते हैं। हालांकि, कुछ बड़े वित्तीय संस्थान अपने पीडी मॉडल का निर्माण करते हैं।

एक मॉडल का निर्माण करने के लिए डेटा संग्रह और विश्लेषण करना आवश्यक है, जहां तक ​​इतिहास उपलब्ध है, इसके लिए बुनियादी सिद्धांतों को एकत्रित करना शामिल है। यह जानकारी आम तौर पर वित्तीय वक्तव्यों से होती है एक बार डेटा संकलित हो जाने पर, यह समय के लिए वित्तीय अनुपात या "ड्राइवर" बनाने का समय है - परिणामस्वरूप परिणामस्वरूप ईंधन। ये चालक छह श्रेणियों में आते हैं: उत्तोलन अनुपात, तरलता अनुपात, मुनाफे अनुपात, आकार के उपाय, व्यय अनुपात और परिसंपत्ति गुणवत्ता अनुपात इन उपायों को सामान्यतः क्रेडिट विश्लेषण पेशेवरों द्वारा स्वीकार किया जाता है जो कि साख का मूल्यांकन करने के लिए प्रासंगिक है। (और जानने के लिए, हमारे वित्तीय अनुपात ट्यूटोरियल देखें।)

अगला कदम यह है कि आपके नमूने में कौन सी फर्म हैं "डिफॉल्टर" - जो कि वास्तव में उनके वित्तीय दायित्वों पर चूक गए हैं। इस जानकारी के साथ हाथ में, एक "तर्कसंगत" प्रतिगमन मॉडल का अनुमान लगाया जा सकता है। दर्जनों उम्मीदवार चालकों का परीक्षण करने के लिए और फिर उन भविष्य चुनने के लिए सांख्यिकीय तरीकों का उपयोग किया जाता है जो भविष्य के चूक को समझाते हैं।

प्रतिगमन मॉडल विभिन्न चालकों के लिए डिफ़ॉल्ट घटनाओं से संबंधित है। यह मॉडल अद्वितीय है कि मॉडल के आउटपुट 0 और 1 के बीच घूम रहे हैं, जो कि 0-100% डिफ़ॉल्ट की संभावना के अनुसार मैप किया जा सकता है। अंतिम प्रतिगमन के गुणांक अपने ड्राइवरों के आधार पर फर्म की डिफ़ॉल्ट संभावना के आकलन के लिए एक मॉडल का प्रतिनिधित्व करते हैं।

अंत में, आप परिणामस्वरूप मॉडल के लिए प्रदर्शन उपायों की जांच कर सकते हैं। ये संभवतः सांख्यिकीय परीक्षण होंगे कि मॉडल ने चूक की भविष्यवाणी कितनी अच्छी तरह कर ली है।उदाहरण के लिए, मॉडल पांच साल की अवधि (2001-2005) के लिए वित्तीय डेटा का उपयोग कर अनुमान लगाया जा सकता है परिणामस्वरूप मॉडल का उपयोग किसी भिन्न अवधि (2006-2009) से डेटा के लिए डिफ़ॉल्ट की भविष्यवाणी करने के लिए किया जाता है। चूंकि हम जानते हैं कि 2006-2009 की अवधि में कौन से कंपनियां चूक गई हैं, हम बता सकते हैं कि मॉडल ने प्रदर्शन कितना अच्छा किया।

यह समझने के लिए कि मॉडल कैसे काम करता है, उच्च लीवरेज और कम लाभप्रदता के साथ एक छोटी फर्म पर विचार करें। हमने इस फर्म के लिए सिर्फ तीन मॉडल ड्राइवरों को परिभाषित किया है सबसे अधिक संभावना है, मॉडल इस फर्म के लिए डिफ़ॉल्ट की एक अपेक्षाकृत उच्च संभावना की भविष्यवाणी करेगा क्योंकि यह छोटा है और इसलिए, इसका राजस्व प्रवाह अनियमित हो सकता है फर्म का उच्च लाभ उठाना है और, इसलिए, लेनदारों के लिए एक उच्च ब्याज भुगतान का बोझ हो सकता है। और फर्म की कम लाभप्रदता है, जिसका अर्थ है कि यह अपने खर्चों को कवर करने के लिए बहुत कम नकद उत्पन्न करता है (इसके भारी कर्ज का बोझ भी शामिल है) पूरी तरह से लिया जाता है, फर्म को यह पता लगने की संभावना है कि यह निकट भविष्य में ऋण भुगतान पर अच्छा नहीं कर पा रहा है। इसका अर्थ यह है कि इसका डिफ़ॉल्ट होने की एक उच्च संभावना है। (और जानने के लिए, व्यापार विश्लेषण के लिए प्रतिगमन मूल बातें देखें ।)

कला बनाम। विज्ञान इस बिंदु पर, मॉडल-बिल्डिंग प्रक्रिया पूरी तरह से मैकेनिकल है, आँकड़ों का उपयोग कर। अब प्रक्रिया की "कला" का सहारा लेने की आवश्यकता है। उन ड्राइवरों की जांच करें जिन्हें अंतिम मॉडल में चुना गया है (संभवतः, कहीं भी 6-10 ड्राइवर)। आदर्श रूप में, पहले वर्णित छह श्रेणियों में से प्रत्येक में कम से कम एक ड्राइवर होना चाहिए।

ऊपर वर्णित यांत्रिक प्रक्रिया, हालात में पैदा हो सकती है, जिसमें एक मॉडल छह ड्राइवरों के लिए कॉल करता है, जो लीवरेज अनुपात श्रेणी से तैयार होते हैं, लेकिन कोई भी तरलता, लाभप्रदता का प्रतिनिधित्व नहीं करता है। बैंक उधार अधिकारियों का उपयोग करने के लिए कहा जाता है उधार देने के फैसलों में सहायता करने के लिए ऐसा एक मॉडल संभवत: शिकायत करेगा। ऐसे विशेषज्ञों द्वारा विकसित मजबूत अंतर्ज्ञान उन्हें विश्वास करने के लिए प्रेरित करेगा कि अन्य चालक श्रेणियां भी महत्वपूर्ण हों। ऐसे ड्राइवरों की अनुपस्थिति में कई लोग यह निष्कर्ष निकाल सकते हैं कि मॉडल अपर्याप्त है।

स्पष्ट हल कुछ चालकों को ड्राइवरों के साथ लापता श्रेणियों से बदलना है। यह एक मुद्दा उठाता है, हालांकि। मूल मॉडल को उच्चतम सांख्यिकीय प्रदर्शन उपायों प्रदान करने के लिए डिज़ाइन किया गया था। चालक संरचना को बदलकर, यह संभव है कि मॉडल का प्रदर्शन एक विशुद्ध रूप से गणितीय परिप्रेक्ष्य से घट जाएगा।

इस प्रकार, मॉडल (कला) की सहज ज्ञान युक्त अपील और सांख्यिकीय उपायों (विज्ञान) के आधार पर मॉडल शक्ति में संभावित कमी को अधिकतम करने के लिए ड्राइवरों के व्यापक चयन के शामिल किए जाने के बीच एक टॉडॉफ बनाया जाना चाहिए। (अधिक के लिए, वित्तीय मॉडलिंग में स्टाइल मामले पढ़ें ।)

पीडी मॉडल की आलोचनाएं मॉडल की गुणवत्ता मुख्य रूप से अंशांकन और वित्तीय डेटा की सफाई के लिए उपलब्ध चूक की संख्या पर निर्भर करती है । कई मामलों में, यह एक छोटी सी आवश्यकता नहीं है, क्योंकि बहुत से डेटा सेट में त्रुटियां होती हैं या अनुपलब्ध डेटा से ग्रस्त होते हैं।

ये मॉडल केवल ऐतिहासिक जानकारी का उपयोग करते हैं, और कभी-कभी आदानों की तारीख एक वर्ष या उससे अधिक तक होती हैयह मॉडल की भविष्य कहनेवाली शक्ति को कम करता है, खासकर अगर कोई महत्वपूर्ण बदलाव किया गया है जिसने ड्राइवर को कम प्रासंगिक प्रदान किया है, जैसे कि लेखा सम्मेलनों या नियमों में बदलाव।

किसी आदर्श देश के भीतर मॉडल आदर्श रूप में बनाया जाना चाहिए। यह सुनिश्चित करता है कि देश और उद्योग के अद्वितीय आर्थिक, कानूनी और लेखा कारक ठीक से कब्जा कर लिया जा सकता है। चुनौती यह है कि आम तौर पर शुरुआती आंकड़ों की कमी है, विशेष रूप से पहचान किए गए चूक की संख्या में। अगर यह दुर्लभ डेटा आगे देश-उद्योग की बाल्टी में विभाजित होना चाहिए, तो प्रत्येक देश-उद्योग मॉडल के लिए डेटा आंकड़े भी कम होते हैं।

चूंकि लापता डेटा इस तरह के मॉडल के निर्माण के दौरान जीवन का एक वास्तविक तथ्य है, उन संख्याओं को भरने के लिए कई तकनीकों का विकास किया गया है। इनमें से कुछ विकल्प, हालांकि, अशुद्धताएं पेश कर सकते हैं। डेटा की कमी का भी अर्थ है कि एक छोटा सा डेटा नमूना का उपयोग करके गणना की जाने वाली डिफ़ॉल्ट संभावनाएं देश या उद्योग के लिए विचाराधीन वास्तविक अंतर्निहित संभावनाओं से भिन्न हो सकती हैं। कुछ मामलों में, अंतर्निहित डिफ़ॉल्ट अनुभव को और अधिक निकटता से मिलान करने के लिए मॉडल आउटपुट स्केल करना संभव है।

यहाँ वर्णित मॉडलिंग तकनीक का उपयोग बड़े निगमों के लिए पीडीएस की गणना के लिए भी किया जा सकता है। हालांकि बड़ी कंपनियों पर बहुत अधिक डेटा उपलब्ध है, हालांकि, आमतौर पर वे व्यापारिक रूप से सार्वजनिक इक्विटी और सार्वजनिक सार्वजनिक प्रकटीकरण आवश्यकताओं के साथ सूचीबद्ध होते हैं। यह डेटा उपलब्धता इससे ऊपर वर्णित लोगों की तुलना में अधिक शक्तिशाली हैं, जो अन्य पीडी मॉडल (बाजार आधारित मॉडल के रूप में जाना जाता है) बनाने के लिए संभव बनाता है

निष्कर्ष
उद्योग प्रैक्टिशनर और नियामक पीडी मॉडल के महत्व के बारे में अच्छी तरह जानते हैं और उनकी प्राथमिक सीमा-डेटा की कमी। तदनुसार, दुनिया भर में विभिन्न वित्तीय संस्थानों की सटीक पहचान सहित उपयोगी वित्तीय आंकड़ों को हासिल करने के लिए वित्तीय संस्थानों की क्षमता में सुधार के लिए (उदाहरण के लिए बेसल द्वितीय के तत्वावधान में) विभिन्न प्रयास किए गए हैं। इन आंकड़ों के आकार और सटीक वृद्धि के कारण, परिणामस्वरूप मॉडल की गुणवत्ता में भी सुधार होगा। (इस विषय पर अधिक जानकारी के लिए, देखें ऋण रेटिंग बहस ।)