Cálculo del riesgo crediticio de una empresa (pequeña)
Comprender la solvencia crediticia de las contrapartes es un elemento crucial en la toma de decisiones comerciales. Los inversores deben conocer la probabilidad de que se reembolse el dinero invertido en bonos o en forma de préstamos. Las corporaciones deben cuantificar la solvencia de proveedores, clientes, candidatos a adquisiciones 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, estas calificaciones están disponibles solo para las firmas más grandes, no para millones de corporaciones más pequeñas. Con el fin de cuantificar su solvencia, las empresas más pequeñas a menudo se analizan utilizando métodos alternativos, a saber, modelos de probabilidad de incumplimiento (PD).
Calcular PD
El cálculo de las PD requiere un modelo sofisticado y un gran conjunto de datos de incumplimientos pasados, junto con un conjunto completo de variables financieras fundamentales para un gran universo de empresas. En su mayor parte, las corporaciones que optan por utilizar modelos de DP 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 los fundamentos durante el tiempo que haya un historial disponible. Esta información generalmente proviene de los estados financieros. Una vez que se compilan los datos, es hora de formar ratios financieros o » impulsores «, variables que alimentan el resultado. Estos impulsores tienden a clasificarse en seis categorías: índices de apalancamiento, índices de liquidez, índices de rentabilidad, medidas de tamaño, índices de gastos y índices de calidad de activos. Estas medidas son ampliamente aceptadas por los profesionales del análisis crediticio como relevantes para estimar la solvencia.
El siguiente paso es identificar cuáles de las empresas de la muestra son «morosas», las que realmente han incumplido sus obligaciones financieras. Con esta información en la mano, se puede estimar un modelo de regresión «logística». Los métodos estadísticos se utilizan para probar docenas de conductores candidatos y luego para elegir aquellos que son más significativos para explicar futuros incumplimientos.
El modelo de regresión relaciona los eventos predeterminados con los distintos controladores. Este modelo es único en el sentido de que los resultados del modelo están delimitados 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 impulsores.
Por último, puede examinar las medidas de rendimiento del modelo resultante. Es probable que se trate de pruebas estadísticas que midan qué tan bien ha predicho el modelo los valores predeterminados. Por ejemplo, el modelo puede estimarse utilizando datos financieros para 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 se desempeñó el modelo.
Para comprender cómo funciona el modelo, considere una empresa pequeña con alto apalancamiento y baja rentabilidad. Acabamos de definir tres de los impulsores del modelo para esta empresa. Lo más probable es que el modelo prediga una probabilidad de incumplimiento relativamente alta 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 alta carga de pago de intereses para los acreedores. Y la empresa tiene una rentabilidad baja, lo que significa que genera poco efectivo para cubrir sus gastos (incluida la pesada carga de la deuda). En conjunto, es probable que la empresa descubra que no puede cumplir con los pagos de la deuda en un futuro próximo. Esto significa que tiene una alta probabilidad de incumplimiento.
Arte contra ciencia
Hasta este punto, el proceso de construcción de modelos ha sido completamente mecánico, utilizando estadísticas. Ahora es necesario recurrir al «arte» del proceso. Examine los controladores que se han seleccionado en el modelo final (probablemente, entre seis y 10 controladores). Idealmente, debería haber al menos un conductor de cada una de las seis categorías descritas anteriormente.
Sin embargo, el proceso mecánico descrito anteriormente puede llevar a una situación en la que un modelo requiera seis impulsores, todos extraídos de la categoría del índice de apalancamiento, pero ninguno representa la liquidez, la rentabilidad, etc. para ayudar en las decisiones de préstamos probablemente se quejaría. La fuerte intuición desarrollada por estos expertos les llevaría a creer que otras categorías de conductores también deben ser importantes. La ausencia de tales impulsores 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. Sin embargo, esto plantea un problema. El modelo original fue diseñado para proporcionar las más altas medidas de desempeño 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 hacer una compensación entre la inclusión de una amplia selección de impulsores para maximizar el atractivo intuitivo del modelo (arte) y la disminución potencial en el poder del modelo basado en medidas estadísticas (ciencia).
Críticas a los modelos de DP
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 adolecen de datos faltantes.
Estos modelos utilizan solo información histórica y, a veces, las entradas están desactualizadas hasta por un año o más. Esto diluye el poder predictivo del modelo, especialmente si ha habido algún cambio significativo que ha hecho que un impulsor sea menos relevante, como un cambio en las convenciones o regulaciones contables.
Lo ideal es crear modelos para una industria específica dentro de un país específico. Esto asegura que los factores económicos, legales y contables únicos del país y la industria puedan capturarse adecuadamente. El desafío es que, para empezar, generalmente hay escasez de datos, especialmente en el número de incumplimientos identificados. Si esos datos escasos deben segmentar aún más en el país de la industria cubos, incluso hay un menor número de puntos de datos para cada modelo de país-industria.
Dado que los datos faltantes son un hecho cuando se construyen tales modelos, se han desarrollado varias técnicas para completar esos números. Sin embargo, algunas de estas alternativas pueden introducir inexactitudes. 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 coincidan más estrechamente con la experiencia predeterminada subyacente.
La técnica de modelado descrita aquí también se puede utilizar para calcular PD para grandes corporaciones. Sin embargo, hay muchos más datos disponibles sobre las grandes empresas, ya que normalmente cotizan en bolsa con acciones negociadas y requisitos de divulgación pública importantes. Esta disponibilidad de datos permite crear otros modelos de DP (conocidos como modelos basados en el mercado) que son más potentes que los descritos anteriormente.
Conclusión
Los profesionales de la industria y los reguladores son muy conscientes de la importancia de los modelos de DP y su principal limitación: la escasez de datos. En consecuencia, en todo el mundo se han realizado varios 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 las empresas en incumplimiento. A medida que aumenta el tamaño y la precisión de estos conjuntos de datos, también mejorará la calidad de los modelos resultantes.