Comprendre la solvabilité des contreparties est un élément crucial dans la prise de décision commerciale. Les investisseurs doivent connaître la probabilité que l'argent investi en obligations ou sous forme de prêts soit remboursé. Les sociétés doivent quantifier la solvabilité des fournisseurs, des clients, des candidats à l'acquisition et des concurrents.
La mesure traditionnelle de la qualité du crédit est une notation d'entreprise, telle que celle produite par S&P, Moody's ou Fitch. Pourtant, ces notations ne sont disponibles que pour les plus grandes entreprises, et non pour des millions de petites entreprises. Afin de quantifier leur solvabilité, les petites entreprises sont souvent analysées à l'aide de méthodes alternatives, à savoir les modèles de probabilité de défaut (PD). (Pour en savoir plus, consultez Un bref historique des agences de notation de crédit .)
TUTORIAL: Risque et diversification
Calcul des PD Le calcul des PD nécessite une sophistication de la modélisation et un large ensemble de données des défauts de paiement passés, ainsi qu'un ensemble complet de variables financières fondamentales pour un large univers d'entreprises. Pour la plupart, les sociétés qui choisissent d'utiliser les modèles PD les concèdent sous licence auprès d'une poignée de fournisseurs. Cependant, certaines grandes institutions financières construisent leurs propres modèles de PD.
La construction d'un modèle nécessite la collecte et l'analyse de données, y compris la collecte des fondamentaux aussi longtemps qu'un historique est disponible. Ces informations proviennent généralement des états financiers. Une fois les données compilées, il est temps de former des ratios financiers ou «moteurs» - des variables qui alimentent le résultat. Ces facteurs ont tendance à se diviser en six catégories: ratios de levier, ratios de liquidité, ratios de rentabilité, mesures de taille, ratios de dépenses et ratios de qualité des actifs. Ces mesures sont largement acceptées par les professionnels de l'analyse de crédit comme pertinentes pour estimer la solvabilité. (Pour en savoir plus, voir 6 ratios financiers de base et ce qu'ils révèlent. )
L'étape suivante consiste à identifier les entreprises de votre échantillon qui sont des «défaillants» - celles qui ont effectivement manqué à leurs obligations financières. Avec ces informations en main, un modèle de régression "logistique" peut être estimé. Des méthodes statistiques sont utilisées pour tester des dizaines de candidats conducteurs, puis pour choisir ceux qui sont les plus importants pour expliquer les futurs défauts.
Le modèle de régression relie les événements par défaut aux différents pilotes. Ce modèle est unique en ce sens que les sorties du modèle sont limitées entre 0 et 1, ce qui peut être mappé sur une échelle de 0 à 100% de probabilité de défaut. Les coefficients de la régression finale représentent un modèle d'estimation de la probabilité de défaut d'une entreprise en fonction de ses moteurs.
Enfin, vous pouvez examiner les mesures de performances du modèle résultant. Il s'agira probablement de tests statistiques mesurant dans quelle mesure le modèle a prédit les défauts. Par exemple, le modèle peut être estimé à l'aide de données financières pour une période de cinq ans (2001-2005). Le modèle résultant est ensuite utilisé sur des données d'une période différente (2006-2009) pour prédire les défauts. Puisque nous savons quelles entreprises ont fait défaut au cours de la période 2006-2009, nous pouvons dire dans quelle mesure le modèle a fonctionné.
Pour comprendre le fonctionnement du modèle, considérons une petite entreprise avec un effet de levier élevé et une faible rentabilité. Nous venons de définir trois des pilotes de modèle pour cette entreprise. Très probablement, le modèle prédira une probabilité de défaut relativement élevée pour cette entreprise car elle est petite et, par conséquent, son flux de revenus peut être erratique. L'entreprise a un effet de levier élevé et, par conséquent, peut avoir un fardeau de paiement d'intérêts élevé pour les créanciers. Et l'entreprise a une faible rentabilité, ce qui signifie qu'elle génère peu de liquidités pour couvrir ses dépenses (y compris son lourd endettement). Dans l'ensemble, l'entreprise est susceptible de constater qu'elle est incapable de rembourser ses dettes dans un avenir proche. Cela signifie qu'il a une forte probabilité de défaillance. (Pour en savoir plus, voir Principes de base de la régression pour l'analyse commerciale .)
Art Vs. Science Jusqu'à présent, le processus de construction de modèles a été entièrement mécanique, à l'aide de statistiques. Il faut maintenant recourir à «l'art» du processus. Examinez les pilotes qui ont été sélectionnés dans le modèle final (probablement, entre 6 et 10 pilotes). Idéalement, il devrait y avoir au moins un conducteur de chacune des six catégories décrites précédemment.
Le processus mécanique décrit ci-dessus, cependant, peut conduire à une situation dans laquelle un modèle fait appel à six facteurs, tous issus de la catégorie du ratio de levier, mais aucun représentant la liquidité, la rentabilité, etc. Les agents de crédit bancaire qui sont invités à utiliser un tel modèle aider à prendre des décisions de prêt se plaindrait probablement. La forte intuition développée par ces experts les amènerait à penser que les autres catégories de conducteurs doivent également être importantes. L'absence de tels facteurs pourrait amener beaucoup de gens à conclure que le modèle est inadéquat.
La solution évidente consiste à remplacer certains des pilotes de levier par des pilotes de catégories manquantes. Cela soulève cependant un problème. Le modèle original a été conçu pour fournir les mesures statistiques de performance les plus élevées. En modifiant la composition du pilote, il est probable que les performances du modèle diminueront d'un point de vue purement mathématique.
Ainsi, un compromis doit être fait entre l'inclusion d'une large sélection de pilotes pour maximiser l'attrait intuitif du modèle (art) et la diminution potentielle de la puissance du modèle basée sur des mesures statistiques (science). (Pour en savoir plus, lisez Questions de style dans la modélisation financière .)
Critiques des modèles PD La qualité du modèle dépend principalement du nombre de valeurs par défaut disponibles pour l'étalonnage et de la propreté des données financières. Dans de nombreux cas, ce n'est pas une exigence triviale, car de nombreux ensembles de données contiennent des erreurs ou souffrent de données manquantes.
Ces modèles utilisent uniquement des informations historiques, et parfois les entrées sont obsolètes jusqu'à un an ou plus. Cela dilue le pouvoir prédictif du modèle, en particulier s'il y a eu un changement important qui a rendu un moteur moins pertinent, comme un changement dans les conventions ou réglementations comptables.
Les modèles devraient idéalement être créés pour une industrie spécifique dans un pays spécifique. Cela garantit que les facteurs économiques, juridiques et comptables uniques du pays et de l'industrie peuvent être correctement saisis. Le défi est qu'il y a généralement une pénurie de données pour commencer, en particulier dans le nombre de défauts identifiés. Si ces rares données doivent être davantage segmentées en groupes pays-industrie, il y a encore moins de points de données pour chaque modèle pays-industrie.
Étant donné que les données manquantes sont une réalité de la vie lors de la construction de tels modèles, un certain nombre de techniques ont été développées pour remplir ces chiffres. Cependant, certaines de ces alternatives peuvent introduire des inexactitudes. La rareté des données signifie également que les probabilités de défaut calculées à l'aide d'un petit échantillon de données peuvent être différentes des probabilités de défaut réelles sous-jacentes pour le pays ou l'industrie en question. Dans certains cas, il est possible de mettre à l'échelle les sorties du modèle pour mieux correspondre à l'expérience par défaut sous-jacente.
La technique de modélisation décrite ici peut également être utilisée pour calculer les PD des grandes sociétés. Cependant, il y a beaucoup plus de données disponibles sur les grandes entreprises, car elles sont généralement cotées en bourse avec des actions cotées et d'importantes obligations de divulgation au public. Cette disponibilité des données permet de créer d'autres modèles de PD (appelés modèles basés sur le marché) qui sont plus puissants que ceux décrits ci-dessus.
Conclusion
Les praticiens et les régulateurs de l'industrie sont bien conscients de l'importance des modèles de DP et de leur principale rareté des données de limitation. En conséquence, dans le monde entier, divers efforts ont été déployés (sous les auspices de Bâle II, par exemple) pour améliorer la capacité des institutions financières à saisir des données financières utiles, y compris l'identification précise des entreprises défaillantes. À mesure que la taille et la précision de ces ensembles de données augmentent, la qualité des modèles résultants s'améliore également. (Pour en savoir plus sur ce sujet, voir Le débat sur la notation de la dette .)
