En este momento estás viendo Calcular el riesgo crediticio de la empresa (pequeña)

Comprender la solvencia de las contrapartes es un elemento fundamental en la toma de decisiones comerciales. Los inversores deben conocer la probabilidad de reembolso del dinero invertido en bonos o en forma de préstamos. Las corporaciones deben cuantificar el crédito de proveedores, clientes, candidatos adquirentes y competidores.

La medida tradicional de la calidad crediticia es una calificación corporativa, como la emitida por S&P, Moody’s o Fitch. Pero estas calificaciones solo están disponibles para las empresas más grandes, no para millones de corporaciones más pequeñas. Para cuantificar su solvencia crediticia, las empresas 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 PDEl cálculo de PD requiere la sofisticación de la modelización y un gran conjunto de datos de fallas pasadas, así como un conjunto completo de variables financieras fundamentales para un gran universo de empresas. En su mayor parte, las corporaciones que eligen modelos de DP permiten que se utilicen de un puñado de proveedores. Sin embargo, algunas grandes instituciones financieras construyen sus propios modelos de DP.

Para construir un modelo es necesario recopilar y analizar datos, incluida la recopilación de elementos básicos siempre que se disponga de historial. Esta información generalmente proviene de estados financieros. Una vez que se han recopilado los datos, es hora de formar ratios financieros o «impulsores», variables que impulsan el resultado. Estos impulsores generalmente se dividen en seis categorías: índices de apalancamiento, índices de liquidez, índices de rentabilidad, medidas de volumen, índices de gasto y índices de calidad de activos. Estas medidas son generalmente aceptadas por los profesionales del análisis crediticio como asuntos relevantes para evaluar la solvencia crediticia. (Para obtener más información, consulte 6 Calificaciones financieras básicas y su información a revelar.)

El siguiente paso es identificar cuáles de las empresas en su ejemplo son «morosas», aquellas que realmente han incumplido sus obligaciones financieras. Con esta información en la mano, se puede considerar un modelo de regresión “logística”. Los métodos estadísticos se utilizan para probar muchos de los impulsores candidatos y luego para seleccionar los más importantes para explicar futuros incumplimientos.

El modelo de regresión de eventos predeterminado se aplica a los distintos controladores. Este modelo es único en el sentido de que las salidas del modelo son finitas entre 0 y 1, que se pueden asignar a una escala de probabilidad de falla del 0-100%. 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 sean pruebas estadísticas para medir qué tan bien el modelo predice fallas. Por ejemplo, el modelo puede evaluarse utilizando datos financieros durante un período de cinco años (2001-2005). El modelo resultante se utiliza con datos de un período diferente (2006-2009) para predecir incumplimientos. Dado que sabemos qué empresas fracasaron en 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 identificar tres de los impulsores clave de 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 erróneo. 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 no genera mucho dinero para cubrir sus costos (incluida la pesada carga de la deuda). En su conjunto, es probable que la empresa pronto se vea incapaz de recuperar los pagos de la deuda. Esto significa que existe una alta probabilidad de falla. (Para obtener más información, consulte Conceptos básicos de regresión para el análisis empresarial.)

Arte vs. CienciasHasta ahora, el proceso de construcción de modelos ha sido completamente mecánico, utilizando estadísticas. Ahora es necesario recurrir al «arte» del proceso. Examine los controladores seleccionados en el modelo final (probablemente entre 6 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 conducir a una situación en la que un modelo requiera seis impulsores, todos extraídos de la categoría del índice de apalancamiento, pero ninguno de los cuales refleja liquidez, rentabilidad, etc. probablemente se quejaría para ayudar con las decisiones sobre préstamos. La fuerte intuición desarrollada por estos expertos los llevaría a creer que otras categorías de conductores también deben ser importantes. Mucha gente puede llegar a la conclusión de que si no existen estos controladores, el modelo es inadecuado.

La solución obvia es reemplazar algunos controladores de apalancamiento con controladores de categorías faltantes. Sin embargo, esto plantea una pregunta. 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 se deteriore desde una perspectiva puramente matemática.

Por lo tanto, es necesario negociar entre la inclusión de una amplia selección de impulsores para maximizar el atractivo intuitivo del modelo (arte) y la posible reducción del poder del modelo basado en medidas estadísticas (ciencia). (Para más, lea El estilo importa en el modelado financiero.)

Críticos de los modelos de DPLa 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, porque muchos conjuntos de datos contienen errores o faltan datos.

Estos modelos usan solo información histórica y, a veces, las entradas están desactualizadas hasta por un año o más. Esto reduce el poder predictivo del modelo, especialmente si ha habido un cambio significativo que ha hecho que un impulsor sea menos relevante, como un cambio en las convenciones o regulaciones contables.

Lo ideal sería crear modelos para una industria específica dentro de un país en particular. Esto asegura que los factores económicos, legales y contables únicos del país y la industria se puedan capturar adecuadamente. El desafío es que hay una escasez de datos inicial, especialmente en el número de incumplimientos identificados. Si es necesario segregar aún más esos datos escasos en los segmentos de industria del país, hay menos puntos de datos para cada modelo de industria del país.

Dado que los datos faltan como un hecho cuando se construyen estos modelos, se han desarrollado varias técnicas para completar esos números. Sin embargo, algunas de estas opciones pueden introducir inexactitudes. La escasez de datos también significa que las probabilidades de incumplimiento calculadas utilizando una pequeña muestra de datos pueden diferir de las probabilidades de incumplimiento subyacentes para el país o la industria en cuestión. En algunos casos, la salida del modelo se puede escalar para que coincida más con la experiencia predeterminada subyacente.

La técnica de modelado que se describe aquí también se puede utilizar para calcular PD para grandes corporaciones. Sin embargo, hay muchos más detalles disponibles sobre las grandes empresas, ya que normalmente cotizan en bolsa con acciones negociables 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 conscientes de la importancia de los modelos de DP y su principal limitación: la escasez de datos. En consecuencia, se han realizado varios esfuerzos en todo el mundo (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, la calidad de los modelos mejorará. (Para obtener más información sobre este tema, consulte Debate sobre calificación de deuda.)