కౌంటర్పార్టీల యొక్క క్రెడిట్ విలువను అర్థం చేసుకోవడం వ్యాపార నిర్ణయం తీసుకోవడంలో కీలకమైన అంశం. బాండ్లలో లేదా రుణాల రూపంలో పెట్టుబడి పెట్టిన డబ్బు తిరిగి చెల్లించే అవకాశాన్ని పెట్టుబడిదారులు తెలుసుకోవాలి. కార్పొరేషన్లు సరఫరాదారులు, క్లయింట్లు, సముపార్జన అభ్యర్థులు మరియు పోటీదారుల యొక్క క్రెడిట్ విలువను లెక్కించాలి.
క్రెడిట్ నాణ్యత యొక్క సాంప్రదాయ కొలత కార్పొరేట్ రేటింగ్, ఎస్ & పి, మూడీస్ లేదా ఫిచ్ చేత ఉత్పత్తి చేయబడినది. అయినప్పటికీ, ఇటువంటి రేటింగ్‌లు అతిపెద్ద సంస్థలకు మాత్రమే అందుబాటులో ఉన్నాయి, మిలియన్ల చిన్న సంస్థలకు కాదు. వారి క్రెడిట్ విలువను లెక్కించడానికి, చిన్న కంపెనీలు తరచూ ప్రత్యామ్నాయ పద్ధతులను ఉపయోగించి విశ్లేషించబడతాయి, అవి డిఫాల్ట్ (పిడి) నమూనాల సంభావ్యత. (మరింత తెలుసుకోవడానికి, క్రెడిట్ రేటింగ్ ఏజెన్సీల సంక్షిప్త చరిత్ర చూడండి.)
ట్యుటోరియల్: రిస్క్ అండ్ డైవర్సిఫికేషన్
పిడిలను లెక్కిస్తోంది పిడిలను లెక్కించడానికి మోడలింగ్ అధునాతనత మరియు గత డిఫాల్ట్ల యొక్క పెద్ద డేటాసెట్ అవసరం, పెద్ద విశ్వ సంస్థల కోసం ప్రాథమిక ఆర్థిక వేరియబుల్స్ యొక్క పూర్తి సమితి. చాలా వరకు, పిడి మోడళ్లను ఉపయోగించడానికి ఎన్నుకునే కార్పొరేషన్లు కొన్ని ప్రొవైడర్ల నుండి లైసెన్స్ ఇస్తాయి. అయితే, కొన్ని పెద్ద ఆర్థిక సంస్థలు తమ సొంత పిడి మోడళ్లను నిర్మిస్తాయి.
ఒక నమూనాను నిర్మించటానికి డేటా సేకరించడం మరియు విశ్లేషణ అవసరం, చరిత్ర అందుబాటులో ఉన్నంతవరకు ప్రాథమికాలను సేకరించడం. ఈ సమాచారం సాధారణంగా ఆర్థిక నివేదికల నుండి వస్తుంది. డేటా సంకలనం చేయబడిన తర్వాత, ఆర్థిక నిష్పత్తులు లేదా "డ్రైవర్లు" - ఫలితానికి ఆజ్యం పోసే వేరియబుల్స్ ఏర్పడటానికి ఇది సమయం. ఈ డ్రైవర్లు ఆరు వర్గాలలోకి వస్తాయి: పరపతి నిష్పత్తులు, ద్రవ్య నిష్పత్తులు, లాభదాయకత నిష్పత్తులు, పరిమాణ కొలతలు, ఖర్చుల నిష్పత్తులు మరియు ఆస్తి నాణ్యత నిష్పత్తులు. క్రెడిట్ యోగ్యతను అంచనా వేయడానికి ఈ విశ్లేషణలను క్రెడిట్ విశ్లేషణ నిపుణులు విస్తృతంగా అంగీకరిస్తారు. (మరింత తెలుసుకోవడానికి, 6 ప్రాథమిక ఆర్థిక నిష్పత్తులు మరియు అవి ఏమి బహిర్గతం చేస్తాయో చూడండి. )
తదుపరి దశ ఏమిటంటే, మీ నమూనాలోని ఏ సంస్థలను "డిఫాల్టర్లు" అని గుర్తించడం - వారి ఆర్థిక బాధ్యతలపై వాస్తవానికి డిఫాల్ట్ అయినవి. చేతిలో ఉన్న ఈ సమాచారంతో, "లాజిస్టిక్" రిగ్రెషన్ మోడల్‌ను అంచనా వేయవచ్చు. డజన్ల కొద్దీ అభ్యర్థి డ్రైవర్లను పరీక్షించడానికి మరియు భవిష్యత్తులో డిఫాల్ట్‌లను వివరించడంలో చాలా ముఖ్యమైన వాటిని ఎంచుకోవడానికి గణాంక పద్ధతులు ఉపయోగించబడతాయి.
రిగ్రెషన్ మోడల్ డిఫాల్ట్ సంఘటనలను వివిధ డ్రైవర్లకు సంబంధించినది. మోడల్ అవుట్‌పుట్‌లు 0 మరియు 1 మధ్య సరిహద్దులుగా ఉండటంలో ఈ మోడల్ ప్రత్యేకమైనది, ఇది డిఫాల్ట్ యొక్క 0-100% సంభావ్యత స్థాయికి మ్యాప్ చేయవచ్చు. తుది రిగ్రెషన్ నుండి గుణకాలు దాని డ్రైవర్ల ఆధారంగా సంస్థ యొక్క డిఫాల్ట్ సంభావ్యతను అంచనా వేయడానికి ఒక నమూనాను సూచిస్తాయి.
చివరగా, ఫలిత మోడల్ కోసం మీరు పనితీరు చర్యలను పరిశీలించవచ్చు. మోడల్ డిఫాల్ట్‌లను ఎంతవరకు అంచనా వేస్తుందో కొలిచే గణాంక పరీక్షలు ఇవి. ఉదాహరణకు, మోడల్ ఐదేళ్ల కాలానికి (2001-2005) ఆర్థిక డేటాను ఉపయోగించి అంచనా వేయవచ్చు. ఫలిత మోడల్ డిఫాల్ట్‌లను అంచనా వేయడానికి వేరే కాలం (2006-2009) నుండి డేటాపై ఉపయోగించబడుతుంది. 2006-2009 కాలంలో ఏ సంస్థలు డిఫాల్ట్ అయ్యాయో మాకు తెలుసు కాబట్టి, మోడల్ ఎంత బాగా పనిచేసిందో చెప్పగలం.
మోడల్ ఎలా పనిచేస్తుందో అర్థం చేసుకోవడానికి, అధిక పరపతి మరియు తక్కువ లాభదాయకత కలిగిన చిన్న సంస్థను పరిగణించండి. మేము ఈ సంస్థ కోసం ముగ్గురు మోడల్ డ్రైవర్లను నిర్వచించాము. చాలా మటుకు, మోడల్ ఈ సంస్థకు డిఫాల్ట్ యొక్క అధిక సంభావ్యతను అంచనా వేస్తుంది ఎందుకంటే ఇది చిన్నది మరియు అందువల్ల, దాని ఆదాయ ప్రవాహం అస్థిరంగా ఉండవచ్చు. సంస్థ అధిక పరపతి కలిగి ఉంది మరియు అందువల్ల రుణదాతలకు అధిక వడ్డీ చెల్లింపు భారం ఉండవచ్చు. మరియు సంస్థ తక్కువ లాభదాయకతను కలిగి ఉంది, అంటే దాని ఖర్చులను (దాని భారీ రుణ భారం సహా) కవర్ చేయడానికి తక్కువ నగదును ఉత్పత్తి చేస్తుంది. మొత్తంగా తీసుకుంటే, సమీప భవిష్యత్తులో రుణ చెల్లింపులపై మంచి చేయలేకపోతున్నట్లు సంస్థ కనుగొనే అవకాశం ఉంది. దీని అర్థం డిఫాల్ట్ అయ్యే అధిక సంభావ్యత ఉంది. (మరింత తెలుసుకోవడానికి, వ్యాపార విశ్లేషణ కోసం రిగ్రెషన్ బేసిక్స్ చూడండి.)
కళ Vs. సైన్స్ ఈ సమయానికి, గణాంకాలను ఉపయోగించి మోడల్-బిల్డింగ్ ప్రక్రియ పూర్తిగా యాంత్రికంగా ఉంది. ఇప్పుడు ప్రక్రియ యొక్క "కళ" ను ఆశ్రయించాల్సిన అవసరం ఉంది. తుది మోడల్‌లో ఎంపిక చేయబడిన డ్రైవర్లను పరిశీలించండి (అవకాశం, 6-10 డ్రైవర్ల నుండి ఎక్కడైనా). ఆదర్శవంతంగా, ఇంతకు ముందు వివరించిన ఆరు వర్గాల నుండి కనీసం ఒక డ్రైవర్ ఉండాలి.
పైన వివరించిన యాంత్రిక ప్రక్రియ, అయితే, ఒక మోడల్ ఆరుగురు డ్రైవర్లను పిలుస్తుంది, అన్నీ పరపతి నిష్పత్తి వర్గం నుండి తీసుకోబడినవి, కాని ద్రవ్యత, లాభదాయకత మొదలైన వాటికి ప్రాతినిధ్యం వహించవు. అటువంటి నమూనాను ఉపయోగించమని అడిగిన బ్యాంక్ రుణ అధికారులు రుణ నిర్ణయాలకు సహాయం చేయడానికి ఫిర్యాదు చేయవచ్చు. అటువంటి నిపుణులు అభివృద్ధి చేసిన బలమైన అంతర్ దృష్టి ఇతర డ్రైవర్ వర్గాలు కూడా ముఖ్యమైనవి అని నమ్ముతారు. అటువంటి డ్రైవర్లు లేకపోవడం చాలా మంది మోడల్ సరిపోదని తేల్చవచ్చు.
స్పష్టమైన పరిష్కారం ఏమిటంటే, కొన్ని పరపతి డ్రైవర్లను తప్పిపోయిన వర్గాల డ్రైవర్లతో భర్తీ చేయడం. అయితే ఇది ఒక సమస్యను లేవనెత్తుతుంది. అసలు మోడల్ అత్యధిక గణాంక పనితీరు చర్యలను అందించడానికి రూపొందించబడింది. డ్రైవర్ కూర్పును మార్చడం ద్వారా, మోడల్ యొక్క పనితీరు పూర్తిగా గణిత కోణం నుండి తగ్గే అవకాశం ఉంది.
అందువల్ల, మోడల్ (ఆర్ట్) యొక్క సహజమైన విజ్ఞప్తిని పెంచడానికి డ్రైవర్ల యొక్క విస్తృత ఎంపికను చేర్చడం మరియు గణాంక కొలతలు (సైన్స్) ఆధారంగా మోడల్ శక్తిలో సంభావ్య తగ్గుదల మధ్య ఒక వివాదం ఉండాలి. (మరింత కోసం, ఫైనాన్షియల్ మోడలింగ్‌లో స్టైల్ మ్యాటర్స్ చదవండి.)
పిడి మోడల్స్ యొక్క విమర్శలు మోడల్ యొక్క నాణ్యత ప్రధానంగా క్రమాంకనం కోసం అందుబాటులో ఉన్న డిఫాల్ట్ల సంఖ్య మరియు ఆర్థిక డేటా యొక్క శుభ్రతపై ఆధారపడి ఉంటుంది. చాలా సందర్భాల్లో, ఇది చాలా చిన్న అవసరం కాదు, ఎందుకంటే చాలా డేటా సెట్లలో లోపాలు ఉన్నాయి లేదా డేటా తప్పిపోతున్నాయి.
ఈ నమూనాలు చారిత్రక సమాచారాన్ని మాత్రమే ఉపయోగించుకుంటాయి మరియు కొన్నిసార్లు ఇన్‌పుట్‌లు ఒక సంవత్సరం లేదా అంతకంటే ఎక్కువ కాలం నాటివి. ఇది మోడల్ యొక్క power హాజనిత శక్తిని తగ్గిస్తుంది, ప్రత్యేకించి అకౌంటింగ్ సమావేశాలు లేదా నిబంధనలలో మార్పు వంటి డ్రైవర్‌ను తక్కువ సందర్భోచితంగా మార్చిన కొన్ని ముఖ్యమైన మార్పులు ఉంటే.
ఒక నిర్దిష్ట దేశంలో ఒక నిర్దిష్ట పరిశ్రమ కోసం నమూనాలను ఆదర్శంగా సృష్టించాలి. ఇది దేశం మరియు పరిశ్రమ యొక్క ప్రత్యేకమైన ఆర్థిక, చట్టపరమైన మరియు అకౌంటింగ్ కారకాలను సరిగ్గా సంగ్రహించగలదని నిర్ధారిస్తుంది. సవాలు ఏమిటంటే సాధారణంగా డేటా కొరత మొదలవుతుంది, ముఖ్యంగా గుర్తించిన డిఫాల్ట్ల సంఖ్యలో. ఆ కొరత డేటాను దేశ-పరిశ్రమ బకెట్లుగా విభజించవలసి ఉంటే, ప్రతి దేశ-పరిశ్రమ నమూనాకు తక్కువ డేటా పాయింట్లు కూడా ఉన్నాయి.
అటువంటి మోడళ్లను నిర్మించేటప్పుడు తప్పిపోయిన డేటా జీవిత వాస్తవం కాబట్టి, ఆ సంఖ్యలను పూరించడానికి అనేక పద్ధతులు అభివృద్ధి చేయబడ్డాయి. అయితే, ఈ ప్రత్యామ్నాయాలలో కొన్ని తప్పులను ప్రవేశపెట్టవచ్చు. డేటా కొరత అంటే చిన్న డేటా నమూనాను ఉపయోగించి లెక్కించిన డిఫాల్ట్ సంభావ్యత దేశం లేదా పరిశ్రమకు సంబంధించిన వాస్తవ డిఫాల్ట్ సంభావ్యత కంటే భిన్నంగా ఉండవచ్చు. కొన్ని సందర్భాల్లో, అంతర్లీన డిఫాల్ట్ అనుభవాన్ని మరింత దగ్గరగా సరిపోల్చడానికి మోడల్ అవుట్‌పుట్‌లను స్కేల్ చేయడం సాధ్యపడుతుంది.
ఇక్కడ వివరించిన మోడలింగ్ టెక్నిక్ పెద్ద సంస్థలకు పిడిలను లెక్కించడానికి కూడా ఉపయోగపడుతుంది. పెద్ద సంస్థలపై చాలా ఎక్కువ డేటా అందుబాటులో ఉంది, అయినప్పటికీ, అవి సాధారణంగా వర్తకం చేయబడిన ఈక్విటీ మరియు ముఖ్యమైన బహిరంగ బహిర్గతం అవసరాలతో బహిరంగంగా జాబితా చేయబడతాయి. ఈ డేటా లభ్యత పైన వివరించిన వాటి కంటే శక్తివంతమైన పిడి మోడళ్లను (మార్కెట్ ఆధారిత మోడల్స్ అని పిలుస్తారు) సృష్టించడం సాధ్యం చేస్తుంది.
ముగింపు
పరిశ్రమ అభ్యాసకులు మరియు నియంత్రకాలు పిడి మోడళ్ల యొక్క ప్రాముఖ్యత మరియు వాటి ప్రాధమిక పరిమితి-డేటా కొరత గురించి బాగా తెలుసు. దీని ప్రకారం, డిఫాల్ట్ చేసే సంస్థల యొక్క ఖచ్చితమైన గుర్తింపుతో సహా ఉపయోగకరమైన ఆర్థిక డేటాను సంగ్రహించే ఆర్థిక సంస్థల సామర్థ్యాన్ని మెరుగుపరచడానికి ప్రపంచవ్యాప్తంగా వివిధ ప్రయత్నాలు (బాసెల్ II ఆధ్వర్యంలో) జరిగాయి. ఈ డేటాసెట్ల పరిమాణం మరియు ఖచ్చితత్వం పెరిగేకొద్దీ, ఫలిత నమూనాల నాణ్యత కూడా మెరుగుపడుతుంది. (ఈ అంశంపై మరింత తెలుసుకోవడానికి, రుణ రేటింగ్ చర్చ చూడండి .)
