Compreender a capacidade creditícia das contrapartes é um elemento crucial na tomada de decisões de negócios. Os investidores precisam saber a probabilidade de que o dinheiro investido em títulos ou na forma de empréstimos seja reembolsado. As empresas devem quantificar a capacidade creditícia de fornecedores, clientes, candidatos a aquisições e concorrentes.
A medida tradicional de qualidade de crédito é um rating corporativo, como o produzido pela S&P, Moody's ou Fitch. No entanto, essas classificações estão disponíveis apenas para as maiores empresas, não para milhões de empresas menores. Para quantificar seu valor de crédito, as empresas menores são frequentemente analisadas usando métodos alternativos, ou seja, modelos de probabilidade de inadimplência (PD). (Para saber mais, consulte Um breve histórico das agências de classificação de crédito .)
TUTORIAL: Risco e Diversificação
Cálculo de PDs O cálculo de PDs exige sofisticação de modelagem e um grande conjunto de dados de padrões anteriores, juntamente com um conjunto completo de variáveis financeiras fundamentais para um grande universo de empresas. Na maioria das vezes, as empresas que optam por usar os modelos de DP os licenciam de um punhado de fornecedores. No entanto, algumas grandes instituições financeiras constroem seus próprios modelos de PD.
A construção de um modelo requer a coleta e análise de dados, incluindo a coleta de fundamentos pelo tempo disponível. Essas informações geralmente vêm de demonstrações financeiras. Depois que os dados são compilados, é hora de formar índices financeiros ou "direcionadores" - variáveis que alimentam o resultado. Esses fatores tendem a se dividir em seis categorias: índices de alavancagem, índices de liquidez, índices de rentabilidade, medidas de tamanho, índices de despesas e índices de qualidade de ativos. Essas medidas são amplamente aceitas pelos profissionais de análise de crédito como relevantes para estimar a credibilidade. (Para saber mais, consulte 6 índices financeiros básicos e o que eles revelam. )
O próximo passo é identificar quais das empresas da sua amostra são "inadimplentes" - aquelas que realmente não cumpriram suas obrigações financeiras. Com essas informações em mãos, um modelo de regressão "logístico" pode ser estimado. Os métodos estatísticos são usados para testar dezenas de drivers candidatos e, em seguida, escolher os que são mais significativos na explicação de padrões futuros.
O modelo de regressão relaciona eventos padrão aos vários drivers. Esse modelo é único, pois as saídas do modelo são limitadas entre 0 e 1, que podem ser mapeadas para uma escala de 0 a 100% de probabilidade de padrão. Os coeficientes da regressão final representam um modelo para estimar a probabilidade de inadimplência de uma empresa com base em seus drivers.
Por fim, você pode examinar as medidas de desempenho para o modelo resultante. Provavelmente serão testes estatísticos que medem quão bem o modelo previu padrões. Por exemplo, o modelo pode ser estimado usando dados financeiros por um período de cinco anos (2001-2005). O modelo resultante é então usado em dados de um período diferente (2006-2009) para prever padrões. Como sabemos quais empresas deixaram de funcionar no período 2006-2009, podemos dizer o desempenho do modelo.
Para entender como o modelo funciona, considere uma pequena empresa com alta alavancagem e baixa rentabilidade. Acabamos de definir três dos drivers de modelo para esta empresa. Muito provavelmente, o modelo prevê uma probabilidade relativamente alta de inadimplência para esta empresa, porque é pequena e, portanto, seu fluxo de receita pode ser irregular. A empresa possui alta alavancagem e, portanto, pode ter uma alta carga de pagamento de juros para os credores. E a empresa tem baixa rentabilidade, o que significa que gera pouco dinheiro para cobrir suas despesas (incluindo seu pesado endividamento). No seu conjunto, é provável que a empresa descubra que é incapaz de cumprir os pagamentos da dívida no futuro próximo. Isso significa que ele tem uma alta probabilidade de inadimplência. (Para saber mais, consulte Noções básicas de regressão para análise de negócios .)
Art vs. Ciência Até este ponto, o processo de construção de modelos foi inteiramente mecânico, usando estatísticas. Agora, é necessário recorrer à "arte" do processo. Examine os drivers que foram selecionados no modelo final (provavelmente, de 6 a 10 drivers). Idealmente, deve haver pelo menos um driver de cada uma das seis categorias descritas anteriormente.
O processo mecânico descrito acima, no entanto, pode levar a uma situação em que um modelo exige seis fatores, todos retirados da categoria do índice de alavancagem, mas nenhum representando liquidez, lucratividade etc. Os agentes de empréstimos bancários que são solicitados a usar esse modelo para ajudar nas decisões de empréstimo provavelmente reclamaria. A forte intuição desenvolvida por esses especialistas os levaria a acreditar que outras categorias de motoristas também deveriam ser importantes. A ausência de tais fatores pode levar muitos a concluir que o modelo é inadequado.
A solução óbvia é substituir alguns dos drivers de alavancagem por drivers de categorias ausentes. Isso levanta um problema, no entanto. O modelo original foi projetado para fornecer as mais altas medidas de desempenho estatístico. Ao alterar a composição do driver, é provável que o desempenho do modelo diminua de uma perspectiva puramente matemática.
Portanto, é necessário fazer uma troca entre a inclusão de uma ampla seleção de fatores para maximizar o apelo intuitivo do modelo (arte) e a possível redução no poder do modelo com base em medidas estatísticas (ciência). (Para saber mais, leia Assuntos de estilo na modelagem financeira .)
Críticas aos modelos de PD A qualidade do modelo depende principalmente do número de padrões disponíveis para calibração e limpeza dos dados financeiros. Em muitos casos, isso não é um requisito trivial, pois muitos conjuntos de dados contêm erros ou sofrem com a falta de dados.
Esses modelos utilizam apenas informações históricas e, às vezes, as entradas estão desatualizadas em até um ano ou mais. Isso dilui o poder preditivo do modelo, especialmente se houve alguma mudança significativa que tornou um driver menos relevante, como uma alteração nas convenções ou regulamentos contábeis.
Idealmente, os modelos devem ser criados para um setor específico dentro de um país específico. Isso garante que os fatores econômicos, legais e contábeis exclusivos do país e da indústria possam ser capturados adequadamente. O desafio é que geralmente há uma escassez de dados, especialmente no número de padrões identificados. Se esses dados escassos precisarem ser segmentados em grupos de países e indústrias, haverá ainda menos pontos de dados para cada modelo de país e indústria.
Como a falta de dados é um fato real na construção de tais modelos, várias técnicas foram desenvolvidas para preencher esses números. Algumas dessas alternativas, no entanto, podem apresentar imprecisões. A escassez de dados também significa que as probabilidades padrão calculadas usando uma pequena amostra de dados podem ser diferentes das probabilidades padrão reais subjacentes para o país ou setor em questão. Em alguns casos, é possível dimensionar as saídas do modelo para corresponder mais à experiência padrão subjacente.
A técnica de modelagem descrita aqui também pode ser usada para calcular PDs para grandes corporações. Há muito mais dados disponíveis em grandes empresas, no entanto, pois elas geralmente são listadas publicamente com ações negociadas e requisitos significativos de divulgação pública. Essa disponibilidade de dados possibilita a criação de outros modelos de PD (conhecidos como modelos baseados no mercado) que são mais poderosos do que os descritos acima.
Conclusão
Os profissionais e reguladores da indústria estão bem cientes da importância dos modelos de DP e de sua escassez primária de dados de limitação. Consequentemente, em todo o mundo, houve vários esforços (sob os auspícios de Basileia II, por exemplo) para melhorar a capacidade das instituições financeiras de capturar dados financeiros úteis, incluindo a identificação precisa de empresas inadimplentes. À medida que o tamanho e a precisão desses conjuntos de dados aumentam, a qualidade dos modelos resultantes também melhora. (Para mais informações sobre este tópico, consulte O debate sobre classificação de dívida .)
